機(jī)非交通事故中駕駛員過(guò)錯(cuò)和事故嚴(yán)重程度影響因素的Logistic回歸分析

林慶豐，鄧院昌，胡繼華

(中山大學(xué)智能工程學(xué)院廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510006)

道路擁堵的加劇和綠色出行理念的普及，使得非機(jī)動(dòng)車在交通中扮演著日益重要的角色。目前，我國(guó)非機(jī)動(dòng)車數(shù)量已超過(guò)4億輛[1]。隨著非機(jī)動(dòng)車數(shù)量的增加，機(jī)非交通事故數(shù)量也呈現(xiàn)逐年上升的態(tài)勢(shì)[2]。機(jī)非交通事故頻發(fā)對(duì)人民群眾的日常出行造成了嚴(yán)重的安全隱患，因此對(duì)機(jī)非交通事故進(jìn)行探究具有重要的現(xiàn)實(shí)意義。

當(dāng)前，國(guó)內(nèi)外已有許多學(xué)者針對(duì)交通參與者的過(guò)錯(cuò)進(jìn)行了探究。在國(guó)外，針對(duì)行人-機(jī)動(dòng)車交通事故方面的研究，主要有Kim等[3]和Ulfarsson等[4]分別以美國(guó)夏威夷州和北卡羅萊納州的交通事故記錄數(shù)據(jù)為基礎(chǔ)，分析了事故中行人和機(jī)動(dòng)車駕駛員是否出現(xiàn)過(guò)錯(cuò)與事故發(fā)生時(shí)段、道路和環(huán)境等因素之間的關(guān)系；Zhang等[5]則通過(guò)分析事故中的過(guò)錯(cuò)對(duì)事故嚴(yán)重程度的影響，發(fā)現(xiàn)行人出現(xiàn)過(guò)錯(cuò)更有可能導(dǎo)致嚴(yán)重交通事故。在國(guó)內(nèi)，針對(duì)駕駛員過(guò)錯(cuò)的研究主要集中于生理心理狀態(tài)對(duì)駕駛行為差錯(cuò)的影響[6-7]，以及如何為事故中駕駛員的過(guò)錯(cuò)定責(zé)[8]等方面，但比較缺乏綜合考慮人、車、路和環(huán)境等因素對(duì)機(jī)非交通事故中雙方駕駛員是否出現(xiàn)過(guò)錯(cuò)的影響研究。

在機(jī)非交通事故嚴(yán)重程度及數(shù)量方面，也有學(xué)者開(kāi)展了一系列的研究。如Nie等[9]和聶進(jìn)等[10]通過(guò)事故重建，分析了典型碰撞形態(tài)下自行車駕駛員的動(dòng)態(tài)響應(yīng)過(guò)程以及頭部碰撞條件與車輛碰撞速度之間的關(guān)系，并進(jìn)一步研究了其身體各部位的損傷分布以及頭部損傷和下肢骨折風(fēng)險(xiǎn)；Raslavicius等[11]也通過(guò)重建汽車-自行車交通事故來(lái)評(píng)估自行車駕駛員的受傷情況，并指出自行車駕駛員的受傷情況很大程度上取決于汽車的行駛速度；Mcadams等[12]通過(guò)分析美國(guó)兒童自行車駕駛員發(fā)生的交通事故，發(fā)現(xiàn)自行車駕駛員是否使用頭盔、事故是否涉及機(jī)動(dòng)車等與自行車駕駛員的受傷情況密切相關(guān)；Li等[13]通過(guò)研究表明，由于共享單車對(duì)步行者的吸引力大于機(jī)動(dòng)車使用者，造成路網(wǎng)上自行車數(shù)量的增加，但對(duì)減少機(jī)動(dòng)車流量并沒(méi)有明顯作用，這導(dǎo)致機(jī)非交通事故數(shù)量上升；Prati等[14]使用數(shù)據(jù)挖掘技術(shù)來(lái)預(yù)測(cè)自行車交通事故的嚴(yán)重程度，發(fā)現(xiàn)碰撞類型、道路類型和機(jī)動(dòng)車類型是事故嚴(yán)重程度最重要的影響因素；王濤等[15]采用有序Logit模型分析電動(dòng)自行車交通事故嚴(yán)重程度的主要影響因素，得出照明情況和交通管控方式等11個(gè)因素與電動(dòng)自行車事故嚴(yán)重程度顯著相關(guān)。

上述研究主要分析了機(jī)非交通事故中自行車駕駛員個(gè)人受傷情況、事故數(shù)量和整體事故嚴(yán)重程度的影響因素，尚未見(jiàn)有綜合考慮駕駛員過(guò)錯(cuò)和人、車、路、環(huán)境等因素對(duì)機(jī)非交通事故嚴(yán)重程度影響的研究報(bào)道。鑒于此，本文以廣東省2017年交通事故數(shù)據(jù)庫(kù)中的1 357條記錄完整的機(jī)非交通事故數(shù)據(jù)為基礎(chǔ)，綜合考慮多種影響因素，分別建立了二元Logistic回歸模型和三元有序Logistic回歸模型，探究各因素對(duì)機(jī)非交通事故中雙方駕駛員過(guò)錯(cuò)和事故嚴(yán)重程度的影響，為避免駕駛員出現(xiàn)過(guò)錯(cuò)和降低機(jī)非交通事故嚴(yán)重性提供參考依據(jù)。

1 研究方法

1.1 二元Logistic回歸模型

假設(shè)因變量Y為二分類變量，1表示事件發(fā)生，0表示事件未發(fā)生。有m個(gè)自變量與因變量有關(guān)，記X=(x1,x2,…,xm)，即有：

(1)

式中:P為事件發(fā)生的概率；β0為常數(shù)項(xiàng)；βi為回歸系數(shù)。

1.2 有序Logistic回歸模型

假設(shè)因變量Y含有J個(gè)等級(jí)，有K個(gè)自變量與因變量有關(guān)，記X=(x1,x2,…,xK)，即有：

(2)

(3)

式中:P為累計(jì)概率；αj為常數(shù)項(xiàng)；βk為回歸系數(shù)。

2 機(jī)非交通事故變量的選取與分析

本文從廣東省2017年發(fā)生的機(jī)非交通事故中篩選出1 357條記錄完整的事故數(shù)據(jù)作為本次研究的基礎(chǔ)數(shù)據(jù)。

2.1 變量選取

2.1.1 因變量

若駕駛員被認(rèn)定為需要承擔(dān)事故的全部或主要責(zé)任，則認(rèn)為該駕駛員在事故中出現(xiàn)過(guò)錯(cuò)；若駕駛員被認(rèn)定為無(wú)責(zé)，則認(rèn)為該駕駛員在事故中沒(méi)有出現(xiàn)過(guò)錯(cuò)[5]?？紤]到僅造成財(cái)產(chǎn)損失的機(jī)非交通事故在樣本中占比較小，本次研究將機(jī)非交通事故嚴(yán)重程度按造成人員死亡、人員重傷和人員輕傷或財(cái)產(chǎn)損失分為惡性事故、嚴(yán)重事故和輕微事故3類。

2.1.2 自變量

交通系統(tǒng)由人、車、路和環(huán)境等因素組成，任何一個(gè)環(huán)節(jié)出現(xiàn)問(wèn)題都可能導(dǎo)致交通事故的發(fā)生。因此，從機(jī)非交通事故信息中初步選取機(jī)動(dòng)車駕駛員屬性、非機(jī)動(dòng)車駕駛員屬性、機(jī)動(dòng)車輛、非機(jī)動(dòng)車輛、道路和環(huán)境等因素包含的20個(gè)變量作為候選自變量。

2.2 變量賦值與分析

機(jī)非交通事故因變量和自變量的賦值和描述性統(tǒng)計(jì)，詳見(jiàn)表1。

表1 機(jī)非交通事故變量的賦值和描述性統(tǒng)計(jì)

3 機(jī)非交通事故影響因素的Logistic回歸分析

本文使用SPSS 24.0軟件分別構(gòu)建二元Logistic回歸模型和三元有序Logistic回歸模型，對(duì)機(jī)非交通事故中雙方駕駛員過(guò)錯(cuò)和事故嚴(yán)重程度的影響因素進(jìn)行了Logistic回歸分析。

3.1 機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸分析

以機(jī)動(dòng)車駕駛員是否出現(xiàn)過(guò)錯(cuò)為因變量，選取表1中的機(jī)動(dòng)車駕駛員屬性、機(jī)動(dòng)車輛、道路和環(huán)境等因素包含的16個(gè)變量為自變量,進(jìn)行了二元Logistic回歸模型擬合。在模型擬合前，采用回歸系數(shù)方差分解法(RCVD)診斷了16個(gè)自變量之間的多重共線性，結(jié)果顯示：條件指數(shù)超過(guò)30的維數(shù)對(duì)應(yīng)變量(33.109)只有1個(gè)，且該變量的方差分解比均小于0.5，說(shuō)明這16個(gè)自變量之間不存在明顯的共線性關(guān)系，可作為獨(dú)立變量進(jìn)行二元Logistic回歸分析。

通過(guò)構(gòu)建機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸模型可得：機(jī)動(dòng)車駕駛員性別、機(jī)動(dòng)車駕駛員駕齡、機(jī)動(dòng)車行駛狀態(tài)、機(jī)動(dòng)車使用性質(zhì)、道路橫斷面位置、道路物理隔離、道路類型、時(shí)段和天氣9個(gè)自變量滿足建模條件。以這9個(gè)自變量構(gòu)建的機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸模型擬合結(jié)果,見(jiàn)表2。

表2 機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸模型擬合結(jié)果

注：表中B為回歸系數(shù)；S.E.為標(biāo)準(zhǔn)誤；Wald為Wald檢驗(yàn)值；Sig.為顯著性水平；Exp(B)為優(yōu)勢(shì)比。以下同。

由表2可以看出：

(1) 在機(jī)動(dòng)車駕駛員屬性方面，男性駕駛員出現(xiàn)過(guò)錯(cuò)的概率是女性駕駛員的1.914倍；隨著駕齡的增長(zhǎng)，機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率先升后降。

(2) 在機(jī)動(dòng)車輛方面，車輛直行狀態(tài)下，機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率為車輛非直行狀態(tài)下的0.525倍；非私用車輛駕駛員出現(xiàn)過(guò)錯(cuò)的概率僅為私用車輛駕駛員的0.269倍。

(3) 在道路方面，非混行道路上機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率為機(jī)非混行道路上的0.618倍；在無(wú)隔離的道路上，機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率最高，為中心隔離道路上的1.367倍，而在機(jī)非隔離道路上，機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率最低；機(jī)動(dòng)車駕駛員在城市道路上出現(xiàn)過(guò)錯(cuò)的概率為在非城市道路上的0.547倍。

(4) 在環(huán)境方面，機(jī)動(dòng)車駕駛員在夜晚出現(xiàn)過(guò)錯(cuò)的概率為白天的0.673倍；機(jī)動(dòng)車駕駛員在晴天出現(xiàn)過(guò)錯(cuò)的概率為不利天氣下的0.649倍。

通過(guò)對(duì)機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的Logistic二元模型整體進(jìn)行檢驗(yàn)，得到似然比卡方值為116.086，自由度為13，通過(guò)查卡方檢驗(yàn)臨界值表可知，當(dāng)顯著性水平為0.05時(shí)，卡方臨界值為22.362。由于模型的卡方值116.086大于卡方臨界值22.362，且Sig.值小于0.001，說(shuō)明該模型整體通過(guò)了檢驗(yàn)。同時(shí)，對(duì)該模型進(jìn)行了Hosmer和Lemeshow檢驗(yàn)，得到卡方值為6.896，自由度為8，通過(guò)查卡方檢驗(yàn)臨界值表可知，當(dāng)顯著性水平為0.05時(shí)，卡方臨界值為15.507。由于模型的卡方值為6.896小于卡方臨界值15.507，且Sig.值為0.548，大于0.05，說(shuō)明該模型擬合度較好。

3.2 非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸分析

以非機(jī)動(dòng)車駕駛員是否出現(xiàn)過(guò)錯(cuò)為因變量，選取表1中的非機(jī)動(dòng)車駕駛員屬性、非機(jī)動(dòng)車輛、道路和環(huán)境等因素包含的13個(gè)變量為自變量,進(jìn)行了二元Logistic回歸模型擬合。在模型擬合前，采用回歸系數(shù)方差分解法(RCVD)診斷了13個(gè)自變量之間的多重共線性，結(jié)果顯示：各維數(shù)的條件指數(shù)均小于30，且所有維數(shù)對(duì)應(yīng)變量的方差分解比均小于0.5，說(shuō)明這13個(gè)自變量之間不存在明顯的共線性關(guān)系，可作為獨(dú)立變量進(jìn)行二元Logistic回歸分析。

通過(guò)構(gòu)建非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸模型可得：非機(jī)動(dòng)車駕駛員性別、非機(jī)動(dòng)車駕駛員年齡、非機(jī)動(dòng)車類型、道路橫斷面位置、道路物理隔離和道路類型6個(gè)自變量滿足建模條件。以這6個(gè)自變量構(gòu)建的非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸模型擬合結(jié)果，見(jiàn)表3。

表3 非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic回歸模型擬合結(jié)果

由表3可以看出：

(1) 在非機(jī)動(dòng)車駕駛員屬性方面，男性駕駛員出現(xiàn)過(guò)錯(cuò)的概率是女性駕駛員的2.424倍；隨著年齡的增長(zhǎng)，非機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率逐步降低。

(2) 在非機(jī)動(dòng)車輛方面，電動(dòng)自行車駕駛員出現(xiàn)過(guò)錯(cuò)的概率是普通自行車駕駛員的2.318倍。

(3) 在道路方面，在非混行道路上，非機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率為機(jī)非混行道路上的1.832倍；在無(wú)隔離的道路上，非機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率最低，為中心隔離道路上的0.826倍；非機(jī)動(dòng)車駕駛員在城市道路上出現(xiàn)過(guò)錯(cuò)的概率為在非城市道路上的1.679倍。

通過(guò)對(duì)非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)的二元Logistic模型整體進(jìn)行檢驗(yàn)，得到似然比卡方值為113.430，自由度為10，通過(guò)查卡方檢驗(yàn)臨界值表可知，當(dāng)顯著性水平為0.05時(shí)，卡方臨界值為18.307。由于模型的卡方值113.430大于卡方臨界值18.307，且Sig.值小于0.001，說(shuō)明該模型整體通過(guò)了檢驗(yàn)。同時(shí)，對(duì)該模型進(jìn)行了Hosmer和Lemeshow檢驗(yàn)，得到卡方值為5.601，自由度為8，通過(guò)查卡方檢驗(yàn)臨界值表可知，當(dāng)顯著性水平為0.05時(shí)，卡方臨界值為15.507。由于模型的卡方值5.601小于卡方臨界值15.507，且Sig.值為0.692，大于0.05，說(shuō)明該模型擬合度較好。

3.3 機(jī)非交通事故嚴(yán)重程度的三元有序Logistic回歸分析

以機(jī)非交通事故嚴(yán)重程度為因變量，選取表1中的機(jī)動(dòng)車駕駛員過(guò)錯(cuò)、非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)、機(jī)動(dòng)車駕駛員屬性、非機(jī)動(dòng)車駕駛員屬性、機(jī)動(dòng)車輛、非機(jī)動(dòng)車輛、道路和環(huán)境等因素包含的22個(gè)變量為自變量，進(jìn)行了三元有序Logistic回歸模型擬合。在模型擬合前，采用回歸系數(shù)方差分解法(RCVD)診斷了22個(gè)自變量之間的多重共線性，結(jié)果顯示：機(jī)動(dòng)車駕駛員過(guò)錯(cuò)與非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)之間存在共線性關(guān)系。因此，將非機(jī)動(dòng)車駕駛員過(guò)錯(cuò)這一自變量刪除，保留下來(lái)的21個(gè)自變量之間不存在明顯的共線性關(guān)系，可作為獨(dú)立變量進(jìn)行三元有序Logistic回歸分析。

通過(guò)構(gòu)建機(jī)非交通事故嚴(yán)重程度的三元有序Logistic回歸模型可得：機(jī)動(dòng)車駕駛員的駕齡、機(jī)動(dòng)車使用性質(zhì)、機(jī)動(dòng)車安全狀況、非機(jī)動(dòng)車類型、道路物理隔離、道路線形和機(jī)動(dòng)車駕駛員過(guò)錯(cuò)7個(gè)自變量滿足建模條件。以這7個(gè)自變量構(gòu)建的機(jī)非交通事故嚴(yán)重程度的三元有序Logistic回歸模型擬合結(jié)果，見(jiàn)表4。

由表4可以看出：

(1) 在機(jī)動(dòng)車駕駛員屬性方面，駕齡大于15年的駕駛員比其他駕齡的駕駛員更易發(fā)生嚴(yán)重程度較高的事故。

表4 機(jī)非交通事故嚴(yán)重程度的三元有序Logistic回歸模型擬合結(jié)果

注：“a”表示該參數(shù)冗余，故對(duì)應(yīng)的回歸系數(shù)B的取值設(shè)置為0。

(2) 在機(jī)動(dòng)車輛方面，非私用車輛比私用車輛更易發(fā)生嚴(yán)重程度較高的事故；安全狀況差的機(jī)動(dòng)車輛發(fā)生嚴(yán)重事故的概率也高于正常車輛。

(3) 在非機(jī)動(dòng)車輛方面，電動(dòng)自行車比普通自行車更不易發(fā)生嚴(yán)重程度較高的事故。

(4) 在道路方面，中心隔離道路上發(fā)生更嚴(yán)重交通事故的概率最高；非平直道路比平直道路更易發(fā)生嚴(yán)重程度較高的事故。

(5) 在駕駛員過(guò)錯(cuò)方面，有過(guò)錯(cuò)的機(jī)動(dòng)車駕駛員比有過(guò)錯(cuò)的非機(jī)動(dòng)車加強(qiáng)員更易發(fā)生嚴(yán)重程度較高的事故。

通過(guò)對(duì)機(jī)非交通事故嚴(yán)重程度的三元有序Logitic回歸模型進(jìn)行平行線檢驗(yàn)，結(jié)果顯示：顯著性大于0.05，說(shuō)明比例優(yōu)勢(shì)假設(shè)存在，表明運(yùn)用符合比例假設(shè)的三元有序Logistic回歸模型進(jìn)行擬合是有效的。另外，模型的擬合優(yōu)度檢驗(yàn)結(jié)果顯示：皮爾遜統(tǒng)計(jì)量和偏差統(tǒng)計(jì)量的顯著性均大于0.05，說(shuō)明該模型擬合度較好。

4 討 論

4.1 駕駛員因素

在駕駛員性別方面，無(wú)論機(jī)動(dòng)車或非機(jī)動(dòng)車，男性駕駛員都比女性駕駛員更容易出現(xiàn)過(guò)錯(cuò)。相關(guān)研究也表明，男性駕駛員違反交通法規(guī)的行為比女性駕駛員多[16]。這可能與男性駕駛員普遍較為易怒和喜歡冒險(xiǎn)等有關(guān)。

在機(jī)動(dòng)車駕駛員駕齡方面，駕齡低于2年的新手駕駛員不容易出現(xiàn)過(guò)錯(cuò)。這可能是因?yàn)樾率竹{駛員一般較為謹(jǐn)慎，所以較少出現(xiàn)違反交通法規(guī)的行為。

在非機(jī)動(dòng)車駕駛員年齡方面，年齡大的非機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率更低，說(shuō)明年齡大的非機(jī)動(dòng)車駕駛員更加遵守交通法規(guī)。

綜上，相關(guān)部門和單位應(yīng)關(guān)注不同性別、駕齡和年齡的駕駛員出現(xiàn)過(guò)錯(cuò)和事故嚴(yán)重程度的差異性，提出有針對(duì)性的交通安全教育和管理措施。此外，相關(guān)研究[5]指出，在行人交通事故中，機(jī)動(dòng)車駕駛員的酒駕和超速等違法行為與事故嚴(yán)重程度相關(guān)。本文通過(guò)分析駕駛員過(guò)錯(cuò)對(duì)機(jī)非交通事故嚴(yán)重程度的影響，發(fā)現(xiàn)機(jī)動(dòng)車駕駛員的過(guò)錯(cuò)更容易造成嚴(yán)重程度較高的機(jī)非交通事故。因此，相關(guān)部門要加大力度整治機(jī)動(dòng)車駕駛員的交通違法行為，避免機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)。

4.2 車輛因素

4.2.1 機(jī)動(dòng)車輛

在機(jī)動(dòng)車輛行駛狀態(tài)方面，車輛在非直行狀態(tài)下，機(jī)動(dòng)車駕駛員較容易出現(xiàn)過(guò)錯(cuò)。這可能是因?yàn)檐囕v非直行時(shí)駕駛員更需要集中注意力，操作也較為復(fù)雜，稍有不慎就可能出現(xiàn)過(guò)錯(cuò)。

在機(jī)動(dòng)車輛使用性質(zhì)方面，非私用車輛駕駛員出現(xiàn)過(guò)錯(cuò)的概率較低，但一旦出現(xiàn)過(guò)錯(cuò)，發(fā)生更嚴(yán)重交通事故的概率較高。這可能是因?yàn)轳{駛營(yíng)運(yùn)車輛或單位用車等非私用車輛時(shí)，出現(xiàn)違法行為等過(guò)錯(cuò)會(huì)導(dǎo)致駕駛員受到相應(yīng)處分，所以非私用車輛駕駛員一般較為謹(jǐn)慎。然而，大部分非私用車輛車型較大，一旦發(fā)生事故，容易造成嚴(yán)重的后果。

在機(jī)動(dòng)車輛安全狀況方面，安全狀況差的機(jī)動(dòng)車輛發(fā)生更嚴(yán)重交通事故的概率遠(yuǎn)高于正常車輛，說(shuō)明車輛的日常檢修、維護(hù)與運(yùn)行安全息息相關(guān)。

綜上，相關(guān)部門和單位應(yīng)加強(qiáng)交通執(zhí)法工作，并加大對(duì)機(jī)動(dòng)車駕駛員安全教育的力度；同時(shí)，機(jī)動(dòng)車駕駛員要嚴(yán)格執(zhí)行道路運(yùn)輸車輛技術(shù)管理規(guī)定，并嚴(yán)格落實(shí)車輛的日常檢修和維護(hù)工作。

4.2.2 非機(jī)動(dòng)車輛

電動(dòng)自行車駕駛員出現(xiàn)過(guò)錯(cuò)的概率高于普通自行車駕駛員，但普通自行車更容易發(fā)生嚴(yán)重程度較高的交通事故。這可能是因?yàn)殡妱?dòng)自行車速度較快，駕駛員追求刺激、冒險(xiǎn)的行為多于普通自行車駕駛員,但由于電動(dòng)自行車具有照明燈和后視鏡等安全裝置，因此發(fā)生嚴(yán)重交通事故的概率較低。

綜上，相關(guān)部門和單位要嚴(yán)格查處非機(jī)動(dòng)車的違法行為，規(guī)范非機(jī)動(dòng)車駕駛員的駕駛行為；同時(shí)，普通自行車駕駛員夜間行車應(yīng)安裝夜行燈，以保障安全。

4.3 道路因素

在道路橫斷面位置方面，機(jī)非混行道上機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率較高，而非機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率較低。這可能是因?yàn)闄C(jī)非混行道上的交通比較復(fù)雜，機(jī)動(dòng)車駕駛員需要集中注意力才能進(jìn)行正確的操作；而非機(jī)動(dòng)車由于缺少防護(hù)，駕駛員在機(jī)非混行道上駕駛時(shí)一般比較謹(jǐn)慎。

在道路物理隔離方面，機(jī)非駕駛員出現(xiàn)過(guò)錯(cuò)概率最低的道路分別為機(jī)非隔離道路和無(wú)隔離道路，但事故嚴(yán)重程度較高的道路隔離類型為中心隔離道路。這可能是因?yàn)樵谥行母綦x道路上機(jī)非交通事故雙方駕駛員都放松了警惕，但該類地點(diǎn)又沒(méi)有實(shí)現(xiàn)嚴(yán)格的機(jī)非隔離，所以容易導(dǎo)致嚴(yán)重的交通事故。

在道路類型方面，城市道路上機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率較低，非機(jī)動(dòng)車駕駛員出現(xiàn)過(guò)錯(cuò)的概率較高。這可能是因?yàn)槌鞘械缆犯黝惞芾泶胧┖碗娮泳斓葓?zhí)法設(shè)施較為完善，對(duì)機(jī)動(dòng)車駕駛員具有一定的約束作用，但這也使非機(jī)動(dòng)車駕駛員放松了警惕，因而更容易出現(xiàn)過(guò)錯(cuò)。

在道路線形方面，機(jī)非駕駛員在平直道路上駕駛時(shí)發(fā)生更嚴(yán)重交通事故的概率較低。這可能是因?yàn)樵诜瞧街钡缆飞?，駕駛員需要時(shí)刻注意道路線形的變化，并對(duì)車輛進(jìn)行相應(yīng)的操作以保證正常行駛，稍有不慎就可能釀成事故；此外，在非平直線形道路上，駕駛可能存在視線盲區(qū)，容易導(dǎo)致嚴(yán)重交通事故。

綜上，相關(guān)部門和單位應(yīng)在事故多發(fā)點(diǎn)設(shè)置合理的交通管理設(shè)施，并加強(qiáng)交通執(zhí)法力度，同時(shí)在規(guī)劃和設(shè)計(jì)道路時(shí)應(yīng)盡量采用平直線形，且在其他線形的合理位置設(shè)置相應(yīng)的標(biāo)志警示駕駛員。

4.4 環(huán)境因素

在時(shí)段方面，機(jī)動(dòng)車駕駛員在夜間出現(xiàn)過(guò)錯(cuò)的概率較低。這可能是因?yàn)橐雇砉饩€較差，機(jī)動(dòng)車駕駛員一般比較謹(jǐn)慎。

在天氣方面，機(jī)動(dòng)車駕駛員在晴天出現(xiàn)過(guò)錯(cuò)的概率較低。這可能是因?yàn)橛晏旌挽F天等不利天氣下，行車條件較差，嚴(yán)重影響了駕駛員的判斷和操作，因而駕駛員更容易出現(xiàn)過(guò)錯(cuò)。趙曉華等[17]對(duì)不良天氣下駕駛行為研究的綜述中也指出，雨雪霧等天氣下駕駛員的行為能力會(huì)出現(xiàn)明顯的下降。

綜上，相關(guān)部門和單位除加強(qiáng)交通執(zhí)法工作外，還應(yīng)對(duì)交通運(yùn)行環(huán)境進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)[18]，做好不利天氣條件下的交通管理和事故救援應(yīng)急預(yù)案，并采取合理措施保障交通安全。

5 結(jié)論與展望

本文通過(guò)研究駕駛員、車輛、道路和環(huán)境因素對(duì)機(jī)非交通事故中機(jī)非雙方駕駛員過(guò)錯(cuò)和事故嚴(yán)重程度的影響，得到如下結(jié)論：

(1) 機(jī)動(dòng)車駕駛員是否出現(xiàn)過(guò)錯(cuò)與機(jī)動(dòng)車駕駛員性別、機(jī)動(dòng)車駕駛員駕齡、機(jī)動(dòng)車行駛狀態(tài)、機(jī)動(dòng)車使用性質(zhì)、道路橫斷面位置、道路物理隔離、道路類型、時(shí)段和天氣9個(gè)變量顯著相關(guān)。

(2) 非機(jī)動(dòng)車駕駛員是否出現(xiàn)過(guò)錯(cuò)與非機(jī)動(dòng)車駕駛員性別、非機(jī)動(dòng)車駕駛員年齡、非機(jī)動(dòng)車類型、道路橫斷面位置、道路物理隔離和道路類型6個(gè)變量顯著相關(guān)。

(3) 機(jī)非交通事故嚴(yán)重程度與機(jī)動(dòng)車駕駛員駕齡、機(jī)動(dòng)車使用性質(zhì)、機(jī)動(dòng)車安全狀況、非機(jī)動(dòng)車類型、道路物理隔離、道路線形和機(jī)動(dòng)車駕駛員過(guò)錯(cuò)7個(gè)變量顯著相關(guān)。

(4) 通過(guò)模型檢驗(yàn)，表明本文構(gòu)建的二元Logistic回歸模型和三元有序Logistic回歸模型具有較好的有效性和正確性。

本文的研究結(jié)果可為交通規(guī)劃設(shè)計(jì)和交通管理等相關(guān)部門采取有效措施降低機(jī)非交通事故嚴(yán)重程度提供參考依據(jù)。例如：有針對(duì)性地對(duì)男性營(yíng)運(yùn)駕駛員進(jìn)行交通安全教育；嚴(yán)格查處安全狀況不達(dá)標(biāo)的車輛；規(guī)劃設(shè)計(jì)道路時(shí)應(yīng)盡量采用平直線形；相關(guān)部門要做好不利天氣下的管理和事故救援應(yīng)急預(yù)案等。

機(jī)非交通事故中雙方駕駛員負(fù)同等責(zé)任時(shí)，說(shuō)明雙方均存在過(guò)錯(cuò)。后續(xù)研究可考慮分析機(jī)非雙方駕駛員均出現(xiàn)過(guò)錯(cuò)的影響因素，以進(jìn)一步完善機(jī)非交通事故影響因素的分析。