行車安全事件的駕駛風險影響因素研究*

楊 曼 吳超仲 張 暉▲ 李思瑤

(1.武漢理工大學國家水運安全工程技術研究中心 武漢 430063;2.武漢理工大學智能交通系統(tǒng)研究中心 武漢 430063;3.武漢理工大學水路公路交通安全控制與裝備教育部工程研究中心 武漢 430063)

0 引 言

道路交通事故是全球交通領域關注的熱點問題。在中國，隨著汽車保有量迅速增加，交通安全形勢變得尤為嚴重。在2015年全國交通事故統(tǒng)計年報中，涉及人員傷亡的道路交通事故187 781起，造成58 022人死亡、199 880人受傷，直接財產(chǎn)損失達10.4億元[1]。由于機動車駕駛員違法導致產(chǎn)生的道路交通安全事故比例達到87.03%；雖然由于車輛本身造成的事故比例不大，但一旦發(fā)生，其后果一般都比較嚴重，據(jù)典型調(diào)查統(tǒng)計，現(xiàn)有運行車輛中有50%左右屬于機構失調(diào)、帶病運行；道路交通的安全取決于交通過程中人、車、路、環(huán)境之問是否保持協(xié)調(diào)，因此，除了前2個因素以外，道路本身的技術等級、設施條件及交通環(huán)境作為構成道路交通的基本要素，它們對交通安全的影響是不容忽視的，在某些情況下，它們可能成為導致交通事故發(fā)生的主要原因。所以駕駛風險影響因素的研究對降低事故風險是尤為必要的。

國內(nèi)外學者對駕駛安全中的行車風險影響因素開展了大量相關研究，行車過程中的風險要素主要集中在交通系統(tǒng)的人(性別、年齡等)、車(車速等)、路、環(huán)境等因素方面[2-4]。

在駕駛人因角度，Bogue等[5]在進行碰撞損傷程度的影響因素研究中，考慮了駕駛人性別的因素；呂能超等[6]開展實駕實驗，研究Near-crash 事件中駕駛人行為特征，發(fā)現(xiàn)性別、經(jīng)驗影響駕駛人的操作；Guo等[7]利用自然駕駛實驗數(shù)據(jù)評估單個駕駛員的駕駛風險，發(fā)現(xiàn)駕駛員年齡、人格因素和行車安全事件(Critical-incident events，CIEs)率對crash風險和Near-crash風險有顯著影響。

在車輛安全角度，Bogue等[5]在建模過程中，除了考慮駕駛人性別因素外，還綜合考慮了車輛的行車車速影響；Wang等[8]提出了一個基于分類樹模型的駕駛風險評估系統(tǒng)，研究發(fā)現(xiàn)，制動時的速度、觸發(fā)因素、潛在對象類型和潛在碰撞類型是影響駕駛風險的重要因素。

在道路環(huán)境角度，張芷毓等[9]，通過最小二乘法(OLS)回歸模型識別出建成環(huán)境對危險駕駛行為顯著影響的變量。鄧瑤望等[10]，利用Logistic回歸模型對烏魯木齊市2006—2010年的交通事故數(shù)據(jù)進行統(tǒng)計分析，發(fā)現(xiàn)天氣、夜間照明和路表情況對行車安全影響較大。

綜上，在駕駛風險的研究中，涉及表征指標選取過程中一般采用Near-crash、事故率等[11-13]參數(shù)。但由于事故是小概率事件，Near-crash是需要采取迅速的、劇烈的操作以避免事故的一種沖突的狀態(tài)，發(fā)生頻次也較少，所以存在樣本量不足、無法更好地用于事故前駕駛風險的評估等問題。同時，隨著Guo等[7]提出行車安全事件(CIEs)是發(fā)生頻率高(是crash的100倍，Near-crash的10倍)、嚴重程度比Near-crash小，由高加速/減速率或其他運動特征標記的事件，可用來預測高風險駕駛員。所以，本研究利用行車安全事件(CIEs)表征駕駛風險來對其影響因素進行研究，研究成果可更好的用于事故前駕駛風險的評估。

因此本研究針對以下內(nèi)容開展分析：為研究行車過程中的駕駛人因和駕駛行為過程，邀請被試開展了實車實驗，獲取被試基本信息和自然駕駛數(shù)據(jù)；通過數(shù)據(jù)量化分析，確定CIEs標定方法和閾值，以研究不同CIEs表征的風險等級，最終根據(jù)風險的聚類結果，研究各因素對風險程度的影響規(guī)律，并提出風險因素的顯著影響因素。

1 基于自然駕駛實驗的CIEs數(shù)據(jù)采集

1.1 實驗準備及實驗設備

為獲取實驗數(shù)據(jù)，本研究邀請被試駕駛人，基于自然駕駛，以高速公路環(huán)境為基礎，開展連續(xù)駕駛實驗。

實驗共招募30名被試，26名男性，4名女性；身體健康，視力正常；年齡在33～57歲之間(均值=46.33歲，標準差=6.5歲)；駕齡在3～27年之間(均值=15.8年，標準差=6.0年)；被試每年平均行駛里程超過1 000 km，實驗前8 h內(nèi)無飲酒等刺激性食物。被試的基礎信息見表1。

表1 被試的基礎信息

每位被試都沿著漢十高速武漢-襄陽段往返550 km駕駛。具體為上午9點左右從武漢理工大學余家頭校區(qū)出發(fā)，到達襄陽北出口后折返，再返回至余家頭校區(qū)。實驗時間為5～7 h。實驗路線見圖1。

實驗車輛采用先進的數(shù)據(jù)采集系統(tǒng)。該系統(tǒng)包括3路高清攝像機(面部，駕駛操作，道路環(huán)境)、CAN總線、Mobileye c2-270、智能手機等。智能手機用于采集車輛速度、加速度和其他車輛動力學數(shù)據(jù)。本研究主要使用智能手機和高清攝像機的數(shù)據(jù)。實驗場景見圖2。

圖1 實車實驗路線圖Fig.1 The route of driving experimental

圖2 實車實驗場景圖Fig.2 The driving experiment scene

1.2 CIEs事件及提取

在駕駛風險的研究中，涉及表征指標選取過程中一般采用Near-crash和crash[11-13]來表征駕駛風險進行研究。但在正常駕駛情況下，crash是小概率事件，且Near-crash是需要采取迅速的、劇烈的操作以避免事故的一種沖突的狀態(tài)，發(fā)生頻次也較少，所以存在樣本量不足無法更好的用于事故前駕駛風險的評估等問題。

為了更深入了解事故前乃至危險事件前的駕駛風險影響因素，并更好地對駕駛風險前的預測進行研究。隨著Guo等[7]學者提出行車安全事件(CIEs)可用來預測高風險駕駛員，所以，本研究引入CIEs行車安全事件作為風險度量進行駕駛風險影響因素的研究。

CIEs的定義[7]為由高加速/減速率或其他運動特征標記的行車安全事件，可以用來預測高風險駕駛員。前提是CIEs是由駕駛行為引起，類似于crash和near-crash事件，但CIEs造成的嚴重程度比near-crash要小，可以更好地作為風險度量在事故發(fā)生前進行駕駛風險評估。

對預處理后的自然駕駛行為數(shù)據(jù)進行CIEs的提取?；贑IEs的定義，結合實驗條件，一個符合標準的CIEs必須同時滿足觸發(fā)點前10 s和后5 s總共15 s的駕駛數(shù)據(jù)與視頻比對正確；一個觸發(fā)點的提取標準為當車輛加速度達到一定閾值(滿足其一即可)[7]：縱向：±1.5 m/s2；橫向：±1 m/s2

本研究中CIEs事件的提取流程見圖3。

圖3 CIE提取流程圖Fig.3 CIE extraction flow chart

經(jīng)駕駛數(shù)據(jù)與視頻提取對比選取，最終總共得到519個符合標準的 CIEs。每位被試的換道次數(shù)、車速>80%限速值時間占比和CIEs見表2。

表2 每位被試的駕駛數(shù)據(jù)

為了研究影響CIEs的因素，本研究借鑒以往的研究方法選取影響變量[12-13]，提供了一個全面的CIEs數(shù)據(jù)庫，主要包括以下類型：駕駛行為、CIEs條件、環(huán)境和時間條件和駕駛員信息。CIEs數(shù)據(jù)庫的主要影響因素見表3。

2 基于CIEs等參數(shù)的駕駛風險聚類研究

聚類分析提供了一個劃分駕駛風險等級的分類方法，已被應用于交通安全研究[14-16]。在本研究中，結合實驗采集數(shù)據(jù)，劃分一個CIEs的風險水平的主要考慮3個特征指標：CIEs次數(shù)e、換道(LC)次數(shù)f和車速>80%限速值時間占比g，具體為

表3 CIEs 影響因素集

X=[e,f,g]T

(1)

其中，CIEs次數(shù)和換道次數(shù)分別表示每1 000 km的CIE次數(shù)和換道次數(shù)。接著使用k-均值聚類法[16]對其聚類，一般研究中對駕駛風險的分類為高、中、低3類[7-8，17]。所以本研究中，利用k-均值聚類分析，將30位被試被分為3個風險組(高、中、低)。聚類結果見圖4。

圖4 駕駛風險聚類結果Fig.4 Cluster result of driving risk

得到每個風險組的CIEs數(shù)量分布不同，低風險組21人總CIEs (328)最多，占比63.2%；高風險組1人CIEs最少(28)，占比5.4%。駕駛風險的變量概述與風險分布見表4?；趫D4和表4結果，進行Logit模型的駕駛風險因素建模分析。

3 基于Logit模型的駕駛風險因素建模

3.1 模型方法

本研究的目的是研究行車安全事件CIEs的駕駛風險影響因素。Logit模型可以用來分析影響變量的相關性程度[18-19]，本研究采用有序Logit模型，其一般步驟如下。

表4 變量概述與風險分布表

有序Logit模型(OLM) 用因變量y表示CIEs的駕駛風險,見式(2)。

yi=αi+βijxij+εi

(2)

式中:yi為影響駕駛風險CIEsi的因變量；在本研究中，CIEs的駕駛風險水平被劃分為3個等級，即低風險(yi=1)、中等風險(yi=2)和高風險(yi=3)。xij表示影響CIEsi一個解釋變量j的相關類型(駕駛行為、CIEs因素、環(huán)境因素、駕駛員信息因素等)；εi表示一個隨機誤差項。

3.2 Logit 模型結果分析

基于CIEs聚類分析的結果：低、中、高3個風險組，可設置一個風險水平變量來表示，分別為：1(低風險組), 2(中風險組)和3(高風險組)。因此，該變量在模型中被設置為因變量。

基于表4 提供的CIEs在風險分類下的變量分布及比例。進行Logit模型統(tǒng)計分析，常用的統(tǒng)計軟件(如 STATA, SAS, SPSS等)，在本研究中，選用STATA12進行駕駛風險影響因素的有序Logit分析，模型以顯著性水平小于0.1來判別變量是否顯著重要。最終得到模型參數(shù)預測結果見表5。

表5 Logit模型參數(shù)預測結果Tab.5 Estimation Result of Ordered Logit Model

注：a為建模時的參照類；***表示顯著性水平<0.01；**表示顯著性水平<0.05；* 表示顯著性水平<0.10。

從表5模型參數(shù)預測結果可知，若CIEs伴隨著較小的平均減速度，則更易增加駕駛風險；相比于急加速的CIEs類型，急剎車和急減速更易引起駕駛風險升高；相比于交通擁堵的原因，信號燈更易增加駕駛風險，而前方剎車和緊急變線更不易引起風險升高；相比于陰天，晴天更不易引起駕駛風險的升高；相比于中老年駕駛人(51～60歲)，中年駕駛人(41～50歲)更不易引起駕駛風險的升高，青年駕駛人(30～40歲)更易增加駕駛風險；且駕齡越低更易引起駕駛風險的升高。年輕駕駛人往往缺乏穩(wěn)重成熟的心態(tài)，再加上駕駛年齡短，駕駛的經(jīng)驗相對有限，從而導致更多的風險駕駛行為。

通過比較表5中所有變量的估計系數(shù)β，發(fā)現(xiàn)平均減速度顯然對駕駛風險有很大的影響(β=1.982 606)，擁有較少駕駛經(jīng)驗的年齡30～40歲的駕駛人更易有較高的駕駛風險。由于這些因素是駕駛行為變量，因此有必要為駕駛員行為變量提供適當?shù)姆ㄒ?guī)，從而提升交通安全。

4 結論與展望

本研究通過自然駕駛實驗獲取了數(shù)據(jù)樣本，利用行車安全事件(CIEs)來表征駕駛風險，建立CIEs數(shù)據(jù)庫，并通過k-均值聚類法對駕駛風險進行分類，最后對主要影響因素與風險關系進行Logit回歸分析。研究結果表明有6個因素對駕駛風險有顯著影響，包括平均減速度、CIEs類型、CIEs原因、天氣、年齡和駕齡。其中平均減速度對其影響很大，此結果與Wang等[8]在研究基于分類樹模型的駕駛風險評估系統(tǒng)中發(fā)現(xiàn)：制動時的速度、觸發(fā)因素、潛在對象類型和潛在碰撞類型是影響駕駛風險的重要因素的結果保持一致，由此可說明事故風險發(fā)生的原因大多是駕駛員操作行為產(chǎn)生的；且年輕擁有較少駕駛經(jīng)驗的更易引起駕駛風險的升高，此結果與呂能超等[6]在研究Near-crash事件中駕駛人經(jīng)驗影響駕駛人操作結果保持一致，因為年輕駕駛人往往缺乏穩(wěn)重成熟的心態(tài)，再加上駕駛年齡短，駕駛的經(jīng)驗相對有限，從而更易導致風險駕駛行為。

本研究也存在一些不足。首先，時間因素考慮不全面：如未進行晚上的駕駛實驗，夜晚發(fā)生的駕駛風險沒能考慮在內(nèi)；其次，性別比例不平衡：如被試駕駛人中男性偏多，這也可能會導致性別因素對駕駛風險沒有顯著相關性；最后，CIE樣本數(shù)量提取不充足：如由于實驗路段大部分是高速路，行車安全事件的提取樣本相對較少。因此，后續(xù)將繼續(xù)深入細致的研究，并進一步考慮個性化的駕駛風險。