使用真实世界碰撞数据对配备ADAS系统的电动汽车和汽油车进行安全性比较评估

《Accident Analysis & Prevention》：Comparative safety evaluation of ADAS-Equipped electric and gasoline vehicles using real-world crash data

BEV与GV在ADAS介入事故中的安全性能对比研究，基于佛罗里达州8,118起ADAS介入事故数据（6,052辆GV，2,066辆BEV），通过PSM匹配消除混杂变量后分析显示：BEV在无受伤事故率（75.13%）上优于GV（69.82%），但VRU事故率更高（3.2% vs 1.8%）。RPL模型揭示BEV在交叉路口 (+0.0057）和GV在直行及倒车 (+0.0042）场景中受伤概率显著增加，两者共有的高风险场景为车速61mph以上 (+0.0084）。该研究填补了ADAS安全评估在BEV领域的实证缺口，为智能交通系统优化提供数据支撑。

　　

丁胜轩|穆罕默德·阿卜杜勒-阿提|春宇边

中佛罗里达大学土木、环境与建筑工程系智能安全交通实验室，美国佛罗里达州奥兰多市Pegasus Dr 12800号，邮编32816

摘要

随着电池电动汽车（BEV）在汽车技术和市场应用方面的快速发展，由于其设计与运行特性与汽油车（GV）存在显著差异，因此带来了安全挑战。为了应对这些新兴风险，有必要采取积极措施来评估BEV和GV中先进驾驶辅助系统（ADAS）的安全性能。本研究分析了8,118起涉及ADAS的佛罗里达州交通事故报告，其中6,052起发生在GV上，2,066起发生在BEV上。通过倾向得分匹配（PSM）方法，在不同交通条件下建立了BEV和GV在ADAS安全评估方面的可比性，考虑了受伤严重程度、环境条件、驾驶员操作和车辆类型等因素。随后，采用部分受限随机参数逻辑回归（RPL）模型来识别影响BEV和GV受伤严重程度的独特因素和共同因素。PSM结果显示，使用ADAS的BEV事故中受伤严重程度较低（75.13%无伤 vs GV的69.82%），但在涉及弱势道路使用者（VRU）的事故中比例较高（3.2% vs 1.8%）。RPL模型显示，在工作区域内使用ADAS的BEV事故风险增加（严重受伤概率+0.0057），在直行和倒车时GV的事故风险增加（轻微受伤概率+0.0042），而在时速超过61英里/小时的情况下，两种车辆的事故风险有共同增加的趋势（严重受伤概率+0.0084）。本研究利用真实世界的事故数据对BEV和GV的ADAS安全性能进行了探索性分析，这些发现为制造商和其他利益相关者提供了有关这些技术部署和应用的宝贵见解。

引言

汽车行业正在经历重大变革，这一变革的特点是先进驾驶辅助系统（ADAS）的快速发展以及车辆电气化的广泛采用。ADAS技术旨在通过提供制动、转向和监控驾驶环境等方面的帮助来辅助驾驶员（Abdel-Aty & Ding, 2024）。同时，由于环境优势及独特的性能特点，电池电动汽车（BEV）越来越受欢迎。然而，这两种技术的发展融合带来了独特的安全问题和潜在风险。随着BEV的普及，其独特的设计和性能特征使其与传统内燃机车辆有所不同。这些差异需要针对性分析，以全面理解和解决其特定的安全影响。一个关键的安全问题是BEV的快速加速和减速能力（Burgess et al., 2013, Galvin, 2017）。此外，由于电池系统的存在，BEV的重量增加，可能带来独特的安全挑战，包括更长的制动距离、更大的碰撞力和电池舱周围的结构完整性问题（Deng et al., 2020）。

BEV带来的独特安全挑战促使人们整合ADAS以应对其独特的运行特性（Bathla et al., 2022）。ADAS通过主动危险缓解措施在降低事故概率和受伤严重程度方面具有巨大潜力（Ding et al., 2024, Dong et al., 2025）。然而，实证证据表明，在低速环境（如交叉路口、停车区）中，BEV与行人和自行车手的碰撞率更高（Karaaslan et al., 2018, Liu et al., 2022）。目前关于ADAS如何满足BEV特定安全需求的研究仍然有限，尤其是在与汽油车（GV）的比较方面。现有的BEV研究大多集中在能效提升上，而非安全结果，这往往忽略了复杂的碰撞动态或仅关注特定类型的碰撞（Naqvi et al., 2024, Vaezipour et al., 2015）。因此，需要针对BEV进行彻底的安全评估，因为其结构与GV有显著差异。

此外，电动汽车（EV）可以是完全依赖电池的，也可以是插电式混合动力电动汽车（PHEV），后者结合了电池和内燃机（Sabri et al., 2016）。在事故数据中将PHEV和BEV混为一谈，掩盖了它们在安全特性上的细微差异（Broussely, 2010, Lane et al., 2018, Lin and Greene, 2011）。这些差距凸显了需要专门针对BEV的方法论，而不是将所有类型的EV合并进行分析。

尽管电动汽车事故的相关因素已得到广泛研究，但专注于EV中ADAS安全性能的研究仍然有限（McDonnell et al., 2024, Wen et al., 2025）。时空模式显示，EV事故多发生在工作日的高峰时段、城市环境和交叉路口（Wen et al., 2025）。此外，EV在交叉路口和单车道道路上发生事故的可能性是GV的1.5倍（Chen et al., 2023）。在事故严重程度上，超速是导致致命事故的关键因素，角度碰撞的受伤概率比与固定物体的碰撞高18.4%（Zhu et al., 2022）。环境条件也起到作用：EV事故更可能发生在工作日高峰时段、城市地区、道路交汇处、低速公路以及能见度良好的情况下（Gong et al., 2021）。尽管有这些发现，但研究中仍存在一些关键限制。特别是，对于配备ADAS的BEV的受伤严重程度决定因素的研究还不够充分，这限制了对其系统与BEV特定碰撞动态交互方式的深入理解。

本研究旨在对BEV和GV进行系统的安全评估，以解决三个关键研究空白：（1）实际ADAS BEV事故数据的利用不足；（2）BEV和GV之间缺乏全面的ADAS安全比较；（3）对ADAS配备的BEV事故中影响受伤严重程度的因素调查不足。为了填补这些空白，我们采用倾向得分匹配（PSM）方法来控制6,052起GV和2,066起BEV事故比较中的混杂变量。此外，应用部分受限随机参数模型来识别在不同交通场景下影响BEV和GV受伤严重程度的独特和共同因素。

本研究通过解决这些空白并提供对BEV和GV ADAS安全性的更深入理解，具有独特优势。本文分为五个部分。在引言部分之后，第2节进行文献综述，第3节详细介绍数据准备过程，第4节阐述所提出的方法论，第5节展示结果，最后第6节对研究结果进行讨论。

章节摘录

EV安全评估

随着全球EV采用率的上升，安全评估已成为一个关键的研究领域，尤其是关注EV在事故中的表现。与GV相比，EV在结构和运行方面存在差异，这些差异会影响事故结果（Un-Noor et al., 2017）。这些差异包括高压电池系统、地板下放置的电池改变了质量分布，以及缺少传统上在前部吸收能量的发动机（Kukreja et al., 2016）。

数据准备

本研究的数据来源于Signal Four Analytics（S4A），这是一个为佛罗里达州执法机构、交通工程机构、交通规划机构和研究机构设计的交互式网络系统，用于支持事故映射和分析（FDOT, 2025）。该数据集包括2017年1月至2024年12月的警察事故记录。S4A数据集包含事件、驾驶员、车辆和违规行为的信息，以及与每起事故相关的关键变量。

方法论

为了公平地比较配备ADAS的BEV和GV的安全性，本研究采用了倾向得分匹配（PSM）。通过考虑道路条件、环境、驾驶员特征和车辆类型等可观察因素，PSM创建了统计上可比较的组别，从而减少了在不同交通条件下分析事故结果的偏差。然后应用部分受限随机参数逻辑回归（RPL）模型。

BEV和GV的比较

我们首先考察了BEV和GV在使用ADAS的事故中的总体趋势和比较。为了解决对ADAS技术安全效果理解上的空白，本研究采用PSM方法进行了更详细和全面的ADAS安全性能分析。通过分析6,052起GV和2,066起使用ADAS的事故记录，从多个角度分析了ADAS技术的影响。

结论

本研究通过几个关键贡献解决了这些研究空白。首先，它利用了一个包含2,066起全电池驱动的EV事故和6,052起GV事故的大规模真实世界事故数据库，所有事故都涉及ADAS的使用。其次，PSM的应用提供了关于ADAS系统在各种道路类型、环境条件和驾驶行为下的表现的全面见解。第三，应用了部分受限随机参数模型。

作者贡献声明

丁胜轩：撰写 – 审稿与编辑，撰写 – 初稿，方法论，正式分析，数据整理，概念化。穆罕默德·阿卜杜勒-阿提：撰写 – 审稿与编辑，撰写 – 初稿，验证，监督，资源协调，方法论，概念化。春宇边：撰写 – 审稿与编辑，撰写 – 初稿，方法论。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本研究使用的事故和交通检测数据由佛罗里达州交通部（FDOT）提供。