基于探索性因子分析的高原山區高速公路事故致因耦合機制研究

Research on the Coupling Mechanism of Accident Causes on High-altitude Mountainous Expressways Based on Exploratory Factor Analysis

Yang QixialHe Chao1，2 1.Southwest Forestry University，Kunming 650224，China 2.DehongVocational College，Mangshi678400，China

Abstract：Toreveal themult-factorcouplingcausationmechanismofhighwayacidentsintheplateau mountainousareasofYunnanProvince，basedon1863accidentdatafrom013to2023，avariablesystemincludinginteractiontermswasconstructedfromthe \"human-vehicle-road-environment\"system，andexploratoryfactoranalysis（EFA）wasusedfordimensionreduction.Sixkeyrisk factors wereextracted，with the top three weights being：the interaction factor ofconstruction and rainy days （ 16.48% ），the factor of missing fog zone protection （ 14.65% ），and the risk factor of heavy truck operation （ 12.99% ）. The results show that the compound scenarios such as“construction + rainy days”and“foggy days + no protection”have the most prominent risks.The study reveals the system couplingdisasterpatenofaidents，hichanprovideabasisforprecisepreventionandcontrolofg-rsksections.Thedentified risk factor of heavy trucks especially provides key decision support for vehicle safety management and design.

KeyWords：Plateauandmountainousareas;Trafficaccidents;Causativefactoranalysis;Exploratoryfactoranalysis;；Human-vehicle-road-environment system

1前言

道路交通事故是全球面臨的重大公共健康問題，其致因機理復雜，一直是交通安全領域研究的核心課題[1]。經典研究普遍認同交通事故是\"人-車-路-環境”（H-V-R-E）系統要素相互作用、系統失衡的結果[2]。然而，現有研究多基于平原地區或相對均質的環境展開[3]，或側重于對單一因素（如駕駛員失誤、車輛故障、道路線形或惡劣天氣等）的孤立分析[4]。這類方法難以充分揭示多重因素，特別是跨維度因素間動態交互與耦合效應在事故中的作用機制，在處理復雜環境下的系統性風險時存在局限性[5]。

云南省地處中國西南高原山區，其獨特的地理氣候條件賦予了高速公路系統極高的固有風險性。該區域高速公路網絡穿越云貴高原與橫斷山脈，呈現出海拔梯度巨大（ 500～3500m ）、道路線形極限（如最大縱坡 8% 、最小平曲線半徑 150m 以及立體氣候顯著（年均霧日超80天，雨季長達6個月）的突出特征6。相較于平原地區，這種“高地應力、高地震烈度、高海拔梯度\"與“多雨、多霧”的“三高兩多\"環境，使得行車安全面臨比平原地區更為嚴峻的系統性挑戰，事故后果也往往更為嚴重[7]。

盡管國內外學者在事故致因分析方面取得了豐碩的成果，但針對云南省高原山區高速公路這一特殊場景下，多重風險因素耦合機制的深度、系統性研究仍顯不足[8]。傳統的Logistic回歸等模型雖能識別顯著因素，卻難以處理變量間的高度共線性和復雜的交互效應，可能導致關鍵風險模式的遺漏或誤判9。高原山區的復雜性和獨特性決定了其事故機理必然是“人-車-路-環境\"多維因素非線性交互、耦合驅動的產物，亟須一種能夠有效降維并提取潛在風險結構的分析方法[10]。

探索性因子分析（ExploratoryFactorAnalysis，EFA）是一種強大的多元統計方法，尤其擅長從大量觀測變量中提取出少數幾個潛在的公因子，以揭示變量背后隱藏的復雜結構。它能夠有效處理變量間的相關性，并通過因子載荷清晰展現多個觀測變量與潛在風險機制之間的關聯，尤其適用于識別由交互項表征的耦合風險。

因此，本研究引入EFA方法，旨在從系統耦合視角出發，構建一個包含多維交互項的事故致因分析框架，深入剖析云南省高原山區高速公路交通事故的核心致因及其交互作用機制。本研究不僅在理論上有助于豐富和發展復雜環境下的交通安全風險評估理論，推動事故致因研究從“單因素析因”“向系統耦合解耦\"轉變；在實踐上，也能為云南省乃至全國類似地形氣候特征地區的高速公路精準化安全管控提供科學依據。

2數據與方法

2.1數據來源與預處理

本研究數據來源于2013—2023年云南省高速公路交通事故原始記錄庫。經過數據清洗與整理（剔除關鍵信息嚴重缺失的樣本），共得到1863起有效事故樣本用于分析。每條事故記錄均包含時間、地點、車輛、人員、道路條件及環境狀況等多維度信息。

2.2變量體系構建

基于“人-車-路-環境\"系統框架，本研究初步遴選了29個二分類觀測變量（0/1變量），涵蓋了駕駛員行為、車輛屬性、道路條件、環境狀況及安全設施等方面（表1列出了部分代表性變量的定義與設置）。為量化多因素耦合帶來的風險放大效應，本研究進一步構建了9個交互項變量（如\"雨天施工\"由“天氣_雨\"與“路面狀況_施工”相乘生成），用于表征復合風險場景，并作為觀測變量納人EFA模型。

表1變量體系定義與設置（部分示例）

注：完整變量包含38個變量。

本研究變量的最終確定遵循了先驗理論指導與后續統計驗證相結合的原則。在EFA之前，基于文獻與高原行車特點構建了初始變量集。在因子分析后，采用以下標準篩選穩定變量：

a.因子載荷閾值：保留在某個因子上載荷絕對值gt;0.4 的變量。

b.專業可解釋性：變量的歸屬必須符合“人-車-路-環境\"系統的理論框架，并能清晰詮釋高原山區的復合風險場景（如霧、坡、重型貨車等相關的變量及交互項）。兩個標準需同時滿足，以確保因子結構既在統計上穩健，又在專業上準確。

2.3分析方法與流程

本研究遵循標準的EFA分析流程（圖1），其核心是揭示可觀測變量與潛在公因子之間的數學關系。EFA的基本數學模型可表示為：

X_j=λ_j1F₁+λ_j2F₂+…+λ_jmF_m+U_j

式中， X_j 為標準化后的第 j 個可觀測變量，如雨天、重型貨運車輛等； F₁，F₂，…，F_m 為 m 個潛在公因子 （mjk 為第 j 個觀測變量 X_j 在第 k 個公因子 F_k 上的因子載荷，反映了二者間的相關強度；U_j 為第 j 個觀測變量的唯一性因子或誤差項。

分析過程嚴格按照標準EFA流程（圖1）進行，以確保結果的科學性與可重復性。核心步驟包括：a.因子分析適用性檢驗（KMO與Bartlett球形檢驗）;b.采用主成分分析法抽取初始公因子；c.依據特征值 gt;1 準則（Kai-ser準則）并結合碎石圖拐點確定公因子數量;d.采用最大方差法（Varimax）進行正交旋轉，使因子結構更清晰，便于解釋;e.根據旋轉后的因子載荷矩陣對公因子進行命名與解釋。

圖1EFA分析流程圖

3實證結果與分析

本文選取2013一2023年中國云南省的高速公路交通事故數據，使用SPSS軟件作為分析平臺，實現基于探索性因子分析的高速公路交通事故影響因素模型建立和分析。

3.1因子分析適用性檢驗

在提取因子前，首先對數據進行因子分析適用性檢驗。由表2可知，KMO值為0.652，大于0.6的可接受標準；Bartlett球形檢驗的近似卡方值為24466.504（自由度1 71，plt;0.001 ），達到極其顯著水平。兩項檢驗均表明觀測變量間存在顯著相關性，數據適合進行探索性因子分析。

表2KMO和Bartlett球形檢驗結果

3.2公因子提取

采用主成分分析法抽取初始因子。如圖2所示，碎石圖在第6個成分之后趨勢明顯平緩，出現拐點。結合特征值大于1的Kaiser準則（前6個因子特征值分別為4.617、3.558、2.197、1.513、1.169、1.022），最終確定提取6個公因子，累計方差貢獻率為 74.079% （表3），能夠解釋原始變量的大部分信息，因子提取效果良好。

圖2碎石圖

3.3因子旋轉與命名

為獲得更清晰的因子結構，旋轉后的因子載荷矩陣如圖3所示。根據因子載荷絕對值大于0.5（對專業意義顯著的變量適當放寬至0.4）的原則，結合變量的實際含義，對6個公因子進行命名和解釋。提取方法采用主成分分析；旋轉方法采用凱撒正態化最大方差方法。

圖3中的負號可能表示該變量對因子風險有抑制效應（如照明設施完善降低風險）。載荷值的正負號表示變量與因子風險的關系方向。正值表示該變量出現會增加該因子的風險程度；負值通常表示該變量出現會降低該因子的風險程度（或表示該變量的對立面是風險因素），具體解釋需結合因子命名和專業背景。各因子命名及核心變量如表4所示。

3.4綜合風險評分模型構建

以公因子方差貢獻率為權重，建立事故風險綜合評價函數。權重 ω_i 根據每個公因子旋轉后方差貢獻率占累計方差貢獻率的比例計算確定，即 ω_i= 第i個公因子旋轉后方差貢獻率 /74.078% 。事故樣本的綜合風險評分 R 由各公因子得分 FAC_i 與其權重 ω_i 的加權和計算得出： 。其中 FAC_i 為SPSS通過回歸法計算得到的第 i 個公因子的標準化值（均值為0，標準差為1）。各因子權重分配見表5。

圖4展示了通過探索性因子分析提取的6個關鍵風險因子按其旋轉后方差貢獻率從高到低排序的結果。方差貢獻率越高，表明該因子對云南省高原山區高速公路交通事故總風險的解釋能力越強，其重要性也越突出。

表3總方差解釋表

注：提取方法：主成分分析。

表4公因子命名與核心變量表

注：常規采用I因子載荷≥0.5作為核心變量篩選標準。

3.5綜合討論與致因機制挖掘

通過探索性因子分析，從系統耦合視角揭示了云南省高原山區高速公路交通事故的成災機制。分析表明，該地區事故致因絕非“人-車-路-環境\"單一要素的線性疊加，而是多維度要素非線性交互、耦合激變的“涌現”

結果，核心機制與風險結構可歸納為以下4點。

a.交互耦合是風險形成的絕對主導機制。提取的六大公因子中，前五大因子均由交互項或明確指向多因素耦合的場景所定義。這強有力地證明，高原山區高速公路事故絕非“人-車-路-環境\"單一要素線性作用的簡單疊加，而是多維度要素非線性交互、耦合激變的“涌現\"結果。傳統統計模型難以捕捉這種復雜效應，而EFA的成功應用正是本研究方法上的關鍵創新。

表5公因子權重分配表

注：權重基于方差貢獻率計算，累計解釋率 74.078% 。

b.環境因素是觸發系統脆弱的“催化劑”。權重最高的兩大因子均源于動態環境（雨、霧）與靜態基礎設施（施工、防護設施）的耦合。這表明，云南獨特的“立體氣候”是固有的背景風險源，當其與基礎設施的“脆弱性”（如臨時性施工、防護不足等）或“危險性\"（如急彎、陡坡等）相遇時，便成為引爆系統性風險的“導火索”，顯著放大了事故的概率與嚴重性。

c.重型貨車是風險網絡中的核心載體與放大器。重型貨車不僅是F3因子的絕對核心（本體載荷0.900），還深度參與了F4（濕滑路面貨車）、F5（急彎貨車）等多個高風險鏈條。這凸顯出其在該區域風險網絡中的特殊地位：因其自身在高原環境下的性能短板（動力制動衰減、重心高）和運營特征（長途運輸、易疲勞），它既是重要的獨立風險源，更是連接其他風險的關鍵節點，能夠急劇放大由環境和道路條件引發的初始風險。

d.風險結構呈現清晰的層次化譜系。EFA結果自然呈現出一個從宏觀到微觀的風險圖譜：頂層是環境-設施耦合風險（F1、F2，權重合計超 30% ）；中層是車輛-運營-環境綜合風險（F3、F4）；底層是局部線形-行為互動風險（F6）。這一層次化結構不僅深化了對事故致因的理解，更為交管部門區分風險緩急、制定差異化與精準化的防控策略提供了堅實的理論依據。

4結語

本研究基于2013—2023年云南省高原山區高速公路1863起事故數據，運用探索性因子分析法，從“人一車-路-環境”系統耦合視角構建了包含交互項的事故致因變量體系，旨在揭示該區域交通事故形成的核心機制。主要結論如下：

研究提取出6個關鍵風險因子，累計方差貢獻率達74.08% ，能有效解釋事故成因。按重要性排序依次為：施工-雨天交互因子（ 16.48% ）、霧區防護缺失因子（ 14.65% ）重型貨車運營風險因子（ 12.99% ）、濕滑路面風險因子（ 12.56% ）、互通區濕滑風險因子（ 8.90% 和急彎-超車線形風險因子（ 8.50% ）。

交互耦合是高原山區高速公路事故最典型的特征。研究表明，事故并非單一因素線性作用的結果，而是多維度因素（特別是環境與基礎設施、車輛運營、駕駛行為之間）非線性交互、耦合激變的產物。“施工 + 雨天”“霧天 + 無防護”“重型貨車 + 線形/疲勞\"等復合場景風險最為突出。構建了事故綜合風險評分模型，以各因子方差貢獻率為權重，實現了對路段風險的量化評估，為交管部門開展高風險路段的精準識別、分級管控與差異化安全改善提供了科學的決策依據。

本研究從系統耦合視角識別出的關鍵風險因子，特別是“重型貨車運營風險因子”，對車輛安全管理與設計具有明確貢獻。研究成果表明，重型貨車在高原山區復雜環境下的運營風險尤為突出，這直接提示車輛制造商需重點關注重型貨車的制動性能、重心穩定性及疲勞駕駛預警系統在特殊地形與氣候條件下的適配性優化。同時，也為交管部門對特定貨運車輛的精準監管、安全準入及路線規劃提供了科學依據，從而從車輛源頭提升道路交通系統的整體安全性。

參考文獻：

[1]Vranes，A J.Road traffic safetyas apublic health problem：evidencefromserbia[J]Journal of Transportamp;Health，2018，8：55-62.

[2]鐘時雨.考慮駕駛壓力負荷與人車路環境耦合的高速公路交通安全分析方法研究[D].廣州：華南理工大學，2023.

[3]趙陽，孫戰麗，靳亞格，等.平原地區高速公路交通運行特征及事故預防措施研究[J].交通技術，2021，10（4）：221-230.

[4]王一凡，程瑞，覃曉煊，等.基于事故因子分析的道路安全區域差異化管理對策研[J].交通技術，2024（1）：22-23.

[5]高紅麗，鄧昌俊，王文迪，等.基于國家車輛事故深度調查體系的道路交通事故駕駛員人因分析[J].科學技術與工程，2019，19（19）：342-348.

[6]艾力江·依布拉音.高速公路路線總體線形設計與行車安全分析[J].交通世界，2021（11）：22-23.

[7]馬筱櫟，樊博.降雨對山區高速公路運行車速的影響研究[J].公路與汽運，2020（5）：33-36.

[8]高銀鈞，劉德敬，熊昌安，等.山區高速公路交通事故特征分析與動態風險評估[J].公路與汽運，2023（6）：44-47.

[9]MahashhashBOM，MdYusoffIN，YazidMRM，Al.Factorsinfluenc-inginjury severity in road traffic collisions：acomprehensive analysisfromLibya[J].InternationalJournal of TransportDevelopment and In-tegration，2023，7（4）：303-310

[10]李文龍，李慧民，裴興旺，等.基于多因素耦合的山區道路系統脆弱性評估[J].中國安全科學學報，2019，29（5）：165-170.