交互危險(xiǎn)行為對(duì)雙責(zé)事故嚴(yán)重程度的影響分析

江欣國(guó),章國(guó)鵬,石小林,夏　亮,賈雄文

(1.西南交通大學(xué)交通運(yùn)輸與物流學(xué)院,四川 成都 610031; 2.廣東省江門市新會(huì)區(qū)交通運(yùn)輸局,廣東 江門 529100)

隨著汽車保有量的急劇增加,道路交通安全問題也日益凸顯,據(jù)統(tǒng)計(jì),我國(guó)因道路交通問題所造成的傷亡人數(shù)自20世紀(jì)80年代末以來,已連續(xù)30余年居世界首位.在道路交通所造成的傷亡事故中,兩車事故尤為突出,其所占比例遠(yuǎn)高于其它事故類型.以山西省2010年車輛事故數(shù)據(jù)為例,兩車事故約占事故總數(shù)的83%[1].在國(guó)外亦是如此,美國(guó)密西根州2012—2014年事故數(shù)據(jù)顯示,兩車事故約占事故總數(shù)的59%[2].在兩車事故發(fā)生后,事故調(diào)查人員通常會(huì)通過詢問證人、查看車輛軌跡、人員傷亡情況來判斷雙方駕駛員是否有違法或過失行為,以此來判定事故責(zé)任的歸屬并開具罰單.其中,一方駕駛員對(duì)事故負(fù)全部責(zé)任,另一方對(duì)事故無責(zé)任,則為單責(zé)事故(single-at-fault crashes),而雙方駕駛員均有過失(違法行為或危險(xiǎn)駕駛行為),均對(duì)事故有責(zé)任,則為雙責(zé)事故(both-at-fault crashes).從定責(zé)的結(jié)果看,單責(zé)事故所占比例明顯高于雙責(zé)事故[1].

國(guó)內(nèi)外對(duì)于兩車事故已經(jīng)開展了大量的研究，其中事故定責(zé)是開展雙責(zé)事故研究的前提.文獻(xiàn)[3-5]在法律層面對(duì)事故雙方的責(zé)任歸屬進(jìn)行判定分析,分別研究了交通事故損害賠償責(zé)任主體的認(rèn)定、道路交通事故損害賠償責(zé)任的立法和機(jī)動(dòng)車交通事故責(zé)任歸責(zé)原則體系的完善構(gòu)建.通常,交通事故定責(zé)是由交警或調(diào)查人員通過事故現(xiàn)場(chǎng)調(diào)查、涉事駕駛員口供、目擊者詢問等方法確定的.事故調(diào)查人員的定責(zé)決策受到肇事逃逸、藥物使用、駕駛員年齡性別等因素的影響[6].因此,如何選取合理的定責(zé)方法,對(duì)于雙責(zé)事故的研究至關(guān)重要.

在事故影響因素方面,已有部分文獻(xiàn)開展了關(guān)于駕駛員性別、年齡、駕駛行為、車輛類型[7-8]、環(huán)境特征等因素對(duì)兩車事故嚴(yán)重程度的影響研究,如文獻(xiàn)[8]利用Bivariate generalized ordered probit模型分析臺(tái)北市信號(hào)交叉口兩車事故受傷嚴(yán)重程度,發(fā)現(xiàn)駕駛員年齡、車輛類型、違法類型、交叉口類型、事故類型以及照明條件等因素對(duì)事故嚴(yán)重程度有顯著影響.在事故影響因素中,危險(xiǎn)駕駛行為與事故的發(fā)生及其嚴(yán)重程度直接相關(guān).駕駛?cè)诉`法行為是造成兩車事故的主要原因[9],特別是攻擊性駕駛行為.危險(xiǎn)駕駛行為與駕駛員心理和行為特征等密切相關(guān)[10],有必要進(jìn)行深入研究并提出防范對(duì)策.根據(jù)既有文獻(xiàn),同一安全影響因素對(duì)于不同事故類型的作用效果可能不一致[11].比如,年輕駕駛員(小于30歲)在單車事故和兩車事故中對(duì)事故的受傷嚴(yán)重性起到相反的作用,側(cè)面刮擦事故對(duì)于兩車均為小汽車和兩車均為卡車的影響也是相反的.鑒于以上研究成果,安全因素對(duì)單責(zé)和雙責(zé)事故受傷嚴(yán)重程度也可能起到不同的影響作用.現(xiàn)有關(guān)于兩車事故的研究主要是針對(duì)單責(zé)事故,而對(duì)雙責(zé)事故卻缺少必要的探索,從而限制了雙責(zé)事故的預(yù)防策略的制定與有效實(shí)施.因此,需要開展專門針對(duì)雙責(zé)事故的研究.

盡管國(guó)內(nèi)外學(xué)者對(duì)兩車事故開展研究并取得了一定成果,可為雙責(zé)事故分析研究提供一定的理論支持與技術(shù)借鑒.但這些研究往往僅在“兩車”這個(gè)大范圍下開展,主要針對(duì)單責(zé)事故,而對(duì)于雙責(zé)事故卻鮮有研究.目前國(guó)內(nèi)外對(duì)雙責(zé)事故的相關(guān)研究,僅限于從法律層面對(duì)兩車事故中的雙方駕駛員進(jìn)行責(zé)任判定分析,尚未對(duì)雙責(zé)事故的致因進(jìn)行分析研究.雙責(zé)事故由于自身的特殊性,即雙方駕駛員均有過失,其事故傷害不僅僅與自身的過失行為相關(guān),還受對(duì)方駕駛員的過失行為的影響,而兩者過失行為的相互影響和共同作用往往致使事故后果變得更嚴(yán)重.因此,有必要深入研究雙責(zé)事故的駕駛行為.本文將對(duì)比雙責(zé)事故與單責(zé)事故的嚴(yán)重程度分布,再分析駕駛員的危險(xiǎn)駕駛行為對(duì)單責(zé)與雙責(zé)事故的傷害嚴(yán)重程度影響的差異性,然后在交互危險(xiǎn)駕駛行為基礎(chǔ)上,研究其對(duì)雙責(zé)事故受傷嚴(yán)重程度的影響作用,最后提出雙責(zé)事故在駕駛行為方面預(yù)防的重點(diǎn),為雙責(zé)事故的預(yù)防提供依據(jù).

1　模型與數(shù)據(jù)

1.1　數(shù)據(jù)來源

基于美國(guó)密歇根州交通部(Michigan Department of Transportation)記錄的事故數(shù)據(jù)庫(kù)(2012—2014年)開展雙責(zé)事故的安全分析.據(jù)數(shù)據(jù)庫(kù)記錄,密歇根州每年約發(fā)生交通事故30萬起,其中兩車事故所占比例接近60%.該事故數(shù)據(jù)庫(kù)包含了事故嚴(yán)重程度、駕駛員特征、車輛特征、道路條件、環(huán)境條件等信息,其中駕駛員特征中詳細(xì)記錄了事故中每位駕駛員是否存在危險(xiǎn)駕駛行為以及危險(xiǎn)駕駛行為類型.本文對(duì)駕駛員事故責(zé)任歸屬的根據(jù)其在數(shù)據(jù)庫(kù)中是否被記錄存在交通違法行為(violator indicator).如此,雙方駕駛員均被認(rèn)定存在交通違法的兩車事故則視為兩車雙責(zé)事故.在開展數(shù)據(jù)建模分析前,需要進(jìn)行原始事故數(shù)據(jù)預(yù)處理.在此過程中,剔除了存在干擾信息(涉及行人、動(dòng)物、自行車、摩托車和列車的事故)、肇事逃逸、危險(xiǎn)行為不明確、駕駛行為記錄有誤的事故樣本;另外,考慮到無傷亡事故由于嚴(yán)重程度低,通常未上報(bào)交警部門或未被交警記錄在案,因而存在大量缺失現(xiàn)象[12],為了確保分析結(jié)果的準(zhǔn)確性,本文剔除該類型事故,并最終篩選出2 301起兩車雙責(zé)事故.此外,采用相同的預(yù)處理方法,篩選出只有一方駕駛員存在交通違法行為的兩車單責(zé)事故用于對(duì)比分析,共76 294起.考慮到兩組數(shù)據(jù)樣本量差異過大,隨機(jī)抽取3.5%的單責(zé)事故樣本(2 761起)作為對(duì)照組,確保兩組數(shù)據(jù)樣本量相當(dāng).

1.2　變量定義

美國(guó)密歇根州交通部記錄的事故數(shù)據(jù)中,事故嚴(yán)重程度被分為5個(gè)等級(jí),分別為死亡(killed)、重傷(incapacitating injury)、中傷(non-incapacitating injury)、輕傷(possible injury)和無傷亡(no injury).由于死亡事故的樣本量極少,僅34起,占全部雙責(zé)事故的1.5%,因此在建模過程中將死亡和重傷一并考慮.在建模分析過程中,事故嚴(yán)重程度等級(jí)作為因變量,危險(xiǎn)駕駛行為作為解釋變量,變量的定義與描述性統(tǒng)計(jì)見表1.

表1　變量的定義與描述性統(tǒng)計(jì)Tab.1　Definition and descriptive statistics of the variables

1.3　統(tǒng)計(jì)模型

大量統(tǒng)計(jì)模型已經(jīng)被用于鑒別駕駛行為對(duì)交通安全的影響作用,包括:(1) 二元選擇模型,適用于因變量?jī)H為2種選擇,如死亡和非死亡;(2) 有序離散模型,適用于因變量可分為有序的若干個(gè)等級(jí),如無傷亡、受傷和死亡;(3) 多元選擇模型,適用于因變量有3種及以上的無序選擇.密歇根州交通部記錄的事故數(shù)據(jù)中,事故嚴(yán)重程度分為死亡、重傷、中傷、輕傷和無傷亡等有序的等級(jí),與有序響應(yīng)模型的固有性質(zhì)相吻合,故本文采用有序響應(yīng)模型分析危險(xiǎn)駕駛行為對(duì)雙責(zé)事故嚴(yán)重程度的影響.有序響應(yīng)模型已在交通安全領(lǐng)域得到廣泛地應(yīng)用[13-16],比如摩托車頭盔使用[14]、自行車與汽車沖突[15]和隧道交通安全[16]等方面.其中比較常用的是有序logit模型,其表達(dá)式為[17]

(1)

式中:P(*)為特定事故嚴(yán)重程度等級(jí)的發(fā)生概率;j為事故嚴(yán)重程度等級(jí),j=1,2,…,M-1;Yi為第i(i=1,2,…)起事故的受傷嚴(yán)重程度等級(jí);X為自變量組成的集合;β為X的系數(shù);αj為第j等級(jí)的常數(shù)項(xiàng).

然而有序logit模型存在明顯的缺陷,其自變量系數(shù)β在各有序等級(jí)中始終保持一致,因而限制了自變量對(duì)不同事故嚴(yán)重程度等級(jí)的影響作用效果.為了克服該缺陷,本文將采用其改進(jìn)模型——廣義有序logit模型,其表達(dá)式為[17]

(2)

或者:

P(Yi≤j)=1-(Xβj)=F(Xβj),

(3)

式中:βj為第j等級(jí)的自變量系數(shù)集合;F(*)為標(biāo)準(zhǔn)logistics累計(jì)分布函數(shù).

由式(3)可知,廣義有序logit模型與有序logit模型的表達(dá)式基本一致,主要區(qū)別在于自變量的系數(shù)集合βj在不同事故等級(jí)中并非固定不變,比傳統(tǒng)的有序logit模型應(yīng)用更加靈活.廣義有序logit模型事故嚴(yán)重程度Yi發(fā)生概率的計(jì)算方程組為[17]

(4)

P(Yi=M)=g(XiβM-1).

(5)

為了進(jìn)一步描述駕駛行為對(duì)雙責(zé)事故嚴(yán)重程度的影響大小和趨勢(shì),本文還將計(jì)算各種駕駛行為的邊際效應(yīng)值.邊際效應(yīng)是指在其它變量都取均值的情況下,某個(gè)變量取值增加一個(gè)單位對(duì)因變量取值產(chǎn)生概率的變化,其計(jì)算方法為[18]

ΔP(Y=j|Xi)=P(Y=j|Xi=1)-

P(Y=j|Xi=0).

(6)

本文運(yùn)用Stata 14.0統(tǒng)計(jì)分析軟件的gologit2程序包對(duì)模型參數(shù)進(jìn)行極大似然估計(jì)和邊際效應(yīng)計(jì)算,顯著性水平p=0.05.

2　分析與討論

2.1　雙責(zé)與單責(zé)事故嚴(yán)重程度對(duì)比

表2為雙責(zé)事故與單責(zé)事故的嚴(yán)重程度等級(jí)分布.總體而言,雙責(zé)事故的嚴(yán)重程度更高,死亡或重傷、中傷所占比例均高于單責(zé)事故.而且隨著事故嚴(yán)重程度的提高,雙責(zé)事故相對(duì)于單責(zé)事故的優(yōu)勢(shì)比也逐漸增大.主要原因是雙責(zé)事故存在兩種危險(xiǎn)行為共同作用,加劇事故嚴(yán)重程度.

2.2　廣義有序logit模型回歸

分別對(duì)雙責(zé)和單責(zé)事故進(jìn)行廣義有序logit模型回歸,由表3的結(jié)果知,超速、讓行失敗、違反交通控制、偏離車道、魯莽駕駛和分心駕駛等危險(xiǎn)行為對(duì)雙責(zé)和單責(zé)事故嚴(yán)重程度均有顯著影響,其中偏離車道、魯莽駕駛和分心駕駛顯著增加雙責(zé)事故死亡或重傷的發(fā)生概率.回歸結(jié)果還反映了在廣義有序logit模型中同一變量對(duì)不同嚴(yán)重程度等級(jí)影響的差異性,比如超速和讓行失敗等行為的發(fā)生顯著增加雙責(zé)事故由輕傷轉(zhuǎn)變?yōu)橹袀母怕?卻對(duì)中傷、重傷和死亡事故之間的概率變化無顯著影響.

表2　雙責(zé)事故與單責(zé)事故受傷嚴(yán)重程度對(duì)比Tab.2　Comparison of severity of injuries between both-at-fault and one-at-fault crashes

表3　雙責(zé)和單責(zé)事故的模型回歸結(jié)果Tab.3　Modelling results for both-at-fault and one-at-fault crashes

2.3　基于交互危險(xiǎn)行為的廣義有序logit模型回歸

由于雙責(zé)事故涉及雙方駕駛員兩種危險(xiǎn)行為,為了研究各種危險(xiǎn)行為交互對(duì)雙責(zé)事故的影響,將這些危險(xiǎn)行為兩兩組合,重新定義模型的自變量.模型回歸結(jié)果見表4,雙方均偏離車道、一方超速另一方讓行失敗、一方違反交通控制另一方讓行失敗的行為增加中等傷害事故發(fā)生的概率;雙方均偏離車道、雙方均分心駕駛、一方超速另一方分心駕駛的行為將增加死亡和重傷事故發(fā)生的概率.此外,由參數(shù)估計(jì)值可知,交互危險(xiǎn)行為對(duì)雙責(zé)事故嚴(yán)重性的影響作用程度高于單一危險(xiǎn)行為.例如,表4中β2“超速&分心駕駛”的系數(shù)(2.432)大于表3中對(duì)應(yīng)的β2“超速”的系數(shù)(0.284)和“分心駕駛”的系數(shù)(1.003).這也說明兩種危險(xiǎn)行為共同作用,導(dǎo)致事故后果更加嚴(yán)重.

表4　基于交互危險(xiǎn)行為的雙責(zé)事故模型回歸結(jié)果Tab.4　Modelling results for both-at-fault crashes based on interacted hazardous actions

注:&表示兩種駕駛行為交互;*表示顯著影響(p<0.05).

2.4　模型有效性檢驗(yàn)

以有序logit模型作為參照,采用偽R2檢驗(yàn)表3和表4中廣義有序logit模型回歸的擬合效果，模型的偽R2檢驗(yàn)值如表5所示.由表5可知,廣義有序logit模型的偽R2均大于對(duì)應(yīng)的有序logit模型,說明該方法的擬合效果更優(yōu),即廣義有序logit模型分析危險(xiǎn)駕駛行為對(duì)事故嚴(yán)重程度的影響更為有效.

表5　模型偽R2檢驗(yàn)Tab.5　Pseudo R2 test of the modelling results

2.5　邊際效應(yīng)計(jì)算

交互行為對(duì)雙責(zé)事故嚴(yán)重等級(jí)的邊際效應(yīng)影響計(jì)算結(jié)果見表6.邊際效應(yīng)反映了危險(xiǎn)行為的出現(xiàn)對(duì)事故嚴(yán)重等級(jí)概率發(fā)生的變化.例如在雙責(zé)事故中,若兩車均偏離車道,則發(fā)生死亡或重傷的概率將增加34.3%.

表6　雙責(zé)事故嚴(yán)重程度各顯著影響因素的邊際效應(yīng)Tab.6　Marginal effects of significant factors on the severity of injuries in both-at-fault crashes

注:&表示兩種駕駛行為交互;*表示顯著影響(p<0.05).

2.6　結(jié)果討論

根據(jù)廣義有序logit模型回歸結(jié)果,兩輛車均偏離車道時(shí),事故嚴(yán)重程度更高,其中死亡或重傷發(fā)生的概率提高了34.3%,中等傷害發(fā)生的概率也提高了11.0%.車輛偏離車道行駛的行為極易干擾相鄰車道,尤其是對(duì)向相鄰車道上車輛的運(yùn)行.據(jù)統(tǒng)計(jì),兩車均偏離車道事故中75.0%為對(duì)撞事故,16.7%為對(duì)向刮擦事故.由物理學(xué)定理可知[19],對(duì)向事故中兩車的相對(duì)速度加大,發(fā)生碰撞時(shí)伴隨著能量的瞬間消散,因而故事嚴(yán)重程度往往高于其它事故類型.若對(duì)向兩車同時(shí)出現(xiàn)偏離車道行駛的危險(xiǎn)駕駛行為,則發(fā)生對(duì)撞事故的風(fēng)險(xiǎn)也隨之增加.雙方駕駛員均分心駕駛將導(dǎo)致更嚴(yán)重的事故后果,使死亡或重傷事故發(fā)生的概率增加14.1%.通常,一次有效的事故避險(xiǎn)依次經(jīng)歷駕駛員反應(yīng)、操作和制動(dòng)等過程.其中反應(yīng)時(shí)間的長(zhǎng)短對(duì)于事故避險(xiǎn)行為的有效性至關(guān)重要.文獻(xiàn)研究表明[20],分心駕駛行為延遲了駕駛員的面臨危險(xiǎn)時(shí)的反應(yīng)時(shí)間.若雙方駕駛員均分心駕駛,則面臨危險(xiǎn)時(shí)雙方都難以及時(shí)反應(yīng)并采取有效避險(xiǎn)措施來避免事故發(fā)生或減輕事故后果.

超速行駛也是雙責(zé)事故嚴(yán)重程度的影響因素之一.當(dāng)超速與其它危險(xiǎn)行為(讓行失敗和魯莽駕駛)同時(shí)存在時(shí),對(duì)事故嚴(yán)重程度具有顯著影響,尤其是“一方超速,另一方魯莽駕駛”時(shí),發(fā)生死亡或重傷的概率將提高42.8%;而當(dāng)“一方超速、另一方讓行失敗”也將使中傷的發(fā)生概率提高12.1%.主要原因是由于車輛超速,車輛間發(fā)生碰撞時(shí)產(chǎn)生更為強(qiáng)大的撞擊力,從而更容易出現(xiàn)人員傷亡.同時(shí),車輛的速度增加對(duì)沖突車輛的有效避讓提出更高的要求,駕駛員注意力不集中而未能及時(shí)有效避讓或者讓行失敗,都將導(dǎo)致嚴(yán)重的事故傷害.此外,部分車輛超速導(dǎo)致同一道路上車速離散程度加大,也產(chǎn)生了交通安全隱患.

邊際效應(yīng)計(jì)算結(jié)果還表明,“一方違反交通控制,另一方讓行失敗”的情況將使發(fā)生中傷的概率增加14.1%.交通控制的作用在于確保道路車輛安全有序運(yùn)行.違反交通控制的駕駛行為,干擾了道路上其它車輛的運(yùn)行,特別是在路權(quán)使用方面,因而導(dǎo)致不同行駛方向的車輛發(fā)生交通沖突.避讓失敗方在交通控制條件下未觀察其它車輛的運(yùn)行狀態(tài),當(dāng)其它車輛出現(xiàn)出違反交通控制行為時(shí),未能及時(shí)采取剎車或轉(zhuǎn)向等有效避讓操作,最終發(fā)生車輛碰撞并導(dǎo)致比較嚴(yán)重的事故傷害.

對(duì)于雙責(zé)事故的預(yù)防,關(guān)鍵在于危險(xiǎn)駕駛行為的規(guī)避.根據(jù)以上分析結(jié)果,首先,要對(duì)駕駛員做好宣傳教育工作,普及交通安全知識(shí),促使駕駛員養(yǎng)成良好的駕駛行為習(xí)慣,杜絕超速、偏離車道、分心和魯莽駕駛等危險(xiǎn)行為.同時(shí)駕駛員應(yīng)注意遵守交通管理與控制規(guī)則,特別是在車輛讓行方面.其次,可結(jié)合技術(shù)手段控制事故風(fēng)險(xiǎn),如設(shè)置超速監(jiān)測(cè)系統(tǒng)[21]、電子執(zhí)法系統(tǒng)[22]等來加強(qiáng)對(duì)安全駕駛的監(jiān)督作用.

3　結(jié)　論

本文對(duì)比分析了雙責(zé)事故與單責(zé)事故嚴(yán)重程度等級(jí)分布,采用廣義有序logit模型探討各種危險(xiǎn)駕駛行為交互作用對(duì)雙責(zé)事故受傷嚴(yán)重程度的影響作用,并分析危險(xiǎn)駕駛行為對(duì)事故嚴(yán)重程度的影響機(jī)理.最后,根據(jù)分析結(jié)果提出雙責(zé)事故的預(yù)防建議.

本文的主要結(jié)論為:雙責(zé)事故嚴(yán)重程度高于單責(zé)事故,而且事故嚴(yán)重等級(jí)越高,其優(yōu)勢(shì)比越大.雙方均偏離車道、雙方均分心駕駛、一方超速另一方讓行失敗、一方超速另一方魯莽駕駛,以及一方違反交通控制另一方讓行失敗的交互危險(xiǎn)行為顯著加劇雙責(zé)事故受傷嚴(yán)重程度.而且,交互危險(xiǎn)行為對(duì)雙責(zé)事故的影響程度大于單一危險(xiǎn)行為.此外,模型檢驗(yàn)結(jié)果表明了廣義有序logit模型在雙責(zé)事故嚴(yán)重程度分析方面的有效性.

致謝:成都市科技項(xiàng)目(2015-RK00-00171-F);西南交通大學(xué)2017年博士研究生創(chuàng)新基金項(xiàng)目.

參考文獻(xiàn):

[1]賈雄文.雙責(zé)事故交通安全分析[D].成都:西南交通大學(xué),2015.

[2]Michigan Department of Transportation.Michigan crash data (2012-2014)[DB/DK].[S.l.]:Michigan Department of Transportation,2015.

[3]袁秀林.機(jī)動(dòng)車交通事故責(zé)任歸責(zé)原則探析[D].大連:大連海事大學(xué),2013.

[4]胡東.論道路交通事故損害賠償責(zé)任[D].哈爾濱:黑龍江大學(xué),2002.

[5]董石.道路交通事故損害賠償責(zé)任主體之認(rèn)定[D].長(zhǎng)春:長(zhǎng)春工業(yè)大學(xué),2012.

[6]JIANG X,QIU Y,LYLES R W,et al.Issues with using police citations to assign responsibility in quasi-induced exposure[J].Safety Science,2012,50(4):1133-1140.

[7]WILLIAMS A F,SHABANOVA V I.Responsibility of drivers,by age and gender,for motor-vehicle crash deaths[J].Journal of Safety Research,2003,34(5):527-531.

[8]CHIOU Y C,HWANG C C,CHANG C C,et al.Modeling two-vehicle crash severity by a bivariate generalized ordered probit approach[J].Accident Analysis & Prevention,2013,51:175-184.

[9]張萬安,肖躍秀.機(jī)動(dòng)車駕駛?cè)说缆方煌ㄟ`法行為的博弈分析[J].交通運(yùn)輸系統(tǒng)工程與信息,2012,12 (增刊1):86-90.

ZHANG Wan’an,XIAO Yuexiu.Causes and countermeasures of motor vehicle drivers violations analysis based on game theory[J].Journal of Transportation Systems Engineering and Information Technology,2012,12 (Sup.1):86-90.

[10]黎美清,羅義學(xué),杜巖,等.機(jī)動(dòng)車駕駛員心理健康狀況與違法駕駛行為的關(guān)系[J].醫(yī)學(xué)與社會(huì),2010,23(5):79-81.

LI Meiqing,LUO Yixue,DU Yan,et al.Investigation of the relationship between the mental health of automobile drivers and the traffic violations[J].Medicine and Society,2010,23(5):79-81.

[11]LEE C,LI X.Analysis of injury severity of drivers involved in single-and two-vehicle crashes on highways in ontario[J].Accident Analysis & Prevention,2014,71:286-295.

[12]WOOD J S,DONNELL E T,FARISS C J.A method to account for and estimate underreporting in crash frequency research[J].Accident Analysis & Prevention,2016,95:57-66.

[13]LIU J,KHATTAK A J,RICHARDS S H,et al.What are the differences in driver injury outcomes at highway-rail grade crossings? Untangling the role of pre-crash behaviors[J].Accident Analysis & Prevention,2015,85:157-169.

[14]HAQVERDI M Q,SEYEDABRISHAMI S,GROEGER J A.Identifying psychological and socio-economic factors affecting motorcycle helmet use[J].Accident Analysis & Prevention,2015,85:102-110.

[15]STIPANCIC J,ZANGENEHPOUR S,MIRANDA-MORENO L,et al.Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology[J].Accident Analysis & Prevention,2016,97:19-27.

[16]馬壯林,張祎祎,楊楊,等.公路隧道交通事故嚴(yán)重程度預(yù)測(cè)模型研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2015,25(5):75-79.

MA Zhuanglin,ZHANG Yiyi,YANG Yang,et al.Research on models for predicting severity of traffic accident in highway tunnel[J].China Safety Science Journal,2015,25(5):75-79.

[17]WILLIAMS R.Generalized ordered logit/partial proportional odds models for ordinal dependent variables[J].Stata Journal,2006,6(1):58.

[18]章國(guó)鵬.信號(hào)交叉口左彎待轉(zhuǎn)區(qū)的安全研究[D].成都:西南交通大學(xué),2015.

[19]尹朋.交通事故車輛碰撞速度分析及計(jì)算軟件開發(fā)[D].淄博:山東理工大學(xué),2010.

[20]HARBLUK J L,NOY Y I,TRBOVICH P L,et al.An on-road assessment of cognitive distraction:Impacts on drivers’ visual behavior and braking performance[J].Accident Analysis & Prevention,2007,39(2):372-379.

[21]張丙干.高速公路機(jī)動(dòng)車超速監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].成都:電子科技大學(xué),2012.

[22]蔣賢才,黃科,汪貝,等.電子執(zhí)法環(huán)境下交通違法行為影響因素分析[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2013,45(8):84-89.

JIANG Xiancai,HUANG Ke,WANG Bei,et al.Analysis of affecting factors on traffic violation under the environment of electronic enforcement[J].Journal of Harbin Institute of Technology,2013,45(8):84-89.