留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

2车碰撞事故下5座乘用车乘员死亡风险分析

占隽均 云美萍 张韡 董怡佳

占隽均, 云美萍, 张韡, 董怡佳. 2车碰撞事故下5座乘用车乘员死亡风险分析[J]. 交通信息与安全, 2022, 40(4): 46-53. doi: 10.3963/j.jssn.1674-4861.2022.04.005
引用本文: 占隽均, 云美萍, 张韡, 董怡佳. 2车碰撞事故下5座乘用车乘员死亡风险分析[J]. 交通信息与安全, 2022, 40(4): 46-53. doi: 10.3963/j.jssn.1674-4861.2022.04.005
ZHAN Junjun, YUN Meiping, ZHANG Wei, DONG Yijia. An Analysis of Occupant Death Risk of 5-Seater Cars in Two-vehicle Collisions[J]. Journal of Transport Information and Safety, 2022, 40(4): 46-53. doi: 10.3963/j.jssn.1674-4861.2022.04.005
Citation: ZHAN Junjun, YUN Meiping, ZHANG Wei, DONG Yijia. An Analysis of Occupant Death Risk of 5-Seater Cars in Two-vehicle Collisions[J]. Journal of Transport Information and Safety, 2022, 40(4): 46-53. doi: 10.3963/j.jssn.1674-4861.2022.04.005

2车碰撞事故下5座乘用车乘员死亡风险分析

doi: 10.3963/j.jssn.1674-4861.2022.04.005
基金项目: 

国家自然科学基金项目 52072264

详细信息
    作者简介:

    占隽均(1990—),博士研究生. 研究方向:交通安全、出行行为分析等. E-mail: jun402105@163.com

    通讯作者:

    云美萍(1977—),博士,副教授. 研究方向:出行行为理论与分析方法、智能交通系统工程与理论等. E-mail: yunmp@tongji.edu.cn

  • 中图分类号: U491.31

An Analysis of Occupant Death Risk of 5-Seater Cars in Two-vehicle Collisions

  • 摘要: 为探究5座乘用车乘员在2车碰撞事故下的死亡风险,研究了6种单一特征变量对乘员致死率的影响,进而基于二项Logistic回归模型分别对单一特征变量和组合特征变量进行显著性分析。通过9种常用的分类算法,结合网格搜索的调参方法,以F1为衡量指标选出相对较优的3种分类算法,即投票分类器、梯度提升及决策树,来构建多特征组合下的死亡风险预测模型。研究结果表明:①单一特征变量中行驶方向、路段类型、碰撞对象、乘坐位置对乘员死亡有显著影响。其中,异向行驶的车辆碰撞与同向行驶相比,乘员的死亡风险增加72%;非高速交叉路段与高速路段相比,乘员的死亡风险降低69%;碰撞对象为商用货车、商用客车的乘员死亡风险分别是乘用车的5倍和3倍,若在非高速非交叉路段发生碰撞则乘员死亡风险升至8倍左右,若在高速路段则高达15倍左右;相对于驾驶位乘员,副驾驶位乘员的死亡风险增加70%,且该位置乘员的死亡风险在高速路段会升高到驾驶位乘员的近4倍;②碰撞对象和路段类型是影响乘员死亡情况的主要特征变量;③由模型的预测结果可知:5座乘用车的正面或后面与商用货车在高速路段或非高速非交叉路段发生碰撞,乘员的死亡风险高于生存几率。

     

  • 图  1  样本记录规则

    Figure  1.  Rules of sample record

    图  2  不同特征变量对应的致死率

    Figure  2.  Fatality rate of different feature variables

    图  3  乘员死亡情况与特征值之间的相关性

    Figure  3.  Correlation between occupant death and eigenvalues

    图  4  预测模型算法的选取流程

    Figure  4.  Selection process of prediction model algorithms

    图  5  预测结果(N2 = 810)

    Figure  5.  Prediction results(N2 = 810)

    表  1  变量说明

    Table  1.   Description of variables

    变量 分类 必要说明
    天气情况 无雨 事故发生为无雨天气
    小雨 事故发生为小雨天气
    中及大雨 事故发生为中、大雨天气
    路段类型 高速 碰撞发生在高速公路路段
    交叉 碰撞发生在非高速交叉路段
    非交 碰撞发生在非高速非交叉路段
    行驶方向 同向 目标车辆与碰撞车辆的行驶方向相同
    异向 目标车辆与碰撞车辆的行驶方向不同
    碰撞接触面 前面 目标车辆碰撞接触面在车头区域
    侧面 目标车辆碰撞接触面在车头与车尾间
    后面 目标车辆碰撞接触面在车尾区域
    碰撞对象 乘用车 目标车辆与乘用车(包括皮卡车)的碰撞
    商用客车 目标车辆与商用客车的碰撞事故
    商用货车 目标车辆与商用货车发生碰撞
    乘坐位置 前左 目标车辆前排左边的位置(驾驶位)
    前右 目标车辆车前排右边的位置(副驾位)
    后左 目标车辆后排左边的位置
    后中 目标车辆后排中间的位置
    后右 目标车辆后排右边的位置
    死亡情况 目标车辆中的乘员死亡
    目标车辆中的乘员存活
    下载: 导出CSV

    表  2  变量分布情况(N1=1 028)

    Table  2.   Distribution of variables (N1=1 028)

    特征变量 分类 存活人数(占比/%) 死亡人数(占比/%) χ2
    天气情况 无雨 503(64.6) 276(35.4) 5.618*
    小雨 105(59.0) 73(41.0)
    中、大雨 37(52.1) 34(47.9)
    路段类型 高速 129(55.4) 104(44.6) 66.839***
    交叉 207(84.8) 37(15.2)
    非交 309(56.1) 242(43.9)
    行驶方向 同向 278(64.8) 151(35.2) 1.335
    异向 367(61.3) 232(38.7)
    碰撞接触面 前面 464(59.8) 312(40.2) 12.174**
    侧面 96(70.1) 41(29.9)
    后面 85(73.9) 30(26.1)
    碰撞对象 乘用车 240(86.0) 39(14.0) 97.611***
    商用客车 121(63.0) 7(37.0)
    商用货车 284(51.0) 273(49.0)
    乘坐位置 前左 297(69.2) 13(30.8) 17.176**
    前右 135(54.0) 115(46.0)
    后左 87(61.3) 55(38.7)
    后中 4(56.8) 32(43.2)
    后右 84(63.2) 49(36.8)
    注:***,**,*分别表示置信水平为99%、95%、90%下显著。
    下载: 导出CSV

    表  3  共线性判断

    Table  3.   Collinearity judgment

    特征变量 Tol VIF
    天气情况 0.958 1.044
    路段类型 0.730 1.369
    行驶方向 0.754 1.327
    碰撞接触面 0.894 1.119
    碰撞对象 0.808 1.237
    乘坐位置 0.980 1.021
    下载: 导出CSV

    表  4  二项Logistic回归分析结果

    Table  4.   Results of binary logistic regression

    特征变量 分类 OR(95% C.I.) p
    天气情况 无雨 1 0.495
    小雨 0.978(0.679~1.408) 0.905
    中、大雨 1.37(0.801 ~2.346) 0.250
    路段类型 高速 1 0.000
    交叉 0.31(0.185 ~0.522) 0.000
    非交 0.816(0.542~1.229) 0.331
    行驶方向 同向 1
    异向 1.719(1.190 ~2.482) 0.004
    碰撞接触面 前面 1 0.209
    侧面 0.709(0.461 ~1.089) 0.116
    后面 0.774(0.465~1.287) 0.323
    碰撞对象 乘用车 1 0.000
    商用客车 3.126(1.950~5.013) 0.000
    商用货车 4.797(3.178~7.239) 0.000
    乘坐位置 前左 1 0.045
    前右 1.703(1.202~2.415) 0.003
    后左 1.129(0.739~1.723) 0.575
    后中 1.310(0.766~2.240) 0.324
    后右 1.065(0.688~1.648) 0.779
    路段类型 & 碰撞对象 高速 & 乘用车 1 0.000
    高速 & 商用客车 16.466(2.019~134.314) 0.009
    非交 & 商用客车 7.950(1.251 ~50.508) 0.028
    高速 & 商用货车 14.326(3.192~64.606) 0.001
    非交 & 商用货车 8.169(1.253~53.256) 0.028
    路段类型 & 碰撞接触面 高速 & 前面 1 0.000
    高速 & 侧面 0.135(0.032~0.565) 0.006
    交叉 & 侧面 9.219(1.871 ~45.433) 0.006
    路段类型 & 乘坐位置 高速 & 前左 1 0.035
    高速 & 前右 3.853(1.798~8.254) 0.001
    注:OR值对应为1的为参照类别。
    下载: 导出CSV

    表  5  调参方法及结果

    Table  5.   Parameter adjustment methods and results

    算法 参数 方法 取值
    KNN n_neighbors n_neighbors= 3
    DT max_depth(最大深度)min_samples_split(最小样本数)
    min_samples_leaf(最少样本数)max_features(最大特征数)
    max_depth= 8 min_samples_leaf = 1
    min_samples_split= 4 max_features= 1
    GB n_estimators(迭代次数)max_depth(最大深度)
    min_samples_split(最小样本数)min_samples_leaf(最少样本数)max_features(最大特征数)learning_rate(步长)
    逐个调整直至F1取得最大值 n_estimators=323 max_depth=3
    min_samples_split=5 min_samples_leaf=1
    max_features=6 learning_rate= 0.1
    RF n_estimators(迭代次数)max_depth(最大深度)
    min_samples_split(最小样本数)min_samples_leaf(最少样本数)max_features(最大特征数)
    n_estimators= 20 max_depth = 12
    min_samples_split=2 min_samples_leaf= 1 max_features= 2
    下载: 导出CSV

    表  6  相关算法的F1值

    Table  6.   F1 value of correlation algorithms

    F1值类别 GB RF DT NB SVM KNN AdaBoost LR VC
    默认参数的F1值 0.549 0.533 0.518 0.500 0.463 0.539 0.498 0.368
    调参后的F1值 0.579 0.547 0.565 0.548 0.587
    下载: 导出CSV
  • [1] 中国共产党中央委员会, 中华人民共和国国务院. 交通强国建设纲要[EB/OL]. (2019-09)[2022-05-18]. http://www.gov.cn/zhengce/2019-09/19/content_5431432.htm.

    The Communist Party of China Central Committee and the State Council. Outline for building a leading transportation nation[EB/OL]. (2019-09)[2022-05-18]. http://www.gov.cn/zhengce/2019-09/19/content_5431432.htm. (in Chinese)
    [2] World Health Organization. Road traffic injuries[EB/OL]. (2021-06)[2022-05-18]. https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries.
    [3] 国家统计局. 中国统计年鉴(2017-2021)[M]. 北京: 中国统计出版社.

    National Bureau of Statistics of China. China statistical yearbook(2017-2021)[M]. Beijing: China Statistics Press. (in Chinese)
    [4] 刘金鑫. 汽车侧面柱碰结构安全性及乘员损伤仿真研究[D]. 兰州: 兰州交通大学, 2016.

    LIU J X. Simulation of cars structure safety and passenger injury in pole side impact[D]. Lanzhou: Lanzhou Jiaotong University, 2016. (in Chinese)
    [5] 肖媛. 车-车碰撞事故中驾乘人员伤害特征研究[D]. 西安: 长安大学, 2012.

    XIAO Y. The research on the injury of driver and passenger in vehicle-vehicle collisions[D]. Xi'an: Chang'an University, 2012. (in Chinese)
    [6] 支野, 王大珊, 丛浩哲, 等. 道路交通事故数据深度挖掘技术与应用-以深圳市为例[J]. 城市交通, 2018, 16(3): 28-32+61. https://www.cnki.com.cn/Article/CJFDTOTAL-CSJT201803007.htm

    ZHI Y, WANG D S, CONG H Z, et al. Road traffic accident data analyzing and its application: Example of Shenzhen[J]. Urban Transport of China, 2018, 16(3): 28-32+61. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-CSJT201803007.htm
    [7] 李艳, 王雪松, 王婷, 等. 基于有限混合模型的高速公路事故影响因素分析[J]. 交通信息与安全, 2020, 38(6): 102-112. doi: 10.3963/j.jssn.1674-4861.2020.06.014

    LI Y, WANG X S, WANG T, et al. An analysis of impacting factors of freeway safety based on finite mixture models[J]. Journal of Transport Information and Safety, 2020, 38(6): 102-112. (in Chinese) doi: 10.3963/j.jssn.1674-4861.2020.06.014
    [8] 赵丹, 马社强, 张雨萌, 等. 农村公路交叉口交通事故特征关联性与风险因素分析[J]. 中国安全科学学报, 2020, 30 (7): 146-151. https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK202007023.htm

    ZHAO D, MA S Q, ZHANG Y M, et al. Correlation and risk factors analysis of traffic crash at intersections on rural highways[J]. China Safety Science Journal, 2020, 30(7): 146-151. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK202007023.htm
    [9] 张斌. 轿车侧碰撞安全性及乘员损伤防护技术研究[D]. 长沙: 湖南大学, 2010.

    ZHANG B. A study of safety performance of passenger car and occupant injury protection technique in side impact[D]. Changsha: Hunan University, 2012. (in Chinese)
    [10] 马聪, 张生瑞, 马壮林, 等. 高速公路交通事故非线性负二项预测模型[J]. 中国公路学报, 2018, 31(11): 176-185. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201811020.htm

    MA C, ZHANG S R, MA Z L, et al. Nonlinear negative binomial regression model of expressway traffic accident frequency prediction[J]. China Journal of Highway and Transport, 2018, 31(11): 176-185. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201811020.htm
    [11] 杨济匡, 覃祯员, 王四文, 等. 轿车侧面柱碰撞结构响应与乘员损伤研究[J]. 湖南大学学报(自然科学版), 2011, 38 (1): 23-28. https://www.cnki.com.cn/Article/CJFDTOTAL-HNDX201101006.htm

    YANG J K, QIN Z Y, WANG S W, et al. Study of the structural response and occupant injury in side pole impact to a passenger Car[J]. Journal of Hunan University(Natural Sciences), 2011, 38(1): 23-28. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HNDX201101006.htm
    [12] 钮嘉颖, 郭刚, 丁玲, 等. 基于大壁障侧碰和75°侧柱碰的车身耐撞性和乘员损伤研究[J]. 汽车科技, 2017(5): 77-84. https://www.cnki.com.cn/Article/CJFDTOTAL-QCKJ201705014.htm

    NIU J Y, GUO G, DING L, et al. The research on vehicle crashworthiness and occupant injury based on AEMDB side impact and 75°side pole impact[J]. Auto Sci-Tech, 2017(5): 77-84. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-QCKJ201705014.htm
    [13] 司俊德, 李建平, 张博强, 等. 大客车正面碰撞乘客约束系统仿真分析[J]. 中国安全科学学报, 2021, 31(3): 135-141. https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK202103020.htm

    SI J D, LI J P, ZHANG B Q, et al. Simulation analysis of passenger restraint system in coach frontal collision[J]. China Safety Science Journal, 2021, 31(3): 135-141. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK202103020.htm
    [14] 颜凌波, 丁宗阳, 曹立波, 等. 车车斜角碰撞工况下驾驶员损伤研究[J]. 湖南大学学报(自然科学版), 2016, 43(4): 59-66. https://www.cnki.com.cn/Article/CJFDTOTAL-HNDX201604009.htm

    YAN L B, DING Z Y, CAO L B, et al. Study on the driver injury in vehicle to vehicle oblique crashes[J]. Journal of Hunan University(Natural Sciences), 2016, 43(4): 59-66. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HNDX201604009.htm
    [15] 张光辉. 轿车正面斜角碰撞下后排左侧乘员损伤研究[D]. 成都: 西华大学, 2018.

    ZHANG G H. A study on rear left occupant injury under the frontal angle collision of the car[D]. Chengdu: Xihua University, 2018. (in Chinese)
    [16] 冯杰. 轿车偏置碰撞前排驾乘人员损伤特征仿真研究[D]. 重庆: 重庆交通大学, 2015.

    FENG J. The front occupant's injury characteristic simulation research in car offset collision[D]. Chongqing: Chongqing Jiaotong University, 2015. (in Chinese)
    [17] BOSE D, CRANDALL J, FORMAN J, et al. Epidemiology of injuries sustained by rear-seat passengers in frontal motor vehicle crashes[J]. Journal of Transport & Health, 2017, (4): 132-139. http://www.onacademic.com/detail/journal_1000039675611810_e2d9.html
    [18] SHIMAMURA M, YAMAZAKI M, FUJITA G. Method to evaluate the effect of safety belt use by rear seat passengers on the injury severity of front seat occupants[J]. Accident Analysis & Prevention, 2005, 37(1): 5-17.
    [19] BILSTON L E, DU W, BROWN J. A matched-cohort analysis of belted front and rear seat occupants in newer and older model vehicles shows that gains in front occupant safety have outpaced gains for rear seat occupants[J]. Accident Analysis & Prevention, 2010, 42(6): 1974-1977. http://europepmc.org/abstract/MED/20728650
    [20] DURBIN D R, JERMAKIAN J S, KALLAN M J, et al. Rear seat safety: Variation in protection by occupant, crash and vehicle characteristics[J]. Accident Analysis & Prevention, 2015, 80(7): 185-192. http://onlinepubs.trb.org/onlinepubs/webinars/durbinoct272016.pdf
    [21] MITCHELL R J, BAMBACH M R, TOSON B. Injury risk for matched front and rear seat car passengers by injury severity and crash type: An exploratory study[J]. Accident Analysis & Prevention, 2015, 82(9): 171-179. http://www.researchgate.net/profile/Rebecca_Mitchell2/publication/278790420_Injury_risk_for_matched_front_and_rear_seat_car_passengers_by_injury_severity_and_crash_type_An_exploratory_study/links/5600862d08aec948c4fa8fdd.pdf
    [22] ISAKSSON-HELLMAN I, WERNEKE J. Detailed description of bicycle and passenger car collisions based on insurance claims[J]. Safety Science, 2017(92): 330-337. http://www.onacademic.com/detail/journal_1000038849900410_bb9c.html
    [23] 褚端峰, 吴超仲, 李顺喜, 等. 基于Logistic回归的高速公路车-车碰撞事故深度分析[J]. 中国安全科学学报, 2014, 24 (3): 103-108. https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK201403020.htm

    CHU D F, WU C Z, LI S X, et al. In-depth analysis of vehicle-vehicle crash on freeways based on logistic regression[J]. China Safety Science Journal, 2014, 24(3): 103-108. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZAQK201403020.htm
    [24] PROCHOWSKI L, ZUCHOWSKI A. Analysis of the influence of passenger position in a car on a risk of injuries during a car accident[J]. Eksploatacjai Niezawodnosc - Maintenance and Reliability, 2014, 16(3): 360-366. http://yadda.icm.edu.pl/baztech/element/bwmeta1.element.baztech-ea4f138f-99f7-4b8f-afea-f09c7b19a49a/c/prochowski_2014-03-02_en.pdf
    [25] BECK L F, KRESNOW M J, BERGEN G. Belief about seat belt use and seat belt wearing behavior among front and rear seat passengers in the United States[J]. Journal of Safety Research, 2019, 68(1): 81-88. http://www.onacademic.com/detail/journal_1000041590505099_207d.html
    [26] 梅诗冬. 中国重大道路交通事故文本数据分析应用[D]. 河南焦作: 河南理工大学, 2017.

    MEI S D. Text data analysis and application of severe road traffic accidents in china[D]. Jiaozuo, Henan: Henan Polytechnic University, 2017. (in Chinese)
  • 加载中
图(5) / 表(6)
计量
  • 文章访问数:  251
  • HTML全文浏览量:  121
  • PDF下载量:  624
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-19
  • 网络出版日期:  2022-09-17

目录

    /

    返回文章
    返回