基于因子分析的交通事故影響因素及其機(jī)理研究

摘 要：該研究采用因子分析和聚類(lèi)分析方法，深入探討城市交通事故的成因及其影響機(jī)理。通過(guò)對(duì)交通事故數(shù)據(jù)的細(xì)致清洗和信息挖掘，分析事故時(shí)間特征及駕駛員特征。研究結(jié)果揭示早晚高峰時(shí)段事故高發(fā)的現(xiàn)象，并指出影響事故的主要因素。此外，還發(fā)現(xiàn)中雨天氣下事故高發(fā)，以及外市車(chē)輛在事故中占有一定比例。研究提出針對(duì)性的預(yù)防措施，如發(fā)展公共交通、錯(cuò)峰上下班政策、加強(qiáng)駕照審核和提高駕駛員安全意識(shí)等，旨在為交通管理部門(mén)提供科學(xué)依據(jù)，以降低事故發(fā)生率。

關(guān)鍵詞：交通事故；因子分析；聚類(lèi)分析；成因分析；預(yù)防措施

中圖分類(lèi)號(hào)：U491.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2024）31-0100-05

Abstract： The study used factor analysis and cluster analysis methods to deeply discuss the causes and impact mechanisms of urban traffic accidents. Through careful cleaning and information mining of traffic accident data， YcpNoyoAibZyrAdH3pzkC1Kk8oudKeqg5J0vA24jBnc=the accident time characteristics and driver characteristics are analyzed. The research results reveal the high incidence of accidents during morning and evening peak hours， and point out the main factors affecting accidents. In addition， it was also found that accidents were high in moderate rain， and vehicles from other cities accounted for a certain proportion of accidzOhNx3Kngy5fzQRRlnBv4dTaMPrIUvrrEyXUtb64Dg0=ents. The study proposes targeted preventive measures， such as developing public transportation， off-peak commuting policies， strengthening driver's license review and improving driver safety awareness， aiming to provide scientific basis for traffic management departments to reduce accident rates.

Keywords： traffic accident; factor analysis; cluster analysis; cause analysis; preventive measures

城市化與機(jī)動(dòng)化進(jìn)程的快速推進(jìn)，使得交通事故成為全球性的城市公共安全問(wèn)題。交通事故不僅威脅著人們的生命財(cái)產(chǎn)安全，還對(duì)城市的可持續(xù)發(fā)展構(gòu)成阻礙。系統(tǒng)地分析交通事故的成因，對(duì)于制定有效的交通管理策略、降低事故發(fā)生率具有重要的理論和實(shí)踐意義。

傳統(tǒng)的交通事故成因分析方法主要包括統(tǒng)計(jì)分析、專家調(diào)查、事故調(diào)查等。鄭來(lái)等[1]通過(guò)融合T-S模糊故障樹(shù)和貝葉斯網(wǎng)絡(luò)對(duì)重特大交通事故進(jìn)行深入分析，確定了操作不當(dāng)、超速等為主要致因。此外，王俊美等[2]利用數(shù)理統(tǒng)計(jì)和交叉分析方法，對(duì)事故類(lèi)型、事故天氣等因素與交通事故的關(guān)系進(jìn)行了研究。

隨著大數(shù)據(jù)和計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)據(jù)挖掘技術(shù)在交通事故成因分析中的應(yīng)用日益廣泛。李虹燕等[3]基于數(shù)據(jù)挖掘?qū)Φ缆方煌ㄊ鹿食梢蜻M(jìn)行了分析，采用多元Logistic回歸模型和有序多分類(lèi)Logistic回歸模型，探究了照明條件、能見(jiàn)度等因素的影響。

一些研究開(kāi)始關(guān)注特定類(lèi)型的交通事故，如王霄等[4]基于關(guān)聯(lián)規(guī)則對(duì)酒醉駕交通事故進(jìn)行了成因分析。在山區(qū)高速公路這一特殊路段，由冰玉等[5]通過(guò)故障樹(shù)和貝葉斯網(wǎng)方法分析了事故致因因素，并找出了最敏感的事件。

然而，現(xiàn)有大多數(shù)研究仍集中于單一因素或特定區(qū)域的分析，缺乏對(duì)事故成因多維度、系統(tǒng)性的探討。此外，在事故責(zé)任歸類(lèi)和定義上也存在一定的模糊性，這對(duì)于事故責(zé)任的明確和預(yù)防措施的針對(duì)性構(gòu)成了阻礙。

本研究旨在采用更為綜合的分析方法，對(duì)貴陽(yáng)市交通事故數(shù)據(jù)進(jìn)行深入挖掘。通過(guò)因子分析和聚類(lèi)分析，不僅探索影響交通事故發(fā)生的共性因素，還嘗試對(duì)事故類(lèi)型進(jìn)行更為精確的分類(lèi)。此外，本研究還將考慮駕駛員的社會(huì)責(zé)任感對(duì)事故責(zé)任判定的影響，以期為交通事故的預(yù)防和干預(yù)提供更為科學(xué)的依據(jù)。

1 統(tǒng)計(jì)分析

在本研究中，對(duì)貴陽(yáng)市交通事故數(shù)據(jù)集進(jìn)行了細(xì)致的數(shù)據(jù)清洗和信息挖掘，以確保分析的準(zhǔn)確性。

1.1 事故時(shí)間特征分析

事故數(shù)據(jù)的時(shí)間跨度從2015年1月2日至2015年12月26日，一共包含56 624條記錄。按照月份進(jìn)行統(tǒng)計(jì)，結(jié)果如圖1所示。

由于記錄缺失，本研究對(duì)2025年3月至11月完整的交通事故數(shù)據(jù)進(jìn)行分析。對(duì)一周中各天所發(fā)生的事故總數(shù)進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)工作日（周一至周五）的平均事故數(shù)高于休息日（周六、周日），且周五最高?；跀?shù)據(jù)發(fā)生時(shí)刻的統(tǒng)計(jì)如圖2所示。貴陽(yáng)市本市早高峰為7：30—9：00，晚高峰為16：30—19：00[6]，早晚事故數(shù)峰值基本與貴陽(yáng)市早晚高峰時(shí)段相對(duì)應(yīng)。

數(shù)據(jù)中事故原因包括追尾、逆行、倒車(chē)、停車(chē)時(shí)車(chē)輛滑行、開(kāi)關(guān)車(chē)門(mén)、違反交通信號(hào)、未按規(guī)定讓行，以及依法應(yīng)負(fù)全責(zé)的其他情形等，其中，讓行引起的事故所占比例最高，達(dá)到了40%以上，追尾和倒車(chē)引起的事故也分別達(dá)到了29%和9%以上。

1.2 駕駛員特征分析

駕駛員特征也是事故成因的重要的因素之一。事故數(shù)據(jù)中，近92%的事故當(dāng)事人是男性。男性在追尾、逆行、倒車(chē)和讓行等方面事故的比例較大，而女性在停車(chē)、車(chē)門(mén)、信號(hào)燈或其他事故上的比例較大。

當(dāng)事人雙方的性別組合也有一定的統(tǒng)計(jì)規(guī)律，當(dāng)事人雙方都是男性時(shí)，追尾及讓行的事故比例較高，當(dāng)有女性參與之后比例明顯下降，雙方女性在這兩項(xiàng)事故類(lèi)型上的比例減少了近7%。圖3展示了事故數(shù)量與駕駛?cè)四挲g分布圖，事故主要集中在25～45歲，最年長(zhǎng)者為74歲，最年輕者僅為13歲，而法定駕照獲取年齡為18歲，因此，對(duì)于駕照獲取者年齡的審查需要進(jìn)一步加強(qiáng)。

2 因子分析

2.1 數(shù)據(jù)特征

首先進(jìn)行變量的處理，將字符變量賦值，刪除缺失數(shù)據(jù)，變量說(shuō)明見(jiàn)表1。

首先，將數(shù)據(jù)標(biāo)準(zhǔn)化，并計(jì)算數(shù)據(jù)集各變量的相關(guān)系數(shù)及相關(guān)系數(shù)顯著性，結(jié)果見(jiàn)表2和表3，可知多個(gè)變量間存在顯著相關(guān)關(guān)系。通過(guò)因子分析幫助梳理變量間相關(guān)關(guān)系，整理歸納交通事故的主要影響因子。

2.2 因子分析適合度檢驗(yàn)

在相關(guān)系數(shù)檢驗(yàn)的基礎(chǔ)之上，進(jìn)行巴特利球形檢驗(yàn)和KMO（Kaiser Meyer Olkin）檢驗(yàn)，結(jié)果見(jiàn)表4和表5。

巴特利球形檢驗(yàn)得到Bartlett's K-squared為45 778.749，在自由度為231時(shí)顯著拒絕原假設(shè)，因此，適合進(jìn)行因子分析。KMO檢驗(yàn)得到進(jìn)行因子分析適合度為0.539，通過(guò)檢驗(yàn)，可對(duì)該數(shù)據(jù)集進(jìn)行因子分析。

2.3 因子提取

本研究采用主成分法進(jìn)行因子提取。經(jīng)多種因子提取法求解并對(duì)比后，確定合理因子個(gè)數(shù)為10，主成分法得到地因子提取結(jié)果見(jiàn)表6。

為了更好地解釋因子的實(shí)際意義，本研究采用最大方差旋轉(zhuǎn)法對(duì)因子載荷矩陣進(jìn)行旋轉(zhuǎn)，得到新的因子載荷矩陣，見(jiàn)表7。

得到各因子在不同變量上有不同的荷載。因子1和因子2在涉事駕駛員年齡和駕齡上有較大荷載，因此因子1和因子2反映駕駛員經(jīng)驗(yàn)因素；同樣，因子3和因子4在車(chē)輛歸屬地上有較大荷載，反映道路熟悉程度因素；因子5在車(chē)輛顏色上有較大荷載，因子6在天氣、晚高峰、夜晚變量上有較大荷載，因子7在工作日、早高峰上有較大荷載，因此，因子5、6、7反映駕駛中能見(jiàn)度、天氣、交通等環(huán)境因素；因子8和因子9在違章次數(shù)和駕照獲得類(lèi)型上有較大荷載，因子10在事故責(zé)任上具有較大荷載，這3個(gè)因子反映駕駛員社會(huì)責(zé)任感因素。

綜上所述，經(jīng)過(guò)因子分析，可將貴陽(yáng)交通事故的主要影響因素探索性概括為：①駕駛員經(jīng)驗(yàn)因素；②道路熟悉程度因素；③駕駛環(huán)境因素；④駕駛員社會(huì)責(zé)任感因素。

3 聚類(lèi)分析

求得每次事故記錄的各因子得分，并使用該因子得分進(jìn)行聚類(lèi)分析，剖析不同事故類(lèi)型的主要影響因素。采用K-mean聚類(lèi)方法，聚類(lèi)中心數(shù)為9，得到收斂后的聚類(lèi)中心見(jiàn)表8。

整理因子得分匯總見(jiàn)表9。

從表8、表9可知，類(lèi)1及類(lèi)7中，第9類(lèi)事故的比例極高，而顯著因子分別為因子4、因子9、因子10，因此可斷定事故類(lèi)型9的主要影響因素為社會(huì)責(zé)任感因素。而2、3、4、5、6、8、9聚類(lèi)中心第7種類(lèi)型事故（未按規(guī)定讓行）居多，這些類(lèi)受駕駛員經(jīng)驗(yàn)因素、道路熟悉程度因素、駕駛環(huán)境因素的影響較大。

4 結(jié)論

本文針對(duì)貴陽(yáng)市交通事故數(shù)據(jù)的影響因素及機(jī)理分析得出如下結(jié)論。

1）早晚高峰是事故高發(fā)時(shí)段，追尾事故和未按規(guī)定讓行而產(chǎn)生的事故較多。據(jù)此提出了針對(duì)性預(yù)防措施：①可通過(guò)大力發(fā)展公共交通的方式降低早高峰交通事故發(fā)生數(shù)量；②政府部門(mén)應(yīng)鼓勵(lì)當(dāng)?shù)仄髽I(yè)單位制定錯(cuò)峰上下班政策。

2）男性和女性在駕駛行為上的差異與其生理心理上的差異有一定的關(guān)系，所以，在學(xué)習(xí)駕照過(guò)程中應(yīng)該盡可能地有針對(duì)性學(xué)習(xí)。

3）相關(guān)部門(mén)首先需要注重駕照考取的難度與門(mén)檻（年齡），讓新司機(jī)能夠得到充分的鍛煉，其次對(duì)于一定駕齡（4年及8到10年）的駕駛員應(yīng)提高駕照審核要求。

4）獲得駕照的途徑說(shuō)明了駕駛員是否通過(guò)了應(yīng)有的測(cè)驗(yàn)，自培取得駕照的駕駛員可能并不能得到系統(tǒng)的練習(xí)，在之后實(shí)際駕駛過(guò)程中存在潛在隱患，因此，相關(guān)部門(mén)應(yīng)嚴(yán)格核檢駕駛員駕駛證，取消自培駕照。

5）能夠針對(duì)違章次數(shù)較多的情況加大處罰力度，必須讓駕駛員有一定的危機(jī)意識(shí)，這樣才能為事故的發(fā)生減少隱患。

6）貴陽(yáng)市交通事故數(shù)據(jù)中，外市車(chē)輛占據(jù)相當(dāng)比例，應(yīng)在事故高發(fā)區(qū)域設(shè)置警示標(biāo)志，高峰時(shí)設(shè)置限行區(qū)，可有效減少外市車(chē)輛事故發(fā)生概率。

7）中雨天氣是事故高發(fā)的天氣類(lèi)型，在今后的交通管理中需要對(duì)此天氣類(lèi)型下的出行車(chē)輛提供警示信息，注意交通安全。

8）事故類(lèi)型缺乏明確的定義和歸類(lèi)，事故責(zé)任無(wú)法明確，因此，針對(duì)交通事故類(lèi)型的明確定義和歸類(lèi)是追究事故責(zé)任、控制事故發(fā)生數(shù)量中必不可少的環(huán)節(jié)。

參考文獻(xiàn)：

[1] 鄭來(lái)，顧鵬，盧健.基于T-S模糊故障樹(shù)和貝葉斯網(wǎng)絡(luò)的重特大交通事故成因分析[J].交通信息與安全，2021，39（4）：39-48.

[2] 王俊美，張超，李晨陽(yáng)，等.交通事故成因分析[J].黑龍江交通科技，2022（11）：153-155.

[3] 李虹燕，朱龍波，任憲通，等.基于數(shù)據(jù)挖掘的道路交通事故成因分析[J].山東交通學(xué)院學(xué)報(bào)，2023，31（2）：20-27.

[4] 王霄.基于關(guān)聯(lián)規(guī)則的酒醉駕交通事故成因分析[J].廣東公安科技，2021，29（1）：44-47.

[5] 由冰玉，廉福綿，孟祥海.基于故障樹(shù)貝葉斯網(wǎng)的山區(qū)高速公路事故成因分析[J].交通信息與安全，2019，37（4）：144-151.

[6] 貴陽(yáng)城區(qū)主要道路早高峰車(chē)流量將增加20%左右[EB/OL].http：//www.gywb.cn/content/2016-02/28/content_4666，616.htm.