機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度多因素影響分析

柴浩男，馬彬,2,3，李鵬輝，姜文龍

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院，北京 100192；2.新能源汽車北京實(shí)驗(yàn)室，北京 100192；3.北京電動(dòng)車輛協(xié)同創(chuàng)新中心，北京 100192；4.北京交通大學(xué) 交通運(yùn)輸學(xué)院 綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京100044；5.中國人民公安大學(xué)，北京 100038)

0 引言

海因里希事故法則指出，一起重大事故的發(fā)生是多種因素累積作用的結(jié)果。研究機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度的多因素影響，對(duì)制定針對(duì)性機(jī)動(dòng)車與非機(jī)動(dòng)車事故預(yù)防決策、提高道路交通安全具有重要意義。

當(dāng)前，主要利用參數(shù)回歸方法對(duì)機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度的潛在影響因素進(jìn)行分析。參數(shù)回歸方法主要包括廣義有序[1]、二項(xiàng)[2]、多項(xiàng)[3]及混合[4]Logit模型。利用上述參數(shù)回歸方法，分析探索人、車輛、道路和環(huán)境屬性等因素對(duì)電動(dòng)自行車騎行者傷害嚴(yán)重度的影響。但多數(shù)研究?jī)H從單一維度分析事故致因和嚴(yán)重度，對(duì)風(fēng)險(xiǎn)因素間的相互作用研究較少。此外，上述參數(shù)回歸分析依賴于嚴(yán)格的模型假設(shè)，且離散的分類變量無法滿足參數(shù)回歸模型的要求。

非參數(shù)方法在不需要樣本先驗(yàn)假設(shè)的情況下便能有效進(jìn)行分類和預(yù)測(cè)，適合處理涉及交通事故數(shù)據(jù)中多離散變量的問題[5],已被廣泛用于確定與事故嚴(yán)重度相關(guān)的因素。而機(jī)動(dòng)車與非機(jī)動(dòng)車碰撞事故數(shù)據(jù)多為離散的分類變量，利用數(shù)據(jù)挖掘方法，可將機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故多因素影響的提取視為一個(gè)分類問題。在眾多非參數(shù)分類模型中，C5.0決策樹模型能夠總結(jié)數(shù)據(jù)中的規(guī)律進(jìn)行數(shù)據(jù)分類和預(yù)測(cè)，對(duì)事故嚴(yán)重度及其影響因素進(jìn)行分析，且面對(duì)多分類輸入變量和數(shù)據(jù)缺失時(shí)表現(xiàn)穩(wěn)健[6-7]。2014年，孫軼軒等[7]最先建立了C5.0決策樹模型，通過決策規(guī)則集揭示了影響事故嚴(yán)重度分類的因素，獲得了滿意的效果；Xu等[8]研究表明死亡事故是多因素相互作用的結(jié)果。而非參數(shù)決策樹模型具有提取決策規(guī)則識(shí)別死亡事故促成因素集合的典型優(yōu)勢(shì)，有利于分析機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故多因素影響。然而，以往的研究在構(gòu)建C5.0決策樹時(shí)缺少對(duì)各因素間及其與事故嚴(yán)重度的關(guān)聯(lián)程度進(jìn)行分析，由于摻雜對(duì)事故嚴(yán)重度無顯著性影響的因素會(huì)導(dǎo)致錯(cuò)誤的分類結(jié)果，需在構(gòu)建決策樹前對(duì)各因素間及其對(duì)與事故嚴(yán)重度的關(guān)聯(lián)程度進(jìn)行分析。列聯(lián)分析能夠分析多個(gè)變量在不同取值下的分布，進(jìn)而獲得變量間的相互影響和關(guān)系特征，剔除與事故嚴(yán)重度無顯著性關(guān)聯(lián)的因素，避免錯(cuò)誤分類。

本文采集了某市1 304起機(jī)動(dòng)車與非機(jī)動(dòng)車碰撞事故數(shù)據(jù)，在使用列聯(lián)分析方法對(duì)事故嚴(yán)重度與事故因素進(jìn)行顯著性分析的基礎(chǔ)上，建立決策樹C5.0模型對(duì)所提取的顯著性因素進(jìn)行關(guān)聯(lián)性分析，通過提取決策規(guī)則獲得機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故多因素影響，為制定交通安全改進(jìn)政策以預(yù)防機(jī)動(dòng)車與非機(jī)動(dòng)車事故提供參考和理論依據(jù)。

1 列聯(lián)分析與C5.0決策樹模型

1.1 列聯(lián)分析

列聯(lián)分析是分析變量間關(guān)聯(lián)程度的重要方法，用于分析多個(gè)變量不同取值下的分布，進(jìn)而獲得變量間的相互影響和關(guān)系特征，因此選用列聯(lián)分析來研究機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度影響因素的顯著性特征。其中，使用卡方檢驗(yàn)(χ2)來確定潛在因素與事故嚴(yán)重度的顯著性關(guān)聯(lián)[9]。

(1)

本文采用優(yōu)勢(shì)比θ說明每個(gè)變量中各因素發(fā)生死亡事故的相對(duì)風(fēng)險(xiǎn)水平[10]。

(2)

1.2 C5.0決策樹模型算法

決策樹是一個(gè)包含根節(jié)點(diǎn)、葉節(jié)點(diǎn)和中間節(jié)點(diǎn)的樹狀結(jié)構(gòu)(包括二叉樹和多叉樹)，采用自頂向下的生長(zhǎng)過程對(duì)內(nèi)部節(jié)點(diǎn)進(jìn)行相關(guān)屬性比較，進(jìn)而確定對(duì)應(yīng)的分支并在葉節(jié)點(diǎn)得到相關(guān)結(jié)論[7,11]，決策樹結(jié)構(gòu)如圖1所示。

圖1 決策樹結(jié)構(gòu)

由于事故數(shù)據(jù)的輸入變量多為分類變量和非二元變量，同時(shí)考慮到由于二叉樹結(jié)構(gòu)導(dǎo)致的信息損失，且面對(duì)多分類輸入變量和數(shù)據(jù)缺失時(shí)C5.0模型表現(xiàn)穩(wěn)健，因而選擇C5.0多叉樹算法進(jìn)行事故嚴(yán)重度分析。C5.0多叉樹算法以信息增益率的分支準(zhǔn)則為標(biāo)準(zhǔn)進(jìn)行最佳分組變量和分割點(diǎn)的劃分。當(dāng)將事故數(shù)據(jù)集視為具有n個(gè)屬性X的訓(xùn)練樣本集U[12]，此時(shí)，訓(xùn)練集U的信息熵可表示為

(3)

式中：q(ci,U)為屬于ci(i=1,2,…,N)類的樣本數(shù)；|U|為樣本總數(shù)；q(ci,U)/|U|為當(dāng)前樣本集合U中第i類樣本(i=1,2,…,N)所占的比例。E(U)的結(jié)果越小，說明事故數(shù)據(jù)的子集劃分程度越好。

根據(jù)屬性X分割訓(xùn)練集U，分割后的類別條件熵為

(4)

式中：|Uj|為屬性X中第j個(gè)值(j=1,2,…,n)的樣本數(shù)；E(Uj)為Uj的信息熵。

根據(jù)具有最大信息增益的屬性來劃分每個(gè)子集。特征X的信息增益為

G(X)=E(U)-EX(U)

(5)

為自動(dòng)避免因大量分類而導(dǎo)致的信息熵下降過快，引入信息值I，并對(duì)信息增益的計(jì)算方法進(jìn)行修正，進(jìn)而提高決策樹模型的準(zhǔn)確性。信息值定義為：

(6)

因此，C5.0算法使用信息增益率代替原有的信息增益值，為

(7)

1.3 C5.0決策樹模型分類評(píng)價(jià)

在獲得決策樹分類模型后，利用分類器評(píng)價(jià)指標(biāo)對(duì)C5.0決策樹模型分類結(jié)果的有效性進(jìn)行評(píng)估。分類器評(píng)價(jià)指標(biāo)主要包括準(zhǔn)確度、精度、召回率和F1[13]。

準(zhǔn)確度A是指分類模型的所有正確結(jié)果(即識(shí)別出死亡事故與非死亡事故樣本)占總觀測(cè)值的比例。

(8)

式中：nTP為非死亡事故識(shí)別為非死亡事故；nTN為死亡事故識(shí)別為死亡事故；nFP為死亡事故識(shí)別為非死亡事故；nFN為非死亡事故識(shí)別為死亡事故。

精度P為模型預(yù)測(cè)在所有正結(jié)果中(即識(shí)別非死亡事故樣本)預(yù)測(cè)對(duì)的比例。

(9)

召回率R為模型預(yù)測(cè)在所有結(jié)果中真實(shí)值為正的比例，即非死亡事故樣本的識(shí)別率。

(10)

在上述3個(gè)指標(biāo)的基礎(chǔ)上，引入F1，最后，對(duì)精度和召回率的結(jié)果進(jìn)行綜合處理，對(duì)模型準(zhǔn)確性進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)為

(11)

2 事故嚴(yán)重度影響因素分類

本文采集了某市1 304條真實(shí)機(jī)動(dòng)車與非機(jī)動(dòng)車碰撞事故數(shù)據(jù)，刪除了駕駛員的姓名、身份證號(hào)碼和地址以及相關(guān)乘員的全部信息，對(duì)人員、車輛、道路和環(huán)境等基本信息進(jìn)行了編碼，分析事故嚴(yán)重度影響因素分類。

本文將事故嚴(yán)重度分為兩組：非死亡事故(財(cái)產(chǎn)損失和傷人事故)和死亡事故，分別占總事故量的73.5%和26.5%。此外，本文將機(jī)動(dòng)車駕駛員因素、非機(jī)動(dòng)車騎行者因素、車輛因素、道路因素和環(huán)境因素5個(gè)類別共14個(gè)變量作為交通事故自變量，事故嚴(yán)重度作為因變量，具體變量分類如表1所示。其中，機(jī)動(dòng)車駕駛員和非機(jī)動(dòng)車騎行者受教育程度依據(jù)其職業(yè)進(jìn)行劃分[14]；機(jī)動(dòng)車類型根據(jù)文獻(xiàn)[15-17]分為摩托車、小微型客車、大中型客車、小微型貨車和大中型貨車，其他類型歸于其他；機(jī)動(dòng)車駕駛員年齡和駕齡、非機(jī)動(dòng)車騎行者年齡和時(shí)段變量依據(jù)文獻(xiàn)[11,15-16]進(jìn)行劃分。

表1 事故變量分類說明

3 事故嚴(yán)重度多因素影響分析

3.1 事故嚴(yán)重度顯著性因素分析

對(duì)各因素與事故嚴(yán)重度的關(guān)聯(lián)程度進(jìn)行檢驗(yàn)，獲得各因素的顯著性水平檢驗(yàn)值，如表2所示。其中，p為顯著性水平檢驗(yàn)值，p值越小，該變量對(duì)事故嚴(yán)重度的影響越顯著。卡方檢驗(yàn)顯示，有9個(gè)變量與事故嚴(yán)重度顯著相關(guān)，包括機(jī)動(dòng)車駕駛員性別及受教育程度、非機(jī)動(dòng)車騎行者年齡及受教育程度、機(jī)動(dòng)車和非機(jī)動(dòng)車類型、道路類型、天氣和時(shí)段；機(jī)動(dòng)車駕駛員年齡及駕齡、非機(jī)動(dòng)車騎行者性別、事故形態(tài)和季度對(duì)事故嚴(yán)重度均無顯著性影響。

表2 機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度顯著性因素卡方檢驗(yàn)

9個(gè)顯著性因素變量中的死亡事故分布情況如圖2所示。從圖中可看出，男性機(jī)動(dòng)車駕駛員、受教育程度低的機(jī)動(dòng)車駕駛員、46～65歲的非機(jī)動(dòng)車騎行者、受教育程度低的非機(jī)動(dòng)車騎行者、小微型客車、電動(dòng)自行車、未記錄道路、晴天和上午時(shí)段分別達(dá)到了死亡事故的最高占比。

圖2 基于列聯(lián)表的機(jī)動(dòng)車與非機(jī)動(dòng)車各變量死亡事故占比

根據(jù)式(2)計(jì)算了各因素在死亡事故中的相對(duì)風(fēng)險(xiǎn)水平即優(yōu)勢(shì)比，表3列出了優(yōu)勢(shì)比值大于1的變量組。

表3 機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故顯著性因素優(yōu)勢(shì)比

優(yōu)勢(shì)比大于1，說明前一類別發(fā)生死亡事故的概率比后一類別大，且優(yōu)勢(shì)比值越高，類別間的相對(duì)風(fēng)險(xiǎn)水平越高。比如，男性駕駛員比女性駕駛員更容易卷入死亡事故中；受教育程度低的駕駛員比受教育程度高的駕駛員發(fā)生死亡事故的風(fēng)險(xiǎn)更高，等等。優(yōu)勢(shì)比的計(jì)算結(jié)果說明各類別間導(dǎo)致死亡事故的相對(duì)風(fēng)險(xiǎn)水平存在顯著性差異。

3.2 C5.0決策樹模型分類結(jié)果及準(zhǔn)確性

利用列聯(lián)分析法檢驗(yàn)出上述9類因素與事故嚴(yán)重度顯著相關(guān)后，將其輸入至C5.0決策樹模型中，針對(duì)事故嚴(yán)重程度二分類構(gòu)建C5.0決策樹，以探尋機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度的多因素影響。將1 304起事故數(shù)據(jù)按照約7∶3的比例劃分為訓(xùn)練集(913個(gè))和測(cè)試集(391個(gè))，依據(jù)列聯(lián)表(圖2)和優(yōu)勢(shì)比(表4)分析各因素間導(dǎo)致死亡事故相對(duì)風(fēng)險(xiǎn)水平的顯著性差異，挑選對(duì)事故預(yù)防決策有意義的分類結(jié)果，利用混淆矩陣對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，驗(yàn)證挑選決策樹結(jié)果的合理性。最終，建立了一個(gè)深度為5、包含16個(gè)節(jié)點(diǎn)和9個(gè)終節(jié)點(diǎn)的C5.0決策樹模型，如圖3(a)所示。同時(shí)，將未引入列聯(lián)分析方法的數(shù)據(jù)導(dǎo)入C5.0決策樹模型作為對(duì)比，如圖3(b)所示。

圖3 C5.0決策樹模型分類結(jié)果對(duì)比

根據(jù)圖3(a)中C5.0決策樹模型分類結(jié)果，事故嚴(yán)重度的發(fā)生主要受機(jī)動(dòng)車類型、時(shí)段、非機(jī)動(dòng)車類型和非機(jī)動(dòng)車騎行者受教育程度的影響。生成C5.0模型的根變量是機(jī)動(dòng)車類型，表明機(jī)動(dòng)車類型的劃分最能說明事故的嚴(yán)重程度。節(jié)點(diǎn)0根據(jù)機(jī)動(dòng)車類型屬性的信息增益率將摩托車、小微型客車、大中型客車和其他類型車輛引導(dǎo)到左邊，形成節(jié)點(diǎn)1，并將小微型貨車和大中型貨車置于右邊，建立節(jié)點(diǎn)2。以此類推，自頂向下進(jìn)行分類形成圖3(a)中的分類結(jié)果。對(duì)于死亡事故，機(jī)動(dòng)車類型為小微型和大中型貨車時(shí)發(fā)生死亡事故樣本為其他車輛類型的2.8倍(節(jié)點(diǎn)1，19.4%；節(jié)點(diǎn)2，54.5%)。另外，大中型貨車發(fā)生死亡事故樣本為小微型貨車的1.4倍(節(jié)點(diǎn)3，43.0%；節(jié)點(diǎn)8，61.2%)。在涉及小微型貨車與非機(jī)動(dòng)車發(fā)生碰撞的事故中，時(shí)段為下午時(shí)發(fā)生死亡事故樣本為其他時(shí)段(節(jié)點(diǎn)4，36.0%；節(jié)點(diǎn)5，55.2%)的1.5倍，且非機(jī)動(dòng)車騎行者受教育程度為低時(shí)發(fā)生死亡事故樣本為受教育程度高的2.3倍(節(jié)點(diǎn)6，30.0%；節(jié)點(diǎn)7，68.4%)。非機(jī)動(dòng)車類型為三輪車時(shí)發(fā)生死亡事故樣本分別為電動(dòng)自行車和自行車的1.4倍和1.8倍(節(jié)點(diǎn)9，63.3%；節(jié)點(diǎn)12，48.6%；節(jié)點(diǎn)15，88.9%)。在涉及大中型貨車與電動(dòng)自行車發(fā)生碰撞的事故中，時(shí)段為凌晨、上午和下午時(shí)發(fā)生死亡事故樣本為夜間的2.1倍(節(jié)點(diǎn)10，70.8%；節(jié)點(diǎn)11，33.3%)。在涉及大中型貨車與自行車發(fā)生碰撞的事故中，自行車騎行者的受教育程度為低時(shí)發(fā)生死亡事故樣本為受教育程度高的1.7倍(節(jié)點(diǎn)13，38.1%；節(jié)點(diǎn)14，64.3%)。

總結(jié)上述結(jié)果可知，大中型貨車、三輪車、受教育程度低的非機(jī)動(dòng)車騎行者、時(shí)段為下午發(fā)生的小微型貨車與非機(jī)動(dòng)車碰撞和時(shí)段為凌晨、上午和下午發(fā)生的大中型貨車與電動(dòng)自行車碰撞造成死亡事故的概率更高。

對(duì)比圖3(b)所示，節(jié)點(diǎn)12根據(jù)時(shí)段分為節(jié)點(diǎn)13和節(jié)點(diǎn)14，表明時(shí)段為凌晨時(shí)發(fā)生死亡事故概率高于其他時(shí)段。節(jié)點(diǎn)3、節(jié)點(diǎn)12和節(jié)點(diǎn)15依據(jù)事故形態(tài)進(jìn)行劃分，而根據(jù)表3中事故形態(tài)對(duì)事故嚴(yán)重度無顯著性影響，且依據(jù)事故形態(tài)繼續(xù)劃分的葉節(jié)點(diǎn)結(jié)果(節(jié)點(diǎn)13和節(jié)點(diǎn)14)與列聯(lián)分析中的結(jié)果(圖2和表4)，即上午和下午時(shí)段發(fā)生死亡事故的優(yōu)勢(shì)比均高于凌晨的結(jié)果不一致，對(duì)比圖3(a)的節(jié)點(diǎn)10和11分類的結(jié)果與表4中的時(shí)段優(yōu)勢(shì)比結(jié)果一致，即相較于夜間時(shí)段，凌晨、上午和下午更容易發(fā)生死亡事故，說明在構(gòu)建決策樹時(shí)摻雜對(duì)事故嚴(yán)重度無顯著性影響的因素會(huì)導(dǎo)致錯(cuò)誤分類結(jié)果，需在構(gòu)建決策樹前對(duì)各因素間與事故嚴(yán)重度的關(guān)聯(lián)程度進(jìn)行分析，從而證明了引入列聯(lián)分析的必要性。

引入列聯(lián)分析構(gòu)建的C5.0決策樹模型的評(píng)價(jià)指標(biāo)，如表4所示。

表4 引入列聯(lián)分析的數(shù)據(jù)集模型評(píng)價(jià)指標(biāo) %

從表4可以看出，引入列聯(lián)分析構(gòu)建的C5.0決策樹模型能很好地?cái)M合事故嚴(yán)重度與上述因素的關(guān)聯(lián)準(zhǔn)確性，從而驗(yàn)證了利用列聯(lián)分析結(jié)果挑選決策樹結(jié)果的合理性。

選擇引入列聯(lián)分析后的決策樹結(jié)果，通過提取模型的分類結(jié)果，得到基于C5.0模型的變量重要性排序，如圖4所示，由圖可知機(jī)動(dòng)車類型是事故嚴(yán)重度發(fā)生的決定性因素，與表3和圖3的結(jié)論一致。該結(jié)果也與文獻(xiàn)[16-17]的結(jié)果是一致的。

圖4 C5.0預(yù)測(cè)變量重要性

3.3 死亡事故多因素影響結(jié)果及分析

上述分類結(jié)果闡述了車輛因素、非機(jī)動(dòng)車騎行者因素和環(huán)境因素均會(huì)導(dǎo)致死亡事故的發(fā)生，但死亡事故是多因素共同作用而不是單一因素的結(jié)果[18]。通過提取C5.0模型中的決策規(guī)則獲得4種多因素疊加的死亡事故誘發(fā)路徑，如表5所示：①規(guī)則1表明，大中型貨車與三輪車發(fā)生死亡事故的可能性很大；②規(guī)則2表明，大中型貨車與受教育程度低的自行車騎行者發(fā)生的碰撞增加了死亡事故的風(fēng)險(xiǎn)；③規(guī)則3表明，在凌晨、上午或下午時(shí)，大中型貨車與電動(dòng)自行車發(fā)生的碰撞與死亡事故高度相關(guān)；④規(guī)則4表明，在下午時(shí)段中，小微型貨車與受教育程度低的非機(jī)動(dòng)車騎行者發(fā)生死亡事故的概率為68.4%。其中，規(guī)則3包含的事故樣本數(shù)最多，共72起，概率為70.8%。

表5 機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故多因素疊加

在這4條路徑中，貨車由于其制動(dòng)性能不佳及盲區(qū)大等特點(diǎn)，更容易使碰撞的騎行者死亡[19]。同時(shí)，三輪車的靈活性較差，電動(dòng)自行車的速度較快且行車穩(wěn)定性較差，進(jìn)一步增加死亡事故的風(fēng)險(xiǎn)；另外，由于事故認(rèn)知與教育水平為正相關(guān)[20]，受教育程度低的騎行者安全意識(shí)較弱，更容易導(dǎo)致死亡事故；在凌晨時(shí)段，存在光照條件差、駕駛員易疲勞的情況，增加了死亡事故的風(fēng)險(xiǎn)，而在上午或下午時(shí)段存在早晚高峰，車流量較大，導(dǎo)致死亡事故的風(fēng)險(xiǎn)增加。

綜上，導(dǎo)致機(jī)動(dòng)車與非機(jī)動(dòng)車事故嚴(yán)重度的決定性因素為機(jī)動(dòng)車類型，而非機(jī)動(dòng)車騎行者受教育程度、機(jī)動(dòng)車與非機(jī)動(dòng)車類型和時(shí)段是死亡事故的重要影響因素。另外，針對(duì)規(guī)則3發(fā)生的事故應(yīng)作為重點(diǎn)事故防范情境，合理進(jìn)行車種限行管理及增設(shè)機(jī)非隔離欄。同時(shí)，需要對(duì)受教育程度低的人群和貨車駕駛員進(jìn)行系統(tǒng)的安全教育培訓(xùn)，提高交通參與者的安全意識(shí)，并要求騎行者積極佩戴頭盔。同時(shí)，加強(qiáng)對(duì)死亡事故多發(fā)的時(shí)段進(jìn)行監(jiān)管及合理的錯(cuò)峰出行。

4 結(jié)束語

本文采集了某市1 304起真實(shí)機(jī)動(dòng)車與非機(jī)動(dòng)車碰撞事故數(shù)據(jù)，用于分析事故嚴(yán)重度的多因素影響。采用列聯(lián)分析方法對(duì)事故嚴(yán)重度相關(guān)因素進(jìn)行了顯著性分析，發(fā)現(xiàn)9類因素與事故嚴(yán)重度相關(guān)，包括機(jī)動(dòng)車駕駛員性別及受教育程度、非機(jī)動(dòng)車騎行者年齡及受教育程度、機(jī)動(dòng)車和非機(jī)動(dòng)車類型、道路類型、天氣和時(shí)段。在此基礎(chǔ)上，通過建立C5.0決策樹模型對(duì)所提取的顯著性因素進(jìn)行關(guān)聯(lián)性分析，根據(jù)混淆矩陣對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)并與未引入列聯(lián)分析方法的分類結(jié)果進(jìn)行對(duì)比。最終，通過提取決策規(guī)則獲得機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故的多因素影響誘發(fā)路徑。模型分類結(jié)果的對(duì)比表明構(gòu)建決策樹時(shí)摻雜與事故嚴(yán)重度無顯著性影響的因素會(huì)導(dǎo)致錯(cuò)誤的分類結(jié)果，證明了引入列聯(lián)分析的必要性。從C5.0決策樹模型的決策規(guī)則中獲得了4條死亡事故的誘發(fā)路徑，其中機(jī)動(dòng)車類型為影響事故嚴(yán)重度的關(guān)鍵因素，而非機(jī)動(dòng)車騎行者受教育程度、機(jī)動(dòng)車與非機(jī)動(dòng)車類型和時(shí)段因素、騎行者因素、車輛因素和環(huán)境因素是死亡事故多因素影響的結(jié)果。在時(shí)段為凌晨、上午或下午時(shí)段、大中型貨車、電動(dòng)自行車的多因素疊加下，造成死亡事故的樣本最多，共72起，概率為70.8%，應(yīng)作為重點(diǎn)事故防范情境。研究結(jié)果證明了機(jī)動(dòng)車與非機(jī)動(dòng)車死亡事故是由多種因素疊加造成的，因此預(yù)防死亡事故的方法之一是避免風(fēng)險(xiǎn)因素的聚集。本文有助于針對(duì)非機(jī)動(dòng)車騎行者進(jìn)行安全教育和機(jī)動(dòng)車與非機(jī)動(dòng)車事故預(yù)防。