揭示与大麻相关的致命交通事故中的背景风险模式:一种以数据为驱动的公共健康导向的道路安全研究方法
《Journal of Safety Research》:Uncovering contextual risk patterns in cannabis-involved fatal crashes: A data-driven approach to public health-oriented road safety
【字体:
大
中
小
】
时间:2026年02月05日
来源:Journal of Safety Research 4.3
编辑推荐:
罗希特·查克拉博蒂|萨扎德·宾·巴沙尔·波洛克|比普洛夫·潘迪|萨瓦加特·艾哈迈德·舒沃|卡坎·戴|苏巴斯什·达斯
美国得克萨斯州圣马科斯市大学大道601号,得克萨斯州立大学英格拉姆工程学院,邮编78666
摘要
引言:随着大麻在美国各地逐渐合法化,人们对其对道路安
罗希特·查克拉博蒂|萨扎德·宾·巴沙尔·波洛克|比普洛夫·潘迪|萨瓦加特·艾哈迈德·舒沃|卡坎·戴|苏巴斯什·达斯
美国得克萨斯州圣马科斯市大学大道601号,得克萨斯州立大学英格拉姆工程学院,邮编78666
摘要
引言:随着大麻在美国各地逐渐合法化,人们对其对道路安全及公共健康影响的担忧也在不断加剧。本研究利用2018年至2022年间来自死亡事故分析报告系统(FARS)的全国性数据,分析了涉及大麻影响下驾驶者的致命交通事故,重点关注那些经毒理检测确认驾驶员血液中含有大麻成分的案件。
方法:为揭示这类事故的潜在类型,我们采用了专为分类数据设计的双向降维方法——聚类对应分析(CCA),以此分析不同道路环境、驾驶员特征、事故动态以及环境条件下的规律。
结果:分析共发现了六种不同的事故类型:农村直道上的单车碰撞事故、存在车道冲突的高速多车相撞事故、弯道处因失控导致的单车事故、交叉路口的转向与让行失误事故、涉及行人的特殊使用者与道路状况事故,以及夜间城市道路上涉及弱势道路使用者的事故。这些发现表明,四氢大麻酚(THC)阳性反应与基础设施的系统性缺陷共同导致了这类致命事故的发生。
结论与实际应用:通过运用适用于复杂分类数据集的分析方法,本研究为药物影响下的驾驶所带来的多重风险提供了新的见解。这些研究结果可为制定针对性措施提供依据,比如改善道路照明、优化交叉路口设计以及实施行为干预措施,从而为以公共健康为导向的交通安全策略奠定数据基础。
1. 引言
在过去十年中,涉及大麻的驾驶行为已成为美国一个重要的交通安全问题。自2010年以来,越来越多的州将大麻合法化,导致使用大麻的驾驶员比例上升,由此引发了对这类行为可能带来的道路死亡事故增加的担忧。已知大麻会损害与驾驶相关的关键能力,它会降低反应速度,影响注意力与判断力,并减弱身体协调性(Edmonds, 2020)。正因如此,越来越多的致命机动车事故涉及到大麻检测呈阳性的驾驶员(Dubois et al., 2015)。国家数据显示,到2018年,美国因大麻导致的死亡事故占比约为21.5%,是2000年的两倍多(Lira et al., 2021)。虽然酒精仍是导致驾驶能力下降的主要因素,但如今在严重或致命事故中检测出大麻的比例也与酒精相当,有时甚至更高。这些趋势凸显出,涉及大麻的驾驶问题现已成为交通安全领域的重大挑战。
多项近期研究显示,2010年代涉及大麻的交通死亡事故显著增加。例如,在部分州实施医用大麻法律后,驾驶员体内大麻素含量的比例出现了明显上升。加利福尼亚州中,检测呈阳性的致命事故驾驶员比例从之前的1.1%上升至3.2%,而遭受致命伤害的驾驶员比例则从1.8%升至7.5%。夏威夷州所有驾驶员中检测呈阳性的比例从2.5%上升至8.5%,而遭受致命伤害的驾驶员比例则从4.9%上升至14.4%。华盛顿州所有驾驶员中检测呈阳性的比例从0.7%上升至4.1%,而遭受致命伤害的驾驶员比例则从1.1%上升至5.7%(Masten & Guenzburger, 2014)。同样,针对那些开放娱乐用大麻市场的多个州的研究也发现,交通死亡事故有所增加。平均而言,零售大麻店开业后,各州的机动车死亡事故数量增加了约10%。科罗拉多州、俄勒冈州、阿拉斯加州和加利福尼亚州等地的致命事故率在合法化后上升幅度则在14%到22%之间(Marinello, 2023)。这些研究结果表明,自2010年以来大麻获取渠道的扩大可能导致更多驾驶员在驾驶时受到大麻影响,进而增加致命事故的发生。与此同时,关于大麻与事故风险之间的研究结果并不一致,有时甚至相互矛盾。一些早期研究甚至报告称,在大麻政策发生变化后,交通死亡事故反而有所下降。值得注意的是,2000年代实施的医用大麻法律在颁布后的第一年里,使交通死亡事故率下降了8%至11%(Mark Anderson et al., 2013)。有一种假设认为,在允许医用大麻的州,部分驾驶员可能会用大麻替代酒精,从而减少因酒精导致的驾驶事故。然而,针对娱乐用大麻使用的最新分析则得出了不同的结论,这些研究普遍认为大麻并不会带来安全优势,相反,在合法化后会出现事故或死亡人数的轻微上升。需要指出的是,并非所有研究都得出相同结论。例如,美国国家公路交通安全管理局在弗吉尼亚海滩进行的一项大规模病例对照研究发现,一旦考虑到人口统计因素以及是否饮酒的情况,检测出四氢大麻酚(THC)阳性的驾驶员的事故风险并未出现显著上升。而其他流行病学研究及元分析则发现,近期使用大麻,尤其是高浓度大麻使用时,事故风险会有轻微但显著的上升。此外,大麻合法化与交通死亡事故之间的关系似乎因地区而异,有些分析显示某些州并未出现明显影响,而另一些分析则发现部分州在合法化后致命事故有所增加。这些研究结果的不一致性凸显出,要准确判断大麻对道路死亡事故的影响十分复杂。研究设计、人群特征以及其他物质的影响等因素都可能导致不同研究得出不同结论。
图1显示,涉及大麻的致命事故在多个关键方面与不涉及大麻的事故存在显著差异,这进一步强调了开展针对性研究的必要性。25至44岁的年轻成年人以及男性驾驶员在这些事故中所占比例过高,说明这些群体面临更高的风险。这类事故还更常发生在夜间非高峰时段,此时执法力度和能见度较低,而且多发生在弯道上,这类路况对驾驶员的判断力和车辆控制能力要求更高。此外,涉及大麻的事故多为单车事故,而非与其他车辆相撞的事故,这说明大麻的影响可能更容易导致驾驶员失控,而非与其它车辆发生碰撞。综合来看,这些特征表明,大麻对驾驶能力的削弱会在本就容易出事的驾驶环境中进一步加大风险,其造成的后果与酒精或其他致幻物质的影响有所不同。因此,有必要深入研究这些差异背后的机制,为高风险群体和特定道路环境制定针对性的应对措施,并为未来大麻使用日益普遍时的政策制定提供指导。
下载:下载高分辨率图像(70KB)
下载:下载完整尺寸图像
图1. 涉及大麻的致命事故与不涉及大麻的致命事故的对比
尽管相关研究日益增多,但我们对涉及大麻的驾驶死亡事故的了解仍存在诸多空白。其中一个核心难题在于,难以测量并证明事故驾驶员确实受到了大麻的影响。与酒精不同,目前并没有一个被普遍接受的血液THC浓度标准,能够明确判定驾驶员是否存在驾驶能力受损的情况(Edmonds, 2020b)。THC及其代谢物在人体的作用效果消失后,仍可能在体内持续存在较长时间。此外,虽然饮酒后血液中的THC浓度会迅速下降,但心理运动功能和认知功能的受损状态却可能持续数小时。因此,较低的THC浓度也可能意味着驾驶员存在严重的驾驶能力受损,或者根本不存在受损情况,这就给毒理检测结果的解读带来了困难。这意味着,即便驾驶员在事故发生数小时或数天前才使用过大麻,其检测结果仍可能呈阳性,这也使得毒理检测结果的解读更为复杂。许多研究以血液或体液样本中检测出THC作为驾驶员涉及大麻的证据,但阳性检测结果并不一定意味着驾驶员在事故发生时确实处于受影响状态。在解读这些研究结果时,还需要考虑THC及其代谢物的检测窗口期。与酒精不同,酒精可以直接反映最近的饮酒情况,而THC在血液或尿液中的可检测时间则取决于摄入剂量、使用频率以及检测的生物样本类型,可能在数小时到数天内仍可检测到。偶尔使用大麻的驾驶员在饮酒后最多24小时内可能检测出阳性反应,而长期每日使用者在最后一次使用后的数天甚至数周内仍可能检测出阳性反应(Compton, 2017, Huestis, 2007)。因此,阳性检测结果并不一定意味着驾驶员在事故发生时存在驾驶能力受损的情况,在解读相关统计数据时必须考虑到这一点。另外,大麻往往与其他物质一起被使用,尤其是酒精(Gunn et al., 2022)。事实上,研究表明,当大麻与酒精共同作用于致命事故时,其危害性会进一步加剧。这种共同使用的情况使得很难单独判断大麻对事故的具体影响,因为酒精本身就会大大增加事故风险。另一个问题是数据收集和检测方法的差异:并非所有地区都会对驾驶员进行一致性的药物检测,而且检测流程(如检测哪些物质、在事故发生后多久进行检测)也存在很大差异。在全国范围内,致命事故中的药物检测往往不够全面或不够均匀,这可能导致某些情况下大麻的使用情况被低估或误判。过去关于大麻对驾驶能力影响的实验研究也受到样本量较小以及无法反映现实世界使用情况的限制(例如,早期的实验通常使用低浓度THC,并且控制剂量,这可能与普通人的使用方式不符)。这些局限性使得关于高浓度产品或频繁大量使用大麻会对驾驶风险产生何种影响的问题仍然没有答案。为弥补这些不足,本研究利用2018年至2022年间来自死亡事故分析报告系统(FARS)的数据,分析了涉及大麻影响下驾驶者的致命交通事故。与以往依赖基本描述性统计或基于回归模型的研究不同,本研究采用了专为分析分类数据而设计的聚类对应分析(CCA)方法,旨在通过分析道路特征、环境条件、事故类型以及与大麻相关死亡事故相关的驾驶员行为,识别出不同类型的事故特征。通过利用大规模的全国性数据集以及适合分类变量的聚类分析方法,本研究不仅揭示了涉及大麻的致命事故在不同环境下的差异,还借助这些发现,为采用“安全系统理念”制定基于证据的应对措施提供了依据。
2. 文献综述
2.1 大麻合法化与道路安全问题
随着娱乐用大麻在越来越多地区合法化,人们越来越关注它对机动车事故风险的潜在影响。在美国,科罗拉多州和华盛顿州于2012年率先合法化了娱乐用大麻。最初的分析显示,致命事故率仅有轻微上升,而直到商业大麻店开始销售之后,才出现具有统计学意义的上升趋势,此时每十亿车辆行驶里程对应的致命事故数量增加了1.8起(Aydelotte et al., 2019)。类似地,在华盛顿州,合法化后涉及致命事故的THC阳性驾驶员比例几乎翻了一番,从9.3%上升至19.1%(Tefft & Arnold, 2021)。更广泛范围的研究也显示,合法化后事故发生率持续上升,受影响州的致命事故和受伤事故率分别上升了约4%至6%(Farmer et al., 2022, Monfort, 2018)。保险索赔数据也支持了这些发现,表明在已合法化州,碰撞索赔的频率有所上升(HLDI, 2018, IIHS-HLDI, 2017)。不过,并非所有研究结果都一致;有研究显示,合法化后涉及行人的死亡事故并未出现显著变化(Calvert & Erickson, 2020)。
2.2 THC检测与驾驶能力受损问题
准确检测THC并将其与驾驶能力受损联系起来,仍然是大麻相关交通安全研究中的一个核心难题。在加拿大合法化大麻后,血液中THC含量达到或超过2 ng/mL的驾驶员比例增加了一倍多,而超过5 ng/mL的驾驶员比例则增加了两倍,尽管目前尚不确定这些浓度是否真的意味着驾驶员存在驾驶能力受损的情况(Brubacher et al., 2022)。与酒精不同,THC与驾驶表现之间并不存在明确的剂量-效应关系,尤其是对于那些长期使用大麻的驾驶员来说,他们体内的THC浓度可能较高,但却并未出现醉酒症状(Banta-Green et al., 2016)。这就给执行诸如华盛顿州规定的5 ng/mL这一阈值之类的法律带来了困难。更为复杂的是,大麻使用情况往往被低估;尽管只有8%的涉事驾驶员主动承认自己近期使用了大麻,但毒理检测显示实际使用比例高达18%(Choo et al., 2021)。此外,抽血的时间也是一个问题;如果抽血时间间隔过长,即使驾驶员近期确实使用了大麻,检测出的THC浓度也可能偏低(Choo et al., 2024)。实验研究一致表明,THC会损害驾驶员的心理运动能力和认知功能,而当其与酒精同时作用时,这种损害会更加严重(Ramaekers et al., 2011, 2009)。另一项研究则发现,仅使用大麻时,不安全的驾驶行为就会增加16%,而当与大麻一起使用酒精时,这种情况会变得更加严重(Dubois et al., 2015)。实际观察表明,真正的功能损害可能比实验室条件下的观测结果更为严重(H?iseth等人,2017年)。虽然有学者警告称,若误解的话,责任判定研究中的比值比可能会高估风险,但现有证据表明,急性大麻使用,尤其是与酒精一起使用时,会明显影响驾驶表现(Rogeberg,2019年)。2.3 事故责任与混合物质使用关于驾驶员责任的研究进一步阐明了大麻使用与事故责任之间的关系。即便没有饮酒,摄入过大麻的驾驶员在致命事故中负有责任的概率也显著更高(比值比为1.89)(Romano等人,2017年)。在法国,大麻导致的致命事故占2.5%,远低于酒精造成的28.6%,但仍需重视(Laumon等人,2005年)。加拿大的研究也发现,大麻与其他物质如可卡因一起使用会增加事故责任概率(Chipman等人,2003年)。尽管有些学者提醒不要过高估计责任判定比率(Rogeberg,2019年),但北美和欧洲的各项研究总体表明,大麻使用,尤其是在近期使用或与酒精共同作用时,会增加引发事故的责任风险。2.4 政策建议尽管不同地区的研究结果存在一些差异,但现有证据仍支持这样的结论:大麻使用,尤其是与酒精一起使用时,会增加事故风险。虽然有一些研究指出,在大麻合法化后,致命事故趋势并未变化甚至有所下降(Gunadi,2022年;Voy,2023年),但这些情况往往伴随着轻微事故或受伤相关事故的增加,这就凸显出需要从更广泛的事故类型角度进行分析。相比单纯的大麻合法化,商业销售似乎是导致风险上升的关键因素。目前,在检测THC对驾驶能力的影响方面还存在诸多不足,因此有必要建立更完善的路检流程和一致的毒理学检测标准(Banta-Green等人,2016年;Peterson等人,2018年)。随着大麻政策的不断演变,政府应重视开展关于多种药物共同使用风险的教育工作,加强针对酒驾行为的执法力度,并致力于研究剂量与反应之间的关系,从而为制定更有效的政策、减少与大麻相关的交通危害提供依据。已有许多研究利用不同的数据来源和方法,探讨了大麻合法化对道路安全状况的影响。表1总结了这些研究的主要发现。表1. 关于大麻合法化与机动车事故风险的关键研究汇总。作者、使用的数据及来源、方法、研究结果(Aydelotte等人,2019年):利用FARS数据(科罗拉多州、华盛顿州),采用差异对比分析方法,结果显示合法化后事故数量并无显著增加;但在大麻店开放后,事故率上升了1.8起/百万车辆行驶里程(Tefft和Arnold,2021年):基于FARS数据(华盛顿州),运用多重插补法,研究发现合法化后,致命事故中THC检测呈阳性的驾驶员比例从9.3%上升到了19.1%(Farmer等人,2022年):根据5个州的交通事故报告,通过时间序列回归分析,发现合法化后,受伤事故增加了5.8%,致命事故增加了4.1%(Brubacher等人,2022年):基于不列颠哥伦比亚省的创伤中心血液样本,通过前后对比及回归分析,发现合法化后THC浓度≥2 ng/mL的驾驶员比例上升了一倍,且这一现象在男性及年龄较大的驾驶员中更为常见(Choo等人,2024年):通过急诊室访谈及毒理学检测(科罗拉多州、俄勒冈州、加利福尼亚州),采用逻辑回归和病例对照分析方法,结果表明单独使用大麻与事故风险无关,而饮酒或两者同时使用则会增加事故风险(Chihuri和Li,2020年):利用FARS数据中的匹配对,通过条件逻辑回归和中介分析,发现68.8%的大麻相关事故风险是直接由大麻引起的,其余风险则由酒精所介导(Dubois等人,2015年):同样基于FARS数据,通过逻辑回归分析,发现单独的大麻就会使驾驶员的不安全驾驶行为增加16%,而大麻与酒精共同作用则会进一步升高这一风险(Ramaekers等人,2009年):通过实验性THC研究,采用剂量-反应分析方法,发现THC会以剂量依赖的方式影响认知能力和驾驶表现,尤其是与酒精一起使用时(Laumon等人,2005年):在法国的病例对照研究中,通过逻辑回归分析,发现大麻会显著增加驾驶员的事故责任,其中2.5%的致命事故可归因于大麻使用(Romano等人,2017年):结合FARS数据和SWITRS数据(加利福尼亚州),通过逻辑回归分析,发现即使在血液酒精浓度为0.0%时,大麻也会使驾驶员承担事故责任,其比值比为1.89;而在酒精浓度低于0.05%时,这一比值比为3.42)3. 方法论3.1 数据描述本部分介绍了2018年至2022年间涉及大麻的致命机动车事故数据集的概况,这些数据来自通过“死亡与伤害报告系统工具”从FARS系统中获取的。其目的是在后续分析中找出规律之前,先概述这些事故的关键特征分布情况。表2展示了各年度各类事故的分布情况。平日发生的事故始终占大多数,2022年的比例为64.7%,2019年为66.0%。夜间非高峰时段是事故高发期,2018年的占比最高,为50.9%,而傍晚和早晨的高峰比例则相对稳定。城市地区发生的事故最多,2020年的占比高达62.4%,而农村地区的事故比例在2019年达到最高值,为40.5%。需要注意的是,FARS数据中的道路类型属性和驾驶员行为属性在不同年份有所变化——早期数据中这些属性可能被合并在一起,而后来的数据则分开记录。表2. 按年份分类的事故属性分布。变量、2018年、数据量、2019年、数据量、2020年、数据量、2021年、数据量、2022年、数据量、一周中的几天、平日、3,366起,占比65.6%、3,450起,占比66.0%、4,238起,占比65.9%、4,099起,占比65.4%、4,380起,占比64.7%、周末、1,764起,占比34.4%、1,780起,占比34.0%、2,197起,占比34.1%、2,166起,占比34.6%、2,390起,占比35.3%、行驶时间、夜间非高峰时段、2,612起,占比50.9%、2,626起,占比50.2%、3,180起,占比49.4%、3,101起,占比49.5%、3,408起,占比50.3%、白天非高峰时段、927起,占比18.1%、996起,占比19.0%、1,221起,占比19.0%、1,176起,占比18.8%、1,199起,占比17.7%、高峰时段、傍晚高峰时段、1,037起,占比20.2%、1,037起,占比19.8%、1,334起,占比20.7%、1,320起,占比21.1%、1,384起,占比20.4%、早晨高峰时段、529起,占比10.3%、535起,占比10.2%、643起,占比9.99%、627起,占比10.0%、713起,占比10.5%、道路类型、州级公路、1,444起,占比28.1%、1,518起,占比29.0%、1,857起,占比28.9%、1,871起,占比29.9%、2,073起,占比30.6%、县道、703起,占比13.7%、689起,占比13.2%、857起,占比13.3%、903起,占比14.4%、917起,占比13.5%、州际公路、688起,占比13.4%、687起,占比13.1%、906起,占比14.1%、887起,占比14.2%、897起,占比13.2%、乡间道路、977起,占比19.0%、961起,占比18.4%、1,115起,占比17.3%、1,151起,占比18.4%、1,158起,占比17.1%、美国国道、773起,占比15.1%、835起,占比16.0%、936起,占比14.5%、968起,占比15.5%、1,018起,占比15.0%、其他类型道路、545起,占比10.6%、540起,占比10.3%、764起,占比11.9%、485起,占比7.74%、707起,占比10.4%、事故类型、碰撞方式、迎面相撞、642起,占比12.5%、661起,占比12.6%、751起,占比11.7%、866起,占比13.8%、836起,占比12.3%、正面撞击、286起,占比5.58%、331起,占比6.33%、392起,占比6.09%、402起,占比6.42%、439起,占比6.48%、非机动车卷入事故、380起,占比7.41%、412起,占比7.88%、546起,占比8.48%、436起,占比6.96%、552起,占比8.15%、碰撞类型、侧面碰撞、149起,占比2.90%、143起,占比2.73%、177起,占比2.75%、208起,占比3.32%、197起,占比2.91%、其他原因导致的事故、29起,占比0.57%、32起,占比0.61%、48起,占比0.75%、34起,占比0.54%、39起,占比0.58%、事故发生地点、非交叉路口、3,038起,占比59.2%、3,100起,占比59.3%、4,015起,占比62.4%、3,875起,占比61.9%、4,213起,占比62.2%、事故危害程度、撞到路边设施、500起,占比9.75%、533起,占比10.2%、697起,占比10.8%、660起,占比10.5%、649起,占比9.59%、道路状况、恶劣天气、2,956起,占比57.6%、2,963起,占比56.7%、3,602起,占比56.0%、3,514起,占比56.1%、3,835起,占比56.6%、光照条件、光线昏暗、2,943起,占比37.9%、2,018起,占比38.6%、2,513起,占比39.1%、2,423起,占比38.7%、2,602起,占比38.4%、黎明时段、92起,占比1.79%、93起,占比1.78%、110起,占比1.71%、114起,占比1.68%、黄昏时段、112起,占比2.18%、123起,占比2.35%、159起,占比2.47%、162起,占比2.59%、167起,占比2.47%、其他光照条件、27起,占比0.53%、33起,占比0.63%、51起,占比0.79%、59起,占比0.94%、52起,占比0.77%、天气状况、天气晴朗、3,451起,占比67.3%、3,572起,占比68.3%、4,501起,占比69.9%、4,451起,占比71.0%、5,107起,占比75.4%、天气多云、783起,占比15.3%、769起,占比14.7%、865起,占比13.4%、875起,占比14.0%、857起,占比12.7%、雾、烟雾、64起,占比1.25%、50起,占比0.96%、58起,占比0.90%、81起,占比1.29%、63起,占比0.93%、降雨天气、374起,占比7.29%、389起,占比7.44%、465起,占比7.23%、453起,占比7.23%、394起,占比5.82%、下雪天气、49起,占比0.96%、45起,占比0.86%、47起,占比0.73%、52起,占比0.83%、43起,占比0.64%、其他天气状况、409起,占比7.97%、405起,占比7.74%、499起,占比7.75%、353起,占比5.63%、306起,占比4.52%、驾驶员行为、粗心驾驶、643起,占比12.5%、666起,占比12.7%、0起,占比0%、0起,占比0%、不当变道、543起,占比10.6%、498起,占比9.52%、0起,占比0%、0起,占比0%、过度纠正驾驶行为、150起,占比2.92%、176起,占比3.37%、0起,占比0%、0起,占比0%、在错误车道行驶、168起,占比3.27%、145起,占比2.77%、0起,占比0%、0起,占比0%、恶意驾驶/路怒行为、75起,占比1.46%、81起,占比1.55%、0起,占比0%、0起,占比0%、未礼让他人、322起,占比6.28%、346起,占比6.62%、0起,占比0%、0起,占比0%、跟车距离过近、45起,占比0.88%、41起,占比0.78%、0起,占比0%、0起,占比0%、其他驾驶行为、1,843起,占比35.9%、1,967起,占比37.6%、0起,占比0%、0起,占比0%、其他原因、1,341起,占比26.1%、1,310起,占比25.0%、6,435起,占比100%、6,265起,占比100%、6,770起,占比100%、道路是否为分隔式或非分隔式、是分隔式道路、94起,占比1.83%、120起,占比2.29%、122起,占比1.90%、112起,占比1.79%、153起,占比2.26%、非交通要道或私人车道入口、11起,占比0.21%、15起,占比0.29%、16起,占比0.25%、23起,占比0.37%、28起,占比0.41%、单向道路、61起,占比1.19%、39起,占比0.75%、66起,占比1.03%、70起,占比1.12%、66起,占比0.97%、双向分隔式道路、1,313起,占比25.6%、1,368起,占比26.2%、1,753起,占比27.2%、1,737起,占比27.7%、1,792起,占比26.5%、双向非分隔式道路、2,879起,占比56.1%、2,943起,占比56.3%、3,571起,占比55.5%、3,538起,占比56.5%、3,725起,占比55.0%、其他类型道路、772起,占比15.0%、745起,占比14.2%、907起,占比14.1%、785起,占比12.5%、1,006起,占比14.9%、规定的限速、每小时30英里及以下、526起,占比10.3%、478起,占比9.14%、595起,占比9.25%、540起,占比8.62%、594起,占比8.77%、每小时35至50英里、1,705起,占比33.2%、1,733起,占比33.1%、2,229起,占比34.6%、2,262起,占比36.1%、2,347起,占比34.7%、每小时55至75英里、2,003起,占比39.0%、2,131起,占比40.7%、2,531起,占比39.3%、2,476起,占比39.5%、2,628起,占比38.8%、每小时80英里及以上、14起,占比0.27%、8起,占比0.15%、15起,占比0.23%、22起,占比0.35%、17起,占比0.25%、未知限速、882起,占比17.2%、880起,占比16.8%、1,065起,占比16.6%、965起,占比15.4%、1,184起,占比17.5%每个观测值都经过独热编码,其对应类别的位置上值为1。矩阵Z由多个块Z1、Z2……Zq组成,每个Zj都是一个n×pj的指示矩阵,用于表示第j个分类变量,而q则表示这类变量的总数。为对每个类别进行数值量化,构建了一个矩阵B:B=[B1T,B2T,?.BqT]T,其中Bj是一个pj×d的矩阵,包含了第j个变量各类别的量化值。观测值的低维坐标存储在矩阵Y中,这是一个n×d的矩阵;集群归属信息存储在矩阵Zk中,为n×K的矩阵;相应的集群中心点则存储在矩阵G(K×d)中(Markos等人,2019年)。为评估集群与分类变量之间的关系,通过将指示矩阵与集群分配矩阵交叉制表,形成了一个列联矩阵F=ZK?Z。对该矩阵应用CCA分析,可通过最大化组间方差来确定集群和类别的最佳标准化值。这一过程提升了集群的可区分性以及类别量化结果的可解释性。由于集群数量与类别数量之间通常存在不平衡,标准的对应分析标准化方法可能无法确保各元素具有相同的空间表现度。为解决这一问题,采用了缩放调整策略:集群中心点按常数γ进行缩放,而类别量化值则按其倒数进行缩放。这样就能确保所有元素到原点的平均平方偏差保持平衡:γ=KQ.TrBTBTrGTG1/4。经过此处理后,最终的标准化矩阵分别为Gs=γG和Bs=1γB,从而在双标图中实现视觉一致性与可解释性(Markos等人,2019年)。
4. 结果与讨论
本节详细阐述了本研究分析所得出的结论。表3展示了从与大麻相关的致命车祸分析中识别出的六个集群,每个集群都根据其在两个主要维度(Dim 1和Dim 2)上的位置(中心点)、集群内变异程度(平方和)以及每个集群所包含的事故数量(规模)来定义。规模较大的集群,如集群1和集群2,其集群内变异程度处于中等水平,说明这类事故具有更为相似的特征。而规模较小的集群,比如集群6,则表现出更为集中的模式,这从它们较低的平方和数值中可以看出。
表3. 集群的中心点与规模
| 集群 | 维度1 | 维度2 | 平方和 | 规模 |
|------|-------|-------|--------|------|
| 集群1 | -0.0019 | -0.0017 | 0.0110 | 7979 |
| 集群2 | -0.0027 | 0.0026 | 0.0095 | 5954 |
| 集群3 | -0.0013 | -0.0063 | 0.0084 | 5289 |
| 集群4 | -0.0029 | 0.0060 | 0.0124 | 4457 |
| 集群5 | 0.0119 | 0.0010 | 0.0087 | 4086 |
| 集群6 | 0.0011 | 0.0002 | 0.0081 | 2065 |
规模最大的集群1共有7979起事故,其中心点靠近两个维度的原点,这类事故多发生在交通管控较少的快速道路上。集群2有5954起事故,其中心点在维度2上稍高一些,这类事故多发生在城市交叉口,往往涉及交通违规和侧面碰撞。集群3有5289起事故,其中心点在维度2上更低,这类事故涉及在低速乡村道路上的非机动车驾驶员。集群4有4457起事故,其平方和最高,为0.0124,说明这类事故的多样性更强,很可能是因为数据存在缺失,或是涉及在缺乏管控或情况不明的环境中发生的非机动车相关事故。集群5有4086起事故,其维度1的数值为负且数值较大,这类事故多发生在州际公路或高速公路上,是在恶劣环境条件下与固定物体发生的碰撞。最后,集群6虽然事故数量最少,只有2065起,但它们形成了一个较为集中的群体,这类事故多发生在高速道路上的恶劣驾驶条件下的车辆翻滚事故。
图4展示了一个基于大麻相关致命车祸数据的散点图,这些数据分布在两个关键维度上(Dim.1和Dim.2),这两个维度代表了区分不同事故模式的潜在因素。图中的每个点对应一起单独的事故,而带有标签的点则表示所识别出的六个集群的中心点。这些中心点体现了每个集群在数据空间中的核心位置,各个集群围绕这些中心点呈现聚集状,凸显出事故特征上的相似性。
下载:下载高分辨率图片(226KB)
下载:下载完整尺寸图片
图4. 集群双标图
4.1. CCA分析结果
本节将对通过CCA分析提取出的集群进行解释。图5展示了用于确定本研究中CCA分析最佳集群数量的肘部法则图。在y轴上,该图显示了集群内的总平方和(WCSS),这一数值用于衡量集群的紧凑程度。x轴则表示集群的数量(K),范围从1到10。随着集群数量的增加,WCSS会下降,因为更多的集群通常会导致更小、更紧密的群体。然而,在某个临界点之后,进一步降低WCSS的收益就会变得很小。这个收益递减的点在曲线中被称为“肘部”。在本研究中,肘部出现在K=6处,图中用红色圆圈和标签进行了标记。这表明六个集群能够在模型复杂度与解释能力之间取得良好平衡。超过K=6之后,WCSS的下降速度会变缓,这意味着增加更多集群并不会显著提升分组效果,反而会不必要地提高模型复杂度。基于这一视觉分析,最终选择六个集群作为能够有效反映大麻相关致命车祸中不同事故模式的最佳数量。
下载:下载高分辨率图片(98KB)
下载:下载完整尺寸图片
图5. 用于确定最佳集群数量的肘部法则法
4.1.1. 集群1——乡村直道上的单车碰撞事故
图6展示了集群1(C1),这类事故占所有与大麻相关的致命车祸的26.7%。每根柱子的长度表示某项特征在该集群中的表现强度,以横轴上的零值作为基准。向右延伸的柱子表示与该集群存在正相关关系,而向左延伸的柱子则表示负相关关系。这类事故主要涉及车辆在事故发生前呈直线行驶,且常常与固定物体、沟渠或路缘发生碰撞。值得注意的是,这类事故也与交叉口无关,多发生在乡村地区、有速度限制在55至75英里/小时之间的直道上。相反,与这类事故呈负相关的特征包括车辆撞击其他物体、与交叉口相关的事件、侧面碰撞,以及涉及行人或骑自行车者的情况。这些特征表明,C1中的事故主要是单车离道事故,而非复杂的交通互动事故。这些发现暗示,属于该集群的大麻阳性驾驶员可能在注意力或危险感知方面存在缺陷,尤其是在那些道路笔直、位于乡村且速度较高的道路上。这类环境中的外部警示信号较少,可能会加剧大麻带来的警觉性和反应时间下降问题。事故以车辆翻滚和与固定物体碰撞为主,这一现象也与关于大麻影响驾驶行为的实验研究结果一致(Downey等人,2013年;Hartman和Huestis,2013年)。
下载:下载高分辨率图片(133KB)
下载:下载完整尺寸图片
图6. 乡村直道上的单车碰撞事故
4.1.2. 集群2——存在车道冲突的高速多车碰撞事故
图7展示了集群2,这类事故占所有大麻检测呈阳性的驾驶员所引发的致命车祸的20%。与这类集群呈正相关的最显著特征包括机动车行驶、不同的碰撞类型、直道设计、适中的至较高的法定速度限制、驾驶员存在不当变道行为,以及事故发生前车辆呈直线行驶。这些特征反映了高速多车事故中的典型事故模式,即驾驶员可能因不当变道、在车道间偏离或误判其他车辆的速度和位置而引发事故。此前的研究也表明,导致不当变道或车道偏离的错误行为与大麻带来的认知功能下降有关(Hartman和Huestis,2013年)。相反,与集群2呈负相关的特征则包括车辆在弯道行驶、道路呈弯曲形状、车辆离道事故、涉及行人或骑自行车者,以及与交叉口相关的事件。现有研究也支持这些规律,即大麻阳性驾驶员较少发生单车事故或离道事故,可能是因为他们倾向于在复杂的驾驶情况下降低车速或格外谨慎(Brubacher等人,2019年;Hartman和Huestis,2013年)。不过也有研究指出,大麻阳性驾驶员可能会通过更加谨慎的驾驶来弥补自身缺陷,从而导致一些严重程度较低的单车事故(Ramaekers等人,2004年)。
下载:下载高分辨率图片(129KB)
下载:下载完整尺寸图片
图7. 存在车道冲突的高速多车碰撞事故
4.1.3. 集群3——弯道上的单车失控事故
如图8所示,集群3(C3)占所有大麻相关致命车祸的17.7%,这类事故的特点是发生在乡村弯曲道路上的单车离道事故。该集群与以下特征存在较强的正相关关系,如事故发生前车辆正在行驶在弯道上、未与其他机动车发生碰撞、与固定物体、路缘及沟渠发生碰撞、车辆翻滚,以及与护栏或隔离栏发生碰撞。未与其他机动车发生碰撞这一正相关特征表明,这类事故中不存在其他移动车辆,说明事故的主要诱因是驾驶员的行为或状态,而非与其他道路使用者的交互作用。多项文献综述也表明,大麻使用会增加单车事故的风险,尤其是在那些对车辆控制要求极高的乡村非交叉道路之上(Ramaekers等人,2004年)。相反,与集群3呈负相关的特征包括直道路段、事故发生前车辆呈直线行驶、侧面碰撞或正面碰撞类型,以及涉及非机动车驾驶员的情况。
下载:下载高分辨率图片(113KB)
下载:下载完整尺寸图片
图8. 弯道上的单车失控事故
4.1.4. 集群4——交叉口处的转弯与让行失误事故
图9展示了构成集群4(C4)的各项特征,这类事故占所有大麻相关致命车祸的14.9%。该集群的特征表明事故动态较为复杂,包括涉及非机动道路使用者,以及事故发生在交叉口或设有信号灯的道路等受控环境之外。对该集群贡献最大的正相关特征包括侧面碰撞类型、四路交叉口、事故发生前的转弯动作,以及未让行的行为。这些特征表明,C4中的许多事故都与交叉口处的转弯操作有关,尤其是四路交叉口。而负相关特征则表明,那些不在交叉口发生、或不涉及非车辆类有害因素(如固定物体、行人或骑自行车者)的事故,不太可能属于这一集群。此外,弯道、州际公路或分隔式高速公路等道路环境也与C4呈负相关。在白天条件下发生的事故也属于负相关范畴,这表明这类事故更可能发生在能见度较低或夜间。
下载:下载高分辨率图片(122KB)
下载:下载完整尺寸图片
图9. 交叉口处的转弯与让行失误事故
4.1.5. 集群5——涉及行人的特殊驾驶员与道路条件事故
图10展示了集群5(C5)的特征概况,这类事故占所有大麻相关致命车祸的13.7%。该集群以“其他”类别或含义模糊的类别为主,还存在速度限制不明确的状况,这些都表明许多此类事故发生在非标准道路环境中。该集群中存在行人或骑自行车者死亡的情况,这凸显了在高速行驶区域中非机动车驾驶员的脆弱性。这些特征也反映出数据质量可能存在问题,而在那些事故现场情况复杂或信息不全的致命事故报告中,这种情况尤为常见,尤其是当驾驶员受到大麻影响时,他们往往难以清晰描述事故经过。这些负相关特征表明,C5中的事故通常不会发生在传统的高速公路路段,尽管其中有一些事故发生在州际公路上或其附近。相反,由于缺乏标准的分隔式道路、明确的速度限制以及清晰的道路走向,这些事故更可能发生在条件较差或非常规的道路上。此外,缺乏白天光线条件以及驾驶员消极怠慢的贡献较低,都表明这些事故可能涉及主动犯错或复杂的驾驶操作,而且能见度较低可能进一步加剧了这些问题。与交叉口事故中常见的正面碰撞或侧面碰撞相比,这类事故的发生频率相对较低,这说明这些事故很可能属于单车事故、离道事故,或是在复杂环境下与非机动车驾驶员发生的碰撞事故。
下载:下载高分辨率图片(118KB)
下载:下载完整尺寸图片
图10. 涉及行人的特殊驾驶员与道路条件事故
4.1.6. 集群6——夜间城市环境中涉及弱势道路使用者的事故
图11展示了集群6(C6)的各项特征权重,这类事故占所有大麻相关致命车祸的6.9%。与该集群关联最强的特征是“HAE.Ped/Pdlcycl”,这一特征表明,这类事故中往往以行人或骑自行车者作为最严重的受害方。此外,该集群与城市环境以及照明条件不佳的情况也存在正相关关系,这说明这类事故多发生在能见度低的城市环境中。与之相比,这一类别与绕行弯道、角度型碰撞以及弯曲的道路走向存在负相关关系,这说明这类道路特征和碰撞模式在该类别中较为少见。下载:下载高分辨率图片(114KB)下载:下载完整尺寸图片图11. 夜间城市中涉及弱势道路使用者的交通事故。表4展示了从致命的大麻相关交通事故中划分出的六个类别的各项关键碰撞特征的对比情况。表4中阴影部分标出了各类别中占比最高的变量类别,从而显示出各碰撞群体的典型特征。不同类别根据季节趋势、一天中的时间、道路类型、碰撞特征以及驾驶员行为表现出不同的模式。各类别的季节性趋势相对均衡,大多数事故发生在夏季和秋季。从一周中的天数来看,大多数事故发生在工作日。在一天中的不同时间段上,夜间非高峰时段的事故在3、5、6类中最为常见,其中5类所占比例最高(66.5%),这可能表明在深夜时段,受大麻影响的驾驶员面临更高风险。而4类则更多发生在白天的非高峰时段(28.3%)以及晚间的高峰时段(29.3%),说明在交通流量较大的区域,而非仅在夜间驾驶时,死亡事故更为多发。道路类型方面差异显著,4类以地方街道(29.5%)和美国高速公路(19.8%)上的事故居多,反映出该类区域的交通环境较为复杂。3类则更多与县道(22.6%)以及欠发达地区相关。表4. 基于类别的比较分析。变量名称第1类第2类第3类第4类第5类第6类样本数=7,977样本数=5,957样本数=5,290样本数=4,457样本数=4,086样本数=2,063月份(周一)秋季25.50%26.80%24.40%26.50%26.70%25.60%春季26.10%24.10%25.50%25.30%22.90%23.10%夏季28.20%28.10%29.70%30.20%24.30%27.70%冬季20.20%21.00%20.50%18.00%26.10%23.60%一周中的天数(DOW)工作日63.00%67.80%59.50%71.10%68.50%65.30%周末37.00%32.20%40.50%28.90%31.50%34.70%时间(小时)夜间非高峰时段49.60%43.30%56.30%32.10%66.50%61.70%白天非高峰时段20.10%23.10%15.20%28.30%6.31%10.50%晚间高峰时段18.00%21.10%17.40%29.30%19.20%19.80%早晨高峰时段11.50%12.40%9.05%10.30%7.34%7.71%未知0.81%0.15%2.14%0.07%0.66%0.39%道路类型(RdT)州级高速公路28.30%32.90%31.50%28.80%27.20%23.50%县道16.80%9.57%22.60%9.83%7.71%10.10%州际公路17.90%18.90%12.00%0.61%14.20%12.80%地方街道15.60%11.70%14.50%29.50%20.60%24.00%美国高速公路13.00%20.10%9.64%19.80%16.10%11.70%其他8.40%6.75%9.74%11.40%14.10%17.80%地点(Loc)城市51.90%56.10%44.90%78.30%81.20%76.30%农村47.90%43.80%54.90%21.50%18.30%23.00%未列入州级统计的交通道路0.09%0.07%0.15%0.16%0.17%0.53%未知0.06%0.02%0.09%0.07%0.32%0.05%未报告0.06%0.02%0.02%0.00%0.02%0.10%有害事件(HAE)路缘/沟渠18.70%1.58%23.60%0.00%0.69%8.58%固定物体24.70%1.26%30.90%0.00%2.28%12.00%护栏/隔离栏9.25%0.25%11.80%0.00%0.22%2.86%多重车辆事故19.70%93.20%0.11%99.40%2.74%17.10%行人/骑自行车者0.09%0.55%0.89%0.52%92.90%43.60%翻车12.70%1.44%17.80%0.02%0.15%6.06%其他14.90%1.68%15.00%0.02%1.00%9.79%碰撞类型(Col)角度碰撞4.20%19.70%0.00%84.90%0.76%3.10%正面相撞12.40%40.00%0.11%4.94%0.20%7.32%前后相撞1.03%22.30%0.00%7.31%1.17%3.15%无多重车辆事故80.30%6.75%99.90%0.56%97.00%82.70%侧面碰撞1.74%9.99%0.00%1.62%0.24%2.81%其他0.34%1.33%0.02%0.67%0.66%0.87%与交叉路口相关(Int)非交叉路口94.00%87.00%95.60%9.29%79.40%79.10%四路交叉口1.69%5.69%0.70%64.20%12.90%11.20 T形交叉口3.59%6.09%2.17%25.20%6.09%7.76%Y形交叉口0.46%0.81%1.12%0.56%0.29%0.48%其他0.30%0.39%0.42%0.81%1.37%1.45%照明条件(Lgh)黑暗环境53.90%48.90%60.80%36.30%82.30%70.70%白天光线41.60%46.10%33.30%58.40%13.90%24.30%黎明1.70%2.17%1.81%1.68%1.20%1.50%黄昏2.19%2.70%2.36%3.59%1.44%2.08%其他0.53%0.15%1.70%0.02%1.22%1.45%天气状况(Wth)晴朗68.20%70.00%67.60%78.30%71.50%72.10%多云14.70%14.80%14.60%12.60%12.40%12.50%雾、烟雾、烟尘1.05%1.21%1.10%0.63%1.25%1.11%降雨8.20%7.50%7.30%3.28%7.37%6.83%下雪1.08%1.14%0.55%0.27%0.49%1.02%其他6.82%5.37%8.85%4.91%7.07%6.40%驾驶行为(Act)粗心驾驶6.14%3.96%7.33%2.78%0.00%3.44%不当变道4.89%7.71%2.06%0.92%0.00%2.04%过度纠正2.32%0.22%2.34%0.00%0.00%0.19%走错车道1.14%2.59%0.43%0.65%0.00%0.78%激进驾驶/路怒症0.78%0.49%0.55%0.70%0.00%0.24%不礼让他人0.18%1.51%0.06%12.20%0.02%0.87%跟车距离不当0.11%0.64%0.00%0.79%0.00%0.19%无此类行为14.80%13.70%17.30%12.70%0.02%15.90%其他69.60%69.20%70.00%69.30%100.00%76.30%分隔式或非分隔式道路(DvUn)入口/出口匝道1.83%0.77%6.45%0.47%0.00%2.28%非交通道路或私人车道入口0.00%0.00%00%1.86%00%0.48%单向行驶道路1.03%0.72%1.10%1.97%00%1.50%双向分隔式道路34.30%37.00%21.50%27.70%0.07%31.70%双向非分隔式道路62.80%61.50%70.60%67.30%0.12%60.10%其他0.05%0.02%0.32%0.74%99.80%3.97%规定的速度限制(PSL)30英里/小时或更低10.00%5.94%11.40%15.50%00%14.00%35–50英里/小时35.40%33.00%39.40%57.20%0.17%41.00%55–75英里/小时53.70%60.00%45.90%20.00%00%28.70%80英里/小时及以上0.45%0.29%0.34%00%00%00%0.24%未知0.44%0.76%3.06%7.31%99.80%16.00%道路重新设计(Rel)弯道18.20%1.86%77.40%0.29%00%5.33%左转弯道2.09%0.29%12.60%0.11%00%0.73%右转弯道2.92%0.29%9.55%0.16%00%0.92%非交通道路或私人车道入口00%00%00%1.86%00%0.48%直道76.70%97.10%0.36%94.90%00%78.20%其他0.05%0.45%00%2.67%100%14.30%事故发生前的行为(Pact)变道2.42%4.90%0.47%0.90%00%1.41%在道路上减速0.19%0.99%00%0.56%00%0.05%保持直行75.20%80.20%3.63%72.80%0.24%64.30%开始行驶0.06%0.15%00%1.12%00%0.10%已停在路面上0.06%2.48%00%2.00%00%0.29%转弯0.75%2.23%00%18.80%00%0.16%其他2.22%8.06%1.72%3.88%99.80%31.00%驾驶员年龄24岁及以下31.60%29.10%33.10%30.00%17.90%29.90%25–44岁47.00%50.00%46.00%46.60%47.40%48.70%45–64岁17.90%17.70%18.00%18.20%28.40%18.30%65岁及以上3.43%3.12%2.87%5.00%5.90%2.76%未知0.03%0.07%0.06%0.16%0.37%0.39%性别(Gen)女性21.90%22.70%19.80%19.30%23.00%21.90%男性77.90%77.20%80.10%80.70%76.80%77.60%未报告0.19%0.12%0.11%0.02%0.15%0.53%通过这些分析可以发现,致命的大麻相关交通事故并非呈现统一特征。不同的类别对应着不同的风险场景,比如城市环境中的行人碰撞事故(第5类)、农村地区的车辆失控事故(第3类),或是与交叉路口相关的多车事故(第4类)。这些见解有助于我们更清晰地了解大麻相关交通死亡事故发生的地点和原因。4.2 基于安全系统方法设计层级的政策建议安全系统方法旨在设计能够预见人类失误并降低致命事故风险的交通系统。结合本研究发现的六个大麻相关致命事故类别,可依据安全系统方法的设计层级提出若干政策建议:消除严重冲突、降低车辆速度、及时处理冲突,以及提高驾驶员的注意力与意识。需要指出的是,尽管这些措施普遍适用于道路安全,也并非仅针对大麻相关事故,但鉴于大麻会影响驾驶员的感知、注意力和反应时间,这些措施在这一背景下尤为重要。第一层级为消除严重冲突,即消除道路上最危险的碰撞情况。这在涉及车辆偏离车道或与固定物体碰撞的事故中尤为关键,这类事故在第一个类别中较为常见。大麻会影响驾驶员的对车道控制能力,还会延缓其采取纠正措施的速度,从而导致车辆更容易偏离车道。在农村或高速路段,设置中央隔离栏、护栏以及边缘警示条,对于那些无法迅速做出反应的受大麻影响的驾驶员而言尤为重要。在城市地区,由于第六类事故中行人及骑自行车者的比例较高,大麻导致的注意力下降会增加驾驶员未能及时发现弱势道路使用者的风险。因此,在这类区域,通过设置防护性自行车道、抬高的人行横道以及行人安全岛,将车辆与弱势群体隔离开来,显得尤为重要。第二层级为降低车辆速度,即通过降低车速来减少事故带来的冲击力,提高事故幸存率。研究显示,大麻相关事故多发生在农村或高速路段,因为这些地方驾驶员对速度和距离的感知能力较差,进一步增加了事故风险。在那些频繁发生大麻相关事故的路段,可通过降低法定速度限制,再加上收窄车道、设置减速设施以及环形交叉路口等措施,同时解决高风险的环境因素和驾驶员能力下降的问题。在弯道或无序交叉路口等驾驶员难以掌控车辆的路段,可通过动态速度提示标志和高摩擦路面处理方式,有效降低大麻影响带来的风险。第三层级为及时处理冲突,尤其适用于交叉路口事故。受大麻影响的驾驶员往往决策迟缓、反应变慢,这就容易导致多名驾驶员同时抵达冲突点。因此,在这类场景中,采用更合理的信号配时方案,比如设置保护性转向时段、延长黄灯时间以及为行人提前放行,显得十分重要。在行人活动频繁的区域,还可通过自动行人检测系统实时调整行人过街时间,避免因驾驶员反应迟缓而未能及时让行。第四层级为提高驾驶员的注意力与意识,这是应对大麻影响驾驶所带来的注意力下降、反应迟缓以及判断力减弱等问题的关键。第2、5、6类事故均显示出与夜间行驶、非常规驾驶行为以及城市环境相关的特点,这些都表明驾驶员的判断能力可能受到了影响。因此,应开展公共宣传活动,向驾驶员,尤其是年轻人,普及大麻对驾驶注意力及控制能力的负面影响。将这些措施综合应用,就能够构建一个更加安全的交通系统,有效应对人类失误带来的风险。当然,本研究也存在一些局限性。首先,驾驶员体内存在THC并不一定意味着其在事故发生时处于醉酒状态,因为THC在血液中的残留时间可能长达数小时甚至数天,因此无法准确判断事故发生时驾驶员的具体状态。其次,FARS数据库中的一些事故记录缺乏完整的信息,尤其是关于照明条件、道路几何结构以及驾驶员行为等方面的数据,这限制了对某些类别事故的深入分析。此外,涉及行人或骑自行车者的事故往往存在大量缺失信息,难以确定事故的真正原因。最后,本研究仅使用了全国范围内的FARS数据,未能分析不同州在执法力度、道路设计以及大麻使用情况方面的差异。此外,本研究仅聚焦于致命的大麻相关事故,所分析的空间分布和影响因素也仅针对这一特定群体。并未对所有事故进行直接比较,因此无法确定这些模式相对于更广泛的事故群体是否具有独特性。未来的研究应探讨此处观察到的过度出现的因素和集群结构是否与一般事故分布存在显著差异,以便为有针对性的干预措施提供更好依据。后续研究还可以探究这些状态层面的差异,或将FARS数据与当地事故报告、道路状况数据相结合,甚至利用包含实时观测数据的自然驾驶研究。此外,还有可能运用机器学习模型或基于模拟的方法结合聚类分析,来预测涉及血液中大麻成分阳性驾驶员的高风险场景。进一步的研究可以通过比较不同物质相关事故(如酒精、多种物质同时使用)以及不同驾驶员群体中的模式结构,拓展这一方法。此类比较分析能够揭示特定物质或特定人群的风险机制,为预防策略和政策设计提供更为精细的指导。
CRediT作者贡献说明:
Rohit Chakraborty:写作——审阅与编辑,写作——初稿撰写,正式分析,数据整理,概念构建。
Sazzad Bin Bashar Polock:写作——审阅与编辑,写作——初稿撰写,可视化处理。
Biplov Pandey:写作——审阅与编辑,写作——初稿撰写。
Sawgat Ahmed Shuvo:写作——审阅与编辑,写作——初稿撰写。
Kakan Dey:写作——审阅与编辑,写作——初稿撰写。
Subasish Das:写作——审阅与编辑,写作——初稿撰写,监督指导,正式分析,数据整理,概念构建。
资金支持:作者们声明没有为本文的研究、作者身份认定及/或发表提供任何财务支持。