Affordable Access

Evaluating individual risk proneness with vehicle dynamics and self-report data × toward the efficient detection of At-risk drivers

Authors
  • PALAT, Blazej
  • SAINT PIERRE, Guillaume
  • DELHOMME, Patricia
Publication Date
Jan 01, 2019
Source
Portail Documentaire MADIS
Keywords
License
Unknown
External links

Abstract

Les recherches relatives au risque routier et ses antécédents se sont couramment appuyées sur l'analyse des accidents, des sanctions pour infractions et(ou) des comportements à risque. Peu d'entre elles se sont intéressées aux « presque accidents ». L'on entend par presque accident, un événement dangereux lequel, sans action corrective de la part d'autrui ou de soi-même, aboutirait à un accident. Dans le cadre du projet MEDOC, nous avons essayé d'apporter un éclairage sur les presque accidents se produisant au volant des automobilistes et d'identifier les automobilistes les plus exposés au risque. Croisant des mesures déclaratives et des mesures objectives, nous nous sommes appuyés sur un ensemble d'indicateurs 1) les variables liées à la dynamique du véhicule et aux actions de conduite et 2) les variables liées aux déclarations des participant(e)s pour décrire ces presque accidents et identifier les facteurs de risque individuels. Nous avons examiné ces résultats auprès d'un échantillon composé de 131 automobilistes (52,7 % d'hommes, en moyenne âgés de 39,7 ans, ayant le permis voiture depuis 19,2 ans et parcourant au volant 16 606 km par an) les presque accidents qu'ils ont rencontrés au cours de deux mois de conduite. Nous avons identifié trois groupes d'automobilistes en particulier un groupe d'automobilistes (n = 43) à risque (plutôt jeunes, masculins, impliqués dans des accidents de la route, ayant perdu beaucoup de points, chercheurs de sensations fortes et sensibles à la distraction, utilisateurs de leur véhicule pour exprimer leur colère, qui ont des occurrences plutôt élevées de presque accidents de type accélération). / Vehicle-dynamics data, now more readily available thanks to moderate-cost, embedded data logging solutions, have been used to study drivers' behavior (acceleration, braking, and yaw rate) through naturalistic driving research aimed at detecting critical safety events. In addition, self-reported measures have been developed to describe these events and to assess various individual risk factors such as sensation seeking, lack of experience, anger expression while driving, and sensitivity to distraction. In the present study, we apply both of these methods of gathering driving data in order to assess risk proneness as accurately as possible. Data were obtained from 131 drivers, who filled in an introductory questionnaire pertaining to their driving habits. Their vehicles were equipped with an external, automatic data-capture device for approximately two months. During that period, the participants reported critical safety events that occurred behind the wheel by (a) pressing a button connected to the device and (b) describing the events in logbooks. They also filled in weekly questionnaires, and at the end of the participation period, a final questionnaire with various self-reported measures pertaining to their driving activity. We processed the data by (a) performing a multiple correspondence analysis of the characteristics assessed via the automatic data capture and self-reports, and (b) categorizing the participants via hierarchical clustering of their coordinates on the dimensions obtained from the correspondence analysis. This allowed us to identify a group of drivers (n=43) at risk, based on several self-reported measures, in particular, their recent crash involvement, and the frequency of critical acceleration/deceleration events as an objective measure. However, the at-risk drivers did not themselves report more critical safety events than the other two groups.

Report this publication

Statistics

Seen <100 times