电动自行车和电动滑板车受伤的差异性风险因素：一项基于自然语言处理技术的全国性分析（2014–2023年）

《Safety Science》：Differential risk factors for E-bicycle and E-scooter injuries: An NLP-enhanced national analysis (2014–2023)

　　格雷格·瑞巴尔奇克（Greg Rybarczyk）|克里斯汀·周（Kristine Zhou）|赫里蒂克·戈尔帕德（Hritik Ghorpade）|肖莉（Xiao Li）
密歇根大学弗林特分校地理空间科学系，美国密歇根州弗林特市凯尔斯利街303号，邮编48502

**摘要**
电动微型移动设备的迅速普及彻底改变了城市交通方式，然而其安全影响在国家级层面仍缺乏充分理解。现有研究主要集中在单一城市样本或基本伤害频率上，这限制了对风险因素的全面认识。本研究通过使用国家电子伤害监测系统（NEISS）对2014年至2023年十年间的电动自行车和电动滑板车伤害数据进行全国性分析，以填补这些空白。我们运用自然语言处理技术从临床叙述中提取相关变量，包括头盔使用情况、碰撞类型和伤害位置，并将这些信息与NEISS的标准化字段结合，通过二元逻辑回归模型识别不同模式的住院风险因素。对2,454起电动自行车伤害事件和3,664起电动滑板车伤害事件的分析显示，这两种交通工具的风险特征存在显著差异：电动自行车与机动车辆的碰撞使住院几率增加了一倍多（OR = 2.589）；男性患者的住院几率比女性高93%（OR = 1.927）；在娱乐场所发生的伤害事件使住院风险增加了近两倍（OR = 2.816）。对于电动滑板车，男性患者的住院几率也高出48%（OR = 1.478），同时药物使用会进一步增加住院风险（OR = 2.416）。在两种交通工具中，65岁及以上的骑行者面临更高的风险。这些发现表明，迫切需要针对不同模式制定具体的安全干预措施：为电动自行车设置专用基础设施以避免与机动车辆的冲突，针对电动滑板车实施行为干预以减少药物使用和超速行为，并为老年骑行者提供更完善的保护措施。

**1. 引言**
微型移动设备，尤其是电动自行车和电动滑板车的迅速普及，极大地改变了城市交通网络，带来了诸如降低排放、提高首末公里出行的连通性以及改善弱势群体出行能力等积极效益（Abduljabbar等人，2021年；Shaheen和Cohen，2019年；Yin等人，2024年）。然而，这种变革也带来了严重的安全问题。2017年至2019年间，美国各地急诊部门报告的与微型移动设备相关的伤害事件超过77,000起，仅2021年至2022年这一年间就增长了21%（Tark，2022年）。2014年至2018年间，因电动滑板车受伤而住院的比率上升了365%（Namiri等人，2020年）。电动自行车造成的伤害风险同样显著，其住院率是传统自行车的1.6倍（DiMaggio等人，2020年）。然而，我们对这些伤害机制及其根本原因的理解仍然有限。

尽管有关微型移动设备伤害的证据不断增加，但关键性的研究空白阻碍了我们对问题的全面理解和基于证据的干预措施的实施。现有研究大多采用描述性流行病学方法，侧重于人口统计分布，而忽视了行为因素、基础设施设计和环境条件如何共同影响碰撞动态（Tark，2022年）。这些因素进一步加剧了风险；最新研究表明，对微型移动设备法规的认知不足与非法骑行行为（如使用人行道、违反交通信号、不佩戴头盔等）的发生率较高有关（Useche等人，2023年；Neshagaran等人，2025年），但很少有研究将这些合规变量作为预测碰撞严重程度的因素纳入分析。尽管有证据表明，电动滑板车和电动自行车事故的伤害严重程度会因路面状况、设施类型和几何设计而异（Sanjurjo-de-No等人，2023年），且路面不平整是导致电动滑板车事故的常见原因（Yannis等人，2024年），但相关研究仍不够充分。利用国家电子伤害监测系统（NEISS）数据的研究也未能充分利用其中包含的详细事故描述信息，从而错失了关于事故环境和伤害机制的宝贵信息（Aizpuru等人，2019年；Trivedi等人，2019年）。从时间和地理范围来看，现有研究大多局限于1至3年的时间跨度（Blomberg等人，2019年；Savitsky等人，2021年），且主要集中在单个城市或医院系统中（DiMaggio等人，2020年；Shannon等人，2025年），这限制了我们追踪趋势变化或建立全国性模式的能力。在分析方法上，尽管电动自行车和电动滑板车在操作上有本质区别，但大多数研究仍将它们视为同一类别或仅将设备类型作为简单协变量（Fernandez等人，2024年；Tark，2022年），从而无法识别针对特定模式的风险因素。此外，很少有研究探讨环境因素与伤害之间的相互作用：虽然已知维护不良的路面会导致30%至40%的电动滑板车事故（Yannis等人，2024年），但尚未量化道路状况如何与天气、时间或基础设施类型相互作用以影响住院风险。尽管基于NEISS的数据研究日益增多（Aizpuru等人，2019年；DiMaggio等人，2020年；Farley等人，2020年；Goodman等人，2020年；Namiri等人，2020年；Neuroth等人，2022年），但跨设备类型的全面比较分析仍然有限，大多数研究仅针对单一模式或特定人群，未能利用标准化全国监测数据来探讨设备特定的伤害机制、风险因素和预防策略。这些知识空白带来了严重后果：不同地区和人群之间的研究结果差异阻碍了全国性趋势的建立（Traynor Jr等人，2022年），而冲突的伤害严重程度数据也使得基于证据的法规制定变得复杂（Cherry等人，2021年；Hossein Sabbaghian等人，2023年）。由于缺乏具有全国代表性的纵向数据，政策制定者和规划者缺乏制定有效安全干预措施的证据基础，城市和州政府也无法准确了解微型移动设备的普及对公共卫生的影响。

本研究通过使用NEISS数据，对2014年至2023年间的电动自行车和电动滑板车伤害及住院情况进行了全面的全国性分析，时间跨度较长，涵盖了市场从初步引入到成熟发展的整个过程。研究系统地运用自然语言处理技术从临床叙述中提取碰撞细节，包括头盔使用情况、速度、碰撞类型和伤害位置，从而超越了以往NEISS研究中手动编码或标准关键词搜索的方法。此外，本研究还为电动自行车和电动滑板车分别建立了多变量回归模型，以识别特定模式的住院风险特征，超越了现有文献中的描述性比较。本研究旨在：
- 量化美国电动自行车和电动滑板车伤害模式及住院趋势的十年演变；
- 评估电动自行车和电动滑板车在伤害特征和住院模式上的差异；
- 通过多变量回归分析识别影响两种交通工具住院风险的差异因素。

通过扩展时间范围、增强数据提取能力及设备特定风险建模，本研究在以往研究的基础上，全面探讨了微型移动设备伤害机制，为基于证据的城市规划和有针对性的公共卫生干预提供了重要支持。本文余下部分的结构如下：第2节回顾了关于微型移动设备伤害趋势和风险因素的现有文献；第3节描述了研究设计、数据来源、案例选择标准、自然语言处理流程和统计方法；第4节展示了时间趋势、伤害特征和特定模式的住院风险因素；第5节在先前研究的基础上讨论了研究结果并提出了政策建议；第6节为结论。

**2. 文献综述**
**2.1. 微型移动设备伤害趋势**
NEISS的最新流行病学数据显示，微型移动设备伤害呈指数级增长，不同类型设备之间的伤害模式存在显著差异。2014年至2018年间，电动滑板车伤害和住院人数分别增长了222%和365%，而电动自行车伤害人数从2017年到2022年每年翻了一番，全国监测系统记录的电动滑板车相关急诊就诊次数超过267,000次（Fernandez等人，2024年；Namiri等人，2020年；Tark，2022年）。最新数据显示伤害趋势仍在继续：2019年至2022年间，电动自行车伤害率增长了293%，电动滑板车伤害率增长了88%（Burford等人，2024年）。电动滑板车共享系统的引入直接导致了伤害和住院人数的增加，特别是在电动滑板车共享服务覆盖范围内的医院，相关住院人数每月都有显著增长（Traynor Jr等人，2022年）。COVID-19大流行加速了这一趋势，更多人从公共交通转向微型移动设备进行社交距离出行；2019年至2020年间，美国电动自行车销量增长了145%，城市通过设置临时自行车道改善了骑行基础设施（Buehler和Pucher，2021年；Nikitas等人，2021年）。2020年初，超过40%的美国市场暂停了电动滑板车共享服务，但随着限制措施的放宽，使用者数量迅速回升，吸引了更多偶尔使用者和初次使用者，进一步推动了伤害事件的增加（Dean和Zuniga-Garcia，2022年；Tark，2022年）。比较分析显示，电动自行车与电动滑板车在风险特征上存在差异：电动自行车与行人的碰撞风险是传统自行车的三倍，住院几率是后者的1.6倍；其中35%的电动自行车伤害涉及机动车辆，而电动滑板车这一比例为23%（Burford等人，2024年；DiMaggio等人，2020年）。电动滑板车用户的住院率高于传统自行车用户（8.4% vs 5.6%），但在直接比较中，两者伤害严重程度相似（Younes，2025年）。从解剖学上看，头部创伤在两种交通工具中占比均约为30%至35%，但电动滑板车更常导致肢体受伤，而传统自行车更多导致躯干受伤（Clough等人，2023年；Namiri等人，2020年）。

**2.2. 电动自行车和电动滑板车的风险因素**
行为、人口统计和环境因素共同影响着微型移动设备的伤害风险。两种交通工具中头盔使用率都极低：只有4.4%的电动滑板车骑行者和13%至15%的电动自行车骑行者在受伤时佩戴了头盔（Burford等人，2024年；Trivedi等人，2019年）。佩戴头盔显著降低了两种交通工具的头部伤害严重程度，尤其是颌面部创伤（Cittadini等人，2023年；Stassen等人，2024年）。药物使用显著增加了电动滑板车的住院风险，其中9%的电动滑板车伤害与酒精有关，而其他微型移动设备中这一比例较低（Burford等人，2024年）。从人口统计角度看，电动滑板车骑行者年龄通常较年轻（19-40岁），而电动自行车骑行者年龄范围较广（13-67岁），这可能意味着观察到的伤害差异部分反映了年龄相关的混杂因素而非设备本身的风险（Niemann等人，2023年）。性别差异也影响了伤害机制：男性更常因物体碰撞受伤，而女性则更易从设备上跌落，尽管总体受伤频率较低，但女性头部受伤和内脏器官受伤的比例更高（Locke等人，2025年）。社会经济背景也影响了伤害风险：英国的一项全国性研究发现，电动滑板车事故主要集中在贫困社区，超过45%的事故发生在最贫困的地区，基尼系数表明事故分布的不平等程度是普通交通事故的三倍（Li等人，2025年）。两种交通工具的碰撞机制存在显著差异：电动滑板车事故主要由单车跌落引起（79-88%），而机动车辆参与的事故比例在单点研究中为2%至6%，在全国性监测数据中为18.6%，方法学和人口统计差异解释了这一差异（Kleinertz等人，2021年；Mooney等人，2024年；Neuroth等人，2022年）。涉及机动车辆的电动滑板车事故住院率显著更高（14.6%），且几乎全部发生在街道上，主要影响年轻人和成年人（Neuroth等人，2022年）。相比之下，电动自行车中有30%的事故涉及机动车辆，其中24-30岁年轻人的这一比例高达42.8%（Locke等人，2025年）。环境因素对事故风险也有显著影响：路面状况占电动滑板车事故的30-40%，基础设施缺陷导致事故多发生在人行道和共享路径上（Stigson等人，2021年；Yang等人，2020年）。速度相关因素加剧了两种交通工具的伤害严重程度：电动滑板车事故在时速超过15英里时风险更高，电动自行车的较高运行速度也导致了更高的伤害严重程度（Niemann等人，2023年；Yang等人，2020年）。

**3. 材料与方法**
**3.1. 研究设计与数据来源**
本研究采用回顾性队列设计，使用由美国消费品安全委员会（USCPSC，2023年）维护的国家电子伤害监测系统（NEISS）的二手数据。NEISS提供了每年在约100家美国急诊部门治疗的与产品相关的伤害样本，包括专门的儿科设施，其统计权重支持人口层面的推断（Schroeder & Ault，2001年）。分析范围涵盖2014年1月1日至2023年12月31日的伤害数据，旨在全面反映美国电动微型移动设备从市场初期引入到广泛普及的整个发展过程。选择NEISS作为数据来源的原因有三：（1）它是唯一一个在整个研究十年内保持一致编码的全国代表性伤害监测系统；（2）其混合结构结合了标准化的人口统计和临床信息以及包含碰撞细节的临床叙述；（3）先前的研究已验证了其在微型移动设备伤害分析中的有效性（Burford等人，2024年；DiMaggio等人，2020年；USCPSC，2023年）。由于NEISS数据公开且去标识化，本研究无需机构审查委员会的批准。案例选择与筛选
本研究采用了一种系统的双分支数据采集策略，从NEISS数据库中提取了与电动自行车和电动滑板车相关的伤害案例（图1）。对于电动自行车部分，数据聚合始于三个主要产品代码的案例：轻便摩托车和助力自行车（3215，n = 7,910）、多用途自行车和动力车辆（5035，n = 735）以及自行车或配件（不包括全地形自行车）（5040，n = 18,824）。对这些合并记录应用了关键词过滤过程，搜索叙述字段中包含“electric”、“bike”、“bicycle”及其变体的术语。这一过滤过程最终得到了2,454例确认的电动自行车伤害案例。同时，电动滑板车的记录也通过类似的方法进行处理，最初使用了两组产品代码进行收集：动力滑板车/滑板（5042，n = 11,163）以及包括1329、5023和5024在内的新分类代码，用于未指定或非动力滑板车（n = 19,257）。这些记录同样经过了关键词过滤，搜索了“electric”、“scooter”、“e-scooter”及相关变体的术语。这种系统的过滤过程共识别出3,664例确认的电动滑板车伤害案例。这种方法确保了对微移动设备伤害的全面覆盖，并在整个数据采集过程中保持了严格的分类标准。

下载：下载高分辨率图像（189KB）
下载：下载全尺寸图像

图1. NEISS数据采集和筛选方法

3.3. NEISS指标
分析使用了标准化的NEISS监测字段和自然语言处理衍生的变量，以全面描述微移动设备伤害情况。标准NEISS变量包括：性别（二元：男性/女性）、种族（六个类别：白人、黑人/非裔美国人、亚洲人、美洲原住民/阿拉斯加原住民、夏威夷原住民/太平洋岛民、其他、未说明）、年龄（四个类别：<18岁、18–34岁、35–64岁、65岁以上）、身体部位（五个类别：头部、上肢、下肢、躯干、多部位/其他）、诊断（四个类别：肌肉骨骼损伤、表面损伤、内部损伤、其他）以及受伤地点（九个类别：家中、街道/公路、学校、娱乐设施、公共财产）。值得注意的是，NEISS没有捕捉和编码诸如自行车设施类型、路面状况或事故道路几何特征等建筑环境变量；这些因素虽然与事故发生和严重程度相关，但不属于该数据集的内容。本研究的结果变量是伤害严重程度，以二元指标表示：住院治疗（住院或死亡；NEISS代码4, 8）与仅接受治疗并出院（NEISS代码1, 6）。这种二分法有助于识别需要住院治疗和过夜护理的严重伤害与较轻伤害之间的风险因素。因此，所建立的模型估计了基于急诊科就诊情况的住院概率；风险人群包括NEISS记录中的受伤骑手，而非所有微移动设备用户。因此，本研究的分析框架关注的是记录在案的伤害案例的严重程度，并不需要总体用户数量、出行次数或行驶距离等人口层面的指标来保证内部有效性（Karpinski, Bayles, & Sanders, 2022b）。

3.4. 自然语言处理方法
为了从临床叙述中提取标准化NEISS字段中缺失的碰撞相关变量，本研究采用了一种基于Transformer的自然语言处理流程（图2）。借鉴了最近在医学文本分类领域成功应用Transformer模型的成果（Rasmy et al., 2021），使用了一个随机训练样本（n = 1,838，占数据集的30%），涵盖了四个感兴趣的伤害相关因素：头盔使用情况、碰撞类型、受伤地点背景以及报告的速度。由于这些记录较为稀缺，因此使用正则表达式和关键词将它们分类为五个类别。在预处理阶段，同时对叙述进行了分词处理，并调整了类别权重，以考虑类别变量中的潜在不平衡问题，使用了HuggingFace提供的Transformer库。本研究使用了经过自动试验优化超参数的预训练RoBERTa Transformer模型。RoBERTa的去下一句预测（NSP）功能和动态掩码技术使其特别适合处理简短的临床叙述（Liu et al., 2019）。验证后的分类器表现优异：头盔使用（F1 = 0.972）、受伤地点（F1 = 0.913）和碰撞类型（F1 = 0.820）。然后，这些模型被应用于剩余的4,399条叙述以生成预测结果。这种方法能够系统地从自由文本中提取上下文相关因素，解决了先前NEISS微移动设备研究中依赖手动编码或完全忽略叙述分析的局限性（Neuroth et al., 2022）。所有基于NLP的分类变量的完整定义和编码规则见补充材料（表S1）。

下载：下载高分辨率图像（233KB）
下载：下载全尺寸图像

图2. NLP Transformer在NEISS数据中的应用效果评估

3.5. 时间和描述性分析
为了量化2014年至2023年间电动自行车和电动滑板车伤害模式及住院趋势的十年演变，并实现第一个研究目标（RO.1），采用了结合NEISS复杂抽样设计的加权时间趋势分析方法。计算了2014年至2023年每年的伤害和住院人数及其95%置信区间，同时考虑了医院规模、地理位置和抽样概率等因素。生成了分别显示电动自行车和电动滑板车伤害及住院趋势的时间图表，以可视化增长模式并识别出与市场或政策重大变化相对应的关键转折点。还计算了每年所有人口统计、伤害和背景变量的加权比例及其95%置信区间，以描述受伤骑手特征和碰撞情况的时间变化。所有时间分析都包含了调查设计调整（抽样权重、分层、主要抽样单位），以确保使用R统计软件（版本4.4.3）进行准确的人口层面推断。

为了实现第二个研究目标（RO.2）并评估电动自行车和电动滑板车之间的伤害和住院模式是否存在显著差异，实施了两种互补的统计测试：Rao-Scott二阶校正卡方检验（Thomas & Rao, 1987）和基于设计的Wald检验（Koch et al., 1975），这两种方法都考虑了调查权重、分层和主要抽样单位。进行了四个关键比较：电动滑板车骑手的住院与伤害情况、电动自行车骑手的住院与伤害情况、不同模式的住院率以及总体伤害模式。所有比较均显示出显著差异（p < 0.05），并使用相同的预测变量集开发了特定模式的模型，以便直接比较比率并确定哪些因素对每种设备的住院有更强或更弱的关联。

3.6. 联合风险因素建模
为了确定环境背景、碰撞情况和骑手行为如何共同影响每种模式的住院风险，并实现第三个研究目标（RO.3），创建了一个考虑调查权重的准二元逻辑回归模型，以识别与电动自行车和电动滑板车在研究期间（2014–2023）的住院（1）和伤害（0）相关的因素。选择这种方法而非标准二元回归模型，是因为在复杂的调查设计中，二元结果数据常常出现过度分散现象，聚类效应和未观察到的异质性可能导致方差估计超出二元分布的预测范围（Agresti, 2003）。该模型提供了更稳健的标准误差估计，同时保持了适用于二元结果的逻辑链接函数，确保在调查设计复杂的情况下仍能进行有效的统计推断（McCullagh, 2019）。调查加权准二元逻辑回归模型的一般形式为：
logitπi = log(ni1 - ni) = β0 + β1Xij + β2X2j + …… βkXki
其中：
• πi = 个体i的伤害或住院结果概率
• β0 = 截距项
• β1… βk = 预测变量的回归系数
• X1i, X2i, …… Xki = 个体i的预测变量

模型结合了标准化的NEISS变量（人口统计、身体部位、诊断、地点、物质使用情况）和NLP衍生的预测变量（头盔使用、碰撞类型、受伤地点、速度），以评估个体、环境和行为因素对住院风险的联合影响。使用方差膨胀因子（VIF）评估了变量的多重共线性，VIF值≥5的变量被从分析中剔除，以防止系数估计不稳定（O’Brien, 2007）。参考类别和模型排除的完整细节见表格注释。模型开发遵循了结构化步骤：基于文献回顾包括所有理论相关的预测变量；对分类变量进行n-1虚拟编码；使用方差膨胀因子评估多重共线性，并通过统计和理论考虑进行迭代模型优化。模型拟合度使用Aikaike信息量准则（AIC）和伪R2指标进行评估（McFadden, Nagelkerke）。统计显著性阈值设定为p < 0.05。

4. 结果
4.1. 伤害和住院趋势的演变
为实现第一个研究目标（RO.1），首先分析了2014年至2023年的加权时间趋势。电动自行车伤害数量从2014年的大约100例增加到2023年的近5,000例，其中2020–2023年的增长最为显著（图3a）。电动滑板车的伤害数量增长更为迅速，从2014年的大约400例增加到2022年的超过4,000例（图3b）。2020年之后两种模式的增长都与疫情导致的出行方式转变有关，人们在社交距离要求下转向微移动设备，同时设备销售和骑行基础设施也在扩大（Buehler & Pucher, 2021）。2020年初电动滑板车伤害数量的短暂下降（图3b）可能反映了初期封锁期间共享服务的暂停，随后随着限制措施的放宽和更多新手用户的加入，伤害数量再次急剧上升（Dean & Zuniga-Garcia, 2022）。电动自行车的住院趋势也呈现多阶段增长：2014年至2021年逐渐增加（达到约700例），2022年出现短暂平台期，然后2023年急剧增加到超过800例（图3c）。电动滑板车的住院人数从2014年的不到100例增加到2022年的近750例，其中2019年至2022年的增长最为显著，这与共享电动滑板车系统的广泛部署相吻合（图3d）。这些绝对趋势反映了伤害数量的变化，应结合同期美国微移动设备市场的扩张情况来解读（NACTO, 2024）。

下载：下载高分辨率图像（244KB）
下载：下载全尺寸图像

图3. 电动自行车（a）和电动滑板车（b）的伤害趋势及其95%置信区间；电动自行车（c）和电动滑板车（d）的住院趋势及其95%置信区间

4.2. 伤害统计
急诊病例中的伤害模式显示，不同模式之间存在显著的人口统计和背景差异（表1）。电动自行车骑手主要为男性（78.43%），且年龄分布较集中（45.26%在35–64岁之间），而电动滑板车骑手的性别分布更为均衡（63.85%为男性），年龄层也更年轻（40.67%在18–34岁之间，25.50%在18岁以下）。碰撞模式也有显著差异：电动滑板车事故更多涉及无接触跌落（59.71% vs 44.43%），而电动自行车事故则更常涉及机动车碰撞（26.22% vs 15.29%）。头部创伤占两种模式伤害的约30%。总体而言，这些发现表明十年间的演变不仅包括伤害数量的显著增加，还体现了电动自行车和电动滑板车事故在人口统计和情境上的明显差异。

表1. 2014年至2023年美国电动自行车和电动滑板车骑手的特征及伤害情况
| | 电动自行车 | 电动滑板车 |
| --- | --- | --- |
| 性别 | 78.43%（74.26–82.6%） | 63.85%（59.02–68.68%） |
| 年龄 | 18岁以下 | 13.65%（8.9–18.4%） | 25.50%（18.4–32.59%） |
| 18–34岁 | 31.85%（23.95–39.75%） | 40.67%（35.43–45.92%） |
| 35–64岁 | 45.26%（41.15–49.37%） | 29.64%（25.7–33.58%） |
| 65岁以上 | 9.24%（6.08–12.4%） | 4.19%（3.02–5.36%） |
| 种族 | 未知 | 26.12%（8.19–44.05%） | 22.95%（11.69–34.22%） |
| 白人 | 47.69%（33.6–61.77%） | 48.11%（37.41–58.81%） |
| 黑人/非裔美国人 | 20.39%（1.02–39.77%） | 21.16%（8.9–33.42%） |
| 其他 | 3.58%（1.02–6.13%） | 3.90%（1.89–5.9%） |
| 亚洲人 | 1.97%（0.58–3.36%） | 3.17%（1.28–5.04%） |
| 美洲原住民/阿拉斯加原住民 | 0.19%（0–0.41%） | 0.54%（0.23–0.86%） |
| 夏威夷原住民/太平洋岛民 | 0.06%（0–0.16%） | 0.17%（0.04–0.31%） |
| 物质使用（药物/酒精） | 是 | 9.06%（6.85–11.27%） | 7.69%（5.32–10.07%） |
| 否/未知 | 90.94%（88.73–93.15%） | 92.31%（89.93–94.68%） |
| 头盔使用 | 是 | 11.92%（8.99–14.86%） | 6.39%（4.77–8.01%） |
| 否/未知 | 88.08%（85.14–91.01%） | 93.61%（91.99–95.23%） |
| 速度 | 0–10英里/小时 | 2.17%（1.33–3%） | 3.04%（1.98–4.09%） |
| 11–20英里/小时 | 6.24%（4.73–7.75%） | 5.86%（3.41–8.3%） |
| 21–30英里/小时 | 3.79%（2.29–5.3%） | 2.10%（1.36–2.84%） |
| 31–40英里/小时 | 0.84%（0.35–1.34%） | 0.27%（0.07–0.46%） |
| 40英里/小时以上 | 0.37%（0–0.78%） | 0.37%（0.12–0.62%） |
| 未知 | 86.59%（83.19–89.98%） | 88.36%（84.41–92.33%） |
| 受伤地点 | 未知 | 50.35%（40.9–59.82%） | 60.57%（52.65–68.48%） |
| 人行道 | 1.85%（1.13–2.58%） | 2.61%（1.8–3.43%） |
| 街道环境 | 41.97%（32.49–51.44%） | 29.26%（20.79–37.74%） |
| 自行车道 | 0.48%（0.04–0.93%） | 0.36%（0.02–0.71%） |
| 停车场/车库 | 0.71%（0.31–1.1） | 0.28%（0.11–0.45%） |
| 户外/自行车道/小径 | 1.97%（1.12–2.82%） | 1.03%（0.61–1.45%） |
| 住宅区 | 0.59%（0.18–0.99%） | 2.06%（0.812014-2023年美国电动自行车（n = 2,454）和电动滑板车（n = 3,664）住院情况的二元逻辑回归系数和模型诊断。

| 自变量 | OR | 95%置信区间 | p值 |
|----------------|-----------|-----------------|-----------|
| 截距 | 0.247 | 0.084–0.728 | 0.552 |
| 性别（男性=1，女性=0） | 1.927 | 1.253–2.963 | 0.222 |
| | 1.478 | 1.086–2.011 | 0.157 |
| 种族 | | | |
| 白人 | | | |
| 黑人/非裔美国人 | 0.343 | 0.146–0.806 | 0.435 |
| 其他 | | | 1.981 | 1.038–3.780 |
| | | | 0.330 |
| 亚洲人 | | | |
| 美洲原住民/阿拉斯加人 | | | |
| 夏威夷人/太平洋岛民 | 8.404 | 1.116–63.308 | 2.066 |
| | | | |
| 年龄 | | | |
| 18岁以下 | 0.208 | 0.105–0.414 | 0.351 |
| 18–34岁 | 0.298 | 0.153–0.578 | 0.338 |
| 35–64岁 | 0.259 | 0.132–0.508 | 0.344 |
| 65岁以上 | | | |
| 物质（酒精或药物） | | | |
| 是 | 2.416 | 0.259–0.825 | 0.296 |
| 是否戴头盔 | | | |
| 是 | 1.087 | 1.172–3.603 | 0.286 |
| 速度（0–10英里/小时） | | | |
| 11–20英里/小时 | 2.055 | 1.172–3.603 | 0.286 |
| 21–30英里/小时 | | | |
| 31–40英里/小时 | | | |
| 40英里/小时以上 | | | |
| 伤害位置 | | | |
| 人行道 | | | |
| 街道环境 | 0.612 | 0.448–0.836 | 0.159 |
| 自行车道 | | | |
| 停车场/车库 | | | |
| 户外/自行车道/小径 | | | |
| 住宅区 | | | |
| 坡地 | | | |
| 商业区 | | | |
| NEISS记录的位置 | | | |
| 家庭 | | | |
| 街道或高速公路 | 1.692 | 1.087–2.634 | 0.226 |
| 其他公共财产 | 1.679 | 1.105–2.550 | 0.255 |
| 娱乐或运动场所 | 2.816 | 1.466–5.408 | 0.333 |
| 碰撞类型 | | | |
| 无接触/跌倒 | 0.663 | 0.473–0.931 | 0.173 |
| 汽车/重型运输车辆 | 2.589 | 1.082–2.823 | 0.245 |
| 两轮以上机动车辆 | | | |
| 行人 | | | |
| 非机动车辆 | | | |
| 固定物体/停放车辆 | | | |
| 道路条件 | | | |
| 诊断类型 | | | |
| 表面伤害 | 0.205 | 0.120–0.350 | 0.273 |
| 内部伤害 | 2.012 | 1.049–3.860 | 0.332 |
| 其他伤害 | 0.214 | 0.126–0.363 | 0.270 |
| 身体部位 | | | |
| 头部创伤 | | | |
| 上肢 | | | |
| 下肢 | 1.668 | 1.172–2.374 | 0.180 |
| 躯干 | 2.034 | 1.175–3.521 | 0.280 |
| 多处/其他身体部位 | | | |

模型诊断：
- Akaike信息量准则：1800.301
- McFadden R2：0.230
- Nagelkerke R2：0.200
- 对数似然：-848.92–901.15

注：OR = 比值。
电动自行车模型的参考类别：种族（美洲原住民/阿拉斯加人）、年龄（65岁以上）、速度（11–20英里/小时）、碰撞类型（未知）、伤害位置（自行车道）、诊断类型（其他伤害）、身体部位（躯干）、NEISS记录的位置（工业区）。
电动滑板车模型的参考类别：种族（未知）、年龄（65岁以上）、速度（未知）、碰撞类型（未知）、伤害位置（未知）、诊断类型（肌肉骨骼伤害）、身体部位（头部创伤）、NEISS记录的位置（未记录）。

人口统计因素在不同模式中表现出一致的影响，但影响程度不同。男性在电动自行车（OR = 1.927，p = 0.004）和电动滑板车（OR = 1.478，p = 0.015）中的住院几率均较高。年轻年龄具有显著的保护作用：18岁以下的骑行者住院几率比65岁以上者低约80%（电动自行车OR = 0.208，p < 0.001；电动滑板车OR = 0.196，p < 0.001）；18–34岁的骑行者住院几率低70–74%（电动自行车OR = 0.298，p = 0.001；电动滑板车OR = 0.259，p < 0.001）。行为和碰撞因素显示出特定于模式的模式。对于电动滑板车，使用物质会使住院几率翻倍（OR = 2.416，p = 0.011），速度在11–20英里/小时也会增加住院几率（OR = 2.055，p = 0.014）；这两个因素在电动自行车中未达到显著性。相反，对于电动自行车，与机动车辆的碰撞会使住院几率翻倍（OR = 2.589，p = 0.026），而无接触的跌倒会降低34%的住院几率（OR = 0.663，p = 0.020）。位置效应在不同模式中也存在差异。对于电动自行车，娱乐或运动场所的住院几率几乎是工业区的三倍（OR = 2.816，p = 0.003），街道或高速公路的住院几率增加69%（OR = 1.692，p = 0.023）；然而，基于自然语言处理的街道环境预测因子将住院几率降低了39%（OR = 0.612，p = 0.003）。对于电动滑板车，街道或高速公路的住院几率比未记录的位置高75%（OR = 1.752，p = 0.006），其他公共财产的住院几率增加68%（OR = 1.679，p = 0.018）。

5. 讨论
尽管微型出行工具被迅速采用，但其安全性仍了解不足，政策制定者缺乏基于证据的伤害预防框架（Yannis等人，2024年）。现有研究依赖于单一城市的样本、基本的伤害频率或标准化的监测数据，忽略了临床叙述中的上下文细节（NTSB，2022a）。很少有研究使用自然语言处理从NEISS叙述中提取行为和环境变量，尽管认识到这些文本字段包含在先前研究中未充分利用的宝贵病因信息（Chen等人，2016年；Graves等人，2015年）。这一信息空白阻碍了有针对性的安全干预措施的发展。当前的研究通过使用自然语言处理增强的提取技术和特定于模式的回归建模，分析了十年全国范围内的电动自行车和电动滑板车住院情况。

分析首先记录了2014年至2023年两种模式的NEISS伤害数量急剧增加，2020年后住院情况加速（RO.1）。这些趋势与微型出行工具的快速增长相吻合——2017年美国共享自行车和滑板车的出行次数约为3500万次，到2023年增加到1.57亿次（NACTO，2024年），2019年至2022年美国电动自行车的销量增长了四倍（美国能源部，2023年）。如果没有使用次数作为分母，就无法将伤害增长与骑行者数量的增长分开。受伤骑行者在所有考察维度上的住院模式存在显著差异（RO.2），这证明了需要分别建立模型。这些模型显示，电动自行车的住院情况主要由机动车辆碰撞和娱乐场所导致，而电动滑板车的住院情况与物质使用和中等速度有关（RO.3）。无论哪种模式，老年人受伤后的住院风险都更高。总体而言，这些结果表明需要为电动自行车建立专门的基础设施，对电动滑板车采取行为干预措施，并为老年骑行者提供额外的保护。

5.1. 社会人口统计差异
在NEISS骑行者中，男性在电动自行车（78.43%）和电动滑板车（63.85%）中的受伤比例占多数。这一组成模式与先前的研究一致，这些研究报告受伤骑行者中男性占比为70–75%（Fernandez等人，2024年；Younes，2025年），这可能反映了男性骑行者比例较高，而不是每次骑行的风险更高。回归模型进一步表明，即使受伤，男性的住院几率也更高——这一发现独立于潜在的骑行者数量。男性倾向于更激进的骑行行为，可能导致更高能量的碰撞（Mannering & Bhat，2014年）。鉴于这种高风险骑行行为，安全宣传活动应特别针对男性骑行者，传达关于冒险行为的信息。关于摩托车安全的研究表明，针对性别的干预措施可以有效改变风险认知和骑行行为（Mannering & Bhat，2014年）。

分析还显示，伤害主要集中在18–34岁和35–64岁年龄段，而老年人在电动滑板车和电动自行车用户中的比例最低。这种分布可能反映了工作年龄段的骑行者比例较高，但样本组成无法在没有使用次数数据的情况下确认人口层面的用户比例。在模型开发过程中，65岁及以上的老年人群体被用作参考类别，所有年轻年龄组的住院几率显著较低，证实了前者的住院风险显著增加。对于电动滑板车骑行者，这一结果与先前的研究相反，先前的研究通常认为受伤者主要是年轻人（Currans，2022年）。然而，老年人面临更高的住院风险这一发现与国际证据一致。英国的一项全国性分析也发现，45–65岁的电动滑板车骑行者发生致命/严重伤害的几率是15岁以下骑行者的1.76倍（Li等人，2025年）。根据过去的研究，这些结果表明，老年用户在遇到交通违规者或变道司机时面临更高的风险。一个可行的干预措施是为高风险群体提供标准化教育，以提高他们对安全骑行技术的认识（Wang等人，2021年）。此外，共享电动滑板车运营商可以实施基于年龄的速度限制器，自动降低超过特定年龄阈值的骑行者的最高速度（Bloom等人，2021年）。

从种族角度来看，白人在两种模式的受伤骑行者中占比最高，其次是黑人/非裔美国人，这可能反映了人口层面的采用模式。然而，回归模型显示了不同的住院模式：黑人/非裔美国人的电动自行车骑行者住院几率显著较低，而电动滑板车没有出现类似的效果。这一发现与一些研究表明少数族裔社区受伤负担较重的观点相反。一些研究表明，电动滑板车在少数族裔和低收入社区中普及度较高；例如，一项英国的试验发现，来自黑人 and 亚洲居民比例较高的社区的电动滑板车出行次数更多（Budnitz等人，2025年）。黑人电动自行车骑行者较低的住院几率可能反映了医疗保健获取、保险覆盖或财务限制的影响，这些因素独立于伤害的严重程度（Fernandez等人，2024年；Khidir等人，2021年）。这些种族差异需要通过使用关联的医疗保健利用数据进一步调查。

5.2. 位置和碰撞相关因素
特定位置的变量产生了矛盾的效果，需要进一步研究。NEISS记录的道路环境中的电动自行车伤害显示住院几率增加，而自然语言处理提取的街道环境中的伤害显示住院几率降低。一种解释是，叙述中提取的位置可能反映了骑行者的实际路线和感知，可能排除了NEISS编码所捕捉的高速主干道。未来的研究应使用更细粒度的位置分类，并将叙述提取与GPS数据或警察报告进行验证。

电动自行车与机动车辆的强烈碰撞效应为分离的交通基础设施提供了直接的理由。这一发现尤其令人担忧，因为电动自行车骑行者遭遇交通碰撞的频率是传统自行车骑行者的八倍（Zhou等人，2025年）。NEISS记录的位置、叙述衍生的位置、碰撞类型和全国死亡数据的证据一致表明，与机动车辆的互动是电动自行车用户面临的关键安全风险。研究一致表明，与机动车辆的物理分离可以降低自行车骑行者的受伤风险，国际运输论坛得出结论，为电动自行车用户设立单独的基础设施无疑会提高安全性（Yannis等人，2024年）。这种干预措施将使两种模式受益，因为最近的研究发现，无论是受保护的还是未受保护的自行车道都可以降低电动自行车和电动滑板车的受伤风险（Axhausen和Elliot，2025年；Tian等人，2022年；Wang等人，2022年）。相比之下，无接触的跌倒降低了电动自行车的住院几率，可能是因为这类事件通常发生在较低的速度下，并且涉及可控的减速，使骑行者能够通过保护性反射部分吸收冲击。

关于电动滑板车的位置风险因素的结果与先前的研究一致，表明在街道环境中受伤风险增加（Karpinski等人，2022a）。非街道位置的住院风险显著增加，尽管具体环境有所不同：娱乐或运动场所的电动自行车住院几率几乎是工业区的三倍，而其他公共财产的住院几率也增加了。鉴于电动自行车在娱乐和运动场所的住院风险增加，各辖区应考虑在这些微型出行工具与行人混合常见的区域设立指定的低速区。俄勒冈州波特兰市在行人密集的区域实施了类似的速度限制，取得了积极的安全效果（波特兰市交通局，2020年）。还应注意的是，这些模式之间伤害位置的观察差异可能部分反映了不同的使用模式和基础设施接入情况，因为NEISS没有捕捉到不同设施类型的模式分布。这些发现也强调了规范微型出行工具操作区域的挑战。电动滑板车的监管仍然不明确，因为一些骑行者选择非道路位置以避免机动车辆，其他人则是因为缺乏专用基础设施，还有一些人不知道当地规则（Anke等人，2023年；NACTO，2022年）。明确、一致且公开传达的法规，规定允许的操作环境，对于降低两种模式的受伤风险至关重要。

5.3. 骑行者行为
研究了三个与行为相关的因素：物质使用、头盔使用和骑行速度。分析表明，尽管只有7.69%的电动滑板车骑行者在报告的伤害中涉及物质使用，但他们的住院几率比未涉及物质的伤害高出两倍以上。这一发现与最近的证据一致，表明酒精/药物使用与电动滑板车用户的严重伤害和住院率显著相关（Dibaj等人，2024年）。尽管物质使用并未显著预测电动自行车的住院情况，但限制在操作电动微型出行工具时使用物质的政策和法规仍然是必要的，这与将醉酒视为电动滑板车安全关键风险因素的广泛建议一致（Mehranfar和Jones，2024年）。长期以来，头盔使用一直被讨论为电动自行车和电动滑板车安全的重要因素。受伤骑行者中佩戴头盔的比例较低，表明总体头盔使用率仍然很低，这与电动滑板车伤害中头盔第4节中报告的描述性时间趋势和人口统计分布反映了受伤人群的构成，而不是每次出行或每英里的风险。鉴于共享微型出行方式的使用量从2017年的约3500万次增加到2023年的1.57亿次（NACTO，2024年），同时美国电动自行车的销量在同一时期几乎增长了四倍（美国能源部，2023年），受伤人数的增加可能部分或完全反映了使用量的增加。此外，NEISS仅记录了前往医院急诊部门的受伤情况，排除了在紧急护理中心、医生办公室接受治疗或未报告的受伤案例，这可能导致样本偏向于更严重的伤害情况，并低估了实际的人口负担（Neuroth等人，2022年）。由于缺乏所有权数据，进一步限制了分析的深度，因为NEISS没有区分共享设备和私人拥有的设备，从而无法考察可能影响伤害严重程度的与所有权相关的风险因素（Traynor Jr等人，2022年）。数据质量和分类方面的挑战也限制了分析的精确度。产品代码无法完美区分电动自行车和电动滑板车与其他类似设备，基于关键词的案例识别可能遗漏了临床医生使用非标准术语的受伤情况（NTSB，2022b）。大量的位置数据缺失进一步限制了空间分析，因为50.35%的电动自行车事故和60.57%的电动滑板车事故的临床记录中缺乏位置信息，而NEISS记录的位置数据也有类似的缺失（分别为32.43%和41.21%）。超过85%的两种交通工具的伤害记录中缺乏行驶速度信息，这限制了对这一关键监管参数的考察。尽管自然语言处理分类器的验证性能良好（F1值介于0.820至0.972之间），但对于表述模糊的案例，它们仍可能引入分类错误。十年的研究期间涵盖了技术、项目可用性和法规的显著变化，这些变化可能掩盖了特定交通方式的趋势。此外，NEISS缺乏描述事故物理环境的变量，包括骑行设施类型（例如，专用自行车道、共享车道、人行道或混合交通道路）、路面状况以及道路几何特征（如车道宽度、坡度和交叉口配置）。最新研究表明，这些基础设施因素显著影响微型出行方式的事故严重程度（Sanjurjo-de-No等人，2023年；Yannis等人，2024年），而这些因素的缺失反映了急诊部门监测数据的结构局限性。未来的研究应将这些数据与地理参考的基础设施数据库或全州范围的事故报告系统相结合，将环境因素纳入住院风险模型中。

尽管存在这些限制，但具有全国代表性的样本、扩展的时间覆盖范围以及基于自然语言处理的方法为迄今为止的微型出行方式特定住院风险因素提供了全面的分析。要推进这一研究议程，需要开发标准化的微型出行方式伤害监测系统，以同时收集暴露数据和伤害结果，从而实现跨设备类型、用户群体和基础设施环境的真实风险量化。这样的改进将增强针对性安全干预措施的证据基础，并为不断扩展的微型出行方式采纳提供监管框架的依据。

6. 结论

以往的微型出行方式安全研究主要受到有限时间窗口、单城市样本以及将电动自行车和电动滑板车视为可互换交通方式的分析方法的限制。本研究通过分析十年的全国代表性数据，并运用自然语言处理技术从临床记录中提取背景信息，推动了微型出行方式安全研究的发展。研究结果表明，受伤的电动自行车和电动滑板车骑手面临特定于交通方式的住院风险特征，而现有的监管框架尚未反映这些不同的风险特征。分析显示，每种交通方式走向严重伤害的路径各不相同，这受到不同位置环境、碰撞机制和人口脆弱性的影响。对于电动自行车而言，与机动车辆的碰撞使住院几率增加了一倍以上，而街道或高速公路环境以及娱乐或体育场所显著增加了风险。这些发现表明，电动自行车的安全问题本质上是一个基础设施问题，需要将其与机动交通物理分离，并仔细管理混合用途的娱乐场所。对于电动滑板车，街道或高速公路环境及其他公共场所也增加了住院几率，但碰撞类型并未显著预测伤害的严重程度。相反，行为因素（包括药物使用和中等速度）是导致电动滑板车骑手住院的主要原因。这些模式表明，电动滑板车的安全更多依赖于针对骑手行为的干预措施，而不是基础设施的重新设计，包括执行禁止酒后骑行的规定和技术强制的速度限制。通过证明受伤骑手在不同交通方式之间的住院风险因素存在差异，本研究加强了针对特定交通方式的安全干预措施的必要性。将伤害监测数据与人口层面的暴露指标相结合，是进行跨设备类型和用户群体基于发病率的风险比较的必要步骤。随着全球各地城市将电动自行车和电动滑板车整合到交通网络中以减少排放和改善交通公平性，一刀切的方法应让位于针对特定交通方式的策略。

**作者贡献声明：**

Greg Rybarczyk：撰写——审阅与编辑、撰写——初稿、监督、项目管理、方法论、调查、数据整理、概念化。
Kristine Zhou：撰写——审阅与编辑、撰写——初稿、方法论、正式分析、数据整理。
Hritik Ghorpade：撰写——初稿、方法论、正式分析。
Xiao Li：撰写——审阅与编辑、撰写——初稿。

**资金情况：**
本研究未获得任何资金支持。