针对交通事故深度调查,我国基于德国事故深度调查(Germany In-Depth Accident Study,GIDAS)系统分别于2011年建立了中国交通事故深入研究(China In-Depth Accident Study,CIDAS)和2012年建立了国家车辆事故深度调查体系(National Automobile Accident In-Depth Investigation System,NAIS)。但这两个数据库主要从车辆角度出发,致力于发现汽车缺陷而忽略了行人等因素,其数据元素也较为复杂且没有专门针对致死性交通事故。我国致死性交通事故基数大但其相关研究较少,直接借用其他国家的数据参考价值较低,因此本研究在美国交通事故数据库致死性分析报告系统(Fatality Analysis Reporting System,FARS)基础上探索我国致死性事故数据库的建立及其应用展示。对FARS进行如下处理从而快速搭建起数据库架构:首先简化FARS的数据关系,只保留事故、车辆、人员三个数据文件,其余数据文件根据其描述对象归于这三个文件中;然后将所得的三个新数据文件中数据通过沿用、增加、删除、修改等方式填入事故、车辆和人员三张表中。基于这三张表,增加FARS中不具备但有实际研究价值的交通伤和交通事故事故现场图等信息;删除FARS中重复的、已终止记录的、国内空缺较多的数据元素;将不符合我国交通事故的数据信息修改、转换从而符合要求。最终得到的事故、车辆及人员表即为新建数据库数据表单,每个表单包含在各自同名的数据文件中。所建数据库包含的数据表单为:事故表单、车辆表单和人员表单。事故表单录入的内容为自然环境信息、道路信息、事故总体信息等,对应多个车辆数据表;车辆表单记录车辆本身信息、事故前驾驶员信息、车辆操作信息及事故后车辆信息等内容,对应多个人员信息表;人员信息表记录所有乘员的信息,包括人员基础信息、事故时人员状态、人员伤情等信息,所有非机动人员都是“车辆0”的乘员。利用Python+Django建立起网页形式的数据库框架,在PyCharm上实现并运行了该数据库,参照FARS致死性交通事故定义录入了2009至2017年我国死亡10人以上的重大交通事故171例和2012年至2016年我国致死性交通事故355例。至此已经初步建立了符合中国国情的致死性交通事故数据录入系统,为后续数据库应用研究做铺垫。从数据库中筛选出信息完整的重大交通事故158例,利用神经网络模型探索了交通事故现场信息与车辆乘员伤亡率的关系。按照事故发生的时间顺序,前120例案例为训练集,后38例案例为测试集,且对该神经网络模型进行连续调试,最终得到一个精度为0.8158的神经网络模型。考虑到数据体量和数据信息的限制,认为该模型所得结果有可信度,可以迅速评估事故发生后的车辆乘员的损伤状况。从数据库中筛选出199例重庆市致死性行人交通事故与美国FARS中致死性行人交通事故对比分析,发现中美两国行人事故在结构和比例上都有差异。利用Logistic回归进一步建模分析,分别得到两国行人在年龄、光照和车辆类型的条件下承受致死性损伤的风险。美国行人风险最高的情况是日光条件、儿童青少年以及摩托车车型;中国行人发生致死性交通事故的风险最高的是黎明时分、中老年人及面包车车型。因此我国在借鉴国外的数据和经验时应当考虑这些差异。本研究基于FARS尝试开发了我国的致死性交通事故数据库,经测试运行良好,符合我国交通事故特征;截至目前在该数据库中共录入526例数据,初步实现了车辆乘员损伤和行人安全的评估,证明了以数据库形式来研究致死性交通事故的可行性,对我国交通事故深度调查、制定各项规章制度等有借鉴意义。