沈小燕 魏珊珊 馮煜清

（長安大學(xué)汽車學(xué)院 西安 710064）

0 引 言

大部分危險(xiǎn)貨物需通過道路運(yùn)輸。據(jù)統(tǒng)計(jì)，2018年，我國危險(xiǎn)貨物運(yùn)輸量約為18.6億t，其中80%以上通過公路運(yùn)輸[1]。危險(xiǎn)貨物具有毒害、腐蝕、爆炸、燃燒等復(fù)雜的理化特性，事故發(fā)生后通常會(huì)衍生出更為嚴(yán)重的二次傷害，破壞生態(tài)環(huán)境、增加人員傷亡以及財(cái)產(chǎn)損失。開展危險(xiǎn)貨物道路運(yùn)輸事故嚴(yán)重程度影響因素的探究可以更好地了解危險(xiǎn)貨物道路運(yùn)輸事故相關(guān)的風(fēng)險(xiǎn)因素，為制定專業(yè)、有針對(duì)性且有效的緩解和預(yù)防措施提供理論依據(jù)。

關(guān)于危險(xiǎn)貨物道路運(yùn)輸?shù)难芯恳呀?jīng)開展了大量工作，但主要集中于運(yùn)輸經(jīng)濟(jì)性上[2-5]，在危險(xiǎn)貨物道路運(yùn)輸事故上關(guān)注較少，而且，大部分文章側(cè)重于描述事故的特征，很少討論危險(xiǎn)貨物道路運(yùn)輸事故分析的方法以及影響事故嚴(yán)重程度的因素。A.Iranitalab等[6]指出研究道路交通事故嚴(yán)重性建模和預(yù)測(cè)技術(shù)主要分統(tǒng)計(jì)模型和數(shù)據(jù)挖掘技術(shù)2類。C.Samuel等[7]運(yùn)用統(tǒng)計(jì)方法分析危險(xiǎn)貨物運(yùn)輸事故，確定了危險(xiǎn)貨物類型、道路類型、車輛類型、地區(qū)等對(duì)事故嚴(yán)重程度的影響。Yang等[8]采用F-N曲線描述了危險(xiǎn)貨物道路運(yùn)輸事故中傷亡情況與發(fā)生概率之間的關(guān)系，確定事故中受影響的人數(shù)。Zhang等[9]統(tǒng)計(jì)了1 632起危險(xiǎn)貨物事故的發(fā)生時(shí)間，地點(diǎn)分布，事故類型和事故后果對(duì)事故原因進(jìn)行分析。但統(tǒng)計(jì)模型需要依賴自變量和因變量之間預(yù)先定義的數(shù)學(xué)公式，一旦違反了預(yù)設(shè)的公式，就可能導(dǎo)致對(duì)相關(guān)影響因素的誤判，尤其是在環(huán)境更為復(fù)雜的危險(xiǎn)貨物道路運(yùn)輸事故的研究中[10]。此外，如果一些影響事故嚴(yán)重性的變量沒有被收集到，且沒有被解決，也可能導(dǎo)致不恰當(dāng)?shù)耐普?，從而難以用統(tǒng)計(jì)方法來剖析危險(xiǎn)貨物道路運(yùn)輸事故嚴(yán)重程度與各自變量之間的關(guān)系[11]。相比較而言，機(jī)器學(xué)習(xí)算法不需要用數(shù)學(xué)函數(shù)定義任何自變量和因變量之間的關(guān)系，并在處理偏僻、嘈雜和缺失的數(shù)據(jù)時(shí)更加完善，在中國危險(xiǎn)貨物道路運(yùn)輸事故信息處理中可能具有更好的適用性[12]。A.T.Kashani等[13]基于數(shù)據(jù)挖掘方法對(duì)摩托車后座乘客碰撞嚴(yán)重性影響因素進(jìn)行了分析，發(fā)現(xiàn)地區(qū)類型、土地使用和受傷身體部位是影響摩托車乘客死亡的顯著因素。S.Mafi等[14]利用在市區(qū)信號(hào)燈路口收集的碰撞數(shù)據(jù)，采用成本敏感的數(shù)據(jù)挖掘模型確定了駕駛員、車輛、道路、環(huán)境和碰撞類型顯著影響駕駛員傷害的嚴(yán)重程度。

總的來說，關(guān)于研究危險(xiǎn)貨物道路運(yùn)輸事故嚴(yán)重程度的論文有限，而且過去的研究主要集中在對(duì)少量樣本使用統(tǒng)計(jì)方法描述事故的特征，很少探討危險(xiǎn)貨物道路運(yùn)輸事故的分析方法以及對(duì)某一嚴(yán)重程度進(jìn)行單獨(dú)分析。鑒于此，本文將對(duì)比決策樹C5.0、支持向量機(jī)和多層感知器3種機(jī)器學(xué)習(xí)算法的分析性能，進(jìn)而選擇性能最佳的方法用于探索導(dǎo)致不同嚴(yán)重程度的危險(xiǎn)貨物道路運(yùn)輸事故發(fā)生的主要因素。本文的目標(biāo)如下。

1）探索研究危險(xiǎn)貨物道路運(yùn)輸事故的最佳數(shù)據(jù)分析法。

2）確定影響不同嚴(yán)重程度的危險(xiǎn)貨物道路運(yùn)輸事故發(fā)生的主要因素。

3）對(duì)我國危險(xiǎn)貨物道路運(yùn)輸中需要改進(jìn)的方面進(jìn)行總結(jié)，就改善危險(xiǎn)貨物道路運(yùn)輸安全性提出具體建議。

1 分類技術(shù)

1.1 決策樹C5.0

該算法根據(jù)能夠帶來最大信息增益的字段拆分?jǐn)?shù)據(jù)，這一過程重復(fù)進(jìn)行直到數(shù)據(jù)無法分割，并在最后剔除對(duì)事故嚴(yán)重程度分類沒有顯著影響的子集。同時(shí)，決策樹C5.0算法引入了Boosting思想提高模型性能。在建模階段，Boosting技術(shù)通過對(duì)現(xiàn)有加權(quán)樣本的反復(fù)抽樣模擬增加危險(xiǎn)貨物道路運(yùn)輸事故的樣本量，整個(gè)過程進(jìn)行K次迭代，建立了K個(gè)模型。第一次迭代每個(gè)樣本被選入訓(xùn)練樣本集的權(quán)重相同，模型建立完畢后，重新調(diào)整各個(gè)樣本的權(quán)重，使他們進(jìn)行第二次迭代，權(quán)重調(diào)整的原則是：上次未能正確預(yù)測(cè)的樣本權(quán)重增大，上一次預(yù)測(cè)正確的樣本權(quán)重減小，接下來以此類推，樣本權(quán)重越大，其被選入訓(xùn)練樣本的可能性越大。在投票階段，Boosting對(duì)經(jīng)過K次迭代而產(chǎn)生的K個(gè)模型，采用加權(quán)投票方式，不同模型按其誤差大小確定權(quán)重，誤差大的權(quán)重小，誤差小的權(quán)重大，這樣經(jīng)過加權(quán)的結(jié)果更為穩(wěn)健[15]。

決策樹C5.0的算法過程如下。T為訓(xùn)練樣本，屬性X有n個(gè)值，將訓(xùn)練樣本T劃分成n個(gè)子集T1，T2，…，Tn，樣本總數(shù)為 |T|。freq(ci，T)表示屬于類的樣本數(shù)量表示ci在樣本中的概率。

訓(xùn)練集T熵的計(jì)算為

計(jì)算出各子集的熵，依據(jù)式（2）計(jì)算出T的期望信息

根據(jù)具有最大信息增益的屬性來劃分每個(gè)子集，特征X的信息增益的計(jì)算過程為

為自動(dòng)避免因事故數(shù)據(jù)分類水平太多以及信息熵減小過快的特征影響模型性能，引入分支度（IV）概念，來對(duì)信息增益的計(jì)算方法進(jìn)行修正。IV計(jì)算公式見式（4）。

信息增益率作為選取切分字段的參考指標(biāo)的計(jì)算見式（5）。

1.2 支持向量機(jī)

支持向量機(jī)的分類思想是尋找1個(gè)超平面將樣本空間分成2個(gè)部分，分別對(duì)應(yīng)二分類問題中的2類，同時(shí)極大化2類樣本的間隔，待預(yù)測(cè)樣本的類別由其所處樣本空間的位置來決定。支持向量機(jī)算法最初是在線性可分的情況下提出的，對(duì)于線性可分的訓(xùn)練樣本集式中：l為樣本空間的維數(shù)；xi為輸入樣本；yi為樣本類別；H為超平面，其表達(dá)式為ωx+b=0，H1，H2為與超平面平行且過2類樣本中與超平面最近的直線，H1，H2之間的距離稱為分類間隔，大小為，支持向量機(jī)是在2類樣本中找到使得分類間隔最大的超平面，即‖ω‖最小[16]。求解樣本集最優(yōu)問題

由最優(yōu)解ω*和b*確定的分類面，其決策函數(shù)為

在線性不可分時(shí)，引入松弛變量ξi≥0，同時(shí)引入懲罰因子C，則最優(yōu)問題轉(zhuǎn)換為

對(duì)于線性不可分?jǐn)?shù)據(jù)集將其映射到一個(gè)高維特征空間，在高維空間中進(jìn)行線性分類，為避免高維空間中的復(fù)雜計(jì)算，支持向量機(jī)采用核函數(shù)K代替內(nèi)積計(jì)算，最終的決策函數(shù)為

本文中選用的核函數(shù)為徑向基和函數(shù)（RBF）

1.3 多層感知器

具有反向傳播監(jiān)督學(xué)習(xí)算法的前饋多層感知器由簡單的相互連接的神經(jīng)元或節(jié)點(diǎn)組成，一般包括1個(gè)輸入層，1個(gè)或多個(gè)隱藏層和1個(gè)輸出層，見圖1。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The basic structure of a neural network

輸入層接受特征向量的輸入。隱藏層用來對(duì)輸入特征多層次的抽象，實(shí)現(xiàn)對(duì)不同類型的數(shù)據(jù)進(jìn)行更好的線性劃分。輸出層對(duì)輸入層信息進(jìn)行判別。在事故嚴(yán)重程度分類中，輸入層為各事故樣本的特征數(shù)據(jù)，輸出層為各事故所對(duì)應(yīng)的嚴(yán)重程度。

多層感知器網(wǎng)絡(luò)中每1個(gè)節(jié)點(diǎn)與前1層或后1層互聯(lián)，其結(jié)點(diǎn)值通過相互間的聯(lián)結(jié)權(quán)重確定，這些權(quán)值和輸出信號(hào)是1個(gè)簡單的非線性傳遞或激活函數(shù)修改的節(jié)點(diǎn)輸入和的函數(shù)，通常在多分類時(shí)選用softmax作為激活函數(shù)[17]。反向傳播監(jiān)督學(xué)習(xí)算法在傳播過程中會(huì)將誤差信號(hào)返回，通過修正各層神經(jīng)元的權(quán)值，使得網(wǎng)絡(luò)的總誤差收斂到極小，直到代價(jià)函數(shù)下降到可接受的容限值。

2 模型對(duì)比分析

2.1 數(shù)據(jù)說明

本文選取了由應(yīng)急管理部危險(xiǎn)化學(xué)品登記中心統(tǒng)計(jì)的發(fā)生在2015—2019年間的1 411條危險(xiǎn)貨物道路運(yùn)輸事故數(shù)據(jù)。值得注意的是，由于原始數(shù)據(jù)存在一些缺陷，因此在數(shù)據(jù)應(yīng)用于數(shù)學(xué)模型之前，通常需要進(jìn)行預(yù)處理。

本研究中的預(yù)處理過程包括數(shù)據(jù)清洗和數(shù)據(jù)平衡2個(gè)部分。數(shù)據(jù)清洗主要是從數(shù)據(jù)集中剔除與研究無關(guān)的噪聲數(shù)據(jù)和那些彼此密切相關(guān)的特征[17]，經(jīng)過數(shù)據(jù)清洗，最終“縮減”后的1 267個(gè)樣本中，事故類型（直接事故形態(tài)、間接事故形態(tài)），駕駛員屬性，車輛屬性，道路屬性，環(huán)境屬性，?；奉悇e作為模型的特征屬性，根據(jù)傷亡人數(shù)劃分的事故嚴(yán)重程度作為分類目標(biāo)。綜合各國和地區(qū)對(duì)事故嚴(yán)重程度的分類標(biāo)準(zhǔn)，本文將事故的嚴(yán)重程度劃分為，僅財(cái)產(chǎn)損失事故S1、受傷事故S2和死亡事故S3，這3個(gè)等級(jí)，分別占總事故總量的39.11%，54.37% 和6.52%。在對(duì)數(shù)據(jù)進(jìn)行編碼后用于事故嚴(yán)重程度影響因素的探索，具體編碼情況見表1。由上述統(tǒng)計(jì)結(jié)果可知，3種不同嚴(yán)重程度的事故量分布很不均勻，這會(huì)對(duì)分析結(jié)果造成一定偏差。在本研究中，采用欠采樣和部分過采樣相結(jié)合的方法來平衡這種偏差，每次選取全部的83例死亡事故，同時(shí)對(duì)傷亡事故和僅財(cái)產(chǎn)損失事故分別抽取同等數(shù)量的樣本。將他們合并成1個(gè)新的數(shù)據(jù)集后進(jìn)行建模分析，并進(jìn)行5倍交叉驗(yàn)證[18]。

表1 變量定義Tab.1 Variables definition

2.2 模型評(píng)估

為了確保公平比較，所有模型都基于相同的訓(xùn)練集進(jìn)行訓(xùn)練，并在相同的驗(yàn)證集上進(jìn)行測(cè)試。

混淆矩陣及其相關(guān)指標(biāo)用于評(píng)估本研究中分類器的表現(xiàn)。表2為2分類時(shí)的混淆矩陣。

表2 混淆矩陣Tab.2 Confusion matrix

通常，分類器評(píng)價(jià)指標(biāo)主要包括準(zhǔn)確率（ACC）、精確度（Precision）、召回率(Recall)、F-Measure和ROC曲線下面積（AUC）[20]，各評(píng)估指標(biāo)的具體含義及評(píng)估標(biāo)準(zhǔn)見表3。

表4為事故數(shù)據(jù)在不同模型上的分類結(jié)果以及各評(píng)估指標(biāo)的計(jì)算結(jié)果。由此可知，決策樹C5.0的分類性能整體上優(yōu)于其他模型。因此，本文決定使用決策樹C5.0算法對(duì)3種不同嚴(yán)重程度的事故數(shù)據(jù)構(gòu)建分析模型進(jìn)行關(guān)鍵影響因素的探索。

3 基于決策樹C5.0的建模結(jié)果分析

表5為不同嚴(yán)重程度事故在訓(xùn)練集和測(cè)試集上的分類性能。由此可知，決策樹C5.0分類器在對(duì)受傷事故的分類表現(xiàn)上優(yōu)于僅財(cái)產(chǎn)損失和死亡事故，這可能是因?yàn)槭軅鹿室?guī)模較大（受傷事故占比54.37%），這也證明了較大的數(shù)據(jù)量可能獲得更好的分類效果。

表3 評(píng)估指標(biāo)及其評(píng)估標(biāo)準(zhǔn)Tab.3 Judgment index and criterion

表4 模型評(píng)估指標(biāo)Tab.4 Models assessment results

表5 決策樹C5.0建模結(jié)果Tab.5 Analysis results of the C5.0 model for three different severities of data

本文依據(jù)決策樹的決策規(guī)則來確定不同嚴(yán)重程度事故的主要影響因素，決策樹見圖2（a）～（c）。

由圖2（a）可知，僅財(cái)產(chǎn)損失事故的決策樹模型共有3層，7個(gè)節(jié)點(diǎn)包括4個(gè)終端節(jié)點(diǎn)。根據(jù)其決策規(guī)則可知，對(duì)于僅財(cái)產(chǎn)損失事故的發(fā)生，起到顯著性影響的因素從大到小依次為直接事故形態(tài)、間接事故形態(tài)和路段類型。僅財(cái)產(chǎn)損失事故發(fā)生時(shí)的主要直接事故形態(tài)為刮擦、泄漏、火災(zāi)和其他（節(jié)點(diǎn)1，S1=84.9%），此時(shí)，其余的直接事故形態(tài)多對(duì)應(yīng)于傷亡事故（節(jié)點(diǎn)2，非S1=73.6%）。間接事故形態(tài)為泄漏時(shí)，發(fā)生僅財(cái)產(chǎn)損失事故的概率約為其他間接事故形態(tài)的1.4倍（節(jié)點(diǎn)3，S1=92.7%；節(jié)點(diǎn)4，S1=66.3%）。在站區(qū)內(nèi)的發(fā)生僅財(cái)產(chǎn)損失事故的概率約是其他路段的2.6倍（節(jié)點(diǎn)5，S1=65.0%；節(jié)點(diǎn)6，S1=24.7%），主要是由于站區(qū)內(nèi)車輛行駛速度較低，救援設(shè)備更為齊全，事故發(fā)生后可以及時(shí)獲得救援，從而降低了人員傷亡的可能性，由此可知，可通過控制運(yùn)輸車輛的行車速度和提高救援速度來降低事故的嚴(yán)重程度。

由圖2（b）可知，受傷事故的決策樹模型共4層，11個(gè)節(jié)點(diǎn)包括6個(gè)終端節(jié)點(diǎn)。根據(jù)其決策規(guī)則可知，受傷事故的發(fā)生主要受直接事故形態(tài)、間接事故形態(tài)、路段類型、道路類型和事故發(fā)生時(shí)間的影響。直接事故形態(tài)為側(cè)翻、撞固定物、兩車追尾、兩車相撞、沖出路面和墜車時(shí)發(fā)生受傷事故的概率約是其他直接事故形態(tài)的5倍（節(jié)點(diǎn)1，S2=62.5%；節(jié)點(diǎn)2，S2=12.7%）。間接事故形態(tài)為泄露和側(cè)翻時(shí)發(fā)生受傷事故的概率約是其他間接事故形態(tài)的2倍（節(jié)點(diǎn)3，S2=64.9%；節(jié)點(diǎn)4，S2=32.9%）。路段類型為普通路段、橋梁、隧道和出入口時(shí)發(fā)生受傷事故的概率約是其他路段類型的2.3倍（節(jié)點(diǎn)7，S2=28.6%；節(jié)點(diǎn)8，S2=66.5%），上述路段類型受傷事故發(fā)生概率高的原因主要包括：普通路段是我國道路段的主要類型，大多數(shù)事故發(fā)生在普通路段上。橋梁處道路空間有限，事故發(fā)生后的救援工作較為困難。隧道內(nèi)外環(huán)境存在巨大差異，易導(dǎo)致某些視覺功能障礙，另外，在黑暗和封閉條件下，駕駛員速度感將減弱，容易超速行駛，增加了嚴(yán)重事故發(fā)生的可能性。可通過以下措施降低隧道處事故發(fā)生的概率及嚴(yán)重性，比如在危險(xiǎn)貨物運(yùn)輸車輛上貼反光標(biāo)志（腐蝕性，有毒或爆炸性），提高車輛的可見度，達(dá)到對(duì)周圍駕駛員的警示作用，比如在隧道附近增加減光設(shè)施（洞穴外部的植物，隧道棚，喇叭形開口等）減少駕駛員在進(jìn)出隧道前后所需的明暗適應(yīng)時(shí)間。在省道和國道上發(fā)生受傷事故的概率約是城市道路類型的3倍（節(jié)點(diǎn)5，S2=7.5%；節(jié)點(diǎn)6，S2=22.5%），這可能是由于城市道路上對(duì)危險(xiǎn)貨物的運(yùn)輸有較為嚴(yán)格的監(jiān)督和檢查，而國道和省道會(huì)穿過農(nóng)村地區(qū)，在這些地區(qū)，監(jiān)督力度較低，駕駛員易松懈和超速行駛，從而增加了受傷的可能性。發(fā)生在07：00—12：00的事故，造成人員受傷的概率約是其他時(shí)間段的3.1倍（節(jié)點(diǎn)9，S2=36.5%；節(jié)點(diǎn)10，S2=11.8%），這主要是因?yàn)槲覈缆愤\(yùn)輸?shù)母叻鍟r(shí)段大約在08：00—00：00，在這段時(shí)間內(nèi)大量車輛進(jìn)入道路，容易發(fā)生追尾或多車相撞的情況造成人員受傷，此外我國部分道路上有危險(xiǎn)貨物運(yùn)輸車輛夜間禁止通行的規(guī)定，進(jìn)一步降低了夜間事故發(fā)生的嚴(yán)重性。鑒于上述發(fā)現(xiàn)，我國可推廣危險(xiǎn)貨物夜間禁止通行的政策，并可在早晨加強(qiáng)對(duì)危險(xiǎn)品運(yùn)輸車輛的監(jiān)督檢查[21]。

圖2 分類模型樹形結(jié)構(gòu)Fig.2 Classification model tree structure

由圖2（c）可知，死亡事故的決策樹模型共5層，11個(gè)節(jié)點(diǎn)包括6個(gè)終端節(jié)點(diǎn)。根據(jù)其決策規(guī)則可知，死亡事故的發(fā)生主要受直接事故形態(tài)，危險(xiǎn)品類別，間接事故形態(tài)，路表情況和道路線形的影響。直接事故形態(tài)為多車相撞、多車追尾和爆炸時(shí)發(fā)生死亡事故概率約是其他直接事故形態(tài)的6.2倍（節(jié)點(diǎn)1，S3=6.3%；節(jié)點(diǎn)2，S3=38.9%）。?；奉悇e為氧化性物質(zhì)、氣體和易燃固體時(shí)發(fā)生死亡事故概率為其他?；奉悇e的3.8倍（節(jié)點(diǎn)3，S3=11.4%；節(jié)點(diǎn)4，S3=3.5%），這可能是因?yàn)樯鲜鑫镔|(zhì)較為活躍易與其他物質(zhì)發(fā)生反應(yīng)，導(dǎo)致不易控制的火災(zāi)和爆炸事故，從而增加了人員傷亡的可能性。解決此類問題的方法包括：運(yùn)輸主管部門加強(qiáng)對(duì)危險(xiǎn)貨物道路運(yùn)輸安全的監(jiān)督，嚴(yán)格控制道路運(yùn)輸企業(yè)、駕駛員、押運(yùn)員和裝卸員的準(zhǔn)入資格，不斷提高駕駛員的安全意識(shí)，駕駛技能和應(yīng)對(duì)意外事故的能力。車輛設(shè)計(jì)部門繼續(xù)進(jìn)行技術(shù)創(chuàng)新，實(shí)現(xiàn)車輛和設(shè)備故障的預(yù)測(cè)，自檢和報(bào)警，應(yīng)用遠(yuǎn)程通信網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)車輛，控制中心和救援中心之間的緊密聯(lián)系，提高緊急救援響應(yīng)的速度，有效加強(qiáng)安全管理，減少事故的發(fā)生。間接事故形態(tài)為側(cè)翻、火災(zāi)和爆炸時(shí)發(fā)生死亡事故的概率約是其他間接事故形態(tài)的6.1倍（節(jié)點(diǎn)5，S3=8.2%；節(jié)點(diǎn)6，S3=50.0%）。道路線形為長下坡和急彎時(shí)發(fā)生死亡事故的概率約是普通坡道的6.5倍（節(jié)點(diǎn)7，S3=17.0%；節(jié)點(diǎn)8，S3=2.6%），這主要是因?yàn)樵陂L下坡處，需要連續(xù)制動(dòng)控制車速，加上危險(xiǎn)貨物運(yùn)輸車輛較重，減速時(shí)需要更大的制動(dòng)力，易導(dǎo)致制動(dòng)系統(tǒng)過熱，引起制動(dòng)器故障或輪胎著火、爆裂。彎道處由于較大的離心力以及轉(zhuǎn)彎時(shí)液體對(duì)罐壁的沖擊，罐車將傾向于傾翻，從而導(dǎo)致車輛傾翻，造成人員傷亡。

4 結(jié) 論

1）相較于支持向量機(jī)和多層感知器模型，決策樹C5.0在處理我國現(xiàn)有的危險(xiǎn)貨物道路事故信息時(shí)具有更好的適用性。

2）影響僅財(cái)產(chǎn)損失事故發(fā)生的主要直接事故形態(tài)為刮擦、泄漏、火災(zāi)和其他且是其余直接事故形態(tài)的3.2倍，間接事故形態(tài)為泄漏且是側(cè)翻、火災(zāi)和爆炸的1.4倍，路段類型為站區(qū)且是其余路段的2.6倍。

3）影響受傷事故的發(fā)生的主要直接事故形態(tài)為側(cè)翻、撞固定物、2車追尾、2車相撞、沖出路面和墜車且是其余直接事故形態(tài)的5倍，間接事故形態(tài)為泄漏和側(cè)翻且是其余間接事故形態(tài)的2倍，路段類型為普通路段、橋梁、隧道和出入口且是其余路段的2.3倍，道路類型為省道和國道且是城市道路的 3倍，時(shí)間為 07：00—12：00且是其他時(shí)間的3.1倍。

4）影響死亡事故發(fā)生的主要直接事故形態(tài)為多車相撞、多車追尾和爆炸且是其余直接事故形態(tài)的6.2倍，?；奉悇e為氧化性物質(zhì)、氣體和易燃固體且是其余類別的3.8倍，間接事故形態(tài)為火災(zāi)和爆炸且是泄漏和側(cè)翻的6.1倍，道路線形為長下坡和急彎且是普通坡道的6.5倍。

在未來研究中，會(huì)不斷增加事故樣本量和事故特征，提高所獲得信息的專業(yè)性和準(zhǔn)確性，同時(shí)不斷探索更適用于研究危險(xiǎn)貨物道路運(yùn)輸事故數(shù)據(jù)的模型。