2021年公布的第七次全国人口普查结果显示我国60岁以上老年人达2.64亿，占总人口18.7%，且这一比例还将持续增加^[1-2]，这标志着我国已进入老龄社会。人口老龄化的一个直接结果就是交通事故参与者中老年人的比例逐年增加，据公安部交通管理局事故数据统计年报^[3]，交通事故中老年人(≥60岁)死亡比例逐年上升，从2016年的28.6%上升到2018年的33.6%，不仅死亡人口基数大且上升幅度亦大；其他研究亦表明我国老年群体交通事故风险迅速攀升^[4-6]。加之老年行人是弱势交通参与者中的弱势群体，故更应受到关注。已有研究中人们更多关注老年乘员损伤、老年驾驶行为及从宏观交通管理(如人行道设计)等角度研究老年人的交通安全问题。Ekambaram等^[7]于2015年提出通过调整安全带的负荷限制以保护老年乘员；Hartka等^[8]于2019年改进了一种预测老年人伤害的算法，指出受老年人体质影响使其交通上更难预测；武和全等^[9-10]于2020年首次研究了自动驾驶汽车中老年乘员的响应并提出通过旋转座椅保护乘员的方案，通过合理、准确旋转座椅可以有效降低老年乘员在碰撞事故中的伤害。在老年驾驶行为方面，菅美英等^[11]深入研究了驾驶员跟驰行为的影响因素；Dukic等^[12]研究了老年驾驶员在交叉口的视觉特性；Devlin等^[13]研究了驾驶员认知与驾驶行为的关系；张殿业^[14]等研究了老年人的驾驶反应行为；Joanisse等^[15]通过试验验证了对老年人的刻板印象即老年人驾驶更危险；周楚等^[16]在2020年系统地介绍了老年驾驶人的驾驶自我调节。相关研究为老年人驾驶安全奠定了基础。前述研究更多关注乘员的安全性，老年行人方面，裴玉龙教授等^[17]通过实地调查提出用15%位速度作为行人过街的设计速度以保护行人；Tournier等^[18]通过文献回顾对比了老年人与年轻人在过街中的行为差异，指出老年人更慢、更不稳定；Choi等^[19]通过视频观察了30个人行横道处，指出老年人在过街时更少回头、对人车间距离判断更不准；Zhuang等^[20]通过一种算法评估老年人过街时间，发现老年人对过街时间估计不足是导致事故风险的重要因素。纵观这些研究，鲜有直接依托事故数据分析老年行人事故特征及损伤影响因素的成果。

随着信息化时代到来，在各类媒体平台上可获得大量有效交通事故资源，此类资源具有一定的代表性，可以作为事故深度调查数据的补充，通过分析能获得诸多有价值的结论^[21-25]。本研究将依据各类网络平台所提供的免费视频数据，通过挖掘数据探索老年行人事故特征及损伤影响因素，为后续更好地开展老年行人交通伤防护做好准备。

通过搜索引擎，以及在抖音、西瓜视频、腾讯视频、优酷、爱奇艺等视频APP上搜索“老年事故”、“行人事故”、“老年行人”等关键词，从中挑选出有完整事故过程、仅包含一人一车且明确报道为老年行人的交通事故视频。通过筛选后，共获得166例车-老年人碰撞视频案例。

速度预估采用韩勇等^{[21, 25]}学者使用的方法。为详细说明速度估算方法，下面给出碰撞发生时车辆速度的计算过程。首先，根据车身长度及一段时间内车辆行驶过的车位数计算出车辆在这段时间内的行驶距离，如式(1)所示：

(1)

式中，S为车辆行驶距离；L为车身的长度；N为车辆行驶的车位数。

此处，计算车辆行驶距离的方法并非仅此一种，当案例中有清晰可见的路面标线、其他参照物时，根据相应参照物确定车辆行驶距离。然后通过逐帧播放视频，记录车辆驶过距离S时所需的帧数后再计算行驶时间，如式(2)所示：

(2)

式中，T为车辆驶过距离S时所需的时间；n为车辆驶过距离S时需要的帧数；n_e为视频里1 s需要的帧数(视频格式不同其1 s所需帧数也不同)，如式(3)所示：

(3)

式中v为碰撞速度。

为降低车速预估过程中不确定性的影响，在计算出车速、行人速度后再结合视频将车速、行人速度进行分区统计，参照文献[26]将车速分为[ < 20, 20~40, 40~60, >60] km/h这4个区间，参照文献[23]行人速度分为行走、奔跑、静止这3种类型。

参照已有研究^[24-28]，并考虑到视频中人的肉眼需能识别相关变量，从人、车、路及环境这4个影响因素中选择15个自变量进行研究，详见表 1。

其中，车辆、行人速度与前面所述一致，首先通过1.2节提出的方法进行初步估算，然后结合视频中人、车的运动将车速归类到[ < 20, 20~40, 40~60, >60] km/h这4个区间内，将老年行人速度归类到行走、奔跑、静止这3种类型中。

老人反应指在视频中观察到行人做出躲避动作至碰撞发生时刻的时间间隔，未考虑人在意识到危险至其有躲避动作的时间间隔，原因是无法确定事故参与者何时意识到危险。为降低预估过程中的不确定性，计算出行人反应时间后仅将其归类至有反应、无反应两种情况中。人体被撞位置指相对于人的碰撞位置，分为侧碰(左)、侧碰(右)、后碰、前碰及碾压这5种情况。其中侧碰指车辆撞击行人侧面、后碰指车辆撞击行人背面、前碰指车辆撞击行人正面。一般情况下，碾压之前均会有前述碰撞形态发生，但考虑到此种情况的特殊性，此处将其作为一种独立的相对于行人的碰撞位置。人体第1触地点指行人被车辆撞击后坠落地面过程中，首次与地面接触的部位，分为头部、胸部、臀部及下肢这4个部位。

车辆类型分轿车、两轮车(包括摩托车、电动两轮车)、多功能运动车(SUV)、电动三轮车、平头车(包括大货车、客车等车头形状近似为平面的车辆)、面包车及其他(如滑板车等)。驾驶员反应与老人反应类似，指在视频中观察到车辆做出躲避动作至碰撞发生时刻的时间间隔，同样未考虑人在意识到危险至其有躲避动作的时间间隔、且最终同样只归类为有反应、无反应两种情况。车体被撞位置指相对于车的碰撞位置，分为车头左侧、中间、右侧3种情况。车辆轨迹分为直行、左转、右转、倒车这4种类型。

碰撞地点包括两个方面：(1)主要考察人行道的影响，记为碰撞地点(道路1)，调查碰撞地点是否在人行道上，分为人行道、非人行道及靠近人行道这3类。(2)主要考察行人在过马路过程中在什么位置最易发生碰撞，记为碰撞地点(道路2)，以行人过街起点、前进方向及道路中心线为参考点，分为近端、中端、远端、过(中心)线近端、过(中心)线中端、过(中心)线远端这6种情况如图 1所示。为囊括所有事故，将行人未有过街意图的事故地点记为“路边行走”类，划分至碰撞地点(道路2)中。

图 1 碰撞地点(道路2)说明 Fig. 1 Description of collision location (road 2)

图选项

事故发生时间分为晚上与凌晨、白天这2种情况，判别标准主要是视频报道，当视频报道中未明确时则依据视频所述时间并结合肉眼可感知的光照强度进行判断。光照强度依据肉眼感知判断，不区分白天、晚上。

主要研究人体损伤与表 1中所述各自变量的关系。受制于视频信息的局限，人体损伤仅分为轻伤、重伤、死亡这3类。视频中明确报道行人重伤、死亡及轻伤的，视为相应类型损伤；视频中行人在碰撞发生后能自主站立行走的视为轻伤；其他未报道的情况均视为损伤情况未知。在166例老年行人事故中，105例(63.3%)中可获知相关损伤信息，其中轻伤26例(24.8%)、重伤33例(31.4%)、死亡46例(43.8%)。可知重伤、死亡的比例极高，这应是此类事故在视频类传媒中更受关注所致。

参照文献[29]，采用多项Logit回归分析方法研究各参数对事故严重程度的影响。以事故严重程度作为因变量y，如式(4)所示：

(4)

设U_ij为第i起交通事故的严重程度为j的效用，则多项Logit模型的效用函数U_ij如式(5)所示：

(5)

式中，k(k=1, …, K)为第k个自变量；β_k为第k个自变量的回归系数；x为交通事故严重程度的值；ε_ij为第i起事故严重程度的随机误差项。

Logit回归可以通过成熟的统计学软件如SPSS等轻松实现，本研究在分析过程中选择第1类即轻伤事故作为参照。

166例老年行人事故中，男性行人占比60.8%，女性39.2%。84.9%案例中路面干燥、15.1%中湿润；72.3%案例中光照充足，27.7%案例中光照不足。车速集中在区间20~40 km/h(39.7%)，碰撞发生前车辆运动轨迹中直行车占比最高(80.7%)，左转次之(14.5%)，有一定数量的倒车事故(3.0%)，但右转车事故比例极低(0.6%)。排前4的车辆类型为轿车(51.2%)、两轮车(18.6%)、平头车(13.9%)、多功能运动车(SUV，5.4%)，且发现了一定比例的电动三轮车事故(1.8%)。事故主要发生在白天(72.3%)，其次是晚上与凌晨(27.7%)。相对于车的碰撞位置主要集中在中部(56.6%)，相对于人的碰撞位置主要为侧碰(75.3%)，但碾压事故亦占一定比例(5.4%)。行人在事故中以行走为主(87.3%)，无论老年人还是驾驶员对危险的判断均严重不足，72.8%的行人、57.2%的驾驶员在碰撞发生前未采取任何措施以避免事故的发生。行人在通过道路中心线后的事故率明显降低(由80例降低至51例)，这可能与行人的警惕性提高及驾驶员有更开阔的视野有关；在未过道路中心线前碰撞发生在道路中端的概率最高(为34/80=42.5%)。只有35.5%的事故发生在人行道上，另有12.7%的事故发生在靠近人行道的地方。

以事故严重程度为因变量，选择表 1中的15个变量作为自变量，采用回归系数方差分解法检验变量之间是否存在多重共线性。检验结果显示，时间和光照的方差膨胀因子(Variance Inflation Factor, VIF)分别达到25.5和25.6(VIF大于10表示有共线性存在)，表明这两者间存在共线性；用皮尔逊相关性检验发现时间和光照两个变量之间存在显著相关性(p=-0.978)。故此处删除时间这一变量，仅保留光照变量。再重新检验后，各个变量的VIF值最大者为2.0，表明余下的14个自变量之间不存在显著的共线性关系，可以作为独立变量进行下一步的Logit回归分析。

选择14个变量为自变量，构建事故严重程度的多项Logit模型，对模型进行检验，卡方值为131.29，自由度为70，显著性值为0.000，小于0.05，表示模型具有统计学意义。用皮尔逊和偏差两种统计方法评估模型的拟合优度，卡方值分别为160.70，93.62，自由度均为138，显著性值分别为0.091和0.999，均大于0.05，表示模型拟合效果不错。表 2列出至少有一项满足显著性检验要求的参数估计结果，表 2中sig为检验的显著性；Exp为优势比(ods ratio, OR)；*为变量在0.05水平下显著。

从人体第1触地点看，头部作为第1触地点使老年行人受重伤以上风险显著增高，老年行人其他部位先触地受重伤以上风险显著低于头部先触地的情况。车速方面，观察到一个非常奇怪的现象是超低速事故(< 20 km/h)中行人受重伤的风险显著高于其他车速事故中行人的损伤风险，这表明超低速事故需引起关注。驾驶员反应方面，驾驶员无反应的碰撞中老年行人死亡风险增加，达到有反应碰撞中相应风险的38.4倍。车体被撞位置方面，发现被车辆左侧碰撞时行人受重伤以上的风险显著高于行人被车辆右侧撞击的风险。在碰撞地点(道路1)方面，靠近人行道位置发生重伤以上事故的风险显著高于非人行道与人行道处，说明在靠近人行道处过街的风险极高。在碰撞地点(道路2)方面，发现近端、过中心线远端及中端发生重伤以上事故的风险很高，简单而言靠近道路两侧发生车人碰撞，更容易产生严重后果。在光照方面，光照不充足时发生重伤以上事故的风险更高。

通过上述分析，得到了很多老年行人事故的特征及损伤影响因素。如发现事故参与者对危险的反应均严重不足；老年行人从人行道过街的比例较低(仅35.5%)；头部先触地、超低车速(< 20 km/h)、驾驶员在碰撞发生前无反应、碰撞发生在靠近人行道与/或道路两侧区域、光照不充足时，更可能发生重伤以上事故。这些成果对于后续更好地开展事故中老年行人损伤防护研究具有价值。但在这些发现中有若干未解之疑问，其中碰撞前车辆左转弯事故的比例明显高于右转弯的比例、超低速下(< 20 km/h)行人有更大的损伤风险，非常值得探索。

碰撞前车辆左转弯的事故数为24例，其中19例(79.2%)发生在交叉路口。交叉路口案例中，11例(57.9%)发生在信号交叉口，8例(42.1%)发生在无信号交叉口。对于无信号交叉路口，以十字路口为例，车辆左转弯过程中冲突点个数是右转弯过程的3倍如图 2所示，因而使得车辆左转弯风险更高。信号交叉口虽然通过信号灯实现了时间上的分离，可以降低左转弯过程的冲突点，但左转弯与相应车道方向行人直行的信号灯经常一致(不一致时行人亦常闯红灯，11例发生在信号交叉口的案例中6例中行人有闯红灯行为)；考虑到在左转弯过程中，左A柱离驾驶员更近，相对于右A柱而言其遮挡范围更大；这依然会使得图 2所示车人冲突点2成为一个风险极高的点。在19例左转弯事故中，车人冲突点1的事故有3例(15.8%)，车人冲突点2的事故有10例(52.6%)，路口中间的事故有6例(31.6%)，数据表明冲突点2的确是最高风险冲突点。这说明，左转弯过程中冲突点多、车辆A柱遮挡是导致左转弯事故更多的主因。

图 2 无信号灯人车混行交叉口A车左、右转弯冲突点示意图 Fig. 2 Schematic diagram of conflict points of vehicle A when it turns left/right at intersection of mixed pedestrians and vehicles without signal light

图选项

共观测到有损伤信息的5例低速下行人死亡事故：2例为车辆起步阶段人车冲突后老年行人被撞倒再遭碾压，典型案例如图 3所示；1例为老年行人被撞倒后遭其他车辆碾压；1例为左转弯进入小区门口的车辆未看见静止老人而碾压；另1例为老年行人被倒行车辆撞倒。这表明在低速下行人应该提高对碾压事故的警惕性，特别不宜从起步阶段车辆(特别是大车)车头经过。

图 3 典型低速下行人死亡事故 Fig. 3 A typical pedestrian fatality at low vehicle speed

图选项

通过对从网络搜集到的事故过程清楚的166例事故的观察，获得如下结果：

(1) 事故中男性行人居多，路面一般干燥、光照充足。碰撞前车辆以直行为主，车速集中在20~40 km/h。排前4的车辆类型为轿车、两轮车、平头车、SUV。事故发生在白天居多。行人在事故中以行走为主，但72.8%的行人、57.2%的驾驶员在碰撞发生前未采取任何措施以避免事故的发生。行人在通过道路中心线后的事故率明显降低，在未过道路中心线前碰撞发生在道路中端的概率最高。只有35.5%的事故发生在人行道上，另有12.7%的事故发生在靠近人行道的地方。

(2) 166例事故中有105例事故中可获得行人轻伤、重伤及死亡的损伤信息，Logit回归分析发现，头部先触地、超低车速(< 20 km/h)、驾驶员在碰撞发生前无反应、碰撞发生在靠近人行道与/或道路两侧区域、光照不充足时，更可能发生重伤以上事故。

(3) 通过对案例及交通规则的深入分析发现，左转弯事故比例高的原因是车辆在交叉口左转弯过程中的冲突点多及A柱遮挡，超低速事故中行人有更大损伤风险的主要原因是行人常受到低速车辆(特别是平头车)的碾压。

(4) 本研究最大不足是案例样本数不够，特别是能获得行人损伤信息的案例数不够，这会影响相关统计分析的信度。在后续研究中需继续补充案例，以进一步验证相关结论。