冰雪季城市道路交通事故嚴重程度影響因素分析

曹弋，張貝貝，李詩文

(大連交通大學 交通運輸工程學院，遼寧 大連 116028)

長期以來，冰雪條件對道路交通事故的發生及嚴重程度具有極其不利的影響.據統計，我國寒冷地區冰雪季節發生交通事故的頻率比正常情況高出3～4倍.與一般公路相比，城市道路交通事故一旦發生，將對其周邊交通運行狀況產生較大影響，如顯著增加行車延誤及非必要燃油消耗等.不難想象，冰雪條件下上述不利影響將更加突出.因此，有必要深入研究寒冷地區冰雪季節該類交通事故的顯著性影響因素及其對事故發生發展的影響.

國內外學者在該領域進行了大量研究.在影響因素方面[1]，調查分析了交通量、速度、密度與重車比例[2]等交通指標，車輛類型與碰撞類型[3]等事故特征，以及時間和天氣[4]等環境因素.Ahmed等[5]利用帶有貝葉斯推理的二元Logit模型(BLM)對重型卡車在嚴重和非嚴重碰撞中的參與度進行了分類.Ma等[6]通過建立部分比例優勢模型，來檢驗影響碰撞傷害嚴重程度的因素.Huang等[7]確定了車輛屬性、道路條件、環境因素和碰撞特征與車內乘員損傷嚴重程度之間的關系.Zheng等[8]綜合分析了碰撞嚴重程度與一組異質危險因素之間的關系.Wen等[9]探討了交通組成對高速公路交通事故發生率的影響.Tjahjono等[10]采用有序Probit模型來識別不同RLCs類型(主動和被動)與地點(城市和農村)事故的損傷嚴重性決定變量.Islam等[11]研究了高齡駕駛人和年輕駕駛人在夏季和冬季所受到的不同影響.

在事故預測方面，Abojaradeh[12]確定并建立了以事故數為因變量，以駕駛員行為失誤為自變量的事故統計預測模型，并利用回歸方法對預測模型的參數進行了標定.Guo Di等[13]利用層次分析法(AHP)模型，對要研究的各個因素確定權重，通過BP神經網絡模型對未來三年交通事故發生數進行預測.Budiawan等[14]基于數據挖掘技術，設計開發了事故預測系統.Emir等[15]詳細分析了道路、環境、車輛和駕駛員因素對交通事故的影響，基于上述影響因素的相似性，建立了交通事故成因分類模型.Lu等[16]通過統計各個典型的影響因素以及進行Logistic回歸分析,分析了交通事故與道路類型、車輛類型、駕駛員狀態、天氣、季節等因素的關系.Chung等[17]應用馬爾可夫鏈模型對交通事故發生次數進行了預測.Zhang等[18]從人、車、路、環境等因素對交通事故的影響入手，建立了三層BP神經網絡預測模型.

國內外現有研究雖然證實了不同條件下的單個或多個事故影響因素，但沒有同時考慮冰雪條件與城市道路兩個特質.在嚴重程度定義方面，沒有將城市道路與一般公路區別對待，統一采用傳統的基于事故傷亡人數與財產損失的定義準則，因而未能突出城市道路交通事故對周邊交通影響大的特點.鑒于上述不足，本文采用貝葉斯模型，研究冰雪季與非冰雪季發生交通事故不同嚴重程度的概率.研究成果對揭示特定條件下的事故發生機理具有理論指導意義，對提升道路交通安全管理水平與改善安全出行環境具有重要的實際應用價值.

1 數據來源

本研究收集了2017-2019年，中國黑龍江省道路交通事故數據中發生于城市道路中的6 891起交通事故，其中冰雪季節2 279起，非冰雪季節4 612起.事故嚴重程度的劃分標準依據文獻[19]進行，共分四個等級，分別為Ⅰ事故造成的傷亡非常嚴重，導致非常嚴重的交通擁堵；Ⅱ事故傷亡嚴重，造成嚴重交通堵塞；Ⅲ事故造成了部分經濟損失，并在一定程度上擾亂了周邊交通；Ⅳ事故沒有造成大的經濟損失，也沒有嚴重傷亡和交通擁堵.

本研究考慮的事故影響因素包括：天氣、能見度、事故形態、地形、交通信號方式、防護設施類型、道路物理隔離、路面狀況、路表情況、路面結構、路口路段類型、道路線形、道路類型、照明條件，共計14個.

2 顯著性影響因素

2.1 比例優勢模型

為探究事故嚴重程度的顯著性影響因素，采用比例優勢模型，如式(1)所示

(1)

2.2 變量代碼化

為了對影響因素變量進行標定，依據原始數據記錄信息，對14個影響因素進行代碼替代，部分代碼定義如表1所示.

表1 部分變量代碼

2.3 因素分析

利用STATA對冰雪季與非冰雪季的比例優勢模型求解，以置信度分別為90%，95%和99%篩選顯著影響因素.由回歸結果可知，冰雪與非冰雪條件下模型的PseudoR2分別為0.212與0.214，Log likelihood分別為-2 381.99與-5 012.33，說明兩種條件的模型擬合優度較好，變量的聯合顯著性較高.

(1)環境因素

圖1表示冰雪和非冰雪條件下天氣與事故嚴重程度的影響關系.其中自變量寬度表示不同等級天氣的事故數占事故總數的比例，每一等級自變量的不同高度表示不同事故嚴重程度所占比例.

圖1 天氣與嚴重程度的關系

由圖1可知，晴天數占比最高，且冰雪季晴天的事故發生率高于非冰雪季.冰雪季I級嚴重程度的事故發生率在雨天最高，非冰雪季II級嚴重程度的事故發生率在雪天最高.進一步分析表明，天氣因素每增加一個等級，冰雪季事故嚴重程度升級的概率為15.8%，非冰雪季為10%.由此可見，天氣對冰雪季節事故嚴重程度的影響高于非冰雪季.采用同樣方法，可以分析出能見度對事故嚴重程度的影響，同樣是冰雪季高于非冰雪季.

(2)道路因素

由圖2可知，大多數事故發生時，路面狀況為完好，且常見的事故嚴重程度為II級.對于道路因素方面，路面狀況比路面結構對事故嚴重程度的影響大.與非冰雪季相比，路面狀況和路面結構對冰雪季的交通事故嚴重程度影響更大.

圖2 路面狀況與嚴重程度的關系

(3)防護設施類型

由圖3可知，防護設施類型為波形梁護欄的情況時，事故頻發，且主要表現為II級嚴重程度.城市道路中的交通安全防護設施在緩解事故嚴重程度方面發揮了重要作用，其對冰雪季事故嚴重程度的作用大于非冰雪季.

圖3 防護設施類型與嚴重程度的關系

3 交通事故嚴重程度預測

3.1 貝葉斯模型

依據收集到的事故數據，按照文獻[19]所述的事故嚴重程度定義及劃分方法，通過選取網絡節點、定義節點及確定節點的取值范圍,進行貝葉斯網絡結構的構建.利用事故數據，計算貝葉斯網絡結構各節點的條件概率與狀態概率，并將其引入由genie2.0軟件構建的貝葉斯網絡結構中，可得貝葉斯事故嚴重程度預測模型，如圖4所示.

(a)冰雪季

3.2 網絡節點更新

貝葉斯網絡模型表達了隨著外部條件變化的節點變量之間的不確定關系.因此，模型必須在實踐中得到更新和學習.本研究使用genie2.0軟件，根據現有的三年事故數據構建了貝葉斯網絡模型.在后續應用中，需要不斷利用新一年的事故數據，對網絡節點進行更改與更新，以實現其學習功能.

3.3 預測與檢驗

為了驗證事故預測模型中各節點及節點之間的關系，與實際事故各影響因素對事故嚴重程度的影響機理是否相符，從而證實事故預測模型的有效性，需要利用已知的事故數據來檢驗預測結果.選取一起事故信息說明驗證過程，事故信息為：天氣為陰天，能見度為100～200 m，照明條件為夜間有路燈照明，路面狀況為完好，防護設施類型為波形梁護欄，路面結構為瀝青，道路類型為一般城市道路，事故嚴重程度等級為II級.將該事故信息樣本作為證據節點輸入貝葉斯預測模型中，通過模型推算得出事故發生概率如圖5所示.由預測結果可知，該起事故嚴重程度等級為II級的概率為65%，大于其他三種等級發生的概率，與實際記錄的事故信息相符.

圖5 單起事故嚴重程度預測結果

按照上述流程，對隨機選取的80起事故案例進行預測，并與實際事故嚴重程度進行對比分析.結果表明，預測結果與實際事故嚴重程度等級相符的共有74起，準確率達92.5%.該結果說明構建的貝葉斯預測模型其預測結果與事實基本相符，也說明了預測模型中包含的節點之間的作用關系，與實際事故影響因素對嚴重程度的作用機理基本符合.

4 結論

(1)模型分析表明，天氣狀況、道路因素和防護設施都對事故的嚴重程度有一定的影響，可采取一定的措施降低事故的嚴重程度.在惡劣天氣情況下，應加強交通管制，并制定相應的交通措施.例如：設置安全警報和實時報道,使用無線電和微博等平臺，及時報告實時狀況，使駕駛員更加警惕.定時管理維護路面，保證路面狀況完好，對正在施工或路面狀況不太好的道路，做好交通管制或采取限速、關閉道路等措施，以降低事故發生的可能性.在條件允許下可以對防護設施進行優化改造，設置路障和標志，以降低傷亡事故的發生概率；

(2)城市道路交通事故,其嚴重程度在冰雪季受天氣、能見度、防護設施類型、路面狀況、路面結構、道路類型、照明條件因素的影響顯著.與冰雪季不同的是，在非冰雪季，地形與交通信號方式對事故嚴重程度也有顯著影響，而道路類型與照明條件的影響不顯著；

(3)構建的城市道路交通事故貝葉斯網絡預測模型，可以依據上述影響因素條件，基本準確地表達各影響因素對事故嚴重程度的影響關系并預測其嚴重程度.案例分析結果表明，預測準確度達到92.5%.

由于本研究所應用的交通事故數據是在傳統嚴重程度定義標準下收集并獲得的，故而不包括計算周邊交通延誤所需的必要參數，如車輛到達率、離去率、行駛速度及事故處理時間.論文對上述參數進行了假定，具有一定的局限性.盡管如此，對于同類研究，本研究的理論方法及所得的一般性規律仍有一定的借鑒價值.關于數據完備性的問題，可隨著技術手段的不斷豐富，在后續研究中予以克服.

致謝：本文受2021年度大連交通大學專業學位研究生質量攻關項目，2021年度大連交通大學教學改革研究立項項目資助，特此致謝！