鄒海云，劉 鍇，張 馳，馬如鵬，王 博

(1. 四川樂西高速公路有限責(zé)任公司，四川 成都 610000；2.長安大學(xué) 公路學(xué)院，陜西 西安 710064；3. 湖南省交通規(guī)劃勘察設(shè)計院有限公司,湖南 長沙 410200)

0 引言

近年來，中國提出并實(shí)行了“交通強(qiáng)國”戰(zhàn)略，在中國西南、西北地區(qū)大力建設(shè)高速公路，以適應(yīng)國家經(jīng)濟(jì)發(fā)展的需要，但由于中國西部地區(qū)的地形與地質(zhì)特點(diǎn)，高速公路需在較短距離上克服較大高差時，往往只能選擇采用較低的設(shè)計指標(biāo)，使得高速公路出現(xiàn)較多連續(xù)下坡路段。據(jù)相關(guān)統(tǒng)計調(diào)查[1-2]，我國高速公路連續(xù)下坡路段事故頻發(fā)，在事故形態(tài)中，追尾碰撞事故占有較高的比例，同時，其后果也最為嚴(yán)重。而連續(xù)下坡路段對大型貨車的行車安全較不利，更易導(dǎo)致追尾事故的發(fā)生，故而提高高速公路連續(xù)下坡路段貨車行駛的安全性，降低其追尾事故風(fēng)險，減少我國交通事故損失與傷亡的需求是急迫的。

對于車輛追尾事故機(jī)理及其風(fēng)險模型的研究方面，可以歸納為4類：(1)對基于風(fēng)險影響因素的分析：2017年，丁乃侃等[3]首次定義并界定直接和間接的追尾風(fēng)險感知，并以結(jié)構(gòu)方程模型探索多因素與風(fēng)險的關(guān)系。2016年，劉鑫鑫[4]利用實(shí)測追尾事故數(shù)據(jù)，分別構(gòu)建了追尾事故嚴(yán)重程度概率預(yù)測模型和追尾事故嚴(yán)重程度預(yù)測模型。2007年，趙楊東[5]在追尾事故的特點(diǎn)分析和類別界定基礎(chǔ)上，引入高速公路追尾事故危險度的概念，提出了高速公路尾隨事故和撞靜止車輛危險度計算模型。2019年，Junjie Zhang等[6]探討了駕駛行為異質(zhì)性對追尾碰撞的影響，設(shè)計了模擬試驗(yàn)來評估跟車行為的異質(zhì)性對追尾事故風(fēng)險的影響。(2)基于速度理論的追尾風(fēng)險評價模型：2011年，陸斯文等[7]分析了高速公路追尾事故的機(jī)理特征，以后隨車輛減速度臨界值作為風(fēng)險評價指標(biāo)，計算得出了用追尾概率和能量損失來表征的追尾事故風(fēng)險。(3)從空間角度建立追尾風(fēng)險模型：2010年，史海燕[8]建立了安全車距的計算模型，分析了各種因素對車輛發(fā)生追尾事故的影響。2009年，劉曉陽[9]探討了追尾碰撞事故機(jī)理和誘發(fā)因素及其相關(guān)性，推導(dǎo)出了安全車距的計算模型，在此基礎(chǔ)上建立各因素對車輛發(fā)生追尾概率的關(guān)系。(4)從時間角度來研究追尾風(fēng)險：2021年，袁守利[10]考慮影響駕駛員反應(yīng)時間的不同因素，建立了分等級的碰撞預(yù)警模型。2001年，Michiel M.Minderhoud等[11]將碰撞時間TTC(Time-to-collision，TTC)概念引入道路交通安全分析，介紹了兩個新的安全指標(biāo)來計算總體安全指標(biāo)值。2018年，王佳麗[12]選取TTC作為風(fēng)險替代指標(biāo)，建立了大霧天氣下的追尾事故風(fēng)險傳播模型。該方面的研究從多個角度切入，為高速公路連續(xù)下坡貨車追尾風(fēng)險的研究提供了眾多可以借鑒的模型。

總而言之，高速公路追尾事故及風(fēng)險研究中，主要從影響因素、速度、空間、時間4個角度中提取得到指標(biāo)，再結(jié)合道路上車輛行車的不確定性，進(jìn)一步得到汽車追尾事故風(fēng)險模型?？偨Y(jié)以上兩方面研究可以發(fā)現(xiàn)，現(xiàn)有的汽車追尾事故風(fēng)險研究中缺乏針對連續(xù)下坡貨車追尾風(fēng)險的研究。為此，本研究提出以CDR(碰撞減速率)作為車輛追尾風(fēng)險指標(biāo)，建立一種基于實(shí)測車頭時距與速度數(shù)據(jù)的連續(xù)下坡路段貨車追尾概率風(fēng)險模型，希望針對性地對連續(xù)下坡路段貨車的追尾事故風(fēng)險做出分析，有益于山區(qū)高速公路追尾事故風(fēng)險的研究。

1 連續(xù)下坡路段貨車追尾事故風(fēng)險分析

當(dāng)貨車載重行駛于長大下坡時，由于長時間的下坡行駛，速度有不斷增大的趨勢，為了保證安全，駕駛員不得不頻繁采取制動措施以限制車速，此種狀態(tài)持續(xù)時間較長的話，將會使車輛制動性能明顯下降，最終可能導(dǎo)致剎車失靈而引發(fā)車輛失控，載重貨車慣性較大，難以進(jìn)行方向控制，隨著失控后速度的增加，會導(dǎo)致載重貨車無法與正常行駛的前車保持安全的行車距離，最終發(fā)生追尾事故。而追尾事故可按參與車輛的多少及其車輛類型進(jìn)行分類，本研究針對大型車輛兩車追尾事故進(jìn)行研究，對于大型車輛的多車碰撞，由于其過程與致因復(fù)雜多樣，本研究暫不做研究。

西部某高速公路交通特管區(qū)位于平均縱坡大于3%的36 km長下坡范圍，有追尾事故多發(fā)、貨車車型比例較高的特點(diǎn)，且該特管區(qū)內(nèi)實(shí)行嚴(yán)格的分車道分車型限速措施，管內(nèi)路段實(shí)行客、貨車分道行駛，左側(cè)為客車道(限速60～80 km/h)，右側(cè)為貨車道(限速60～70 km/h)，使得后車無法實(shí)行超車行為，只能在單一車道上保持跟隨前車行駛的狀態(tài)，此時后車處于一種非自由行駛狀態(tài)。有研究表明[13]，當(dāng)車頭時距較大時，由于兩車距離較遠(yuǎn)，前導(dǎo)車駕駛行為不對后隨車輛的行駛產(chǎn)生影響，此時輛車處于自由駕駛狀態(tài)，而非跟馳狀態(tài)，車輛發(fā)生追尾事故的可能性小并且與速度和車頭時距的相關(guān)性不強(qiáng)。對于車輛跟馳狀態(tài)的判斷目前研究的結(jié)論不一，部分研究得出的結(jié)論是當(dāng)車頭時距小于或等于5 s時車輛處于跟馳狀態(tài)[14]；而在進(jìn)一步的研究中發(fā)現(xiàn)[15]，車頭時距小于1.6 s時，車輛處于強(qiáng)跟馳狀態(tài)，車頭時距1.6～2.6 s屬于狀態(tài)過度區(qū)間，當(dāng)車頭時距大于2.6 s之間時，車輛處于弱跟馳狀態(tài)，如圖1所示。

圖1 車頭時距分布函數(shù)

從安全角度考慮，當(dāng)車輛在單一車道上排隊行駛時，后隨車輛只能在該車道上保持跟隨前車行駛的狀態(tài)，無法實(shí)行超車行為，使得跟馳車輛的安全運(yùn)行與其車速和車距關(guān)聯(lián)性較大，當(dāng)車輛的車速條件與車距條件均被破壞時，前后輛車速差較大，車距較近，有較大發(fā)生追尾事故的可能性。而高速公路各路段上，行駛車輛的速度與間距往往具有復(fù)雜性與不確定性，其影響著不利事件——追尾事故發(fā)生可能性的大小，這符合風(fēng)險問題的研究特點(diǎn)[16]，可以用通過風(fēng)險分析來進(jìn)行研究。

本研究研究連續(xù)下坡路段貨車的追尾事故風(fēng)險，結(jié)合風(fēng)險分析的基本原理，將此風(fēng)險定義為在連續(xù)下坡路段發(fā)生兩車追尾事故的可能性大小；結(jié)合安全跟車行駛的速度條件及間距條件的研究，確定以兩車的速度以及后隨車的車頭時距作為風(fēng)險影響因素，通過對兩個風(fēng)險影響因素分析、處理及組合，研究其不確定性，進(jìn)行具體情景(連續(xù)下坡路段貨車追尾事故)、不確定意義下風(fēng)險的量化分析。

2 數(shù)據(jù)準(zhǔn)備和處理

試驗(yàn)地點(diǎn)選擇西部某高速公路的交通特管區(qū)，其主要原因有兩點(diǎn)：(1)該特管區(qū)位于平均縱坡為2.96%的長下坡(該全長51 km)范圍內(nèi)，特管區(qū)路段全長36 km，由于連續(xù)下坡距離較長且平均縱坡較大，且位于山區(qū)，行車環(huán)境較為復(fù)雜，事故發(fā)生頻繁，屬于追尾事故的易發(fā)路段，與本研究的事故類型相契合。(2)受所在的高速公路交通功能影響，該特管區(qū)路段下行方向的各年貨車車型占比均在40%～60%，且研究路段通車時間長(2012年通車)，在該特管區(qū)所處的長下坡所發(fā)生的事故中，其中貨車交通事故占總事故數(shù)38.58%(2012年4月—2017年8月)，這為大量采集貨車的過車及事故樣本數(shù)據(jù)提供了便利。

2.1 數(shù)據(jù)來源

2.1.1 高清卡口系統(tǒng)

高清卡口系統(tǒng)運(yùn)用視頻檢測方式，通過抓拍高清圖片來識別車輛行駛軌跡，并對車輛行駛軌跡進(jìn)行記錄，保存在服務(wù)器數(shù)據(jù)庫中；然后在視頻中通過照片的形式顯示車輛的通過時間、行駛速度、行駛方向、車牌號碼、地點(diǎn)等信息，為道路安全管理方法的研究與實(shí)施提供支持[17]。

2.1.2 測點(diǎn)信息

據(jù)不完全事故信息統(tǒng)計，2013—2018年西部某高速公路36 km長下坡范圍內(nèi)，在事故多發(fā)點(diǎn)安裝了4處高清卡口系統(tǒng)，4處高清卡口附近的百萬車公里事故率為0.775 5 次/(百萬車·km)，而長下坡全范圍內(nèi)的百萬車公里事故率為0.359 4 次/(百萬車·km)，前者百萬車公里事故率為后者的兩倍以上，可見該公路交通特管區(qū)范圍為該處連續(xù)下坡事故多發(fā)路段。

采用的數(shù)據(jù)為2020年2月23日—2020年3月22日期間該交通特管區(qū)內(nèi)4處高清卡口的過車數(shù)據(jù)(共78 219組)，測點(diǎn)樁號分別為K2084，K2088，K2110，K2114，具體布置信息見表1，過車數(shù)據(jù)的時間及空間分布情況見圖2。

表1 高清卡口測點(diǎn)位置信息

圖2 測點(diǎn)過車數(shù)據(jù)的時間及空間分布

2.2 數(shù)據(jù)分析與風(fēng)險指標(biāo)描述

2.2.1 數(shù)據(jù)分析

本研究通過4個高清卡口測點(diǎn)的過車數(shù)據(jù)，共收集了78 219組包括貨車速度、經(jīng)過時間、車牌號及車輛類型等信息的有效數(shù)據(jù)，過車數(shù)據(jù)的具體時空分布情況如圖3所示。

圖3 過車數(shù)據(jù)的具體時空分布情況

本研究對由南向北下坡路段大貨車的速度以及通過時間進(jìn)行了分析處理，結(jié)合特管區(qū)連續(xù)下坡車輛追尾風(fēng)險分析，考慮其速度破壞條件及間距條件，選取大貨車的速度及車頭時距作為追尾風(fēng)險的影響因素，并對其進(jìn)行了篩選，過程如下：

由于該交通特管區(qū)實(shí)行嚴(yán)格的分車道分車型行車管理措施，貨車駕駛員們普遍采取了較慢的行駛速度，在對速度數(shù)據(jù)進(jìn)行分析之后發(fā)現(xiàn)，4個測點(diǎn)的總體速度分布情況較為一致，各個時間段的分布情況變化不大，速度處于40～70 km/h的速度數(shù)據(jù)的平均占比為96.47%。而對于車頭時距數(shù)據(jù)，當(dāng)車頭時距較大時，由于兩車距離較遠(yuǎn)，后隨車輛處于自由駕駛狀態(tài)，而非跟馳狀態(tài)，車輛發(fā)生追尾事故的可能性小并且與速度和車頭時距的相關(guān)性不強(qiáng)。對于車輛跟馳狀態(tài)的判斷目前研究的結(jié)論不一，部分研究得出的結(jié)論是當(dāng)車頭時距小于或等于5 s時車輛處于跟馳狀態(tài)[14]。綜上所述，本研究對處理所得到數(shù)據(jù)的篩選條件為：(1)車輛速度在40～70 km/h之間；(2)車頭時距小于或等于5 s。并以篩選出的車輛速度及車頭時距數(shù)據(jù)為基礎(chǔ)進(jìn)行連續(xù)下坡貨車追尾概率風(fēng)險指標(biāo)的定義及模型的建立。

2.2.2 風(fēng)險指標(biāo)描述

結(jié)合上述追尾事故風(fēng)險分析，通過分析及篩選得到的速度以及車頭時距數(shù)據(jù)及每輛車經(jīng)過測點(diǎn)時的行駛車速，定義風(fēng)險分析指標(biāo)——碰撞減速率CDR(Collision Deceleration Rate，CDR)。

CDR表示了前后車輛在一個車頭時距的時間間隔內(nèi)(假設(shè)一車做均速運(yùn)動，另一車做勻變速運(yùn)動)，后車加速(或前車減速)使兩車達(dá)到相等速度所需要的平均加速度，其值越大，后車(或前車)所采取的加速(或制動)操作空間就越大，對駕駛員來說操作空間越大，故而追尾事故風(fēng)險越??；反之，追尾事故風(fēng)險越大。針對長大下坡路段大貨車慣性大，方向控制較困難，保證安全運(yùn)行狀態(tài)主要靠控制車速與車距的特點(diǎn)，CDR能綜合考慮前后車輛車速條件及間距條件的不確定性，相對準(zhǔn)確地描述跟馳狀態(tài)下車輛在某時刻的追尾風(fēng)險，故而選取CDR作為連續(xù)下坡路段貨車追尾風(fēng)險分析指標(biāo)，其計算如式(1)所示：

(1)

式中，CDR為碰撞減速率；ΔVi為前后車速差；THi為前后車車頭時距。

在CDR指標(biāo)的計算中，當(dāng)ΔVi<0時(后車速度小于前車速度)，兩車間距在逐漸變大，后車沒有逼近前車的趨勢，因此本研究只選取ΔVi>0的CDR數(shù)據(jù)，觀測CDR樣本個數(shù)分布信息如下：263(K2084)，2 228(K2088)，225(K2110)，851(K2114)。

3 CDR閾值及連續(xù)下坡路段追尾事故風(fēng)險模型

3.1 CDR閾值的確定

CDR表示前后車輛在一個車頭時距的時間間隔內(nèi)(假設(shè)一車做均速運(yùn)動，另一車做勻變速運(yùn)動)，后車加速(或前車減速)使兩車達(dá)到相等速度所需要的平均加速度，不同的閾值代表的危險性也不一樣，故而需要先確定CDR的閾值。

分別采用正態(tài)分布、對數(shù)正態(tài)分布、威布爾分布對CDR數(shù)據(jù)的頻率分布直方圖進(jìn)行擬合，得到各個假定分布下的分布擬合曲線，如圖4所示，擬合數(shù)據(jù)結(jié)果如表2所示。當(dāng)擬合優(yōu)度參數(shù)R2值越接近于1時，說明原數(shù)據(jù)所假定分布的擬合效果越好。通過累計比例關(guān)系圖P-P圖(圖5)進(jìn)行了擬合效果的對比分析，P-P圖是根據(jù)變量的累積比例與指定分布的累積比例之間的關(guān)系所繪制的圖形。通過P-P圖可以檢驗(yàn)數(shù)據(jù)是否符合指定的分布。當(dāng)數(shù)據(jù)符合指定分布時，P-P圖中各點(diǎn)近似呈一條直線。分析結(jié)果如下：

圖4 CDR直方圖與擬合分布

圖5 3種分布的P-P圖分析結(jié)果

(1)在圖4中可以看到3種分布的擬合曲線對于條形的CDR數(shù)據(jù)的擬合程度均較好，正態(tài)分布的擬合曲線對于樣本數(shù)據(jù)的擬合優(yōu)度為0.944 61(擬合優(yōu)度計算結(jié)果見表2)，該擬合曲線在CDR>0.3 m/s2時曲線與樣本頻率直方圖擬合程度較高，但當(dāng)0 m/s20.5 m/s2的曲線段，曲線數(shù)值均高于樣本數(shù)據(jù)數(shù)值；對數(shù)正態(tài)分布的擬合曲線對于樣本數(shù)據(jù)的擬合優(yōu)度為0.985 51，曲線整體擬合效果良好， 擬合曲線的峰值處與樣本數(shù)據(jù)峰值偏差小(約為0.45%)。

表2 CDR數(shù)據(jù)擬合參數(shù)

(2)從P-P圖(圖5)可以看出，對于正態(tài)分布，圖中各點(diǎn)不成一條直線，說明CDR數(shù)據(jù)并不符合該分布；而對于對數(shù)正態(tài)分布以及威布爾分布，它們的圖中各點(diǎn)均近似呈一條直線，說明CDR數(shù)據(jù)對兩種分布的符合性均較高。

(3)基于以上亮點(diǎn)的分析，對數(shù)正態(tài)分布的擬合效果最好，所以本研究將CDR的概率分布確定為對數(shù)正態(tài)分布，其均值μ與標(biāo)準(zhǔn)差σ分別為-1.521 2，0.782 7，并根據(jù)擬合的對數(shù)正態(tài)分布，選取85%分位值作為追尾事故風(fēng)險的CDR閾值(記為CDR85)，其值為0.491 6 m/s2并定義大于該閾值的CDR為危險CDR樣本，危險CDR樣本總個數(shù)為518。

3.2 基于CDR的追尾事故風(fēng)險模型

以危險CDR為基礎(chǔ)，參考碰撞潛力指數(shù)(CPI)，有研究[18]表明，采用碰撞潛力指數(shù)公式(CPI)來計算后車的避免碰撞減速率(DRAC)超過最大可用減速率(MADR)的概率，能較好地識別出碰撞與非碰撞情況，且具有較高的識別精度，故而以危險CDR為基礎(chǔ)，參考碰撞潛力指數(shù)(CPI)公式，提出連續(xù)下坡貨車追尾事故的概率風(fēng)險模型，其計算如式(2)所示：

(2)

式中，PT為所取時間段T內(nèi)的概率風(fēng)險；T為所取時間段長度(T=N×Δt)；N為時間段個數(shù)；Pr(CDRi(t)>CDR85)為t=i時Δt內(nèi)大于CDR85的CDR樣本頻率。

該概率風(fēng)險可以反映在連續(xù)下坡路段車輛發(fā)生追尾事故的可能性。概率風(fēng)險越大，說明所取時段內(nèi)，路段上逼近趨勢較強(qiáng)的連續(xù)兩車占比越大，則發(fā)生追尾事故的可能性就越大，反之則越小。

4 連續(xù)下坡路段追尾事故風(fēng)險模型的應(yīng)用與驗(yàn)證

將基于CDR的追尾事故模型應(yīng)用于試驗(yàn)所處的交通特管區(qū)連續(xù)下坡路段，結(jié)合所得貨車CDR數(shù)據(jù)得出該連續(xù)下坡路段的貨車追尾事故概率風(fēng)險，并對結(jié)果進(jìn)行顯著性分析，最后以路段內(nèi)事故數(shù)據(jù)對風(fēng)險分析結(jié)果進(jìn)行了驗(yàn)證。

4.1 追尾事故風(fēng)險計算

根據(jù)式(2)計算得到連續(xù)下坡路段貨車追尾事故概率風(fēng)險，結(jié)果見表3。

表3 追尾事故概率風(fēng)險計算結(jié)果

4.2 追尾事故風(fēng)險分析

追尾風(fēng)險計算結(jié)果由圖6所示。從圖中可以看出測點(diǎn)K2088與K2114的追尾概率風(fēng)險整體上大于其他兩測點(diǎn)；18:00—24:00時間段的追尾概率風(fēng)險整體上最高。本研究利用單因素ANOVA分析了4個高清卡口測點(diǎn)及4個時間段的概率風(fēng)險是否存在差異性，結(jié)果見表4及表5。

圖6 追尾風(fēng)險計算結(jié)果

表4 不同時間段的追尾風(fēng)險ANOVA結(jié)果

表5 不同測點(diǎn)的追尾風(fēng)險ANOVA結(jié)果

由表4可知，12:00—18:00，18:00—24:00兩時間段的概率風(fēng)險均值相當(dāng)，且較高，可以認(rèn)為在12:00—18:00，18:00—24:00時間段內(nèi)發(fā)生事故的可能性更大，但并不能說明12:00—18:00，18:00—24:00 時間段的追尾風(fēng)險更高。由單因素ANOVA結(jié)果可知，各個時間段下的追尾概率風(fēng)險均值在顯著性水平0.05下沒有顯著性差異(P=0.243)，及各時間段下的概率風(fēng)險沒有明顯差異，說明4個時間段的追尾風(fēng)險水平相同。

由表5可知，K2088，K2114的概率風(fēng)險明顯高于K2084,K2110，說明在測點(diǎn)K2088，K2114上發(fā)生追尾事故的可能性更大。由單因素ANOVA結(jié)果可知，各測點(diǎn)的追尾概率風(fēng)險均值在顯著性水平0.05下有顯著性差異(P=0.028)，K2088，K2114具有較高的追尾風(fēng)險水平。

4.3 追尾事故風(fēng)險結(jié)果驗(yàn)證

為了驗(yàn)證模型計算結(jié)果的有效性，采用2013—2018年高清卡口附近追尾事故數(shù)據(jù)對其進(jìn)行驗(yàn)證。將計算所得的追尾概率風(fēng)險均值與各測點(diǎn)附近1 km的百萬車事故率進(jìn)行對比驗(yàn)證，由計算所得各測點(diǎn)附近1 km 的百萬車事故率分別為0.528 8 次/(百萬車·km)，0.951 8 次/(百萬車·km)，0.564 0 次/(百萬車·km)，1.057 5 次/(百萬車·km)，對比結(jié)果如圖7所示。

圖7 事故率與概率風(fēng)險對比

由圖7可以看出，測點(diǎn)的追尾概率風(fēng)險均值與其附近百萬車公里事故率的變化趨勢基本相符，下面從變化趨勢一致性對各測點(diǎn)事故率與概率風(fēng)險均值進(jìn)行數(shù)據(jù)驗(yàn)證，采用皮爾遜相關(guān)系數(shù)來評估事故率與概率風(fēng)險均值數(shù)據(jù)的變化趨勢是否一致，其計算如式(3)所示：

(3)

式中，X，Y分別代表隨機(jī)變量，這里為事故率與概率風(fēng)險均值；Cov(X,Y)為變量X，Y的協(xié)方差；Var[X]，Var[Y]分別為隨機(jī)變量X，Y的方差。

最終計算結(jié)果事故率數(shù)據(jù)與概率風(fēng)險數(shù)據(jù)相關(guān)系數(shù)r(X，Y)=94.5%,為強(qiáng)相關(guān)，即事故率數(shù)據(jù)與概率風(fēng)險數(shù)據(jù)的變化趨勢一致性強(qiáng)。

5 結(jié)論

貨車在連續(xù)下坡上行駛時，由于其慣性較大，剎車距離較長，容易引起追尾事故的發(fā)生，并且貨車追尾事故造成的傷亡與財產(chǎn)損失比普通汽車追尾事故更為嚴(yán)重。本研究利用西部某高速公路交通特管區(qū)長下坡路段的高清卡口所記錄的大量行車數(shù)據(jù)(23 205組)，通過速差與車頭時距計算得到碰撞減速率CDR數(shù)據(jù)，對高速公路連續(xù)下坡路段貨車追尾事故風(fēng)險進(jìn)行研究，得到以下結(jié)論：

(1)西部某高速公路交通特管區(qū)長下坡路段貨車CDR樣本服從對數(shù)正態(tài)分布，得到85%分位值作為危險CDR閾值為0.491 6 m/s2。

(2)計算得到各時間段下的追尾概率風(fēng)險均值分別為4.18%(00:00—06:00)，9.36%(06:00—12:00，11.86%(12:00—18:00)，11.95%(18:00—24:00)，但單因素ANOVA分析結(jié)果顯示，各個時間段下的追尾概率風(fēng)險均值在顯著性水平0.05下沒有顯著性差異。

(3)計算得到各測點(diǎn)的追尾概率風(fēng)險均值分別為3.67%(K2084)，14.01%(K2088)，6.83%(K2110)，12.84%(K2114)，并且單因素ANOVA分析結(jié)果顯示，各測點(diǎn)的追尾概率風(fēng)險在顯著性水平0.05下有顯著性差異。

(4)通過皮爾遜相關(guān)系數(shù)，以各測點(diǎn)附近的百萬車公里事故率對本研究模型進(jìn)行有效性檢驗(yàn)，計算得到事故率數(shù)據(jù)與概率風(fēng)險數(shù)據(jù)相關(guān)系數(shù)r(X，Y)=94.5%,為強(qiáng)相關(guān)，即事故率數(shù)據(jù)與概率風(fēng)險數(shù)據(jù)的變化趨勢一致性強(qiáng)。

本研究在分析連續(xù)下坡路段貨車追尾風(fēng)險的基礎(chǔ)上，針對跟馳狀態(tài)下大貨車的運(yùn)行特性，選取CDR作為追尾風(fēng)險指標(biāo)，采用實(shí)測數(shù)據(jù)，分析具體路段的貨車追尾事故風(fēng)險，分析了該路段上各測點(diǎn)及各個時間段下的貨車追尾概率風(fēng)險，對比風(fēng)險與實(shí)際事故數(shù)據(jù)，驗(yàn)證了本研究提出的連續(xù)下坡路段追尾事故風(fēng)險模型，可為該路段交通安全管理或交通安全設(shè)施的設(shè)計提供參考，本研究方法也適用于高速公路中其他路段的行車風(fēng)險研究。

同時，在模型驗(yàn)證中，雖然基于CDR的連續(xù)下坡路段貨車追尾事故風(fēng)險評價結(jié)論與該路段的實(shí)際事故數(shù)據(jù)具有相同的變化趨勢，但由于采用數(shù)據(jù)存在部分欠缺，目前應(yīng)用CDR展開風(fēng)險評價存在一定的缺陷，在今后的研究中應(yīng)采用更多測點(diǎn)來進(jìn)行數(shù)據(jù)收集，并可對風(fēng)險模型的可移植性進(jìn)行研究。