载人机动两轮车事故及骑乘人员损伤特征分析

2023-04-29 00:44刘朱紫刘阳阳邹铁方曹太山
汽车安全与节能学报 2023年5期
关键词:损伤聚类分析

刘朱紫 刘阳阳 邹铁方 曹太山

摘 要: 研究了载人机动两轮车(含摩托车和电动自行车)事故特征。分析了170 例具有视频的载人机动两轮车事故,统计了一般事故特征, 采用系统聚类法,提取了典型事故场景, 挖掘不同场景下的人体损伤特征。结果表明:载人机动两轮车事故主要发生在不需照明且路面干燥的十字路口或直线路段;碰撞前的汽车速度多集中在10~50 km/h 之间,机动两轮车速度多集中在10~40 km/h 之间;所提取的8 类典型事故场景, 涵盖了全部样本的78.9%,78%以上不同场景间人体头部、胸部损伤之间有显著性差异,这表明所选场景具有代表性;总体上场景内骑乘人员损伤有显著差异,骑车人损伤重于乘员损伤;但当汽车速度为50 km/h 直行与摩托车20~40 km/h 直行侧面碰撞的场景中,乘员胸部损伤比骑车人更严重。这些结果可为载人机动两轮车事故特征提供先验知识。

关键词: 机动两轮车事故;骑乘人员;事故场景;损伤;聚类分析

中图分类号: U 491.3 文献标识码: A DOI: 10.3969/j.issn.1674-8484.2023.05.005

数据显示,全球每年因交通事故死亡人数达135万,其中汽车与机动两轮(motorized 2-wheelers,2w,含摩托车和电动自行车)、三轮车碰撞事故死亡人数占比达28%,在东南亚地区机动两轮车事故死亡数占比达43%[1]。机动两轮车由于速度较快且没有汽车类车身、安全带和安全气囊等装置,在交通事故中骑乘人员更易受到伤害。文献[2] 研究表明:摩托车驾驶员每英里的道路交通事故受伤风险是汽车驾驶员和乘客的3 倍,其死亡风险更是后者的16 倍。为此,亟需开展此类事故研究。

学者们开展了对事故机理的探索。殷豪等通过分析中国交通事故深入研究(China In-Depth Accident Study,CIDAS)数据库中的2 806 起两轮车事故,指出:当两轮車类型为摩托车、两轮车初始速度大于30 km/h 等条件均会增加骑车人头部损伤。A. Abass 等通过对190 名摩托车事故受害者进行统计分析后发现:摩托车事故受害者上肢、下肢损伤及头颈部损伤较高[4]。S. Oikawa 等通过对日本真实交通事故中电动二轮车驾驶人头部受伤特征进行分析后发现:电动二轮车驾驶人头部损伤中颅骨骨折的比例最高[5]。ZOU Tiefang 等基于53 起真实的汽车与电动自行车事故,揭示了不同车速下人体损伤来源规律[6]。薛海涛等基于CIDAS 数据发现汽车车型对电动自行车骑车人动力学响应影响较小,骑车人头部损伤与汽车、两轮车速度及碰撞类型明显相关[7]。廖静倩等基于国家车辆事故深度调查体系(National AutomobileAccident In-Depth Investigation System, NAIS)数据,聚类出4 类丁字路口危险事故场景,发现:商用车右转与两轮车直行冲突时的危险碰撞范围为0.78~121.30 m[8]。现有研究中,载人机动两轮车事故的研究较少。

M. M. Haque 等通过挖掘新加坡2001—2006 年的事故数据发现摩托车搭载乘客会增加事故风险[9]。A. T.Kashani 等通过分析伊朗2009—2012 年的摩托车事故数据发现,搭载1个乘客会降低严重事故的发生概率,但搭载2 个男性乘客会增加发生致命事故的风险[10]。

中国大陆机动两轮车载人现象更普遍。邹铁方等通过仿真揭示了不同碰撞形态下的骑乘人员损伤与运动学响应差异[11-12],相关结论可为揭示驾乘关系及事故中人员致伤机理提供支持。但成果主要来源于仿真且仿真设计主要依据现有两轮车事故数据[13],未能揭示载人机动两轮车事故的基本信息、典型场景及不同场景下的人体损伤等特征。

目前,在中国交通事故深入研究CIDAS、国家车辆事故深度调查体系NAIS 及网络[14] 等各类平台上,均可获得大量事故案例,可以基于这些数据揭示更多事故机理。为此,本研究将依托邹铁方课题组载人机动两轮车事故数据,采用聚类统计法统计事故一般特征,提取典型事故场景并揭示不同场景下的人体损伤特征,以期获得更多此类事故的先验知识。

1 载人机动两轮车事故数据统计

从课题组服务于中国交通事故深入研究CIDAS、国家车辆事故深度调查体系NAIS 等项目中获得的案例及从网络上补充的具有清晰事故过程的案例中挑选出170 例载人机动两轮车事故作为研究对象。案例挑选原则有:

1) 碰撞必须发生在汽车和载人机动两轮车之间,不考虑单车或多车事故;

2) 机动两轮车仅包含电动自行车和摩托车,且车上人员为2 人及以上;

3) 能通过视频观察到碰撞全过程,即从碰撞发生前汽车和机动两轮车的初始运动到碰撞发生后车辆和骑乘人员静止为止,且图像能清晰反映事故车辆类型、骑乘人员性别与头盔佩戴情况、道路情况及天气条件等事故基本信息;

4) 碰撞前汽车和机动两轮车都处于可控状态,不考虑二次及多次碰撞。

获得事故视频后,文献[15-16] 中基于视频信息的高精度事故重建方法,在视频中选取一个合适的参照点,利用带有逐帧播放功能的视频播放软件对事故视频进行逐帧播放,并记录车辆相对于固定参照位置移动的车位数及所用的帧数,再通过车身长度及车位数确定车辆相对于参照位置移动的距离,并结合视频帧数及帧率等信息确定车辆通过参照距离所用的时间,最终计算出车辆在碰撞瞬间的速度。

案例视频统计发现:占比81.76% 的事故发生在白天、75.29% 的为天气晴朗、84.71% 的为干燥路面、74.12% 的为不需照明、87.06% 驾驶员视野无遮挡,27.06% 直线路段,59.41% 十字路口。汽车和机动两轮车各车型所占比例见表1。汽车和机动两轮车碰撞速度总体分布见图1(总体均呈正态分布),碰撞前行驶状态见图2。可见,汽车碰撞速度集中在10~50 km/h,占77.7% ; 碰撞前汽车和机动两轮车大多处于直行状态。

将汽车碰撞位置划分为8 个区域(图3a):①前保险杠中部、②前保险杠右部、③右侧车身、④后保险杠右部、⑤后保险杠中部、⑥后保险杠左部、⑦左侧车身、⑧前保险杠左部。同样将机动两轮车碰撞位置划分为8 个区域(图3b):①车头中部、②车头右侧、③右侧车身、④车尾右侧、⑤车尾中部、⑥车尾左部、⑦左侧车身、⑧车头左侧。

图3 显示:汽车碰撞位置集中在车头(113 例,66.47%),前保险杠中部、右部与左部分别有41、39 和33 例;其次为汽车左、右侧车身及车尾,左侧车身21 例,占比略高于右侧车身及车尾各18 例。车头及左、右侧车身为机动两轮车最常见碰撞位置,车头正中部、车头左侧和车头右侧分别有62 例、9 例和13 例;左侧车身和右侧车身分别有32 例和38 例;车尾有16 例(9.42%)。

2 载人机动两轮车事故典型场景

2.1 参数选择

为充分反应汽车与载人机动两轮车事故场景,根据载人机动两轮车事故统计结果并参考他人研究[17],最终选取3 类10 个参数:

1) 环境参数:驾驶员视野(有遮挡、无遮挡)、照明情况(有照明、无照明、不需照明)。

2) 道路参数:道路情况(直线路段、十字路口、丁字路口、弯道)、路面特征(干燥、湿润)。

3) 车辆参数:机动两轮车来车方向(前方、后方、左侧、右侧)、汽车行驶状态(直行、左转、右转、其他)、机动两轮车行驶状态(直行、左转、右转、其他)、机动两轮车类型( 摩托车、电动自行车)。汽车速度 (0、(0,10]、(10, 20]、(20, 30]、(30, 40]、(40,50]、(50,60]、>60 km/h)、机动两轮车速度(0、(0, 10]、(10, 20]、(20,30]、(30, 40]、(40,50]、(50,60]、>60 km/h)。

2.2 典型场景

系统聚类法是实际工作中最常用的一种方法,它不仅可以对变量聚类,还可以对样本进行聚类,也可以同时指定多个类进行尝试性聚类。因此本研究中采用系统聚类法提取汽车与机动两轮车事故典型场景,既可避免分析人员主观意识对场景分类结果的影响,还具有很强的可重复性 [18]。

通过对170 起事故进行聚类,选取占比在5% 以上的场景进行分析,共提取出8 类载人机动两轮车事故典型场景,包含了全部样本的78.9%。各类场景示意图见图4,其参数特征见表2。

场景1 中摩托车来车方向左侧和右侧数量最多且占比相同,故有2 种来车方向;汽车速度在10~20 km/h和20~30 km/h 数量最多且占比相同,故汽车速度区间取10~30 km/h ;摩托车车速在60 km/h 以上占比最高,故其速度区间取60 km/h 以上。因此,场景1 发生在驾驶员视野无遮挡、不需照明、路面干燥的十字路口处,直行汽车碰撞左侧或右侧直行而来的摩托车,汽车速度区间为10~ 30 km/h,摩托车速度区间为60 km/h以上,占比7.1%。

3 典型场景中骑乘人员损伤特征

为分析载人机动两轮车事故中骑乘人员的损伤差异,先用PC-Crash 再现图4 所示典型场景中的1 例典型事故,再现中参照文献[19-20] 的方法保证再现结果与实际情况高度吻合;再根据每个典型场景的特征以汽车速度、机动两轮车速度和碰撞部位为变量设计并开展仿真试验;最后通过对每个场景中骑乘人员损伤进行差异性检验和对比分析,以获得相同场景和不同场景之间骑乘人员的损伤特征。差异性检验选用SPSS 软件中的Mann-Whitney U 检验方法,其检验水准 α = 0.05。,根据检验结果 P( 概率)值的大小即可判断各场景中骑乘人员主要损伤参数是否具有显著性差异,当 P<0.01 时,有显著统计学差异;当 P≥0.05时,不具有显著统计学差异。

3.1 仿真实验设计

在事故再现的基础上,根据每个场景不同特征,以汽车速度、机动两轮车速度和碰撞部位为变量设计仿真试验,每个场景均需4 种汽车速度、4 种机动两轮车速度、3 种碰撞部位,共48 组试验。各场景中其他参数不变,仿真后读取相关骑乘人员头部和胸部损伤参数。试验设计见表3。

3.2 头部损伤特征

图5 为典型事故场景中骑乘人员15 ms 头部损伤准则( head injury criterion, HIC15)对比箱型图。结果显示:除场景2和5中骑乘人员HIC15无显著差异( P≥0.05)外,其他场景中骑车人和乘员头部损伤均有显著差异。有显著差异的不同场景中人体头部损伤信息见表4。

由表4 可知:场景1、4、6、8、9、11 中骑车人的头部损伤均更严重;其中场景 1、9、11 中绝大多数骑车人的HIC15 超过损伤耐受极限 700(见图5),表明这3 类场景下骑车人头部损伤较其他场景更严重。

将各场景两两组合以对比不同场景间的损伤差异,发现85.71% 不同场景间骑车人HIC15、78.57% 乘员HIC15 差异显著,说明2.2 节中场景的分类合理。

3.3 胸部损伤特征

图6 给出不同典型事故场景中骑乘人员胸部 3 ms加速度对比箱型图。

除场景8 和9 外,其他场景中的规律与头部损伤一致。场景8 中骑乘人员胸部损伤未见显著性差异。场景9 中骑车人和乘员胸部3 ms 加速度之间有显著差异(P = 0<0.01),但乘员胸部3 ms 加速度高于骑车人的有48 组(N = 48),且乘员胸部3 ms 加速度的平均值高于骑车人,这表明场景9 中乘员胸部损伤较骑车人更严重。不同场景間骑乘人员胸部损伤对比发现,78.57% 不同场景间骑车人胸部 3 ms 加速度、89.28%乘员胸部 3 ms 加速度有显著差异,同样表明:2.2 节中场景划分合理。

3.4 頭部损伤差异原因分析

人体在碰撞中受到的伤害与碰撞速度直接相关,为此分析头部损伤有显著差异的场景1、4、6、8、9 和11 中人车碰撞速度的变化。定义头车碰撞速度为骑乘人员头部与车辆接触时刻相对于车辆的速度为

分析可知:场景8 中几乎所有乘员头部均不与汽车碰撞而场景6 中亦有大量乘员或驾驶员头部不与汽车接触的案例,为此不统计这2 类。分别用Pearson和Spearman 方法分析余下场景1、4、9 和11 中头部HIC15 和头车碰撞速度的关系,P 值均为0,相关系数见表5。表5 说明:人体头部损伤与头车碰撞速度显著正相关;头车碰撞速度越大则损伤越大。

图7a 给出骑车人与乘员的头车碰撞速度箱型图,很显然两者之间有显著差异,且骑车人头车碰撞速度显著高于乘员碰撞速度,骑车人碰撞速度均值27.6 km/h而乘员均值仅14.0 km/h,这是两者损伤差异的直接原因。而导致这一直接原因的重要因素是:相比于骑车人,乘员更晚碰撞车辆。越晚碰撞车辆,能量越可能在与骑车人等外界物体相互作用中而被消耗,自然可以降低乘员碰撞车辆的速度。

定义头车碰撞时间为汽车与两轮车接触瞬间至骑乘人员头部与车辆接触所经历的时间。统计发现头车碰撞速度与头车碰撞时间显著负相关(见表5),表明头车碰撞时间越短速度越大即越早碰撞汽车在头车碰撞速度越大。图7b 给出骑车人与乘员头车碰撞时间箱型图,两者具有显著差异。骑车人头车碰撞时间均值仅170 ms 而乘员的头车碰撞时间均值达390 ms。这很好地说明越早碰撞汽车有更大的升高头车碰撞速度的风险,进而导致损伤差异。

4 结 论

本研究统计了汽车与载人机动两轮车事故的一般特征,提取了典型事故场景,并在事故再现基础上设计仿真实验而揭示了典型场景下的骑乘人员损伤特征,主要结论有:

1) 载人机动两轮车事故大多发生在天气晴朗、白天、不需照明、路面干燥的十字路口或直线路段;事故中最常见的车型是轿车,机动两轮车多为电动自行车和普通骑跨型摩托车;碰撞前汽车速度多集中在10~50 km/h之间,机动两轮车速度多集中在10~40 km/h 之间;汽车碰撞位置大多为车头位置,机动两轮车则多为车头及左右侧车身。

2) 通过聚类分析提取出8 类典型事故场景,此8 类场景涵盖了全部样本的78.9%,且大多数不同场景(占比>78%)之间人体头部、胸部损伤之间有显著差异,说明所提取的场景具有代表性。

3) 除场景2 和5 和外,其他各场景内骑乘人员头部损伤均有显著差异、且骑车人所受伤害均更严重;总体上胸部损伤与头部损伤规律一致,但场景8 中骑乘人员胸部损伤没有显著性差异而场景9 中乘员胸部损伤比骑车人更严重。进一步分析发现,骑车人头部损伤重的原因是其更早碰撞汽车而导致更高的头车碰撞速度。

4) 受制于案例数量,场景划分前未考虑汽车类型,且聚类所得场景亦没有视野遮挡、丁字路口等情况,说明本研究具有一定局限性,需通过增加案例数量以获更充分、更普遍的场景,这应是后续研究中的重要工作之一。

参考文献(References)

[1] World Health Organization. Global status report on roadsafety 2018: Summary [EB/OL]. (2018-12-24). https://www.who.int/publications/i/item/WHO-NMH-NVI-18.20.

[2] 陈吉光. 基于摩托车事故重建的头盔损伤防护性能研究[D]. 长沙: 湖南大学, 2013.

CHEN Jiguang. A study on helmet protective performancefor head injury based on motorcycle accident reconstruction[D]. Changsha: Hunan University, 2013. (in Chinese)

[3] 殷豪, 林淼, 王鹏, 等. 基于潜类别Logit 模型的机动两轮车骑行者头部损伤影响因素研究[J]. 交通信息与安全,2023, 41(1): 43-52.

YIN Hao, LIN Miao, WANG Peng, et al. An analysis ofthe impact factors of head injuries of two-wheeler ridersusing a latent class logit model [J]. J Transp Info Safe,2023, 41(1): 43-52. (in Chinese)

[4] Abass A, Quaye L, Adams Y. Upper and lower extremity injurypattern and severity of motorbike accident: A retrospectivestudy [J]. J Adva Medi Pharm Sci, 2020, 22(8): 34-40.

[5] Oikawa S, Matsui Y, Wakabayashi A, et al.Severity ofcyclist head injuries caused by impacts with vehiclestructure and road surface [J]. J Biomech Sci Eng, 2016,11(2): No 15.00613.

[6] ZOU Tiefang, YI Liang, CAO Ming, et al. Injury sourceand correlation analysis of riders in car-electric bicycleaccidents [J]. Appl Bionics Biomech, 2018, 2018: 3674858.

[7] 薛海涛, 李海波, 赵小羽, 等. 汽车—电动自行车与汽车—自行车碰撞中骑车人动力学响应对比研究 [J]. 公路与汽运, 2021, 207(6): 37-42.

XUE Haitao, LI Haibo, ZHAO Xiaoyu, et al. Comparativestudy of cyclist kinetic response in car-electric bike and carbikecollisions [J]. Highways Auto App, 2021, 207(6): 37-42.(in Chinese)

[8] 廖静倩, 张道文, 高立, 等. 基于NAIS 事故数据聚类的丁字路口危險场景研究 [J]. 汽车安全与节能学报, 2021,12(3): 336-345.

LIAO Jingqian, ZHANG Daowen, GAO Li, et al. Researchon dangerous scene of T-intersection based on NAISdatabase accident data clustering [J]. J Auto Safe Energ,2021, 12(3): 336-345. (in Chinese)

[9] Haque MM, Chin HC, Huang H. Modeling fault amongmotorcyclists involved in crashes[J]. Accid Anal Prevent,2009, 41(2): 327-335.[10] Kashani AT, Rabieyan R, Besharati MM. Modeling the effectof operator and passenger characteristics on the fatality riskof motorcycle crashes [J]. J Inju Viol Res, 2016, 8(1): 35-42.

[11] 邹铁方, 王冠, 胡林, 等. 汽车摩托车碰撞事故中骑乘人员损伤差异对比研究 [J]. 汽车工程, 2020, 42(5): 621-627.

ZOU Tiefang, WANG Guan, HU Lin, et al. Comparativestudy on the injury difference between motorcyclist andoccupant in vehicle-motorcycle collision accidents [J].Autom Engineering, 2020, 42(5): 621-627. (in Chinese)

[12] 邹铁方, 王冠, 胡林, 等. 车—摩托车碰撞中骑乘人员运动学响应的差异 [J]. 汽车安全与节能学报, 2020, 11(2): 174-181.

ZOU Tiefang, WANG Guan, HU Lin, et al. Differencesin kinematic responses of motorcyclist and occupant invehicle-motorcycle collisions [J]. J Auto Safe Energ,2020, 11(2): 174-181. (in Chinese)

[13] WANG Xinhua, PENG Yong, YI Shengen. Comparativeanalyses of bicyclists and motorcyclists in vehiclecollisions focusing on head impact responses [J]. Proc InstMech Eng Part H: J Eng Med, 2017, 231(11): 997-1011.

[14] HAN Yong, LI Quan, WANG Fang, et al. Analysis ofpedestrian kinematics and ground impact in trafficaccidents using video records [J]. Intl J Crashworthiness,2019, 24(2): 211-220.

[15] 吴贺, 韩勇, 石亮亮, 等. 基于视频信息的高精度事故重建方法研究 [J]. 汽车工程, 2020, 42(6): 778-783.

WU He, HAN Yong, SHI Liangliang, et al. Research onhigh precision accident reconstruction method based onvideo information [J]. Autom Engineering, 2020, 42(6):778-783. (in Chinese)

[16] 赵丽丽, 唐阳山. 基于时间插值法的交通事故车速鉴定方法研究 [J]. 公路与汽运, 2022, 212(5): 29-31.

ZHAO Lili, TANG Yangshan. Study on the identificationmethod of traffic accident speed based on timeinterpolation method [J]. Highways Autom Appl, 2022,212(5): 29-31. (in Chinese)

[17] 胡林, 易平, 黄晶, 等. 基于真实事故案例的自动紧急制动系统两轮车测试场景研究 [J]. 汽车工程, 2018, 40(12):1435-1446+1453.

HU Lin, YI Ping, HUANG Jing, et al. A research on testscenes of two- wheeled vehicles for automatic emergencybraking system based on real accident cases [J]. AutomEngineering, 2018, 40(12): 1435-1446+1453. (in Chinese)

[18] 蘇江平, 陈君毅, 王宏雁, 等. 基于中国危险工况的行人交通冲突典型场景提取与分析 [J]. 交通与运输,2017(A1): 209-214.

SU Jiangping, CHEN Junyi, WANG Hongyan, et al.Establishment and analysis on typical road traffic nearcrashscenarios related to pedestrian in China [J]. TrafTransp, 2017(A1): 209-214. (in Chinese)

[19] 邹铁方, 余志, 蔡铭, 等. 基于 Pc-Crash 的车- 人事故再现 [J]. 振动与冲击, 2011, 30(3): 215-219.

ZOU Tiefang, YU Zhi, CAI Ming, et al. Car-pedestrianaccident reconstruction based on Pc-Crash [J]. J VibrShock, 2011, 30(3): 215-219. (in Chinese)

[20] 邹铁方, 余志, 蔡铭. 基于Pc-Crash 软件的人- 车碰撞事故仿真规律研究 [J]. 中国安全科学学报, 2010, 20(2): 54-58+177.

ZOU Tiefang, YU Zhi, CAI Ming. Study on laws of vehiclepedestrianaccident simulation based on Pc-Crash software[J]. Chin Safe Sc J, 2010, 20(2): 54-58+177. (in Chinese)

猜你喜欢
损伤聚类分析
新媒体用户行为模式分析
农村居民家庭人均生活消费支出分析
浙江省高水平投掷运动员运动损伤原因的调查与分析
常见羽毛球运动软组织损伤及诊断分析
我院足球运动员踝关节损伤发生原因及预防分析
浅谈跑步运动中膝关节的损伤和预防
基于省会城市经济发展程度的实证分析
基于聚类分析的互联网广告投放研究
“县级供电企业生产经营统计一套”表辅助决策模式研究