《Future Transportation》：Epidemiological Characteristics and Temporal Patterns of E-Scooter Crashes in Hungary: A National One-Year Assessment
编辑推荐：
微型交通（micromobility）在可持续城市交通组合中日益普及，但也带来了安全挑战。中欧和东欧在国家级层面的微型交通安全证据仍然稀缺。本文基于匈牙利中央统计局（KSH/HCSO）的国家事故统计数据，对2024年匈牙利报告的836起电动滑板车（e-scoo
微型交通（micromobility）在可持续城市交通组合中日益普及，但也带来了安全挑战。中欧和东欧在国家级层面的微型交通安全证据仍然稀缺。本文基于匈牙利中央统计局（KSH/HCSO）的国家事故统计数据，对2024年匈牙利报告的836起电动滑板车（e-scooter）事故进行了全国性流行病学描述。研究人员采用描述性统计来刻画事故严重程度、发生时刻、天气条件、事故性质和道路形态的特征。研究人员应用卡方检验（Chi-square test）考察事故严重程度是否与这些时间、环境和事故情境特征存在关联。在推断性分析中，事故严重程度被二分为轻伤与重伤/致死两类。研究人员采用蒙特卡洛置换程序（Monte Carlo permutation procedure）估计p值，并计算克莱姆V系数（Cramér's V）以量化关联强度。轻伤事故占记录案例的63.4%，重伤事故占35.8%，致死事故占0.8%。事故发生在下午时段较为集中，15:00至17:00之间记录了192起事故（23.0%），最高小时频次出现在16:00（n = 79）。事故性质与事故严重程度之间存在显著关联（χ2(11) = 26.36，蒙特卡洛p = 0.0037，Cramér's V = 0.178），而天气条件、道路形态和一天中的时刻与事故严重程度无显著关联。这些发现为匈牙利记录的电动滑板车事故建立了全国性描述基线，并确定事故机制是进一步研究微型交通融入交通系统安全性的重要维度。
论文解读
一、研究背景与研究目的
随着城市寻求短途出行的可持续替代方案，微型交通（micromobility）已成为现代城市交通日益重要的组成部分。微型交通涵盖传统自行车、共享自行车、电动自行车（e-bike）、电动滑板车（e-scooter）及其他轻型个人出行设备。这些出行方式能够支持通勤和休闲出行，同时改善与公共交通的首末公里衔接。当这些方式替代机动化出行时，有助于减少对私家车的依赖、促进主动式和低排放出行、改善可达性并降低交通相关的环境影响。然而，微型交通能否长期为可持续城市交通做出贡献，还取决于其能否在不产生不可接受安全风险的前提下融入交通系统。
与常规机动车乘员不同，微型交通使用者在碰撞过程中几乎没有物理防护。他们经常在与机动车、行人、停放车辆、道路基础设施、交叉口和路口交互的环境中出行。近期实证研究已将微型交通事故和伤害结果与多种因素联系起来，包括出行时间、骑行者行为和经验、机动车参与、酒精或药物使用、环境条件、碰撞构型以及建成环境特征。
尽管国际微型交通安全研究快速增长，但现有证据的地理分布仍不均衡。近期研究已在英国、美国等国家或大规模层面以及芬兰等成熟微型交通情境中考察了事故和伤害数据集。匈牙利的研究证据也开始出现：Foglar等人（36）在布达佩斯一家主要创伤中心开展了一项为期一年的回顾性研究，比较了自行车、电动滑板车和传统滑板车使用者的伤害特征；Abdullah等人（37）近期使用机器学习方法，利用布达佩斯的调查数据识别了自行车、电动自行车和电动滑板车使用者自我报告微型交通事故的相关因素。然而，这两项研究均未提供覆盖匈牙利全国范围的行政性事故流行病学评估。因此，建立全国性描述基线对于理解匈牙利情境下事故严重程度、时间发生、环境条件、碰撞构型和道路情境的分布特征具有重要价值。
本研究的主要贡献在于为匈牙利电动滑板车安全建立全国性行政事故基线，而非引入新的严重程度建模技术。研究利用匈牙利中央统计局（KSH/HCSO）的行政事故数据，对2024年匈牙利记录的电动滑板车事故进行全国性流行病学评估，回答以下研究问题：RQ1：匈牙利记录的电动滑板车事故中，事故严重程度、发生时刻、天气条件、事故性质和道路形态的分布特征是什么？RQ2：事故严重程度是否与一天中的时刻、天气条件、事故性质或道路形态存在统计关联？
二、研究方法与技术
研究人员采用回顾性定量研究设计，基于匈牙利中央统计局提供的全国性行政道路事故数据集进行分析。该数据集包含836条电动滑板车事故记录，事故日期范围为2024年1月2日至12月31日。数据集由KSH作为预筛选的电动滑板车专项分析提取文件提供，所有记录均经数据提供方确认仅涉及电动滑板车，不含电动自行车和电动轻便摩托车。分析提取文件不包含识别电动滑板车所有权或服务模式的信息，因此无法区分共享/租赁与私人拥有的电动滑板车。
事故严重程度为主要结局变量，包含三个原始类别：轻伤事故（530起）、重伤事故（299起）和致死事故（7起）。由于致死事故仅7起，推断性分析将重伤与致死合并为高严重程度类别（共306起）。解释变量包括天气条件（晴朗、阴天、雨天、雾天、暴风雨天）、事故性质（12个互斥类别）、道路形态（直线路段、十字路口、弯道、其他/非道路）和事故发生时刻。所有836条记录均包含有效信息。
统计方法包括描述性统计和双变量分析。研究人员计算各变量的频数和百分比，绘制24小时事故频数分布图。双变量关联采用皮尔逊卡方统计量（Pearson chi-square statistic）评估，由于多个列联表存在稀疏期望频数，采用基于1,000,000次置换的蒙特卡洛置换p值（Monte Carlo permutation p-value）进行推断，固定随机种子为2024以确保可重复性。克莱姆V系数（Cramér's V）用于量化关联强度，显著性水平定义为p < 0.05，并采用霍尔姆序贯校正（Holm's sequential correction）控制多重比较。此外，研究人员还进行了敏感性分析，将24小时类别合并为五个更宽的时间段（夜间00:00–05:59、早晨06:00–09:59、中午10:00–14:59、下午15:00–17:59、傍晚18:00–23:59），以评估降低小时分类维度是否改变主要分析结论。所有分析使用Python 3.11完成，统计检验使用SciPy（版本1.15.3），图形输出使用matplotlib（版本3.10.8）。
三、研究结果
3.1 事故严重程度分布
最终数据集包含匈牙利836起记录的电动滑板车事故。大多数事故被分类为轻伤，共530起（占样本的63.4%）。重伤事故299起（35.8%），致死事故7起（0.8%）。推断性分析中，重伤和致死结果合并为高严重程度类别，共306起（36.6%）。尽管致死事故不常见，但超过三分之一的记录事故被分类为重伤或致死，表明较高严重程度结果构成记录事故负担的重要部分。
3.2 事故的时间分布
事故发生在24小时周期内分布不均。最大单小时频次出现在16:00，记录了79起事故，占样本的9.4%。最明显的集中出现在下午：15:00有60起、16:00有79起、17:00有53起，这三个连续小时共占192起事故（23.0%）。早晨也出现较小的集中，07:00记录了59起事故。在更宽的14:00至18:00下午时段内，共发生300起事故，占所有记录案例的35.9%。该小时模式显示事故在下午时段明显集中，同时伴有较小的早晨增加。这些频次不应被解释为暴露调整后的风险，因为数据集不包含每小时电动滑板车出行次数、行驶距离或活跃骑行者数量。
3.3 天气条件
大多数记录事故发生在晴朗天气。晴朗条件占678起事故（81.1%），阴天条件占127起（15.2%）。恶劣天气下的事故相对不常见：雨天20起（2.4%）、雾天9起（1.1%）、暴风雨天2起（0.2%）。晴朗和阴天合计占805起事故（96.3%），而雨天、雾天和暴风雨天合计仅31起（3.7%）。晴朗或阴天条件下事故的主导地位不应被视为有利天气本身更危险的证据，因为缺乏天气特异性暴露信息，无法估计每次出行的风险。
3.4 事故性质分布
事故性质分布在不同事故机制间差异显著。最常见的类别是交叉/横穿交通碰撞（crossing/cross-traffic collision），占313起事故（37.4%）。其次是道路上打滑、追尾或翻车（skidding, rear-ending, or overturning on the road），152起（18.2%），以及直行与转弯车辆碰撞（collisions between straight-moving and turning vehicles），112起（13.4%）。涉及行人的事故63起（7.5%），同向行驶车辆碰撞62起（7.4%），未撞击固定物体驶离道路54起（6.5%）。较少见的机制包括对向车辆碰撞（30起，3.6%）、与静止车辆碰撞（25起，3.0%）、与道路固定物体碰撞（13起，1.6%）、涉及道路外固定物体的偏离车道事故（9起，1.1%）、与野生动物碰撞（2起，0.2%）和乘客事故（1起，0.1%）。三个最常见类别合计占577起事故（69.0%），表明记录的事故集中在少数主导事故机制中。
3.5 道路形态分布
大多数事故发生在直线路段，占487起（58.3%）。十字路口是第二常见类别，273起（32.7%）。其他或非道路位置43起（5.1%），弯道33起（3.9%）。这些描述性频次显示了记录事故的发生位置，但由于各道路形态对应的微型交通暴露量未知，无法确定道路类型特异性风险。
3.6 事故严重程度与选定特征的关联
事故性质与事故严重程度显著相关（χ2(11) = 26.36，蒙特卡洛p = 0.0037，Cramér's V = 0.178），经霍尔姆校正后仍显著（校正后p = 0.0147）。事故严重程度与天气条件（χ2(4) = 4.04，蒙特卡洛p = 0.4181，Cramér's V = 0.070）、道路形态（χ2(3) = 5.10，蒙特卡洛p = 0.1664，Cramér's V = 0.078）或一天中的时刻（χ2(23) = 23.72，蒙特卡洛p = 0.4220，Cramér's V = 0.168）之间未发现显著关联。使用五个更宽时间段的敏感性分析同样未显示与事故严重程度的显著关联（χ2(4) = 6.38，蒙特卡洛p = 0.1722，Cramér's V = 0.087），表明降低小时分类维度未改变主要分析结论。描述性检查显示，重伤/致死结果在各类别中的比例存在差异：与静止车辆碰撞25起中13起（52.0%）、未撞击固定物体驶离道路54起中26起（48.1%）、打滑/追尾/翻车152起中67起（44.1%）、直行与转弯车辆碰撞112起中47起（42.0%）；相比之下，交叉/横穿交通碰撞313起中92起（29.4%）、同向碰撞62起中16起（25.8%）。
四、讨论与结论
讨论部分总结： 研究识别出四个重要发现。第一，尽管轻伤事故占大多数记录案例，但重伤和致死事故合计占数据集的36.6%，记录的事故负担不仅限于轻伤。第二，事故发生在特定时段集中，近四分之一的事故发生在15:00至17:00的三小时时段内，16:00为最高频次小时。第三，大多数事故发生在晴朗或阴天天气及直线路段，这些发现描述的是记录事故的分布而非风险差异，因为相应的暴露测量不可用。第四，事故性质是唯一与事故严重程度显著相关的被考察特征，天气条件、道路形态和一天中的时刻与轻伤与重伤/致死结果的区分无显著统计关联。事故性质与严重程度的关联在多重比较校正后仍显著，但关联强度中等（Cramér's V = 0.178），表明事故机制单独只能提供有限的严重程度信息。研究还讨论了事故严重程度与时间模式、事故性质与严重程度、天气和道路情境等方面的发现，并提出了安全研究和规划的多项优先事项，包括对事故机制特别是与静止车辆碰撞、驶离道路事故、打滑或翻车事件以及直行与转弯车辆碰撞的详细调查，以及对路面质量、路边障碍物、排水、路缘石、电车轨道、路口配置、优先权安排、视距等基础设施相关研究。研究同时强调，由于缺乏暴露测量，下午时段的集中不应被解释为每次出行风险更高，也不足以证明特定执法、基础设施或行为干预的合理性。
研究结论翻译： 本研究利用匈牙利中央统计局的行政事故数据，对2024年匈牙利记录的836起电动滑板车事故进行了全国性流行病学评估。轻伤事故占记录案例的63.4%，重伤事故占35.8%，致死事故占0.8%。重伤和致死事故合计占数据集的36.6%，表明较高严重程度结果构成记录事故负担的重要部分。事故发生在特定时段集中，15:00至17:00之间共发生192起事故（23.0%），最高单小时频次出现在16:00（n = 79）。然而，无论是24类别的初步分析还是五时段敏感性分析均未发现一天中的时刻与事故严重程度之间的显著统计关联。时间集中因此应被解释为记录事故发生的模式，而非这些时段内更高严重程度或暴露调整风险的证据。主要推断性发现是事故性质与事故严重程度之间的显著统计关联（χ2(11) = 26.36，蒙特卡洛p = 0.0037，Cramér's V = 0.178），该关联经霍尔姆多重比较校正后仍显著（校正后p = 0.0147）。天气条件、道路形态和一天中的时刻与事故严重程度无显著关联。描述性模式显示，与静止车辆碰撞、未撞击固定物体驶离道路事故、打滑或翻车事故以及直行与转弯车辆碰撞中重伤/致死结果的比例相对较高。这些结果将事故机制确定为未来微型交通安全研究的重要优先方向。研究结果的解释受限于暴露测量的缺失、致死案例数量少、轻伤事故可能漏报、罕见事故机制类别、宽泛的道路情境变量以及仅依赖单年观测数据。未来研究应纳入骑行者特征、电动滑板车所有权/服务模式、碰撞对象、撞击速度、详细基础设施信息、地理空间特征、交通状况和暴露测量，并结合多变量严重程度模型。总体而言，该研究为匈牙利电动滑板车事故流行病学建立了全国性行政基线，并将事故机制确定为后续安全调查的重要维度，为微型交通融入更广泛交通系统的更详细研究提供了以安全为导向的基础。
