艱險山區(qū)高速公路交通事故特征及嚴重程度影響因素分析*

張詩, 彭利飛 , 黃杰 , 王芳菲 , 徐進,4

(1.重慶交通大學 交通運輸學院, 重慶 400074;2.重慶高速巫云開建設有限公司, 重慶 404546;3.重慶高速公路集團有限公司 南方營運分公司, 重慶 401300;4.山區(qū)復雜道路環(huán)境“人-車-路”協(xié)同與安全重慶市重點實驗室, 重慶 400074)

交通事故已嚴重威脅道路使用者的生命財產(chǎn)安全,每年約有135萬人死于道路交通事故[1]。受特殊地形地貌和自然環(huán)境等限制,山區(qū)高速公路具有線形組合復雜、橋隧比高和路側危險度大等特點,導致其交通事故呈現(xiàn)數(shù)量多且程度重的現(xiàn)象,重、特大交通事故時有發(fā)生[2]。分析艱險山區(qū)高速公路交通事故分布特征,用定量方法揭示交通事故嚴重程度與影響因素之間的關系,并提出針對性的改善措施,是提高艱險山區(qū)高速公路交通安全性的有效途徑。

很多學者對山區(qū)高速公路交通事故特征和致因進行了研究。Ahmed M. M.等采用貝葉斯邏輯回歸方法,分析了幾何線形、天氣條件和車輛速度對山區(qū)高速公路交通事故的影響[3];Rusli E. R.等對比分析了山區(qū)高速公路和平原區(qū)高速公路的事故類型、嚴重程度、道路特征和行駛環(huán)境等的分布特征[4];Ma X. X.等建立山區(qū)高速公路事故率模型,分析了事故率影響因素[5];田畢江等基于事故數(shù)據(jù),定量分析了云南山區(qū)高速公路交通事故的時空分布特征[6];熊曉夏等基于自然駕駛數(shù)據(jù),建立了研究道路交通事故風險類型的貝葉斯網(wǎng)絡模型[7];由冰玉等分別從人、車、路方面進行分析,構建了基于故障樹的山區(qū)高速公路交通事故致因貝葉斯網(wǎng)絡模型,得出了最敏感的山區(qū)高速公路交通事故影響因素[8];陳波等利用Ologit模型對山區(qū)高速公路交通事故中涉及車輛數(shù)的影響因素進行分析,得到了人、車、路環(huán)境等自變量的分類優(yōu)勢比[9];孟祥海等以年平均日交通量、路段長度和路段幾何線形為變量,建立了山區(qū)高速公路事故率Tobit回歸模型[10]。

在事故多發(fā)段和安全改善措施方面,Bolla M. E.等開發(fā)可以提供道路全面信息的交通事故數(shù)據(jù)庫,確定了事故多發(fā)路段[11];Yakar F.使用相對頻率法建立事故次數(shù)與道路環(huán)境的關系,對事故易發(fā)路段進行了識別[12];Guerrero-Barbosa T. E.等利用貝葉斯技術創(chuàng)建交通事故數(shù)據(jù)庫,用于識別不同危險等級的路段[13];Sayed T.等采用模糊模式識別技術評估駕駛員、車輛、道路環(huán)境三者之間的復雜作用,識別事故易發(fā)位置[14];朱芳琪等建立基于地理信息系統(tǒng)的高速公路交通事故時空分析系統(tǒng),結合改進時空密度聚類方法對交通事故進行了時空可視化分析和多發(fā)路段識別[15];肖樂基于NAIS國家車輛事故深度調查體系中交叉口事故數(shù)據(jù)樣本,構建了以人、車、路和環(huán)境等事故嚴重程度影響因素的有序Logistic模型,得出顯著影響因素有車輛類型、事故發(fā)生時段、是否有信號燈、駕駛員主要過失[16];楊永紅等綜合應用運行速度協(xié)調性分析和累計頻率曲線法,確定了山區(qū)高速公路事故多發(fā)路段[17];王迎等提出了基于FCM聚類的包括人、車、路、環(huán)境的山區(qū)高速公路事故多發(fā)點成因分析方法[18];何斌等采用風險指標評價方法,從平面設計、縱斷面設計及長大下坡路段等方面對山區(qū)高速公路安全性進行了評價[19]。

現(xiàn)有研究對一般高速公路交通事故特征分析較多,缺乏對山區(qū)高速公路交通事故發(fā)生頻數(shù)和事故嚴重程度的特征分析;對山區(qū)高速公路交通事故分布特征的研究大都采用單因素分析方法,未進行多因素影響下事故分布特征分析;對事故嚴重程度影響因素的分析忽略了多因素作用下的差異性,缺少各種因素與事故嚴重程度的內(nèi)在關系分析。為此,本文以位于重慶市的包茂(包頭—茂名)高速公路南環(huán)立交至大觀互通段為研究對象,通過分析交通事故在時間、空間、形態(tài)、道路線形條件及傷亡人數(shù)方面的分布特征,構建樹增強樸素貝葉斯網(wǎng)絡模型對事故嚴重程度影響因素進行敏感性分析,為提升艱險山區(qū)高速公路交通安全性提供借鑒。

1 研究對象及交通運行總體特征

包茂高速公路南環(huán)立交至大觀互通段全長約43 km,設計速度80 km/h,最高限速120 km/h,包含8個互通立交和6條長度占路段總長22.64%的隧道,橋隧比高達75.2%,組成結構復雜,存在大量小半徑曲線路段、陡坡和長下坡路段,最小圓曲線半徑為700 m,最大上坡坡度、最大下坡坡度為4.0%,坡度為4.0%的陡坡路段占路段總長的10.10%,具有明顯的艱險山區(qū)高速公路特點(見圖1)。

選取2016—2020年該路段發(fā)生的部分交通事故數(shù)據(jù)進行研究,數(shù)據(jù)記錄形式見表1。

2 交通事故分布特征分析

2.1 事故時間分布特征

從年、月、小時3個時間維度分析交通事故的頻數(shù)和嚴重程度,結果見圖2。

圖1 包茂高速公路南環(huán)立交至大觀互通段路線平面示意圖

表1 2016—2020年包茂高速公路南環(huán)立交至大觀互通段部分交通事故數(shù)據(jù)

從圖2可以看出:1) 2017—2019年,交通事故頻數(shù)呈現(xiàn)逐年遞增的趨勢;2020年,由于車流量受到新型冠狀病毒感染疫情管制的影響呈不規(guī)則分布,交通事故頻數(shù)急劇增長[20]。2) 2017年事故導致的傷亡人數(shù)最多,單起事故的傷亡人數(shù)最高達0.31人/起;2018年和2019年事故死亡人數(shù)最多;2020年事故傷亡人數(shù)最少。3) 1月、2月、8月、10月為事故高發(fā)月份,其中1月、2月氣溫較低,路面濕滑,加上春節(jié)假期,出現(xiàn)事故多、傷亡人數(shù)多的現(xiàn)象;8月受高溫天氣的影響,駕駛員行車舒適度降低,易引發(fā)交通事故;10月重慶處于汛期,雨霧天氣多,團霧現(xiàn)象較明顯,且該路段連接金佛山等著名景點,交通事故發(fā)生率增大,事故受傷人數(shù)最多。4) 交通事故高峰小時為9:00—11:00和13:00—18:00,這兩個時段受進城和出城需求的影響,交通量激增導致事故頻數(shù)較高;13:00—15:00駕駛員午后疲勞犯困,心情煩躁,極易引發(fā)交通事故;夜間1:00—7:00交通事故較少但傷亡人數(shù)較多,主要受光線和駕駛員疲勞駕駛等因素的影響。

圖2 事故頻數(shù)和嚴重程度時間分布特征

2.2 事故空間分布特征

路段交通事故頻數(shù)和嚴重程度的空間分布特征分別見圖3、圖4。由圖3、圖4可知:1) 事故多發(fā)路段集中于互通段、隧道段、陡坡段、S形曲線段和長大縱坡,其中K1613—K1621路段為長度約8 km的連續(xù)縱坡,坡度為4.0%的區(qū)段占19.80%;K1622—K1630路段為長度約8 km的連續(xù)縱坡。2) 進城方向的傷亡人數(shù)多于出城方向,傷亡人數(shù)最多的區(qū)段為K1588—K1589、K1594—K1595和K1616—K1617路段,平均15人;事故多發(fā)路段貨車占比較高,貨車在連續(xù)縱坡路段連續(xù)制動易導致剎車失靈或減弱,一旦發(fā)生交通事故傷亡人數(shù)較多。

圖3 事故頻數(shù)空間分布特征

交通事故數(shù)量在空間上的分布不均勻。將事故當量法和累計曲線法相結合進行事故多發(fā)路段鑒定。事故當量法根據(jù)事故造成的后果(如死亡人數(shù)、受傷人數(shù)、經(jīng)濟損失等)將事故按式(1)轉化為當量事故,由于交通事故數(shù)據(jù)沒有具體量化經(jīng)濟損失,事故當量化時主要考慮傷亡人數(shù)。

QEQ=Q+k1D+k2I

(1)

式中:QEQ為當量事故數(shù);Q為事故發(fā)生數(shù)量;k1為死亡人數(shù)的權重系數(shù);D為事故中死亡人數(shù);k2為受傷人數(shù)的權重系數(shù);I為事故中受傷人數(shù)。

k1、k2的取值由交通事故給社會帶來的負面影響所決定,k1通常取1.5～2.0,k2通常取1.2～1.5,取值大小反映其影響大小。k1取2.0,k2取1.5,得到事故當量化公式如下:

QEQ=Q+2.0D+1.5I

(2)

累計頻率曲線法將道路進行單元劃分,劃分單元長度可取0.20～16.00 km。對于山區(qū)高速公路,推薦單元長度取0.05～1.40 km[21],本文取1.00 km。通過計算,將當量事故數(shù)由大到小排列,統(tǒng)計各事故當量數(shù)單元道路的頻率,繪制圖5所示當量事故累計頻率曲線。

對當量事故累計頻率進行二次求導,所得零點即為當量事故突變點。在突變點上方,累計頻率雖在增加但事故次數(shù)不斷減少;在突變點下方,事故次數(shù)急劇上升,將事故數(shù)超過突變點對應當量事故數(shù)的路段作為事故多發(fā)路段。進城方向當量事故數(shù)突變點在23.5處,出城方向在10.5處,進城方向當量事故數(shù)大于23.5起的路段單元為事故多發(fā)路段單元,出城方向當量事故數(shù)大于10.5起的路段單元為事故多發(fā)路段單元。將相鄰的事故多發(fā)路段單元進行拼接,得到事故多發(fā)路段(見表2)。

對于互聯(lián)網(wǎng)企業(yè)來講，管理層要轉變觀念，認識到員工培訓的重要性。同時要對公司全體員工展開宣傳教育，使其明白培訓的重要性，不可再令公司的教育培訓流于形式。

圖5 當量事故累計頻率曲線

表2 事故多發(fā)路段

2.3 事故所在道路線形分布特征

交通事故與道路線形的關系見圖6。從由圖6可以看出:1) 事故率與平曲線半徑呈“雙駝峰”分布,小半徑曲線(700～800 m)處交通事故發(fā)生率最大,隨著平曲線半徑的增加和行車視距的提升,交通事故率有所下降;曲線半徑為1 200～2 200 m時,駕駛員認為行車條件良好,放松警惕超速駕駛,交通事故發(fā)生率增大;曲線半徑大于2 200 m時,交通事故率逐漸下降,最終保持相對穩(wěn)定。2) 大縱坡(-4.0%～-3.0%和3.0%～4.0%)和小縱坡(-1.0%和1.5%)處事故發(fā)生率較高。主要原因是在長大縱坡處車輛保持較高速度行駛容易駕駛失控,在小縱坡處駕駛員放松警惕提高速度,事故發(fā)生率提高。

圖6 事故所在道路線形分布特征

2.4 事故形態(tài)分布特征

路段交通事故形態(tài)多因素分布特征見圖7。由圖7可知:追尾、撞擊固定物及側翻是交通事故主要類型,追尾事故占比遠高于其他事故。高速公路上車速普遍較快,且行駛途中可能受到車輛故障、駕駛員心理和經(jīng)驗等因素影響,追尾事故頻發(fā),追尾是產(chǎn)生人員傷亡的主要事故類型。2) 小汽車發(fā)生事故的頻次遠高于其他車型,其中進城方向小汽車事故占67.96%,貨車事故占24.14%;出城方向小汽車事故占70.54%,貨車事故占25.92%。小汽車、貨車是發(fā)生交通事故的主要車型。

圖7 事故形態(tài)與事故涉及車型分布特征

3 基于樹增強樸素貝葉斯模型的事故嚴重程度影響因素分析

3.1 事故嚴重程度影響因素選取

山區(qū)高速公路交通事故數(shù)據(jù)具有結構復雜、多屬性、多層次的特點。通過分析2016—2020年該路段1 169起交通事故數(shù)據(jù),從交通系統(tǒng)的角度將事故嚴重程度影響因素分為車輛、道路條件、行車環(huán)境和事故形態(tài)4個屬性,采用分層思想從4個分類屬性中選取潛在風險因素。道路因素根據(jù)JTG B05—2015《公路項目安全性評價規(guī)范》[22]將道路線形按表3中標準劃分為平直路段、平曲線路段、陡坡路段和彎坡組合路段。山區(qū)高速公路受地形限制存在較多長大縱坡路段,采用表4所示標準確定山區(qū)高速公路長大縱坡[23]。將屬性變量編碼作為虛擬變量,建立屬性變量集F={X1,X2,X3,X4,X5,X6,X7,X8,X9},并進行離散化取值(見表5)。將交通事故嚴重程度劃分為一般事故、受傷事故和死亡事故三類,事故嚴重程度用T表示,一般事故取1,受傷事故取2,死亡事故取3。

表3 道路線形劃分標準

表4 山區(qū)高速公路長大縱坡界定標準

表5 因素屬性及取值

3.2 事故嚴重程度的貝葉斯網(wǎng)絡構建

貝葉斯網(wǎng)絡是由節(jié)點、弧線和概率組成的有向無環(huán)圖結構模型,主要通過學習不完全、不精確或不確定的知識或信息來推理葉節(jié)點和根節(jié)點之間的因果關系。輸入結構的變量表示網(wǎng)絡中節(jié)點,用有向弧線連接父節(jié)點指向子節(jié)點,設變量集合V={X1,X1,…,Xn},Parent(Xi)表示變量Xi父節(jié)點的集合,則Xi的條件概率P(V)為:

(3)

節(jié)點由表5中風險因素變量表示,變量取值代表節(jié)點狀態(tài),不同節(jié)點狀態(tài)間的關系用條件概率P(V)表示。通過調整變量某個狀態(tài)的概率來更新對應父節(jié)點的狀態(tài)信息E,利用貝葉斯理論推斷其他節(jié)點的概率變化如下:

(4)

利用SPSS Modeler軟件比較貝葉斯網(wǎng)絡中樹增強樸素貝葉斯模型(TAN)、馬爾可夫結構模型(Markov)和特征馬爾可夫結構模型(FS-Markov),通過評估和分析3種結構模型的正確率和收益確定分析模型。如圖8所示,3種結構模型中樹增強樸素貝葉斯模型的準確率和收益最高。以貝葉斯網(wǎng)絡為基礎的樹增強樸素貝葉斯網(wǎng)絡模型使用最大加權生成樹構建屬性網(wǎng)絡,計算節(jié)點間的互信息,根據(jù)互信息產(chǎn)生影響關系和權重,遵循已選邊不組成回路的原則,構建最大權重生成樹,允許預測的每個變量除關聯(lián)目標變量外還依賴其他預測變量,從而有效增加貝葉斯模型的準確程度。因此,構建圖9(a)所示山區(qū)高速公路事故嚴重程度樹增強樸素貝葉斯結構,在Netica軟件中完成貝葉斯網(wǎng)絡模型構建和參數(shù)學習[見圖9(b)]。

圖8 3種測試模型的正確率和收益

圖9 山區(qū)高速公路事故嚴重程度貝葉斯網(wǎng)絡

3.3 事故嚴重程度影響因素分析

在貝葉斯網(wǎng)絡結構中,多因素組合引發(fā)的交通事故概率往往大于組合內(nèi)單因素單獨作用引發(fā)的交通事故概率,表明多因素組合作用會增大事故發(fā)生頻率。通過分析交通事故分布特征和車路耦合作用下事故發(fā)生概率,利用樹增強樸素貝葉斯結構模型對事故車型和路段線形組合作用、路段線形和事故形態(tài)組合作用、事故形態(tài)和事故車型組合作用下艱險山區(qū)高速公路交通事故嚴重程度的后驗概率進行分析。

車型單獨作用與車型和道路線形組合作用下事故嚴重程度后驗概率對比見表6。由表6可知:小汽車和貨車發(fā)生在平曲線路段、陡坡路段、彎坡組合路段和長大縱坡路段的事故多為死亡事故,涉及貨車的事故往往會產(chǎn)生較大財產(chǎn)損失,在山區(qū)高速公路不良線形路段發(fā)生交通事故易引發(fā)人員傷亡。

表6 事故車型與路段線形組合作用下事故嚴重程度的后驗概率

事故形態(tài)單獨作用與事故形態(tài)和路段線形組合作用下事故嚴重程度的后驗概率對比見表7。由表7可知:發(fā)生在平直路段和平曲線路段的追尾事故易造成人員受傷,在陡坡路段、彎坡組合路段和長大縱坡路段發(fā)生的追尾事故多為死亡事故且會帶來財產(chǎn)損失;在平直路段發(fā)生撞擊固定物的事故,會造成財產(chǎn)損失;在彎坡組合路段和長大縱坡路段易發(fā)生側翻事故,且造成人員死亡的概率較大;在不良線形路段,出現(xiàn)在行駛環(huán)境中的所有路側設施和障礙物都會在交通事故發(fā)生時對交通參與者構成嚴重威脅。

事故形態(tài)單獨作用與事故形態(tài)和車型組合作用下事故嚴重程度的后驗概率對比見表8。由表8可知:涉及多種車型的追尾事故多為受傷事故且會帶來財產(chǎn)損失,涉及貨車的撞擊固定物的事故造成人員死亡的概率增大。固定物如墻壁、樹木或混凝土護欄等一般沒有安全性能設施(如安全氣囊或防護結構),當車輛以較高速度與這些固定物發(fā)生碰撞時,沖擊力更大,導致車輛和乘客受到更嚴重的傷害。撞擊固定物事故發(fā)生時乘客容易因車體變形、扭曲而受到擠壓,人員傷亡的概率增大。貨車是發(fā)生側翻事故的主要車型,且發(fā)生側翻路段線形條件較差,側翻事故后,車輛可能會傾斜或完全翻轉導致乘員難以逃離,人員傷亡的概率增大。

表7 事故形態(tài)與路段線形組合作用下事故嚴重程度的后驗概率

表8 事故形態(tài)與車型組合作用下事故嚴重程度的后驗概率

3.4 事故嚴重程度影響因素的敏感性分析

在貝葉斯網(wǎng)絡中,敏感性分析是用來評估輸入變量對輸出變量影響程度的方法,當網(wǎng)絡中某一節(jié)點的狀態(tài)發(fā)生改變時,分析該節(jié)點對其他節(jié)點的影響程度。通過敏感性分析,判斷各節(jié)點的敏感值大小,依據(jù)敏感值探尋網(wǎng)絡結構中影響目標節(jié)點的關鍵節(jié)點,進而有針對性地把控風險構件。分析葉節(jié)點對根節(jié)點的影響程度,結果見表9。相關度信息代表根節(jié)點對各葉節(jié)點的依賴程度,數(shù)值大小表示敏感性大小。如果對于某個風險因素的敏感值較大,則該風險因素的微小變化可能會導致目標節(jié)點后驗概率的大變化。如果敏感值很小,則即使風險因素發(fā)生較大變化,對目標節(jié)點的后驗概率也幾乎沒有影響。由表9可知:事故涉及車輛數(shù)量、事故形態(tài)、事故發(fā)生月份、事故發(fā)生時天氣和事故車型是艱險山區(qū)高速公路事故嚴重程度的高敏感因素。通過敏感性分析,可以確定對事件發(fā)生概率影響較大的基本節(jié)點,進而采取有效措施降低這些基本節(jié)點的概率,從而降低事件的發(fā)生概率。

4 結語

基于包茂高速公路南環(huán)立交至大觀互通段1 169起交通事故數(shù)據(jù),分析交通事故在時間、空間、路段線形、涉及車型、事故形態(tài)方面的分布特征,并利用樹增強樸素貝葉斯結構模型對事故嚴重程度影響因素進行分析。主要結論如下:

表9 事故嚴重程度貝葉斯網(wǎng)絡節(jié)點敏感性分析

(1) 該路段2017—2019年的交通事故數(shù)量呈逐年增長趨勢,受新型冠狀病毒感染疫情的影響,2020年交通事故頻數(shù)最高,2017年單起事故死傷人數(shù)最高,1月、8月和10月,9:00—11:00和13:00—16:00是事故高發(fā)期。

(2) 艱險山區(qū)高速公路事故多發(fā)路段集中于隧道路段、互通和不良線形路段;事故形態(tài)主要為追尾、撞擊固定物和側翻;小汽車和貨車是多發(fā)事故的主要車型。

(3) 在事故與路段線形分布上,事故發(fā)生頻數(shù)隨平曲線半徑的增大而減小,平曲線半徑為小半徑(700～800 m)和1 200 m時,事故發(fā)生頻數(shù)較高,下坡路段事故比上坡路段事故多發(fā)。

(4) 在艱險山區(qū)高速公路不良線形路段發(fā)生交通事故易引發(fā)人員傷亡,不良線形路段條件下出現(xiàn)在行駛環(huán)境中的所有路側設施和障礙物都會在交通事故發(fā)生時對交通參與者構成嚴重威脅。

(5) 事故涉及車輛數(shù)、事故形態(tài)、事故發(fā)生月份、事故車型和天氣是影響艱險山區(qū)高速公路事故嚴重程度的關鍵因素。

根據(jù)上述分析,提出如下減少山區(qū)高速公路交通事故的對策:實行客貨分離,特別是重載貨車的分離,大貨車靠右行駛,保證同車道內(nèi)車輛速度差較小;對于長距離不可變車道,在車道駛入端實行客貨分流,對長實線路段提前進行預告,通過減少車輛交織降低事故參與車輛數(shù);對于不利天氣帶來的影響,利用車路協(xié)同技術,利用路側系統(tǒng)監(jiān)測道路天氣狀況并將天氣信息傳遞給交通參與者,實現(xiàn)對不利天氣的預防;將小半徑曲線上坡路段設置為不可變道路段,減少車輛在彎道內(nèi)部的交織;利用車路協(xié)同技術,運用V2V通信技術賦予駕駛員超視距能力,在一定程度上減少由于視距不佳導致的小半徑曲線路段交通傷亡事故。