基于貝葉斯網絡的公交車事故外因分析

賈曉惠，王化姍，崔用梅

(1.大連海事大學航運經濟與管理學院, 大連 116026；2.大連海事大學交通運輸工程學院, 大連 116026)

在倡導環保理念、實施綠色出行行動計劃的背景下，全國各地對城市公共交通的需求日益旺盛，公共交通的安全問題也顯得日益重要。2018 年世界衛生組織(World Health Organization,WHO)發布了《2018 年全球道路安全現狀報告》[1]。該報告指出，54%的死者為行人、騎自行車者和騎摩托車者，以上幾類使用者也被世界衛生組織稱為“弱勢道路使用者”。這一報告表明，各國需要制定政策，鼓勵公共交通出行，以滿足弱勢群體的需求。而與地鐵、輕軌等軌道交通相比，公交車和其他車輛一起在地面上運行，往往受道路交通情況影響較大，事故影響因素更為復雜。并且與一般機動車輛相比，公交車有固定的行駛路線和固定的運營時間且載客人數較多，以及有公交車專用道，與一般機動車事故的影響因素有差異。因此，研究公交車事故特征，分析公交車事故影響因素，提出公交車事故的預防對策，成為交通安全領域迫切需要解決的問題。

目前，中外有許多學者聚焦于交通事故致因的研究。其中，一些學者不區分交通工具，將某種道路類型處的所有交通事故放在一起探究其致因。如，城市道路[2-10]、高速公路[11-13]、低等級公路[14]、山區公路[15-16]以及隧道處[17]的交通事故致因。除此之外，還有一些學者考慮到不同交通工具的事故致因可能存在差異，專門研究某一類交通工具的事故致因，例如公交車[18-24]、公路客運[25-26]、電動自行車[27]、摩托車[28]等事故致因。

但是，目前中國對于公交車事故致因的研究，都集中于研究駕駛員因素對公交車事故的影響，沒有學者系統地關注外部因素的影響。而事故的發生是人、車、路、環境共同作用的結果。據美國官方研究所(National Highway Traffic Safety Administration)的事故報告指出，在公交車事故中，與駕駛員因素直接相關的案例占70%，間接相關的案例為90%[19]，說明外部因素對公交車事故也有較大影響。所以現探究除人的因素以外車、路、環境這些外部因素對公交車事故的影響。

在交通事故致因的研究中，所使用的方法主要包括logit模型[4,8,11,16,18,24,27]、logistic模型[3,15]、結構方程模型[5,23]、關聯規則[7,9,13-14]、貝葉斯網絡[2,12]、偏最小二乘回歸[10]。由于事故的影響因素較為復雜，而貝葉斯網絡與回歸模型相比，對線性沒有嚴格的要求，能夠有效處理變量間存在交互作用的情況[2]，可以有效地從大量的數據中發現變量間的關系,并且以概率的形式將變量間的關聯程度表示出來。所以現選擇使用貝葉斯網絡研究公交車事故致因。以此來豐富交通事故致因的研究文獻，并且為相關管理部門提出意見以減少公交車事故的發生。

1 構建公交車事故致因的貝葉斯網絡模型

1.1 變量選擇與預處理

采用A市的259條公交車事故數據，數據中包含事故車輛單位、事故發生日期和地點，駕駛員姓名、事故責任、事故類型，傷亡情況等信息。通過整理提取出包含車、路和環境3個方面的以下變量，同時為了滿足建模要求，對變量進行離散化處理。經處理后的各變量取值如表1所示。

1.2 結構學習

貝葉斯網絡的構建包括兩個步驟：結構學習和參數學習。結構學習有3種學習方法。

(1)專家知識建模。這種建模方法是由專家根據先驗經驗直接給出貝葉斯網絡結構。

(2)機器學習建模。通過運用機器算法對數據進行學習，挖掘出變量之間的關系，構建貝葉斯網絡結構。

(3)前兩種方法相結合。對于專家知識建模，通常主觀因素影響較大，而對于機器學習建模，即使可以使用各種結構學習方法與評分函數，但受數據、結構學習方法等諸多因素的影響，使學習結果有很大的隨機性，需要經過多次實驗才能得到滿意的結果。因此，采用第三種方法，綜合機器學習和專家知識構建貝葉斯網絡。機器學習選擇K2算法。由于使用K2算法進行網絡結構的學習，需事先給定網絡節點排序，所以貝葉斯網絡結構學習的具體步驟為：首先，通過相關性分析得出節點排序；其次，使用K2算法學習出初始貝葉斯網絡結構；最后，根據專家建模經驗完善貝葉斯網絡結構。最終得出貝葉斯網絡結構如圖1所示。

圖1所示的貝葉斯網絡結構由7個節點和7條連線組成，節點就是表1中對應的7個變量，節點間的連線表示節點間的依賴關系。貝葉斯網絡結構體現了公交車事故是車、路、環境3方面因素共同作用的結果。如事故類型同時受天氣、時間、道路線形、地點的影響，這充分反映了公交車事故的實際情況。

表1 公交車事故變量的離散化取值表

圖1 公交車事故外因的貝葉斯網絡結構

1.3 參數學習和模型驗證

選擇貝葉斯方法進行貝葉斯網絡的參數學習。它的基本思想是：給定一個含有未知參數的分布和一個樣本數據集D，θ是一個具有先驗分布p(θ)的隨機變量，根據樣本數據集D的學習，將使θ的概率發生變化，記為p(θ|D)，稱為θ的后驗概率，參數學習的目的就是計算這個后驗概率。因為Dirichlet分布的共軛特性可以降低計算的復雜程度，提高計算效率，所以先驗分布通常取作Dirichlet分布，p(θ)的Dirichlet分布形式[2]為

(1)

(2)

θ的后驗分布為

Dir(θ|?1+N1,?2+N2,…,?γ+Nγ)

(3)

運用貝葉斯估計法和MATLAB的 Full-BNT工具箱進行貝葉斯網絡的參數學習。具體實現步驟為：首先，將數據導入MATLAB中；其次，依據貝葉斯網絡結構，輸入參數的先驗分布；最后，調用Full-BNT工具箱中的bayes_update_params函數學習網絡節點的參數。表2和表3分別給出了在天氣、時間、道路線形(平直道路)、地點(路口)、事故責任(全責)共同作用下，事故類型的參數學習結果以及實際計算結果。

表2 事故類型的參數學習結果

表3 事故類型的實際計算結果

從模型參數學習結果和實際計算結果的比較與模型預測命中率兩方面入手，驗證貝葉斯網絡模型的有效性。通過參數學習結果和實際計算結果的比較發現，模型最大絕對誤差為0.000 1。通過運行MATLAB程序，得出該模型的命中率為84.17%。通常命中率能達到80%以上，就可以認為是非常好的結果[29]。所以，綜上可知，這個貝葉斯網絡模型是合理的，可以運用其進行推理分析。

2 模型結果分析

由貝葉斯網絡結構圖可知，天氣、時間、道路線形、地點都是公交車事故致因。根據概率大小各致因因素容易導致的事故類型及每一事故類型的傷亡情況和最強致因都不盡相同。

2.1 各致因因素對事故類型的影響

2.1.1 天氣對事故類型的影響

根據貝葉斯網絡模型的推理結果，得出天氣對事故類型的影響，如圖2所示。

圖2 天氣與事故類型的關系

由圖2可知，根據概率由大到小，天氣導致的事故類型依次是非碰撞事故、與小汽車、非機動車、公交車碰撞。根據對實際事故數據的統計可知，公交車事故中幾乎有一半是非碰撞事故，所以無論天氣如何，都是發生非碰撞事故的可能性最大，這一結果與實際相符。此外，還可以看出，雨天發生非碰撞事故的概率為50.02%，高于晴天和陰天；在陰天時比在晴天和雨天更容易與小汽車及非機動車碰撞；晴天更容易與公交車碰撞。

2.1.2 時間對事故類型的影響

根據貝葉斯網絡模型的推理結果，得出時間對事故類型的影響，如圖3所示。

圖3 時間與事故類型的關系

由圖3可知，根據概率由大到小，時間導致的事故類型依次是非碰撞事故、與小汽車、非機動車、公交車碰撞。無論在工作日還是在非工作日，都是最容易發生非碰撞事故。但是在工作日發生非碰撞事故的概率為48.13%，高于非工作日的38.22%。原因可能是在工作日存在出行高峰期，在高峰期時車輛較多，公交車會因為躲避其他車輛而產生急剎車的行為，造成非碰撞事故。此外，非工作日和工作日中與小汽車及非機動車碰撞的概率基本相同。而在非工作日與公交車碰撞的概率遠大于工作日。

2.1.3 道路線形對事故類型的影響

根據貝葉斯網絡模型的推理結果，得出道路線形對事故類型的影響，如圖4所示。

圖4 道路線形與事故類型的關系

由圖4可知，根據概率由大到小，道路線形導致的事故類型依次是非碰撞事故、與小汽車、非機動車、公交車碰撞。無論在平直道路還是在非平直道路，都是最容易發生非碰撞事故。但是在平直道路發生非碰撞事故的概率為45.94%，高于非平直道路的31.29%。原因可能是駕駛員在非平直道路，更會謹慎駕駛，主動避免非碰撞事故的發生。此外，還可以看出，在平直道路與非平直道路中，平直道路更容易發生非碰撞事故及與小汽車碰撞，非平直道路更容易與非機動車及公交車碰撞。

2.1.4 地點對事故類型的影響

根據貝葉斯網絡模型的推理結果，得出地點對事故類型的影響，如圖5所示。

圖5 地點與事故類型的關系

由圖5可知，根據概率由大到小，地點導致的事故類型依次是非碰撞事故、與小汽車、非機動車、公交車碰撞。在路口最容易與小汽車碰撞，概率為45.45%；在站牌、門口處最容易發生非碰撞事故。因為在站牌處乘客上下車時，由于司機開關門不當會導致非碰撞事故；在門口處行人較多，司機也可能因為躲避行人而急剎車造成非碰撞事故。此外，在同一事故類型中，在門口處更容易發生非碰撞事故，在路口處更容易與小汽車及非機動車碰撞，在站牌處更容易與公交車碰撞。

2.2 事故類型對傷亡情況的影響

根據貝葉斯網絡模型的推理結果，得出事故類型對傷亡情況的影響，如圖6所示。

圖6 事故類型對傷亡情況的影響結果

由圖6可知，當發生非碰撞事故時，造成傷亡的可能性最大，概率為94.36%。因為非碰撞事故指公交車輛在線路運營中因緊急制動、突然加速、急促轉彎、路面顛簸、開關門操作不當等原因，使車上乘客身體失去平衡而摔倒、碰撞、擠壓導致受傷或物品受損而造成的事故，所以非碰撞事故最容易造成傷亡。其次是與非機動車碰撞，造成傷亡的概率為52.92%。因為非機動車與小汽車及公交車相比，保護措施較少，所以更容易造成傷亡；與小汽車及公交車碰撞造成傷亡的概率相對較小，分別為18.85%和16.23%。

2.3 致因因素比較分析

綜合圖2～圖5可知，雨天發生非碰撞事故的概率為50.02%，高于晴天和陰天；工作日發生非碰撞事故的概率為48.13%，高于非工作日；平直道路發生非碰撞事故的概率為45.94%，高于非平直道路；門口處發生非碰撞事故的概率為54.47%，高于路口、站牌和其他地點。因此，各外部致因因素對非碰撞事故的影響強度由大到小依次是地點、天氣、時間、道路線形。同理可得，對與小汽車碰撞的影響強度由大到小依次是地點、天氣、時間、道路線形；對與非機動車碰撞的影響強度由大到小依次是道路線形、地點、天氣、時間；對與公交車碰撞的影響強度由大到小依次是道路線形、時間、地點、天氣。

3 結論與建議

在公交車事故致因的研究中，國內學者集中研究駕駛員因素對事故的影響，但事故的發生是人、車、路、環境共同作用的結果，所以外部致因也不容忽視。通過使用貝葉斯網絡得出了公交車事故外部致因以及各事故類型最強外部致因，具體結論如下。

(1)天氣、時間、道路線形和地點是公交車事故的致因因素，其中道路因素(包括道路線形和地點)是最強致因因素；根據概率由大到小，造成的事故類型依次是非碰撞事故、與小汽車、非機動車、公交車碰撞。

(2)當發生非碰撞事故時，最容易造成傷亡，概率達到94.36%，且地點是非碰撞事故的最強外部致因。因此在門口和站牌這種最容易發生非碰撞事故的地點要放置醒目的交通標志，提醒駕駛員提前減速慢行，謹慎駕駛。

(3)當與小汽車碰撞時，有18.85%的概率會造成傷亡，且地點是與小汽車碰撞的最強外部致因。所以在路口這種最容易與小汽車碰撞的地點，在出行高峰期時，可以讓交通警察指揮交通。同時公交車駕駛員在路口處行駛時既要注意其他道路方向的小汽車，也要注意與同向行駛的小汽車保持安全距離。

(4)當與非機動車碰撞時，有52.92%的概率會造成傷亡，且道路線形是與非機動車碰撞的最強外部致因。所以在最容易與非機動車碰撞的非平直道路，要設置健全的非機動車專用道。同時駕駛員也要多注意避讓非機動車騎行者及行人，因為相對于公交車來說，他們是“弱勢道路使用者”。

(5)當與公交車碰撞時，有16.23%的概率會造成傷亡，且道路線形是與公交車碰撞的最強外部致因。所以在最容易與公交車碰撞的非平直道路，相關部門要進行道路整修，改善道路路面狀況。同時駕駛員要注意減速慢行且與前車保持安全距離，避免追尾前方公交車輛。

研究結果與國內城市道路交通事故相關研究結果相比[2,4]，相同之處是道路因素是最容易引起傷亡事故的因素；不同之處是公交車最容易發生非碰撞事故，而非多車事故。而且，還進一步得出非碰撞事故、與非機動車及行人碰撞事故容易造成傷亡，并將道路因素細分為地點和道路線形后得出它們分別是兩種類型事故的最強致因。此外，研究結果是在站牌處發生公交車事故多為非碰撞事故，會增加傷亡的可能性，而國外的相關研究成果顯示在站牌處發生公交車事故會降低傷亡的可能性[24]。

雖然系統地分析了外部因素對國內公交車事故的影響，但仍存在一些不足。受公交車事故數據獲取途徑限制，數據中缺乏事故的具體發生時段以及不涉及雪、霧的天氣情況，在之后的研究中可以加入這些情況，以獲得更細致的結果。