Accident causes and its topological hierarchy analysis for heavy-duty trucks and two-wheelers

doi:10.3969/j.issn.1674-8484.2023.02.002

Abstract

Abstract:

An improved DEMATEL-AISM method combined Decision Making Trial and Evaluation Laboratory (DEMATE) with Adversarial Interpretative Structural Model (AISM ) was proposed to explore the relationship between factors influencing accidents involving heavy-duty trucks and two-wheelers. Combined literature analysis method and the National Automobile Accident In-depth Investigation System (NAIS) data (China), an index system of accident causes was established. According to the characteristics of accident data, the DEMATEL method was improved to analyze the influence degrees between accident factors. Based on AISM, the topological hierarchy model of accident factors was established to analyze the topological variability of accident system and the interaction of factors. The results show that the effect of overload on other factors is only 0.150 in the heavy-duty truck and two-wheeler accidents. Among resulting factors, the decision failure is the critical factor easily influenced with a centrality of 5.25 and an influence of 5.18. The accident system is an active system, with the occurrence of accidents being affected by a combination of the driving layer, the direct layer and the intermediate layer factors.

Key words: road traffic safety, heavy-duty truck and two-wheeler accidents, cause analysis, topology hierarchy structures, decision making trial and evaluation laboratory (DEMATEL), adversarial interpretative structural model (AISM)

CLC Number:

U491.31

ZHANG Daowen, LI Min, PANG Shaorong, LUO Qirui. Accident causes and its topological hierarchy analysis for heavy-duty trucks and two-wheelers[J]. Journal of Automotive Safety and Energy, 2023, 14(2): 157-164.

Figures/Tables 9

References 18

[1]	孙薇. 大货车交通事故致因机理及对策研究[D]. 重庆: 重庆交通大学, 2014.
	SUN Wei. Study on accident causes, mechanism and preventing strategy of heavy trucks[D]. Chongqing: Chongqing Jiaotong University, 2014.. (in Chinese)
[2]	张道文, 黄海波, 周华. 成南高速公路交通事故特性研究[J]. 公路, 2010(11): 132-136.
	ZHANG Daowen, HUANG Haibo, ZHOU Hua. Study on traffic accident characteristics of Chengnan expressway[J]. Highway. 2010(11): 132-136.. (in Chinese)
[3]	李振明, 牛毅, 樊运晓, 等. 不同区域高速公路货车事故特征研究[J]. 中国安全科学学报, 2020, 30(6): 121-127. doi: 10.16265/j.cnki.issn1003-3033.2020.06.018
	LI Zhenming, NIU Yi, FAN Yunxiao, et al. Research on characteristics of expressway truck accidents in different regions[J]. Chin Safe Sci J, 2020, 30(6): 121-127.. (in Chinese)
[4]	王卫杰, 沈轩霆, 王贵彬, 等. 电动自行车骑行者事故伤害程度影响因素分析[J]. 中国安全科学学报, 2019, 29(2): 20-25.
	WANG Weijie, SHEN Xuanting, WANG Guibin, et al. Analysis of factors affecting injury to electric bicycle rider in crash[J]. Chin Safe Sci J, 2019, 29(2): 20-25.. (in Chinese)
[5]	韩万里. 重型货车驾驶员驾驶行为特征及安全风险研究[D]. 西安: 长安大学, 2021.
	HAN Wanli. Study on driving behavior characteristics and safety risk of heavy truck drivers[D]. Xian: Chang’an University, 2021.. (in Chinese)
[6]	DONG Jinsong, FAN Yanhui, ZHANG Hao, et al. Research on risk assessment of truck rear-end accident based on Bayesian network model[J]. Forest Chem Rev, 2022, 139: 844-858.
[7]	Baikejuli M, Shi J, Hussain M. A study on the probabilistic quantification of heavy-truck crash risk under the influence of multi-factors[J]. Accid Anal Prev, 2022, 174: Paper No 106771. doi: 10.1016/j.aap.2022.106771 URL
[8]	韩勇, 贺伟, 李泉, 等. 基于视频信息的汽车碰撞事故中骑车人运动学响应分析[J]. 汽车安全与节能学报, 2017, 8(4): 381-387.
	HAN Yong, HE Wei, LI Quan, et al. Analysis of two-wheelers kinematics before/during/after vehicle collisions based on video records[J]. J Auto Safe Energy, 2017, 8(4): 381-387.. (in Chinese)
[9]	Fernández P D, Lindman M, Isaksson-Hellman I, et al. Description of same-direction car-to-bicycle crash scenarios using real-world data from Sweden, Germany, and a global crash database[J]. Accid Anal Prev, 2022, 168: 106587. doi: 10.1016/j.aap.2022.106587 URL
[10]	赵明明, 刘奇, 王宏雁, 等. 从交通事故研究看重型货车安全法规[J]. 汽车与安全, 2019(1): 39-44.
	ZHAO Mingming, LIU Qi, WANG Hongyan, et al. Safety regulation for heavy goods vehicles from traffic accident research[J]. Auto Safe, 2019(1): 39-44.. (in Chinese)
[11]	Pokorny P, Drescher J, Pitera K, et al. Accidents between freight vehicles and bicycles, with a focus on urban areas[J]. Transport Res Procedia, 2017, 25: 999-1007. doi: 10.1016/j.trpro.2017.05.474 URL
[12]	潘晓东, 李君羡, 徐小冬. 基于眼部行为的驾驶疲劳评价指标的阈值[J]. 同济大学学报(自然科学版), 2011, 39(12): 1811-1815.
	PAN Xiaodong, LI Junxian, XU Xiaodong. Threshold value of indices of eye states to monitor drive fatigue[J]. *J Tongji Univ(Nat Sci)*, 2011, 39(12): 1811-1815.. (in Chinese)
[13]	Vlakveld W, Mons C, Kamphuis K, et al. Traffic conflicts involving speed-pedelecs (fast electric bicycles): A naturalistic riding study[J]. Accid Anal Prev, 2021, 158: Paper No 106201. doi: 10.1016/j.aap.2021.106201 URL
[14]	Itoh Y, LIU Chunlu, Kusama R. Modeling and simulation of collisions of heavy trucks with concrete barriers[J]. J Transport Eng, 2007, 133(8): 462-468. doi: 10.1061/(ASCE)0733-947X(2007)133:8(462) URL
[15]	齐萱. 道路设计与交通安全的关联和设计要点[J]. 建筑技术开发, 2021, 48(4): 17-18.
	QI Xuan. On relation and main points of road design and traffic safety[J]. Build Tech Deve, 2021, 48(4): 17-18.. (in Chinese)
[16]	何晓川, 李英攀, 彭波, 等. 基于DEMATEL-AISM的建筑业数字化转型影响因素研究[J]. 工程管理学报, 2022, 36(2): 18-22.
	HE Xiaochuan, LI Yingpan, PENG Bo, et al. Research on factors influencing the digital transformation of the construction industry based on DEMATEL-AISM[J]. J Eng Manag, 2022, 36(2): 18-22.. (in Chinese)
[17]	ZHANG Yi, HUANG Yuwen, ZHAO Xinyu, et al. Research on the influencing factors of kite culture inheritance based on an adversarial interpretive structure modeling method[J]. IEEE Access, 2021, 9: 42140-42150. doi: 10.1109/ACCESS.2021.3065711 URL
[18]	Brüggemann L. Carlsen J. Wittmann. Multi-Indicator Systems and Modelling in Partial Order[M]. New York:Springer, Science & Business, 2013: 3-11.

一级指标	指标类别	影响因素	x_i	解释说明
驾驶人	安全意识	疲劳驾驶	x₁	安全意识的强弱决定驾驶人操作，根据数据库特征和文献研究，选取该事故中因素出现频次较高的危险操作。
	安全意识	超速	x₂	安全意识的强弱决定驾驶人操作，根据数据库特征和文献研究，选取该事故中因素出现频次较高的危险操作。
	技能水平	决策失误	x₃	结合数据库特征，增加驾驶人“技能水平”这类因素。
	技能水平	驾驶经验不足	x₄	结合数据库特征，增加驾驶人“技能水平”这类因素。
	生理属性	中年货车驾驶人	x₅	由于货车驾驶人几乎为男性，因此不考虑性别^[3]。年龄选取30~45岁的中年人^[12]。
重型货车	外部属性	超载	x₆	外部属性包括车辆的货运量、货运类型等，结合数据库特征选取“超载”。
重型货车	内部属性	车况未定期检查	x₇	内部属性包括车辆使用寿命、磨损程度等，结合数据库特征选取“车况未定期检查”。
道路特征	事故路段	交叉口	x₈	参考文献[13]结论，选取事故高发路段。
	路面材料	水泥与土路	x₉	在重载作用下，水泥、土路这类路面更易遭受破坏，事故严重性更大^[14]。
	道路状况	不良道路	x₁₀	道路状况包括行驶道路对车辆、驾驶人的影响。
	道路线性	弯曲	x₁₁	具有一定曲线的线性路段会影响驾驶员的判断^[15]，车辆受离心力的作用易发生侧滑、侧翻。
	公路等级	乡村道路	x₁₂	文献[11]表明发生在乡村道路上的致死交通事故与重型货车有较高关联度。
环境	天气	不良天气	x₁₃	根据数据库特征选取相关环境因素。
环境	日间太阳光线	光照强度不佳	x₁₄	根据数据库特征选取相关环境因素。
时间	是否工作日	周末	x₁₅	结合数据库特征，增加有关“时间”因素。
时间	昼夜	夜间	x₁₆

一级指标	指标类别	影响因素	x_i	解释说明
驾驶人	安全意识	疲劳驾驶	x₁	安全意识的强弱决定驾驶人操作，根据数据库特征和文献研究，选取该事故中因素出现频次较高的危险操作。
	安全意识	超速	x₂	安全意识的强弱决定驾驶人操作，根据数据库特征和文献研究，选取该事故中因素出现频次较高的危险操作。
	技能水平	决策失误	x₃	结合数据库特征，增加驾驶人“技能水平”这类因素。
	技能水平	驾驶经验不足	x₄	结合数据库特征，增加驾驶人“技能水平”这类因素。
	生理属性	中年货车驾驶人	x₅	由于货车驾驶人几乎为男性，因此不考虑性别^[3]。年龄选取30~45岁的中年人^[12]。
重型货车	外部属性	超载	x₆	外部属性包括车辆的货运量、货运类型等，结合数据库特征选取“超载”。
重型货车	内部属性	车况未定期检查	x₇	内部属性包括车辆使用寿命、磨损程度等，结合数据库特征选取“车况未定期检查”。
道路特征	事故路段	交叉口	x₈	参考文献[13]结论，选取事故高发路段。
	路面材料	水泥与土路	x₉	在重载作用下，水泥、土路这类路面更易遭受破坏，事故严重性更大^[14]。
	道路状况	不良道路	x₁₀	道路状况包括行驶道路对车辆、驾驶人的影响。
	道路线性	弯曲	x₁₁	具有一定曲线的线性路段会影响驾驶员的判断^[15]，车辆受离心力的作用易发生侧滑、侧翻。
	公路等级	乡村道路	x₁₂	文献[11]表明发生在乡村道路上的致死交通事故与重型货车有较高关联度。
环境	天气	不良天气	x₁₃	根据数据库特征选取相关环境因素。
环境	日间太阳光线	光照强度不佳	x₁₄	根据数据库特征选取相关环境因素。
时间	是否工作日	周末	x₁₅	结合数据库特征，增加有关“时间”因素。
时间	昼夜	夜间	x₁₆

x_i	f_i	e_i	m_i	r_i
x₁	0.870	1.479	2.349	-0.609
x₂	0.212	1.146	1.357	-0.934
x₃	0.075	5.178	5.253	-5.103
x₄	0.713	0.151	0.864	0.562
x₅	1.071	0.151	1.222	0.921
x₆	0.150	0.109	0.258	0.041
x₇	0.046	0.087	0.134	-0.041
x₈	0.788	0.990	1.778	-0.203
x₉	0.614	0.301	0.915	0.312
x₁₀	0.488	0.244	0.733	0.244
x₁₁	0.121	0.151	0.272	-0.030
x₁₂	0.216	0.148	0.364	0.068
x₁₃	1.443	0.082	1.525	1.361
x₁₄	1.605	0.082	1.688	1.523
x₁₅	1.131	0.000	1.131	1.131
x₁₆	0.757	0.000	0.757	0.757

x_i	f_i	e_i	m_i	r_i
x₁	0.870	1.479	2.349	-0.609
x₂	0.212	1.146	1.357	-0.934
x₃	0.075	5.178	5.253	-5.103
x₄	0.713	0.151	0.864	0.562
x₅	1.071	0.151	1.222	0.921
x₆	0.150	0.109	0.258	0.041
x₇	0.046	0.087	0.134	-0.041
x₈	0.788	0.990	1.778	-0.203
x₉	0.614	0.301	0.915	0.312
x₁₀	0.488	0.244	0.733	0.244
x₁₁	0.121	0.151	0.272	-0.030
x₁₂	0.216	0.148	0.364	0.068
x₁₃	1.443	0.082	1.525	1.361
x₁₄	1.605	0.082	1.688	1.523
x₁₅	1.131	0.000	1.131	1.131
x₁₆	0.757	0.000	0.757	0.757

层级	UP型	DOWN型
L0	x₂,x₃,x₆,x₇,x₁₁,x₁₂	x₃
L1	x₄,x₅,x₈,x₉,x₁₀,x₁₆,x₁	x₂,x₁,x₈
L2	x₁₃,x₁₅,x₁₄	x₄,x₆,x₅,x₉,x₁₂,x₇,x₁₀,x₁₁,x₁₄,x₁₃,x₁₅,x₁₆