考虑因素交互作用的车—车事故严重程度分析

doi:10.3969/j.issn.1674-8484.2022.04.005

摘要/Abstract

摘要：

研究了车对车(V2V)事故严重程度的关键影响因素、因素交互作用下对致死事故率的影响。以(中国)国家车辆事故深度调查体系(NAIS)数据库中583例V2V事故为样本，运用Bayes网络(BN)，建立了考虑风险因素交互作用的V2V事故严重程度模型。结合关联规则方法，挖掘了高频率和高耦合规则集。结果表明：过失方车型、过失方状态、受害方车型、发生时段、事故地点、交通信号灯等因素对致死事故率影响显著；因素交互作用下，因素的联合效应显著，并且影响高于各自边际效应和；在十字路口两辆乘用车发生事故的频率较高，但致死事故率比致死事故率的先验概率低18.4%；大型汽车在无交通信号灯的普通路段的致死事故率比致死事故率的先验概率会高42.6%。

关键词: 交通安全, 车对车(V2V)事故, 事故严重程度, Bayes网络, 关联规则, 交互作用

Abstract:

This paper investigated the key factors affecting the severity of vehicle to vehicle (V2V) accidents and the influence of the interaction of key factors on fatal- accident rate. Taking the 583 V2V accidents selected from the National Automobile Accident In-Depth Investigation System (NAIS) database (China) as samples, an analytical model of the V2V accident severity was established by the Bayesian network (BN). The association rule method was integrated to mine the rules with high frequency and strong coupling degree. The results showed that the factors, such as the at-fault party vehicle type, the at-fault party state, the injured party vehicle type, the accident time period, the accident place, and the traffic lights, have significant effects on fatal-accidents rate. The joint effect of factors was significant under the interaction of factors, and the effect was higher than the respective marginal effects. Road junctions had a higher incidence of accidents involving two passenger-cars, but the fatal accident rate is 18.4% lower than the a priori probability of the fatal accident rate. The fatal accident rate of a large car on the common roadway without traffic signals would be 42.6% higher than the a priori probability of the fatal accident rate.

Key words: traffic safety, vehicle to vehicle (V2V) accident, accident severity, Bayesian networks, association rules, interaction

中图分类号:

U449.31

张道文, 王朝健, 蒋骏, 黎华惠. 考虑因素交互作用的车—车事故严重程度分析[J]. 汽车安全与节能学报, 2022, 13(4): 643-650.

ZHANG Daowen, WANG Chaojian, JIANG Jun, LI Huawei. Analysis of the severity of vehicle to vehicle accidents considering the interaction of factors[J]. Journal of Automotive Safety and Energy, 2022, 13(4): 643-650.

图/表 6

参考文献 26

[1]	宁吉喆. 中国统计年鉴—2021:24-5 交通事故情况[EB/OL]. (2021-09-01), http://www.stats.gov.cn/tjsj/ndsj/2021/indexch.htm.
	NING Jizhe. China statistical yearbook-2021:24-5 Traffic accident situation[EB/OL]. (2021-09-01), http://www.stats.gov.cn/tjsj/ndsj/2021/indexch.htm. (in Chinese)
[2]	靳文舟, 裴晓航, 汤左淦, 等. 考虑碰撞角色的双车事故驾驶伤害程度研究[J]. 深圳大学学报(理工版), 2022, 39(2): 230-236.
	JIN Wenzhou, PEI Xiaohang, TANG Zuogan, et al. Driver injury severity in two vehicle accident considering collision role[J]. J Shenzhen Univ (Sci Eng), 2022, 39(2): 230-236. (in Chinese)
[3]	贾雄文. 双责事故交通安全分析[D]. 成都: 西南交通大学, 2016.
	JIA Xiongwen. Traffic analysis of both-at-fault crashes[D]. Chengdu: Southwest Jiaotong University, 2016. (in Chinese)
[4]	Duncan C S, Khattak A J, Council F M. Applying the ordered probit model to injury severity in truck-passenger car rear-end collisions[J]. *Transp Res Record, 1998, 1635*(1): 63-71.
[5]	Torrão G A, Coelho M C, Rouphail N M. Modeling the impact of subject and opponent vehicles on crash severity in two-vehicle collisions[J]. *Transp Res Record, 2014, 2432*(1): 53-64.
[6]	贾雄文, 章国鹏, 夏亮. 道路环境对双责事故受伤严重程度影响分析[J]. 交通运输工程与信息学报, 2018, 16(1): 100-105.
	JIA Xiongwen, ZHANG Guopeng, XIA Liang. Analysis of the influence of road environment on the severity of both-at-fault crashes[J]. *J Transp Eng Info*, 2018, 16(1): 100-105. (in Chinese)
[7]	江欣国, 章国鹏, 石小林, 等. 交互危险行为对双责事故严重程度的影响分析[J]. 西南交通大学学报, 2018, 53(2): 378-384.
	JIANG Xinguo, ZHANG Guopeng, SHI Xiaolin, et al. Impact of interacted hazardous actions on injury severity in both-at-fault crashes[J]. *J Southwest Jiaotong Univ*, 2018, 53(2): 378-384. (in Chinese)
[8]	王健宇, 陆化普, 孙智源, 等. 基于MNL模型的车车碰撞事故严重程度影响因素辨识方法[J]. 公路交通科技, 2021, 38(10): 107-113.
	WANG Jianyu, LU Huapu, SUN Zhiyuan, et al. A method for identifying influencing factors of severity of vehicle crash based on MNL model[J]. *J Highw Transp Res Deve*, 2021, 38(10): 107-113. (in Chinese)
[9]	YANG Chao, CHEN Mingyang, YUAN Quan. The application of XGBoost and SHAP to examining the factors in freight truck-related crashes: An exploratory analysis[J]. *Acci Anal Preve, 2021, 158*: 106153.
[10]	WEN Xiao, XIE Yuanchang, WU Lingtao, et al. Quantifying and comparing the effects of key risk factors on various types of roadway segment crashes with LightGBM and SHAP[J]. *Acci Ana Preve, 2021, 159*: 106261.
[11]	胡立伟, 赵雪亭, 杨锦青, 等. 城市快速过境通道衔接节点交通风险耦合致因模型研究[J]. 中国安全生产科学技术, 2019, 15(12): 150-155.
	HU Liwei, ZHAO Xueting, YANG Jinqing, et al. Research on coupling cause model of traffic risk in connecting nodes of urban rapid transit channels[J]. *J Safe Sci Tech*, 2019, 15(12): 150-155. (in Chinese)
[12]	Ghomi H, Fu L, Bagheri M, et al. Identifying vehicle driver injury severity factors at highway-railway grade crossings using data mining algorithms[C]// 2017 4th Int’l Conf Transp Info Safe (ICTIS), Banff AB, Canada, 2017: 1054-1059.
[13]	徐金华, 李岩, 张玉婷. 一种挖掘交叉口事故严重程度影响因素关联特性的算法[J]. 安全与环境学报, 2022, 22(3): 1412-1420.
	XU Jinhua, LI Yan, ZHANG Yuting. An algorithm to mine the association rules among causes of accident severity at intersection[J]. *J Safety Envir*, 2022, 22(3): 1412-1420. (in Chinese)
[14]	García-Herrero S, Febres J D, Boulagouas W, et al. Assessment of the influence of technology-based distracted driving on drivers’ infractions and their subsequent impact on traffic accidents severity[J]. *Int’l J Envir Res Public Health*, 2021, 18(13): 7155-7170.
[15]	姜毅. 基于贝叶斯网络模型的泥石流灾害经济损失风险评估[D]. 昆明: 云南大学, 2019.
	JIANG Yi. Risk assessment of economic loss in debris flow disasters based on Bayesian network[D]. Kunming: Yunnan University, 2019. (in Chinese)
[16]	娄晨. 基于时空角度的高速公路交通事故致因与严重程度分析[D]. 北京: 北京交通大学, 2021.
	LOU Chen. Analysis of causes and severity of freeway traffic accidents based on time and space[D]. Beijing: Beijing Jiaotong University, 2021. (in Chinese)
[17]	张剑飞, 王真, 崔文升, 等. 基于交叉验证和神经网络融合的医学数据分类[J]. 齐齐哈尔大学学报(自然科学版), 2019, 35(4): 1-5.
	ZHANG Jianfei, WANG Zhen, CUI Wensheng, et al. Medical data classification based on cross validation and neural network[J]. J Qiqihar Univ (Nat Sci Ed), 2019, 35(4): 1-5. (in Chinese)
[18]	张道文, 母尧尧, 王朝健, 等. 城市道路交通事故特性及严重程度研究[J]. 安全与环境学报, 2022, 22(2): 599-605.
	ZHANG Daowen, MU Yaoyao, WANG Chaojian, et al. Research on characteristics and severity of urban road traffic accidents[J]. *J Safety Envir*, 2022, 22(2): 599-605. (in Chinese)
[19]	张诗波, 何治剑, 廖静倩, 等. 基于NAIS的AEB系统路口测试场景研究[J]. 交通信息与安全, 2021, 39(1): 87-96.
	ZHANG Shibo, HE Zhijian, LIAO Jingqian, et al. Test scenarios of automatic emergency braking system at lntersections based on NAlS[J]. *J Transp Info Safety*, 2021, 39(1): 87-96. (in Chinese)
[20]	侯梁. 基于抛距及损伤的人车碰撞事故再现与车速计算研究[D]. 西安: 长安大学, 2021.
	HOU Liang. Research on reconstruction of pedestrian-vehicle collision accident and vehicle speed calculation based on throw distance and injury[D]. Xian: Chang’an University, 2021. (in Chinese)
[21]	刘晨. 基于NAIS的交通伤严重程度影响因素研究[D]. 北京: 清华大学, 2015.
	LIU Chen. Study of influencing factors on traffic injury severity based on the NAIS[D]. Beijing: Tsinghua University, 2015. (in Chinese)
[22]	姚景轩. 高速公路交通事故严重程度影响因素分析及改善措施研究[D]. 西安: 长安大学, 2021.
	YAO Jingxuan. Study on the influencing factors and improvement measures of expressway traffic accident severity[D]. Xian: Chang’an University, 2021. (in Chinese)
[23]	王长帅. 基于随机参数的机动车间交通事故伤害严重程度模型研究[D]. 西安: 长安大学, 2020.
	WANG Changshuai. Investigating injury severity of road traffic accidents involved motor vehicles using random parameter model[D]. Xian: Chang’an University, 2020. (in Chinese)
[24]	Cooper G F, Herskovits E. A Bayesian method for the induction of probabilistic networks from data[J]. *Machine Learning*, 1992, 9(4): 309-347.
[25]	Lee C, Li Xuancheng. Analysis of injury severity of drivers involved in single-vehicle and two-vehicle crashes on ontario highways[J]. *Acci Anal Preve*, 2014, 71: 286-295.
[26]	WANG Xuesong, Abdel-Aty M. Analysis of left-turn crash injury severity by conflicting pattern using partial proportional odds models[J]. *Acci Anal Preve*, 2008, 40(5): 1674-1682.

变量名称	变量符号	变量取值
变量名称	变量符号	1	2	3	4	5
事故严重程度	Sev	非致死事故	致死事故
过失方年龄	L1	(18-25]	(26-35]	(36-45]	(46-55]	>55
过失方性别	L2	男	女
过失方状态	L3	操作不当	超速行驶	酒后、疲劳驾驶	未按规定让行	其他违法行为
过失方运动状况	L4	直行	转向	变道、超车
过失方车型	L5	乘用车	大型汽车
受害方年龄	I1	(18-25]	(26-35]	(36-45]	(46-55]	>55
受害方性别	I2	男	女
受害方状态	I3	操作不当	超速行驶	酒后、疲劳驾驶	未按规定让行	其他违法行为
受害方运动状况	I4	直行	转向	变道、超车
受害方车型	I5	乘用车	大型汽车
道路行政等级	R1	城市道路	普通公路	乡村道路
路面状况	R2	良好	较差	(36-45]	(46-55]	>55
事故地点	R3	普通路段	丁字路口	十字路口
交通信号灯	R4	直行+转向	直行	无
天气状况	E1	普通天气（晴、阴）	恶劣天气（雨、雪）	变道、超车
发生时段	E2	晨昏	日间	夜间

变量名称	变量符号	变量取值
变量名称	变量符号	1	2	3	4	5
事故严重程度	Sev	非致死事故	致死事故
过失方年龄	L1	(18-25]	(26-35]	(36-45]	(46-55]	>55
过失方性别	L2	男	女
过失方状态	L3	操作不当	超速行驶	酒后、疲劳驾驶	未按规定让行	其他违法行为
过失方运动状况	L4	直行	转向	变道、超车
过失方车型	L5	乘用车	大型汽车
受害方年龄	I1	(18-25]	(26-35]	(36-45]	(46-55]	>55
受害方性别	I2	男	女
受害方状态	I3	操作不当	超速行驶	酒后、疲劳驾驶	未按规定让行	其他违法行为
受害方运动状况	I4	直行	转向	变道、超车
受害方车型	I5	乘用车	大型汽车
道路行政等级	R1	城市道路	普通公路	乡村道路
路面状况	R2	良好	较差	(36-45]	(46-55]	>55
事故地点	R3	普通路段	丁字路口	十字路口
交通信号灯	R4	直行+转向	直行	无
天气状况	E1	普通天气（晴、阴）	恶劣天气（雨、雪）	变道、超车
发生时段	E2	晨昏	日间	夜间

影响因素	影响幅度/%		变量取值	影响因素	影响幅度/%		变量取值
过失方车型	39.7	↑ 32.6	大型汽车	过失方运动状况	17.5	↑ 6.2	变道、超车
过失方车型	39.7	↓ 7.1	乘用车	过失方运动状况	17.5	↓ 11.3	转向
过失方状态	36.6	↑ 22.9	超速行驶	道路行政等级	17.2	↑ 7.7	普通公路
过失方状态	36.6	↓ 13.7	未按规定让行	道路行政等级	17.2	↓ 9.5	城市道路
受害方车型	34.1	↑ 23.6	大型汽车	受害方运动状况	12.7	↑ 10.3	变道、超车
受害方车型	34.1	↓ 10.5	乘用车	受害方运动状况	12.7	↓ 2.4	转向
发生时段	29.2	↑ 23.0	晨昏	过失方年龄	8.6	↑ 4.3	(36，45]
发生时段	29.2	↓ 6.2	日间	过失方年龄	8.6	↓ 4.3	(18，25]
事故地点	22.5	↑ 11.2	普通路段	过失方性别	7.5	↑ 1.3	男
事故地点	22.5	↓ 11.3	十字路口	过失方性别	7.5	↓ 6.2	女
交通信号灯	20.8	↑ 9.5	无	受害方性别	5.4	↑ 1.0	男
交通信号灯	20.8	↓ 11.3	直行+转向	受害方性别	5.4	↓ 4.4	女
受害方年龄	19.	↑ 6.5	(36，45]	天气状况	1.1	↑ 1.0	恶劣天气
受害方年龄	19.	↓ 12.6	(18，25]	天气状况	1.1	↓ 0.1	普通天气
受害方状态	17.7	↑ 11.9	操作不当	路面状况	0.4	↑ 0.3	较差
受害方状态	17.7	↓ 5.8	无过失	路面状况	0.4	↓ 0.1	良好

影响因素	影响幅度/%		变量取值	影响因素	影响幅度/%		变量取值
过失方车型	39.7	↑ 32.6	大型汽车	过失方运动状况	17.5	↑ 6.2	变道、超车
过失方车型	39.7	↓ 7.1	乘用车	过失方运动状况	17.5	↓ 11.3	转向
过失方状态	36.6	↑ 22.9	超速行驶	道路行政等级	17.2	↑ 7.7	普通公路
过失方状态	36.6	↓ 13.7	未按规定让行	道路行政等级	17.2	↓ 9.5	城市道路
受害方车型	34.1	↑ 23.6	大型汽车	受害方运动状况	12.7	↑ 10.3	变道、超车
受害方车型	34.1	↓ 10.5	乘用车	受害方运动状况	12.7	↓ 2.4	转向
发生时段	29.2	↑ 23.0	晨昏	过失方年龄	8.6	↑ 4.3	(36，45]
发生时段	29.2	↓ 6.2	日间	过失方年龄	8.6	↓ 4.3	(18，25]
事故地点	22.5	↑ 11.2	普通路段	过失方性别	7.5	↑ 1.3	男
事故地点	22.5	↓ 11.3	十字路口	过失方性别	7.5	↓ 6.2	女
交通信号灯	20.8	↑ 9.5	无	受害方性别	5.4	↑ 1.0	男
交通信号灯	20.8	↓ 11.3	直行+转向	受害方性别	5.4	↓ 4.4	女
受害方年龄	19.	↑ 6.5	(36，45]	天气状况	1.1	↑ 1.0	恶劣天气
受害方年龄	19.	↓ 12.6	(18，25]	天气状况	1.1	↓ 0.1	普通天气
受害方状态	17.7	↑ 11.9	操作不当	路面状况	0.4	↑ 0.3	较差
受害方状态	17.7	↓ 5.8	无过失	路面状况	0.4	↓ 0.1	良好

规则	后项	前项	支持度/ %	置信度/ %	变化/ %
1	受害方类型=乘用车	事故地点=十字路口 & 过失方类型=乘用车	36.7	83.6	18.4
2	交通信号灯=无	事故地点=普通路段 & 过失方类型=乘用车	34.5	82.6	5.2
3	交通信号灯=无	事故地点=普通路段 & 过失方状态=其他违法行为	25.9	87.4	12.6
4	受害方类型=乘用车	事故地点=十字路口 & 发生时段=日间	24.0	87.1	16.3
5	事故地点=普通路段	受害方类型=大型汽车 & 交通信号灯=无	22.0	82.0	42.6
6	交通信号灯=无	事故地点=普通路段 & 发生时段=日间	21.1	82.9	6.6
7	交通信号灯=无	发生时段=夜间 & 事故地点=普通路段	20.9	86.1	21.7
8	受害方类型=乘用车	事故地点=十字路口 & 发生时段=日间 & 过失方类型= 乘用车	20.9	86.1	18.3
9	受害方类型=乘用车	交通信号灯=直行+转弯 & 过失方类型=乘用车	20.8	83.5	18.4
10	受害方类型=乘用车	过失方状态=未按规定让行 & 过失方类型=乘用车	20.4	89.1	19.2