搭載乘客對摩托車事故的影響研究*

張乾懿 王 杰 黃合來

(中南大學(xué)交通運輸工程學(xué)院 長沙 410075)

0 引 言

降低事故頻次、減輕事故嚴重程度是交通安全研究的兩大核心目標，而摩托車在行駛過程中較其他機動車更容易發(fā)生嚴重事故，是交通事故造成死亡的重要原因之一[1-3]。由于載客現(xiàn)象在發(fā)達國家并不常見，摩托車載客行為對事故發(fā)生特征的影響并沒有在發(fā)達國家得到系統(tǒng)研究[4]。然而，摩托車載客現(xiàn)象在發(fā)展中國家十分普遍，中國甚至衍生出“摩的”司機的職業(yè)。雖然北京、上海和廣州等許多大城市實施了“禁摩令”，但摩托車在中小型城市及農(nóng)村地區(qū)比如湖南、江西、廣西，仍然是一種日常出行的主要交通方式，占居民總出行量的25%以上[5]，并且載客現(xiàn)象盛行。因此，有必要對摩托車載客行為開展研究，識別相關(guān)事故風(fēng)險特征。國外學(xué)者Kashani等[6]發(fā)現(xiàn)，當搭載1個乘客時，會降低嚴重事故的發(fā)生概率，但是超載會顯著增加摩托車嚴重事故的發(fā)生比例，當摩托車駕駛員攜帶2個男性乘客時，發(fā)生致命事故的風(fēng)險最高；Haque等[7]發(fā)現(xiàn)，搭載乘客的駕駛員對事故發(fā)生承擔(dān)主要責(zé)任的比例明顯增多，認為搭載乘客會使駕駛員分心駕駛，增加事故風(fēng)險。國內(nèi)學(xué)者王宏雁等[8]對摩托車事故嚴重程度進行了研究，多以安全頭盔使用及事故形態(tài)對事故中駕駛員的受傷嚴重程度的影響為主；李玲琦等[9]對摩托車事故特點展開研究，發(fā)現(xiàn)不同事故形態(tài)對摩托車事故嚴重程度的影響強于普通私家車。但是，很少有學(xué)者對載客現(xiàn)象展開系統(tǒng)研究。影響摩托車事故的因素較多且復(fù)雜，要減輕摩托車事故嚴重程度是個難題，相關(guān)管理部門較難提出真正有效的管理措施。因此，對國內(nèi)摩托車事故特別是載客事故的定量分析和有效的管理政策成為迫切的需求。

筆者基于湖南省2014年的摩托車事故數(shù)據(jù)，運用統(tǒng)計建模方法分析是否載客(及乘客特征)對摩托車事故類型、事故責(zé)任以及事故嚴重程度的影響，提煉摩托車載客事故客觀規(guī)律，為摩托車交通安全管理提供理論支持。

1 事故數(shù)據(jù)收集及描述性特征分析

本研究采用2014年湖南省摩托車相關(guān)事故數(shù)據(jù)，數(shù)據(jù)來源于湖南省公安部交通管理部門的《2014年中華人民共和國道路交通事故統(tǒng)計年報》。2014 年湖南摩托車注冊數(shù)超過500萬，占總機動車比為52%。而該省摩托車相關(guān)事故為20 027起(簡易事故和一般事故)?？紤]到摩托車事故嚴重程度的分析對象為摩托車駕駛員，從一般事故中，選擇傷害主體為摩托車駕駛員的樣本，排除數(shù)據(jù)缺失項，6 311 起具有完整信息記錄的事故被用于該分析，其中，載客事故(1 742起)和非載客事故(4 569起)分別占28%和72%，其中涉載客2人及以上事故(353起)占載客事故的20.3%，事故檔案記錄了事故特征、駕駛員特征、乘客特征、環(huán)境，以及照明條件等主要風(fēng)險變量。

載客與非載客2類事故中的各類風(fēng)險變量占比見表1，采用卡方檢驗方法,發(fā)現(xiàn)是否搭載乘客與駕駛員年齡(青年，中年或老年)、是否佩戴安全頭盔(是/否)、事故嚴重程度(死亡/重傷，輕傷/無傷害)、事故責(zé)任認定(主責(zé)/同責(zé)，次要/無責(zé)任)、事故發(fā)生時段(高峰/平峰)、事故類型(單車事故/多車事故)、環(huán)境條件(良好照明條件/不利照明條件)等事故風(fēng)險因素顯著相關(guān)。在卡方檢驗中，是否佩戴安全頭盔(0.05

2 事故數(shù)據(jù)分析方法

本文主要目的是探尋是否搭載乘客(及乘客特征)對摩托車事故的影響。研究首先將事故數(shù)據(jù)中的載客因素與其他事故風(fēng)險因素進行關(guān)聯(lián)，找尋具有顯著相關(guān)性和代表性的事故變量包括：是否搭載乘客(及乘客特征)，事故責(zé)任判定，事故類型以及事故嚴重程度。然后以事故責(zé)任判定、事故類型以及事故嚴重程度為目標變量，是否搭載乘客(及乘客特征)、駕駛員特征、環(huán)境特征為解釋變量，構(gòu)建是否載客(及乘客特征)與摩托車事故類型、事故責(zé)任及事故嚴重程度的關(guān)聯(lián)模型。關(guān)鍵變量的詳細描述如下所示。

目標變量包括

1)Y1事故責(zé)任判定：主責(zé)或同等責(zé)任(=1)，次要或無責(zé)任(=0)。

2)Y2事故類型：單車事故(=1)，多車事故(=0)。

3)Y3駕駛員事故嚴重程度：死亡/重傷(=1)，輕傷/無傷害(=0)。

4)Y4乘客事故嚴重程度：死亡/重傷(=1)，輕傷/無傷害(=0)。

關(guān)鍵自變量包括

1)X1是否搭載乘客：搭載乘客(=1)，未搭載乘客(=0)。

2)X2照明條件：良好照明(=1)，不良照明(=0)。

3)X3駕駛員年齡：16～24(=1)，其他(=0)。

4)X4駕駛員性別：男性(=1)，女性(=0)。

5)X5事故時段：高峰(=1)，平峰(=0)。

6)X6是否佩戴安全頭盔：佩戴安全頭盔(=1)，未佩戴安全頭盔(=0)。

7)X7事故責(zé)任認定：主責(zé)/同等責(zé)任(=1)，次要/無責(zé)任(=0)。

8)X8駕駛員事故嚴重程度：死亡/重傷(=1)，輕傷/無傷害(=0)。

9)X9乘客性別：男性(=1)，女性(=0)。

10)X10乘客年齡小于16歲或者大于60歲(=1)，其他(=0)。

表1 事故描述性統(tǒng)計Tab.1 Descriptive statistics of motorcycle crashes

由于本研究中的目標變量(事故責(zé)任判定、事故類型、事故嚴重程度)均為二元離散變量，因此選擇采用在道路交通安全研究中廣泛運用[10]的二元Logit回歸模型進行建模。定義事件X，假設(shè)事件發(fā)生的概率為P(x)，定義影響事件發(fā)生的變量包括駕駛員和乘客特征，環(huán)境因素，以及其他事故風(fēng)險因素，表示為X1，X2,…，Xm等等。假設(shè)函數(shù)形式為線性，此時二元Logit回歸模型可以表達為

(1)

由此可以推導(dǎo)出Logit模型的表達形式為

(2)

(3)

模型中回歸系數(shù)βm所度量的是在控制其他解釋變量不變的條件下，該解釋變量m1個單位的變化對目標變量的對數(shù)發(fā)生比的影響。由于對數(shù)發(fā)生比較難理解，往往轉(zhuǎn)換為發(fā)生比的形式。這樣，發(fā)生比的變化就可以用eβm來衡量。當βm為正值時，則eβm大于1，說明xm每增加1個單位時發(fā)生比會相應(yīng)增加；反之，當βm為負值時，則eβm小于1，說明xm每增加一單位時發(fā)生比會相應(yīng)減少。

3 模型結(jié)果分析和討論

基于極大似然估計法，分別對摩托車事故責(zé)任認定、事故類型以及事故傷害嚴重程度模型進行參數(shù)估計。為保證模型的簡潔性，采用向后逐步回歸的方法進行變量篩選，最終模型只保留對事故責(zé)任認定、事故類型以及事故傷害嚴重程度有顯著影響(P<0.1)的變量，對摩托車載客問題進行深度分析討論。

3.1 事故責(zé)任認定模型

此模型探究了是否載客與事故責(zé)任認定之間的關(guān)聯(lián)，本模型中因變量為事故責(zé)任認定，自變量為是否載客、照明條件以及駕駛員年齡。表2結(jié)果顯示：事故發(fā)生后，搭載乘客的駕駛員對事故發(fā)生承擔(dān)主要責(zé)任的比例比未載客駕駛員低48%，該結(jié)論與Haque等[7]的發(fā)現(xiàn)并不一致，他們的結(jié)論是載客事故中駕駛員承擔(dān)主要責(zé)任的比例更高?？ǚ綑z驗結(jié)果顯示，載客事故中的駕駛員佩戴安全頭盔的比例顯著低于未載客事故，這一定程度上說明搭載乘客的駕駛員安全意識低于未搭載乘客的駕駛員。但是，載客行為卻使駕駛員對事故的發(fā)生承擔(dān)主要責(zé)任的比例下降，說明載客行為一定程度上提升了駕駛員的安全意識。在照明條件良好的情況下，駕駛員處于主要責(zé)任方的比例下降26%。青年駕駛員處在主要責(zé)任方的比例比其他年齡段的駕駛員更高，一定程度上說明，青年駕駛員群體相較于其他年齡段的駕駛員更容易發(fā)生風(fēng)險駕駛行為[11]。

表2 事故責(zé)任認定模型參數(shù)估計Tab.2 Estimated parameters of driver citation model

3.2 事故類型模型

此模型研究載客與否和單車事故發(fā)生比例的關(guān)聯(lián)。單車事故指在車輛發(fā)生交通事故中，事故當事人僅車輛一方，無其他事故當事方的交通事故，多為車輛與路側(cè)設(shè)施發(fā)生碰撞或者機動車發(fā)生自燃、顛覆、解體、車零件掉落造成。多車事故指在車輛發(fā)生交通事故中，存在2輛及以上事故車輛。對比多車事故，單車事故多出現(xiàn)在并不擁堵的道路環(huán)境中，常由于駕駛員分心駕駛和過失駕駛導(dǎo)致，其事故嚴重程度等級往往也更高[11]。由于建模目的是為了研究在駕駛員過失條件下，單車或多車事故的發(fā)生比例區(qū)別，所以我們僅將駕駛員處在同等責(zé)任/主要責(zé)任的事故數(shù)據(jù)用于分析。本模型中因變量為事故類型，顯著自變量為是否載客、駕駛員年齡、性別及照明條件。表3結(jié)果顯示：搭載乘客與單車事故呈現(xiàn)顯著負相關(guān)。青年駕駛員和男性駕駛員相較于其他駕駛員，單車事故發(fā)生比例更高，原因可能是青年、男性駕駛員在行駛過程中風(fēng)險駕駛行為偏多。良好的照明條件能降低單車事故發(fā)生比例。分析得出，在不擁堵的道路環(huán)境下，搭載乘客能一定程度上減少由于駕駛員分心導(dǎo)致的單車事故的比例。例如搭載乘客會影響駕駛員心理特征，使駕駛行為更謹慎，并且乘客可以提醒駕駛員注意行駛過程中的障礙物，以此來解釋摩托車乘客對駕駛行為的影響。這一結(jié)果與Lee等[12]對機動車乘客對駕駛員影響的研究存在差異，Lee等認為搭載乘客會使駕駛員在非擁堵路段分心駕駛，增加單車事故風(fēng)險。

表3 事故類型模型參數(shù)估計Tab.3 Estimated parameters of crash type model

3.3 是否載客與事故嚴重程度聯(lián)合模型

事故嚴重程度一直是交通安全領(lǐng)域研究的重點，本模型研究是否載客與駕駛員事故嚴重程度的關(guān)聯(lián)。在中國，交警部門將交通事故傷害嚴重程度分為4個等級：僅財產(chǎn)損失(無傷害)、輕傷(非致殘傷害)、重傷(致殘傷害)和死亡(事故發(fā)生7 d內(nèi)由于事故傷害死亡)[11]。這4個等級事故在本文統(tǒng)計分析中被合并為嚴重事故(重傷和死亡)和非嚴重事故(輕傷害和無傷害)。相關(guān)性檢驗發(fā)現(xiàn)乘客與駕駛員的事故嚴重程度之間具有顯著正相關(guān)性。由于摩托車搭載乘客方式的特殊性，使駕駛員和乘客可被看作1個整體，所以在發(fā)生事故時事故嚴重等級具有一致性。模型中，因變量為駕駛員事故嚴重程度，顯著自變量為是否載客、照明條件、駕駛員年齡、事故時段、是否佩戴安全頭盔以及事故責(zé)任認定。表4模型結(jié)果顯示：搭載乘客的駕駛員發(fā)生嚴重事故的比例比未搭載乘客的駕駛員低20%，說明載客行為一定程度上減少了嚴重事故的發(fā)生比例；佩戴安全頭盔的駕駛員遭受嚴重事故的比例比未佩戴安全頭盔的駕駛員低33%[13]。在高峰時段和良好照明條件下，駕駛員發(fā)生嚴重事故的比例更少，低速行駛和良好的視野條件可以減少嚴重事故發(fā)生[14]。責(zé)任認定為主要/同等責(zé)任的駕駛員遭受嚴重事故比例比其他駕駛員高27.5%，過失方駕駛員在事故中常遭受更嚴重的事故傷害[15]。

3.4 乘客特征與事故嚴重程度模型

將載客事故數(shù)據(jù)(1 742起)從事故檔案中提取出來，分析乘客特征對事故嚴重程度的影響。首先對超載事故與非超載事故進行區(qū)分，定義搭載乘客超過1人為超載。載客事故中，超載事故353起，非超載事故1 389起，卡方檢驗顯示：是否超載對事故嚴重程度影響不顯著，可能原因在于摩托車超載會產(chǎn)生“風(fēng)險補償效應(yīng)”，即在搭載多個乘客的情況下，駕駛員駕駛行為更為謹慎、精神更集中，彌補因超載(駕駛難度增加)而增加的事故風(fēng)險。

表4 是否載客與事故嚴重程度模型Tab.4 Estimated parameters of carrying passenger and injury severity model

表5駕駛員事故嚴重程度模型結(jié)果表明：乘客性別是男性時，嚴重事故的發(fā)生比例比乘客性別為女時高46.6%，說明乘客性別特征對駕駛行為產(chǎn)生影響。乘客年齡處在0～16歲或60歲以上時，嚴重事故發(fā)生比例更低，事故嚴重程度也更輕，說明當乘客年齡偏小或偏大時，駕駛員規(guī)避風(fēng)險的“本質(zhì)動機”增強，駕駛更加謹慎，發(fā)生嚴重事故的風(fēng)險降低。研究發(fā)現(xiàn)，不同性別和年齡段的乘客在生理上存在較大區(qū)別，對駕駛行為以及駕駛員心理特征有著不同影響[16-19]。

表5乘客事故嚴重程度模型結(jié)果表明：在事故發(fā)生時，駕駛員在發(fā)生嚴重事故時，乘客遭受到致命傷害的比例更高。同時還發(fā)現(xiàn)，乘客性別對乘客的事故嚴重程度并沒有顯著影響，但是0～16歲和60歲以上的乘客相較于其他年齡段的乘客遭受嚴重事故的比例更高，相比于其他年齡段的乘客，他們在事故發(fā)生時自我保護能力更弱[13]。

3.5 相關(guān)安全改善建議

1)模型結(jié)果表明,16～24歲的駕駛員發(fā)生事故時，處在主要責(zé)任方比例高、事故嚴重程度重、發(fā)生單車事故概率大。建議針對新手駕駛員增設(shè)摩托車安全教育與技能培訓(xùn)課程，以減少風(fēng)險駕駛行為。

表5 乘客特征與事故嚴重程度參數(shù)估計Tab. 5 Estimated parameters of passenger characteristics and driver injury

2)佩戴安全頭盔可以減少嚴重事故發(fā)生概率。目前我國摩托車駕駛員頭盔佩戴率仍然較低在43.2%，乘客的頭盔佩戴率更低，據(jù)統(tǒng)計僅有20.9%的乘客正確佩戴安全頭盔[20-22]。因此有必要加大頭盔保護作用的宣傳教育力度，提高駕駛員和乘客頭盔佩戴率。

3)在照明良好的條件下，駕駛員與乘客造成嚴重事故傷害的概率低。為保障夜間摩托車行駛安全，交通管理部門應(yīng)加強對夜間酒駕、逆向行駛、超速超載等違法行為的檢查力度，嚴格執(zhí)行對嚴重違法行為的處罰。此外應(yīng)增加或完善道路夜間照明設(shè)施并對其進行定期檢查與維護，改善夜間行駛環(huán)境。

4)摩托車與其他機動車在運行速度、車輛質(zhì)量與體積方面差異巨大，兩者碰撞時容易導(dǎo)致嚴重事故。因此，建議摩托車流量較大且條件允許的路段設(shè)置摩托車專用道，將摩托車與非摩機動車隔離。

4 結(jié)束語

1)16～24歲的駕駛員搭載乘客傾向性比其他年齡段的駕駛員更強，平峰時段和良好的照明等條件會增加載客現(xiàn)象的發(fā)生。搭載乘客的駕駛員佩戴安全頭盔的比例更低，一定程度說明發(fā)生載客行為的駕駛員安全意識低于不載客的駕駛員。

2)良好的照明條件會降低駕駛員行駛過程中犯錯的概率；16～24歲的駕駛員與其他年齡段的駕駛員相比，在事故發(fā)生后處在主要責(zé)任方的比例更高；載客事故駕駛員相比非載客事故駕駛員處在主要責(zé)任方的比例更低。

3)青年駕駛員和男性駕駛員發(fā)生單車事故的比例高，良好的照明條件能減少單車事故的發(fā)生比例；搭載乘客的駕駛員發(fā)生單車事故的比例往往較低。

4)高峰時段，良好的照明等因素能降低嚴重事故的發(fā)生概率，佩戴安全頭盔的駕駛員發(fā)生嚴重事故的比例比未佩戴安全頭盔的駕駛員更低，搭載乘客的駕駛員發(fā)生嚴重或死亡事故的比例比非載客事故低。女性、幼年以及老年乘客搭乘摩托車時，駕駛員發(fā)生嚴重事故的比例比搭載其它乘客時低，事故嚴重程度更低。