基于XGBoost的二輪車碾壓事故致因研究

殷 豪,林 淼,王 鵬,魏 雯,朱 彤*

(1.長安大學運輸工程學院,陜西 西安 710064;2.中國汽車技術(shù)研究中心有限公司,天津 300300)

道路交通事故是造成人員死亡或嚴重傷害的重要原因。據(jù)世界衛(wèi)生組織(WHO)發(fā)布的報告顯示,全球每年有約130萬人死于交通事故,2 000萬至5 000萬人受傷,各國每年因交通事故造成的經(jīng)濟損失約占其生產(chǎn)總值的3%[1]。在各類交通參與者中,二輪車騎乘人員承受著更高的死亡風險,其事故死亡人數(shù)占到了交通事故死亡人數(shù)的40%[2]。我國是二輪車使用率較高的國家,有龐大的使用人口基數(shù)。據(jù)中國自行車協(xié)會數(shù)據(jù)顯示:2021年上半年,自行車規(guī)模以上企業(yè)產(chǎn)量為2 518.7萬輛,同比增長19.7%;電動自行車規(guī)模以上企業(yè)產(chǎn)量為1 620.2萬輛,同比增長33.6%[3]。盡管在工程和管理層面采取了很多預防措施,但二輪車交通事故造成的人員傷害仍然較為嚴重,因此需要進一步研究事故致因,以為精準防控提供導向。

二輪車被卷入機動車底部是一種非常危險的交通事故形式。Fredriksson等[4]在對兩輪車致命事故的研究中發(fā)現(xiàn),二輪車騎行者因撞到迎面而來的車輛前部或側(cè)面或被其碾壓而滑入車底,是二輪車致命事故中3個最為常見的事故場景之一,如果在機動車與二輪車運行速度不高時,能夠避免二輪車騎行者卷入機動車底部,則可以大幅減輕騎行者的傷害乃至避免死亡;此外,Fredriksson等[5]還指出,如果汽車或重型車輛可以設計保護裝置以防止碾過二輪車騎行者,將會解決4%的嚴重交通事故。

目前,對于二輪車交通事故的研究主要集中于事故場景劃分、傷害嚴重程度等方面。如:Pan等[6]將碰撞事件、視線障礙、碰撞前機動車和二輪車的運動狀態(tài)及相對運動狀態(tài)、道路及二輪車類型作為聚類變量,得到機動車與二輪車碰撞事故中的典型危險場景;周華等[7]基于國家車輛事故深度調(diào)查體系(NAIS)數(shù)據(jù)庫中乘用車與二輪車發(fā)生在十字路口的交通事故數(shù)據(jù),通過統(tǒng)計分類、聚類分析和運動學模型疊加推演方法,得到了5類符合中國道路交通情況的乘用車與二輪車十字路口交通事故典型危險場景;Patrizia等[8]研究發(fā)現(xiàn),高騎行暴露、男性騎行者、出行目的通勤是二輪車交通事故高風險因素;李英帥等[9]研究認為,影響二輪車交通事故嚴重程度的最主要因素依次為車輛間事故類型、騎行者受傷部位、道路物理隔離類型等;楊輝等[10]借助實車碰撞試驗和LS-DYNA有限元仿真研究發(fā)現(xiàn),貨車后下部防護裝置雖然結(jié)構(gòu)簡單,但對于轎車乘員可起到很好的保護作用。此外,大量汽車碰撞防護裝置被以專利形式提出[11-13]。

綜上可知,盡管汽車在車輛設計階段對于防碾壓有一定的考慮,也有車主在使用中采用了改裝措施,但對于導致二輪車碾壓事故的機理仍缺乏研究,使相關(guān)措施缺乏導向性、精準性與驗證。從研究方法的角度,傳統(tǒng)的統(tǒng)計模型假設自變量與因變量之間為線性關(guān)系,如果線性關(guān)系不成立,就很容易導致有偏差甚至是錯誤模型推斷。此外,數(shù)據(jù)中未觀察到的異質(zhì)性和多重共線性也會影響模型估計。為了克服統(tǒng)計方法的缺點,越來越多的學者利用不同的機器學習模型來探索交通事故誘因與事故后果間潛在的非線性關(guān)系。而機器學習模型對于處理異常值、噪聲或缺失數(shù)據(jù)具有更高的適應性,對于沒有預先假設的輸入變量處理更加靈活[14]。但以往的機器學習和安全性研究都集中在提高模型預測的準確性和模型比較方面,為了指導交通安全實踐,模型可解釋性方法成為量化各種風險因素的影響及其共同影響的有力手段。

據(jù)此,本文以中國交通事故深度調(diào)查(CIDAS)數(shù)據(jù)庫中二輪車與機動車碰撞事故案例為基礎,采用多種機器學習方法分析了二輪車碾壓事故原因并予以驗證,同時運用可解釋性方法深入挖掘二輪車碾壓事故致因與機理,以為二輪車碾壓事故防控提供依據(jù)。

1 數(shù)據(jù)來源與處理

1.1 數(shù)據(jù)來源及特征分析

本研究基于2014年至2018年中國交通事故深度調(diào)查(CIDAS)數(shù)據(jù)庫中數(shù)據(jù),通過對數(shù)據(jù)進行清洗后,選取2 627起二輪車與四輪機動車碰撞事故案例為研究對象,其中二輪車被四輪機動車碾壓事故為129起,占事故總數(shù)的4.9%,并對二輪車與四輪機動車相撞事故中二輪車騎行者受傷情況進行了統(tǒng)計,其統(tǒng)計結(jié)果如圖1所示。

圖1 二輪車與四輪機動車碰撞事故中二輪車騎行者受傷情況統(tǒng)計圖Fig.1 Distribution of injuries to two-wheeler riders in collision accidents between two-wheelers and four-wheelers

由圖1可知,在二輪車被四輪機動車碾壓的事故中二輪車騎行者未受傷和輕傷事故的占比較小,而重傷和死亡事故的占比分別為19.4%和35.7%,比二輪車未被四輪機動車碾壓事故分別高出2.8%和25.3%,這說明二輪車被四輪機動車碾壓會使二輪車騎行者面臨更高的重傷尤其是死亡風險。

此外,本文還統(tǒng)計了二輪車被四輪機動車碾壓事故的22個相關(guān)因素數(shù)據(jù),包括事故環(huán)境信息、四輪機動車信息和二輪車信息3類,其中連續(xù)型數(shù)值變量13個、分類型數(shù)值變量9個。

1.2 數(shù)據(jù)預處理技術(shù)

考慮到連續(xù)型數(shù)值變量可能會對后續(xù)自變量與因變量之間的非線性關(guān)系分析造成不便以及原始數(shù)據(jù)中二輪車是否被四輪機動車碾壓這兩類事故數(shù)據(jù)之間存在高度不平衡性,本文提出了數(shù)據(jù)分箱技術(shù)和數(shù)據(jù)平衡技術(shù)對原始數(shù)據(jù)做進一步處理。

1.2.1 數(shù)據(jù)分箱技術(shù)

數(shù)據(jù)分箱(Binning)技術(shù)本質(zhì)上是將數(shù)據(jù)進行分組。對連續(xù)型數(shù)據(jù)的分箱又分為無監(jiān)督分箱和有監(jiān)督分箱兩類:無監(jiān)督分箱包括等頻分箱和等距分箱;有監(jiān)督分箱包括決策樹分箱、best-ks分箱和卡方分箱等。

數(shù)據(jù)分箱一般遵循組內(nèi)差異小、組間差異大、每組不小于5%的原則,且對于二分類問題而言,數(shù)據(jù)分箱后每組數(shù)據(jù)中都會有好、壞兩類標簽的數(shù)據(jù)。將數(shù)據(jù)進行分箱處理后,會使得數(shù)據(jù)特征包容異常值的能力增強,模型的穩(wěn)定性和魯棒性增強;數(shù)據(jù)特征所提供信息的精準度降低,模型的泛化能力得以提高,防止出現(xiàn)過擬合現(xiàn)象;模型的復雜性降低,訓練速度加快。

本研究中采用的決策樹分箱即利用決策樹模型,使離散化的單變量與目標變量擬合,并將內(nèi)部節(jié)點的閾值作為分箱的切點。通常采用證據(jù)權(quán)重(WOE)和信息量(IV)來評估對于某個數(shù)據(jù)特征分箱結(jié)果的好壞,具體計算公式如下:

(1)

(2)

式中:WOEx為第x組數(shù)據(jù)的證據(jù)權(quán)重;gx為第x組數(shù)據(jù)中標簽為好的數(shù)據(jù)量,gT為數(shù)據(jù)集中標簽為好的數(shù)據(jù)總量;同理,bx為第x組數(shù)據(jù)中標簽為壞的數(shù)據(jù)量,bT為數(shù)據(jù)集中標簽為壞的數(shù)據(jù)總量;X為分箱個數(shù);IV為信息量,可以用來衡量變量的預測能力,當IV小于0.03時認為該特征沒有對數(shù)據(jù)標簽的預測能力。

1.2.2 數(shù)據(jù)平衡技術(shù)

針對數(shù)據(jù)標簽不平衡的現(xiàn)象,提出了過采樣和欠采樣技術(shù)以產(chǎn)生一個平衡數(shù)據(jù)集來訓練預測模型,而合成少數(shù)過采樣技術(shù)(SMOTE)在以往的研究中被證明優(yōu)于隨機過采樣和過采樣方法[15]。在隨機過采樣技術(shù)中,少數(shù)類在訓練數(shù)據(jù)集中被隨機重復,而欠采樣形式則會隨機刪除多數(shù)類。SMOTE利用隨機欠采樣和合成過采樣,通過測量少數(shù)類中兩點之間的距離,并隨機生成它們之間新的數(shù)據(jù)點,合成了接近少數(shù)類數(shù)據(jù)的人工數(shù)據(jù)點。

1.3 數(shù)據(jù)處理結(jié)果

本文利用決策樹分箱技術(shù)對13個連續(xù)型數(shù)值變量進行離散化,最終的特征變量包括無序分類型變量和離散數(shù)值型變量兩類,具體變量信息如表1所示。

表1 二輪車碾壓事故特征變量信息表

以碰撞時二輪車總質(zhì)量為例,其分箱結(jié)果如圖2所示。本研究中數(shù)據(jù)標簽為二輪車是否被四輪機動車碾壓,圖2中橫坐標為分箱后每組樣本的數(shù)據(jù)范圍,柱狀圖展現(xiàn)了每組樣本中樣本數(shù)及其占總體樣本的比例,折線圖展現(xiàn)了每組樣本中二輪車被四輪機動車碾壓樣本所占比例。對碰撞時二輪車總質(zhì)量這一因素進行分箱后得到的信息量IV值為0.186,對其他12個連續(xù)型數(shù)值變量進行分箱后得到的信息量IV值均大于0.03,表明本研究所涉及的13個連續(xù)型數(shù)值變量的分箱結(jié)果對二輪車被四輪機動車碾壓事故都有較好的預測能力。

注:括號內(nèi)數(shù)據(jù)為分箱后樣本數(shù)(起)。圖2 碰撞時二輪車總質(zhì)量分箱結(jié)果圖Fig.2 Binning diagram of two-wheelers’ total mass during collision

2 二輪車碾壓事故預測的研究方法

2.1 XGBoost模型

本研究主要采用XGBoost(extreme gradient boosting)模型對二輪車卷入機動車車底事故預測進行建模。XGBoost模型是一種梯度增強決策樹(gradient boosting decision tree,GBDT)的改進算法,于2016年被提出[16]。該算法的核心是優(yōu)化目標函數(shù)的值,并在梯度增強的框架下實現(xiàn)機器學習算法。

XGBoost模型的目標函數(shù)由訓練損失函數(shù)和正則化懲罰項兩部分組成,即:

Obj(θ)=L(θ)+Ω(θ)

(3)

式中:L(θ)為訓練損失函數(shù),用于衡量模型對訓練數(shù)據(jù)的性能;Ω(θ)為正則化懲罰項,旨在控制模型的復雜性。

每棵樹的復雜度通過下式計算:

(4)

式中:T為葉子節(jié)點數(shù);wj為葉子節(jié)點j的權(quán)重;λ為正則化懲罰項系數(shù);γ為最小訓練損失函數(shù)下降值。

經(jīng)過對訓練損失函數(shù)和正則化懲罰項的優(yōu)化,得到最終XGBoost模型的目標函數(shù)如下:

(5)

式中:Gj、Hj分別為葉子節(jié)點j所包含樣本的一階偏導和二階偏導之和。

2.2 SHAP可解釋性方法

SHAP(shapley additive explanations)是一種博弈論方法,它的核心思想是計算特征對模型輸出的邊際貢獻,再從全局和局部兩個層面對“黑盒模型”進行解釋[17]。該方法可以對不同的機器學習模型進行解釋。在SHAP可解釋性方法中,每個特征對模型輸出的貢獻是根據(jù)它們的邊際貢獻來分配的。SHAP值由下式表示:

(6)

式中:φi為特征i的SHAP值,即特征i的貢獻;N表示需要解釋的樣本特征向量;|N|表示N的維數(shù);S表示樣本特征向量N中不包含特征i的特征組合向量;|S|表示S的維數(shù);v(S∪{i})、v(S)分別為有、無特征i作用下的模型輸出值。

3 模型建立

3.1 模型預測性能評估

為了評估模型的預測性能,本研究采用的模型評價指標包括準確率(Accuracy)、查準率(Precision)和查全率(Recall)等,具體含義及評估標準如表2所示。

表2 二分類問題評價指標及含義

將XGBoost模型的預測性能與其他6種流行的機器學習模型進行比較,為了確保公平,7種機器學習模型的訓練及測試都基于相同的數(shù)據(jù)集,隨機選取70%的數(shù)據(jù)進行模型訓練,剩余30%的數(shù)據(jù)用來對模型的預測性能進行測試。針對70%的訓練數(shù)據(jù),采用SMOTE數(shù)據(jù)平衡技術(shù)處理生成占比均衡的正負樣本,平衡分布的樣本可使模型訓練免受樣本分布不均的影響。數(shù)據(jù)平衡處理中使用默認參數(shù)。數(shù)據(jù)平衡處理前后樣本的分布特征對比如圖3所示。在同一次分類任務中,高查準率要求提高二分類器預測正例門檻,使得二分類器預測的正例盡可能是真實正例;高查全率要求降低二分類器預測正例門檻,使得二分類器盡可能將真實的正例挑選出來。本研究中更希望模型有較高的查全率,即盡可能預測出所有二輪車被機動車碾壓事故以降低損失,故以查全率、F1-Score為評價指標對7種機器學習模型的預測性能進行了比較,見圖4。

圖3 數(shù)據(jù)平衡處理前后樣本分布特征對比圖Fig.3 Comparison of sample distribution features before and after data balancing

圖4 機器學習模型預測性能對比圖Fig.4 Comparison diagram of model prediction performance of machine learning models

由圖4可知:7種機器學習模型中,XGBoost模型的查全率和F1-Score評價指標值最高,說明XGBoost模型的綜合預測性能最優(yōu)。

3.2 XGBoost模型建立

在XGBoost模型中,需要選擇幾個參數(shù)來使模型的預測性能最大化。參數(shù)調(diào)優(yōu)可以防止模型過擬合和過于復雜,本文采用網(wǎng)格搜索法對XGBoost模型參數(shù)進行優(yōu)化,其結(jié)果如表3所示。其他未提及的參數(shù)使用默認值。

表3 XGBoost模型參數(shù)優(yōu)化結(jié)果

在k折交叉驗證中,數(shù)據(jù)集被分割成k個子集。k折交叉驗證遵循以下步驟:使用(k-1)折作為訓練數(shù)據(jù)來訓練一個模型,所得到的模型在數(shù)據(jù)的剩余一折上進行驗證(即剩余的一折數(shù)據(jù)被用作測試集來計算模型性能度量)。該方法與重復隨機子采樣相比具有明顯優(yōu)勢,因為所有的樣本都用于訓練和驗證,其中每個樣本都有一次機會用于驗證。圖5顯示了查準率(Precision)、查全率(Recall)和F1-Score這3種模型預測性能評價指標的10折交叉驗證結(jié)果。

圖5 模型10折交叉驗證結(jié)果Fig.5 Model cross-validation results

由圖5可以看出:用于10折交叉驗證的10個數(shù)據(jù)子集的查準率在90%～96%之間變化,查全率普遍較高,均大于93%,且F1-Score值在91%～95%之間變化,總體上看,這些評價指標均較高且穩(wěn)定,表明XGBoost模型可以用于二輪車被四輪機動車碾壓事故的預測。通過將調(diào)參后的XGBoost模型在完整的70%的訓練集上進行再訓練,并在30%的測試集上進行測試,最終測得的模型預測性能評價指標如下:準確率為93.93%,查準率為94.62%,查全率為93.93%,F1-Score為94.78%,這再次表明XGBoost模型具有較好的預測性能。此外,XGBoost模型穩(wěn)定的低誤報率也在其他研究中得到了測試和驗證[18]。

4 研究結(jié)果與討論

4.1 事故影響因素重要度排序

以XGBoost分類模型適配SHAP模型解釋器,根據(jù)二輪車碾壓事故特征變量的SHAP平均絕對值排序并進行可視化,得到反映事故各特征變量對事故預測結(jié)果貢獻程度的SHAP平均影響排序圖,如圖6(a)所示。

圖6 基于XGBoost模型的二輪車碾壓事故特征變量SHAP值Fig.6 SHAP values of characteristic variables of two-wheeler run-over accidents based on XGBoost model

由圖6(a)可以看出:二輪車高度、事故地點、二輪車主要相撞部位等特征變量是影響二輪車被四輪機動車碾壓的重要因素。圖6(b)的SHAP影響效應匯總圖定性描述了二輪車碾壓事故與事故特征變量之間的總體關(guān)系。在圖6(b)中,每個點代表一個樣本,樣本點多少可以反映出每個特征變量各取值的占比,好的特征變量應該將樣本明顯分散開來;不同顏色代表當前特征變量取值高低;橫坐標為SHAP值,其大小代表特征變量對結(jié)果的影響程度,SHAP值為正代表該特征變量對二輪車碾壓事故的發(fā)生有促進作用,SHAP值為負代表該特征變量對二輪車碾壓事故的發(fā)生有抑制作用。此外,由于車輛軸距與車長密切相關(guān),而前、后輪距則與車寬密切相關(guān),故由圖6(b)可知,機動車及二輪車的軸距和輪距相關(guān)特征變量在SHAP值排序中相對靠后,所以在后續(xù)分析中將不再涉及軸距和輪距相關(guān)特征。

4.2 事故環(huán)境影響因素分析

為了量化單個特征變量是如何影響XGBoost模型輸出的,本文繪制了部分依賴圖來顯示單個特征變量的邊際效應,圖7為二輪車碾壓事故有關(guān)環(huán)境特征變量的SHAP依賴圖。

圖7 二輪車碾壓事故有關(guān)環(huán)境特征變量的SHAP依賴圖Fig.7 SHAP dependence plots of the environment characteristic variables of two-wheeler run-over accidents

由圖7(a)可知,當二輪車碾壓事故地點在工業(yè)區(qū)時SHAP值幾乎均為正,事故地點在郊區(qū)時SHAP正值區(qū)域聚集程度也接近一半,這意味著工業(yè)區(qū)、郊區(qū)事故地點對二輪車被碾壓事故有顯著的促進作用。這是因為相比城市和村莊,道路參與方尤其是機動車在工業(yè)區(qū)和郊區(qū)會保持較高車速,且一般情況下城市和村莊大型貨車的進入也有嚴格限制,這些因素都加大了工業(yè)區(qū)、郊區(qū)等地點發(fā)生二輪車碾壓事故的風險。

由圖7(b)可知,在彎道發(fā)生二輪車碾壓事故的風險最高,交叉路口次之。這是因為彎道或交叉路口的交通情況較為復雜,且駕駛?cè)艘暰€被遮擋的可能更大,更易發(fā)生事故;十字路口事故風險相對較低則可能是因為這些路段有更為嚴格的交通管控。

由圖7(c)可知,在多云、有霧條件下二輪車碾壓事故發(fā)生的概率較大,尤其是霧天,道路能見度顯著降低,是造成二輪車碾壓事故的重要因素。

4.3 事故二輪車影響因素分析

圖8為二輪車碾壓事故有關(guān)二輪車特征變量的SHAP依賴圖,本次主要選取在SHAP影響效應圖中表現(xiàn)較好的二輪車特征變量進行分析。

圖8 二輪車碾壓事故有關(guān)二輪車特征變量的SHAP依賴圖Fig.8 SHAP dependence plots of the two-wheeler charac- teristic variables of two-wheeler run-over accidents

與碰撞場景有關(guān)的因素有二輪車主要相撞部位和第一次碰撞前二輪車碰撞速度。圖8(a)顯示正面碰撞的SHAP值為負,其正值出現(xiàn)在其他方向的碰撞中,這意味著發(fā)生在二輪車側(cè)面和尾部的碰撞更容易使其被卷入四輪機動車車底,這是由于側(cè)面和尾部碰撞時,機動車駕駛?cè)巳狈κ鹿实念A先感知,未能及時做出適當?shù)谋茈U操作,增加了二輪車碾壓事故的風險。以與乘用車前部相撞為例,二輪車相撞部位示意圖如圖9所示。圖8(b)顯示的第一次碰撞前二輪車碰撞速度表明,二輪車車速越快越不容易被四輪機動車碾壓,說明在快速運動狀態(tài)下的碰撞很可能會造成對二輪車騎行者的拋出而非碾壓。

圖9 二輪車相撞部位示意圖Fig.9 Schematic figure of collision site of a two-wheeler

與二輪車本身參數(shù)有關(guān)的特征包括車輛尺寸參數(shù)、車輛質(zhì)量及種類等。圖8(c)顯示二輪車種類為自行車和電動兩輪車時SHAP值幾乎為正,而大多數(shù)摩托車樣本的SHAP值小于0,這是因為自行車和電動兩輪車車身較小,在碾壓事故中更容易被卷入機動車車底。關(guān)于二輪車車身類型的解釋如圖8(d)所示,騎跨式和彎梁式車輛相比踏板式車輛更容易被碾壓,原因可能是騎行者更容易操控踏板式車輛,用腳支撐或者下車都更為方便,降低了發(fā)生碾壓事故的風險。以摩托車為例,各種車身類型如圖10所示。此外,二輪車座位高度與二輪車高度緊密相關(guān),對二輪車的長、寬、高等參數(shù)進行分析后可知,二輪車車輛越小越容易被大車碾壓,在此不再贅述。

圖10 摩托車車身類型圖例Fig.10 Sample figures of motorcycle body type

4.4 事故四輪機動車影響因素分析

圖11為二輪車碾壓事故有關(guān)四輪機動車特征變量的SHAP依賴圖,本次主要選取SHAP值排名前兩位的四輪機動車特征變量進行分析。

圖11 二輪車碾壓事故有關(guān)四輪機動車特征變量的 SHAP依賴圖Fig.11 SHAP dependence plots of the four-wheel vehicle characteristic variables of two-wheeler run-over accidents

圖11(a)顯示四輪機動車越高越容易將二輪車卷入車底,這是由于四輪機動車車輛越高,駕駛室的位置越高,會造成司機更大的視覺盲區(qū)。另外,隨著四輪機動車車輛長度增加、轉(zhuǎn)彎半徑增大,二輪車駛?cè)氪筌囖D(zhuǎn)彎內(nèi)側(cè)半徑由內(nèi)輪差造成的視覺盲區(qū)是二輪車碾壓事故的高發(fā)因素,圖11(b)顯示四輪機動車長度的SHAP依賴圖驗證了這一觀點,即四輪機動車長度的增加帶來其軸距的增加,使二輪車更易被卷入四輪機動車車底。

5 結(jié)論與建議

1) 基于CIDAS數(shù)據(jù)集,提取22個二輪車被碾壓事故相關(guān)影響因素,利用XGBoost方法建立二輪車碾壓事故預測模型,并采用SHAP可解釋性方法分析二輪車碾壓事故與各影響因素之間的非線性關(guān)系。

2) 通過對二輪車與四輪機動車相撞事故中二輪車騎行者受傷情況進行統(tǒng)計發(fā)現(xiàn),二輪車被四輪機動車碾壓的事故比未被碾壓事故的致死率高出25.3%,這說明二輪車被四輪機動車碾壓會使二輪車騎行者面臨更高的死亡風險。XGBoost模型在7種機器學習模型中分類性能最優(yōu),模型參數(shù)優(yōu)化后準確率為93.93%,查準率為94.62%,查全率為93.93%,F1-Score為94.78%,該模型具有較好的預測性能。

3) 模型能夠準確解析二輪車碾壓事故的風險因素,說明二輪車碾壓事故與非碾壓事故之間存在明顯的區(qū)別。但二輪車車速的增加反而導致碾壓事故風險的降低,這與非碾壓事故中的規(guī)律明顯不同,因此在研究中應將二輪車碾壓事故予以區(qū)別和單獨分析。

4) 在與二輪車碾壓事故相關(guān)的環(huán)境因素中,工業(yè)區(qū)、郊區(qū)以及彎道、交叉口發(fā)生二輪車碾壓事故的風險較大,霧天加大了二輪車碾壓事故的風險;與碰撞場景相關(guān)的因素中,二輪車側(cè)面或尾部碰撞以及二輪車較低的車速均會在一定程度上增加二輪車碾壓事故發(fā)生的可能性;關(guān)于二輪車車輛類型,摩托車以及踏板式二輪車更不易被四輪機動車碾壓;此外,二輪車車身越小,四輪機動車更高、更長時,更容易發(fā)生二輪車碾壓事故。

5) 二輪車騎行者在騎行過程中應格外注意側(cè)面及后方交通狀況,尤其是在彎道、交叉口等交通情況復雜路段以及雨天、霧天等惡劣天氣條件下更應謹慎出行;同時,二輪車騎行者在騎行過程中應盡量遠離大型車輛,尤其是在郊區(qū)、工業(yè)區(qū)等大型車輛更易出現(xiàn)的路域,以避免被碾壓而造成嚴重的傷害;此外,非常有必要采用機動車與二輪車隔離的交通設施,且在運行速度較低的情況下也不例外,并應對廣大居民加強交通安全宣傳與教育。