劉佳雨 ， 冷軍強(qiáng)，尚 平，羅麗君

(1.哈爾濱工業(yè)大學(xué) 交通科學(xué)與工程學(xué)院，哈爾濱 150090；2.哈爾濱工業(yè)大學(xué)(威海) 汽車工程學(xué)院，山東 威海 264209；3.陜西省公安廳交通管理局，西安 710061)

冰雪天氣導(dǎo)致高速公路路面平整度和抗滑性能顯著下降，是引發(fā)交通事故的重要因素。文獻(xiàn)[1]對(duì)1967—2005年相關(guān)文獻(xiàn)分析后發(fā)現(xiàn)：降雪可導(dǎo)致事故率和受傷率平均分別增加84%和75%。中國(guó)受冰雪影響的區(qū)域約占國(guó)土面積的一半，冬季是高速公路事故多發(fā)期，惡劣的路面條件與之密切相關(guān)，每百萬(wàn)公里冰雪路面事故率高達(dá)20.8%，是正常道路環(huán)境下的兩倍[2]。鑒于冰雪路面下事故的高發(fā)特征，準(zhǔn)確識(shí)別其影響因素，挖掘各因素對(duì)事故的影響規(guī)律，從而為制定有效的安全改善措施提供決策依據(jù)，對(duì)提高冰雪路面下的行車安全性至關(guān)重要。

高速公路交通系統(tǒng)中人、車、路及環(huán)境等因素間存在復(fù)雜的交互作用，某方面因素的失衡就可能導(dǎo)致交通事故。以往對(duì)事故影響因素的定量分析，大多是根據(jù)事故分布特點(diǎn)，構(gòu)建統(tǒng)計(jì)模型[3-5]。隨著研究的深入，交通事故的成因分析已由早期的單因素或多因素分析發(fā)展到系統(tǒng)致因分析。故障樹(shù)分析法是一種典型的系統(tǒng)致因理論方法，其模型結(jié)構(gòu)直觀明了、簡(jiǎn)單易行，應(yīng)用較為廣泛，文獻(xiàn)[6]對(duì)西弗吉尼亞州12起礦運(yùn)卡車死亡事故分別建立故障樹(shù)模型，分析誘發(fā)事故的高風(fēng)險(xiǎn)因素；文獻(xiàn)[7]依據(jù)事件鏈原理，建立山區(qū)高速公路傷亡事故故障樹(shù)模型，分析事故成因；文獻(xiàn)[8]將故障樹(shù)和模糊集理論相結(jié)合進(jìn)行定量分析，將其應(yīng)用到高鐵安全管理中。貝葉斯網(wǎng)絡(luò)也是交通安全領(lǐng)域常用的分析方法，文獻(xiàn)[9]分別建立西班牙鄉(xiāng)村公路輕傷、重傷和死亡事故的貝葉斯網(wǎng)絡(luò)模型，基于貝葉斯推理，鑒別事故嚴(yán)重程度影響因素；文獻(xiàn)[10]基于昆山市兩年的交通事故數(shù)據(jù)，建立基于貝葉斯網(wǎng)絡(luò)的事故嚴(yán)重程度預(yù)測(cè)模型，研究各指標(biāo)對(duì)事故嚴(yán)重程度的影響及各因素之間的交互作用。傳統(tǒng)模型中的事件只有兩種狀態(tài)，即故障和正常，難以描述具有多種狀態(tài)的事件(如本文中事故嚴(yán)重程度)，且假設(shè)事故因素間相互獨(dú)立。貝葉斯網(wǎng)絡(luò)通過(guò)調(diào)整模型結(jié)構(gòu)和節(jié)點(diǎn)間條件概率表，可描述事件的多態(tài)性和邏輯關(guān)系的不確定性，但網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建較為復(fù)雜。故障樹(shù)可簡(jiǎn)化貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建過(guò)程，而貝葉斯網(wǎng)絡(luò)推理又可彌補(bǔ)故障樹(shù)的缺陷，提高其定量分析的精度，因此，已有研究將兩者結(jié)合應(yīng)用到機(jī)械領(lǐng)域及航海領(lǐng)域等[11-12]，并取得了較好的應(yīng)用效果。但目前，將故障樹(shù)與貝葉斯網(wǎng)絡(luò)相結(jié)合的模型在交通安全領(lǐng)域的應(yīng)用較少，仍需進(jìn)一步研究以驗(yàn)證該模型的適用性。

綜上，本文在構(gòu)建故障樹(shù)模型的基礎(chǔ)上進(jìn)一步引入貝葉斯網(wǎng)絡(luò)，為克服故障樹(shù)中事故因素間相互獨(dú)立和事故只有兩態(tài)的缺陷，在轉(zhuǎn)化后的貝葉斯網(wǎng)絡(luò)中增設(shè)了3條表征因素間相關(guān)性的有向弧，并根據(jù)事故嚴(yán)重程度，將葉節(jié)點(diǎn)分為3種狀態(tài)T1、T2、T3，對(duì)葉節(jié)點(diǎn)條件概率表進(jìn)行了更新。通過(guò)貝葉斯網(wǎng)絡(luò)逆向推理和敏感性分析，在識(shí)別事故致因因素的同時(shí)，進(jìn)一步分析事故嚴(yán)重程度影響因素。本文提出的故障樹(shù)和貝葉斯網(wǎng)絡(luò)相結(jié)合的方法可為事故因素分析提供新視角。

1 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)源于黑龍江省高速公路數(shù)據(jù)管理系統(tǒng)，從中提取了2010—2018年省內(nèi)高速公路冰雪路面下的交通事故，刪除記錄信息不全的事故，共計(jì)367起。每條事故數(shù)據(jù)均包含事故類型、事故發(fā)生時(shí)間、地點(diǎn)、事故形態(tài)、事故認(rèn)定原因、駕駛員性別、駕齡、受傷部位、車輛類型、路表狀況、道路線型和天氣等信息，模型涉及的駕駛員、車輛、道路及環(huán)境因素見(jiàn)表1。

表1 模型事件信息匯總

本文定義的“冰雪路面”包括各種冰雪凝結(jié)物理狀態(tài)，如松雪、冰板、冰膜、雪漿等，此外，將連續(xù)變量“能見(jiàn)度小于等于200 m”和“駕齡小于等于3年”分別歸類為“能見(jiàn)度低”[13]和“駕駛經(jīng)驗(yàn)不足”[14]。

2 事故影響因素分析方法

2.1 故障樹(shù)

故障樹(shù)(fault tree, FT)分析法是將定性和定量分析相結(jié)合的圖形演繹及邏輯推理方法，具體是以某個(gè)不希望發(fā)生的事件為起點(diǎn)，自上而下分析其發(fā)生原因，并將引發(fā)該事件的原因用樹(shù)形圖進(jìn)行表述[15]。故障樹(shù)中事件類型分為頂事件、中間事件和基本事件：頂事件，不希望發(fā)生的某類事件(本文交通事故)；中間事件，位于頂事件和基本事件之間的結(jié)果事件；基本事件，導(dǎo)致頂事件發(fā)生的最基本原因(事故因素)。事件間邏輯關(guān)系用邏輯門表示，常用的邏輯門包括與門和或門：與門，輸出事件必須在所有輸入事件都發(fā)生時(shí)才發(fā)生；或門，只要有一個(gè)輸入事件發(fā)生，輸出事件就能發(fā)生。

2.2 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)(Bayesian network, BN)由網(wǎng)絡(luò)結(jié)構(gòu)和條件概率表組成，即BN=〈G,Θ〉。其中，G表示網(wǎng)絡(luò)結(jié)構(gòu)(有向無(wú)環(huán)圖)，由節(jié)點(diǎn)和有向弧構(gòu)成，節(jié)點(diǎn)代表隨機(jī)變量，有向弧代表節(jié)點(diǎn)間因果關(guān)系，由父節(jié)點(diǎn)指向子節(jié)點(diǎn)；Θ表示節(jié)點(diǎn)間條件概率表，Θ=P{Xi|Val(Parents(Xi))}(1≤i≤n)，其中Val(Parents(Xi))表示節(jié)點(diǎn)Xi的父節(jié)點(diǎn)集，n表示父節(jié)點(diǎn)的個(gè)數(shù)。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中，無(wú)父節(jié)點(diǎn)的節(jié)點(diǎn)稱為根節(jié)點(diǎn)，無(wú)子節(jié)點(diǎn)的節(jié)點(diǎn)稱為葉節(jié)點(diǎn)。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意見(jiàn)圖1，其中X2和X3為M1的父節(jié)點(diǎn)，M1為X2和X3的子節(jié)點(diǎn)，X1、X2、X3為根節(jié)點(diǎn)，M1為中間節(jié)點(diǎn)，T為葉節(jié)點(diǎn)。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意

基于貝葉斯原理，設(shè)A、B為兩個(gè)基本事件，則

(1)

若E為樣本空間，B1,B2,…,Bn為樣本空間的完備事件組，則

(2)

進(jìn)一步推理，得

(3)

式中：P(Bi)為事件Bi的先驗(yàn)概率，P(Bi|A)為事件Bi的后驗(yàn)概率。

基于式(3)可進(jìn)行簡(jiǎn)單的貝葉斯網(wǎng)絡(luò)逆向推理，即假設(shè)事故發(fā)生的風(fēng)險(xiǎn)水平已知(事件發(fā)生)，逆向推理可得到各根節(jié)點(diǎn)的后驗(yàn)概率(P(Bi|A))，通過(guò)觀察節(jié)點(diǎn)風(fēng)險(xiǎn)等級(jí)狀態(tài)概率的變化情況(如節(jié)點(diǎn)先驗(yàn)概率與后驗(yàn)概率的差異)，逆向分析并尋找原因。

貝葉斯網(wǎng)絡(luò)還可進(jìn)行敏感性分析，通過(guò)分析數(shù)值參數(shù)(如根節(jié)點(diǎn)先驗(yàn)概率)的微小變化對(duì)輸出參數(shù)(如葉節(jié)點(diǎn)先驗(yàn)概率)的影響，鑒別出對(duì)目標(biāo)節(jié)點(diǎn)影響較大的指標(biāo)。在安全管理中，基于各因素的敏感性大小，可迅速識(shí)別對(duì)結(jié)果(事故風(fēng)險(xiǎn))影響較大的因素，予以重點(diǎn)關(guān)注。本文基于文獻(xiàn)[16]提出的敏感性分析算法進(jìn)行貝葉斯網(wǎng)絡(luò)敏感性分析。

2.3 故障樹(shù)向貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)化

故障樹(shù)和貝葉斯網(wǎng)絡(luò)均可用于事故因素分析。傳統(tǒng)故障樹(shù)主要基于布爾代數(shù)法定性分析求解最小割集，進(jìn)而進(jìn)行定量分析，定量分析對(duì)定性分析的全面性和精確度要求較高，否則會(huì)有較大的數(shù)據(jù)偏差。貝葉斯網(wǎng)絡(luò)的構(gòu)建是一個(gè)不確定知識(shí)的獲取過(guò)程，包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)，其中結(jié)構(gòu)學(xué)習(xí)方法主要包括專家意見(jiàn)法、機(jī)器學(xué)習(xí)法和專家意見(jiàn)與機(jī)器學(xué)習(xí)相結(jié)合的辦法，參數(shù)學(xué)習(xí)方法包括最大似然估計(jì)法、SEM算法和貝葉斯方法等，整體上模型構(gòu)建過(guò)程較為復(fù)雜。綜上，故障樹(shù)模型雖簡(jiǎn)單易用，但難以準(zhǔn)確地進(jìn)行定量分析；貝葉斯網(wǎng)絡(luò)在定量分析方面具備優(yōu)勢(shì)，但其網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建相對(duì)復(fù)雜。鑒于二者的模型圖和推理機(jī)制相似，可將故障樹(shù)轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)形式，以簡(jiǎn)化貝葉斯網(wǎng)絡(luò)建模過(guò)程，同時(shí)彌補(bǔ)故障樹(shù)定量分析的不足。具體步驟：1)將故障樹(shù)中基本事件、中間事件和頂事件分別轉(zhuǎn)換為貝葉斯網(wǎng)絡(luò)的根節(jié)點(diǎn)、中間節(jié)點(diǎn)和葉節(jié)點(diǎn)；2)根據(jù)故障樹(shù)事件間的邏輯關(guān)系將貝葉斯網(wǎng)絡(luò)中所有節(jié)點(diǎn)連接起來(lái)，有向弧的方向?qū)?yīng)故障樹(shù)中邏輯門的輸入或輸出關(guān)系；3)將故障樹(shù)中各基本事件的概率作為貝葉斯網(wǎng)絡(luò)中對(duì)應(yīng)根節(jié)點(diǎn)的先驗(yàn)概率，根據(jù)故障樹(shù)中邏輯門類型，確定中間節(jié)點(diǎn)和葉節(jié)點(diǎn)的條件概率表。故障樹(shù)邏輯門與貝葉斯網(wǎng)絡(luò)條件概率表間的轉(zhuǎn)換規(guī)則見(jiàn)圖2，其中“1”表示事件發(fā)生，“0”表示事件不發(fā)生。

(a)或門 (b)與門

2.4 模型修正

傳統(tǒng)的故障樹(shù)方法只能對(duì)事故的兩種狀態(tài)(如：“發(fā)生事故”與“不發(fā)生事故”，“嚴(yán)重事故”與“非嚴(yán)重事故”等)進(jìn)行分析，當(dāng)事故狀態(tài)超過(guò)兩種時(shí)，故障樹(shù)方法不再適用，而貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)可設(shè)置為多種狀態(tài)，彌補(bǔ)了故障樹(shù)的不足。本文的事故狀態(tài)(或事故類型)分為財(cái)產(chǎn)損失、受傷和死亡3種，分別以貝葉斯網(wǎng)絡(luò)中葉節(jié)點(diǎn)的3種狀態(tài)T1、T2、T3表示。

故障樹(shù)模型中各事故因素間相互獨(dú)立，然而在實(shí)際情況中，部分因素之間存在一定聯(lián)系，如：駕駛經(jīng)驗(yàn)不足可能導(dǎo)致駕駛員操作不當(dāng)，超載的車輛大多是貨車，雨、雪、霧等不良天氣會(huì)影響駕駛員視野，導(dǎo)致能見(jiàn)度降低。根據(jù)因素間的因果關(guān)系，在故障樹(shù)結(jié)構(gòu)的基礎(chǔ)上，轉(zhuǎn)化后的貝葉斯網(wǎng)絡(luò)中增設(shè)3條有向弧，見(jiàn)圖4。此有向弧子節(jié)點(diǎn)X2、X12和X19的條件概率表根據(jù)事故數(shù)據(jù)中因素間的條件概率確定。

轉(zhuǎn)換后的貝葉斯網(wǎng)絡(luò)中，葉節(jié)點(diǎn)表示交通事故，其父節(jié)點(diǎn)為M1、M2、M3、M4，分別代表人、車、路及環(huán)境4種因素?；谑鹿蕯?shù)據(jù)，可得到3種狀態(tài)在各父節(jié)點(diǎn)發(fā)生時(shí)的條件概率P(Tm|Mi,…,Mj)(1≤m≤3,1≤i≤j,1≤j≤4)，計(jì)算公式為

(4)

(5)

式中P(0|Mi,…,Mj)為事件不發(fā)生的概率。式(5)歸一化后可得葉節(jié)點(diǎn)的條件概率，見(jiàn)表2。

表2 葉節(jié)點(diǎn)條件概率

3 模型計(jì)算與驗(yàn)證

3.1 模型計(jì)算

以冰雪路面下高速公路交通事故為頂事件，19個(gè)具體因素為基本事件，構(gòu)建故障樹(shù)模型，從上到下逐級(jí)分析事故發(fā)生原因。構(gòu)建的故障樹(shù)模型見(jiàn)圖3，轉(zhuǎn)換修正后的貝葉斯網(wǎng)絡(luò)見(jiàn)圖4。

有向弧子節(jié)點(diǎn)X2、X12和X19的條件概率表根據(jù)事故數(shù)據(jù)中因素間的條件概率確定，其余根節(jié)點(diǎn)的先驗(yàn)概率為故障樹(shù)中基本事件的概率，中間節(jié)點(diǎn)的條件概率表由故障樹(shù)邏輯門轉(zhuǎn)換得到，葉節(jié)點(diǎn)的條件概率由表2直接得到。根據(jù)貝葉斯網(wǎng)絡(luò)推理，計(jì)算各非根節(jié)點(diǎn)的先驗(yàn)概率，見(jiàn)圖5。分別假定財(cái)產(chǎn)損失事故(T1)、受傷事故(T2)和死亡事故(T3)發(fā)生的概率為100%，根據(jù)貝葉斯網(wǎng)絡(luò)逆向推理，算得各節(jié)點(diǎn)的后驗(yàn)概率。

3.2 模型驗(yàn)證

事故數(shù)據(jù)中3種事故狀態(tài)的比例分別為17%、39%和44%，本模型預(yù)測(cè)事故狀態(tài)比例分別為14%、31%和50%，基本與實(shí)際相符。故障樹(shù)概率統(tǒng)計(jì)的基本假設(shè)為“事故已發(fā)生”，即P(T)=1，圖5中冰雪路面下高速公路交通事故的先驗(yàn)概率為0.95，可能原因是故障樹(shù)建模時(shí)某些事故因素未被識(shí)別。由于建模過(guò)程中不可避免地存在一定誤差，且本模型誤差小于10%，故認(rèn)為該模型可有效反映事故因素特征。

圖3 冰雪路面下高速公路事故故障樹(shù)模型

圖4 冰雪路面下高速公路事故貝葉斯網(wǎng)絡(luò)模型

隨機(jī)抽取30%的事故數(shù)據(jù)，以其中的受傷事故為例，由模型計(jì)算得到的各因素后驗(yàn)概率與樣本中的實(shí)際概率趨勢(shì)基本相符，見(jiàn)圖6。與樣本實(shí)際概率相比，受傷事故模型后驗(yàn)概率平均絕對(duì)誤差(MAE)為4.84%，均方根誤差(RMSE)為6.25%，表明貝葉斯網(wǎng)絡(luò)推理分析精度較高，可用于事故致因因素分析。

圖5 先驗(yàn)概率計(jì)算結(jié)果

圖6 受傷事故后驗(yàn)概率與樣本實(shí)際概率曲線

4 結(jié)果分析

4.1 貝葉斯網(wǎng)絡(luò)逆向推理分析

4.1.1 事故致因因素分析

根節(jié)點(diǎn)后驗(yàn)概率分布見(jiàn)圖7，圖7表明，除X13外，其他節(jié)點(diǎn)在3種事故狀態(tài)下的后驗(yàn)概率相差不大，后驗(yàn)概率較高的節(jié)點(diǎn)依次為X19、X20、X13、X18、X3、X9、X11，表明這些基本事件是誘發(fā)交通事故的主要因素，在風(fēng)險(xiǎn)管理中應(yīng)優(yōu)先和重點(diǎn)關(guān)注。以上因素分別表示：能見(jiàn)度低、不良天氣(雨、雪、霧)、貨車、夜間無(wú)照明、駕駛經(jīng)驗(yàn)不足、超速行駛、未保持安全距離。其潛在原因：低能見(jiàn)度和夜間無(wú)照明直接影響駕駛員視野，遇到突發(fā)情況時(shí)，可導(dǎo)致駕駛員采取延遲制動(dòng)或無(wú)效的避讓動(dòng)作；“雨、雪、霧”環(huán)境下駕駛員視線受阻，水滴、雪顆粒和光的共同作用將顯著降低駕駛員對(duì)物體的辨認(rèn)能力，且不良天氣造成能見(jiàn)度降低，影響駕駛員的判斷；缺乏經(jīng)驗(yàn)的駕駛員，行車場(chǎng)景經(jīng)歷較少，在復(fù)雜路面狀況下行駛時(shí)往往過(guò)度緊張，從而做出錯(cuò)誤判斷，增加了事故發(fā)生風(fēng)險(xiǎn)；冰雪路面下，道路與車輛間摩擦系數(shù)降低，剎車距離顯著增加，超速行駛與車距保持不足均極易導(dǎo)致車輛追尾及連環(huán)相撞事故，且貨車的制動(dòng)性能遠(yuǎn)不及小轎車，在濕滑的路面條件下，更容易導(dǎo)致追尾事故，使得貨車成為主要肇事車型之一。

圖7 根節(jié)點(diǎn)后驗(yàn)概率分布

4.1.2 事故嚴(yán)重程度影響因素分析

后驗(yàn)概率與先驗(yàn)概率的比值可用來(lái)衡量各根節(jié)點(diǎn)與葉結(jié)點(diǎn)之間的關(guān)系，比值越大表明該根節(jié)點(diǎn)對(duì)葉節(jié)點(diǎn)的影響越大。圖8為給定狀態(tài)下各根節(jié)點(diǎn)后驗(yàn)概率與先驗(yàn)概率的比值，可見(jiàn)，X12、X13、X14在T3狀態(tài)下的后驗(yàn)概率增長(zhǎng)率較大，明顯高于T1和T2狀態(tài)，表明這些因素更容易加重事故發(fā)生后的嚴(yán)重程度。

圖8 根節(jié)點(diǎn)后驗(yàn)概率與先驗(yàn)概率的比值

上述加重事故嚴(yán)重程度的因素分別代表超載、貨車、違法上路。其潛在原因：超載的車型大多為貨車，貨車本身制動(dòng)性能較差，超載使得車輛慣性增大、制動(dòng)距離變長(zhǎng)，導(dǎo)致緊急情況下不能及時(shí)減速停車，加之冰雪路面十分濕滑，緊急制動(dòng)容易導(dǎo)致車輛傾翻等事故，車輛自身的重量及灑落的貨物，會(huì)影響自身及其他車輛的安全；涉及貨車的多為追尾事故，當(dāng)追尾車輛為小汽車時(shí)，兩種車型的速度差、質(zhì)量差和貨車尾部的防護(hù)裝置等均會(huì)加重對(duì)小汽車駕駛員的傷害程度；機(jī)件(如：轉(zhuǎn)向、制動(dòng)及安全輔助系統(tǒng)等)質(zhì)量不符合要求的車輛違法上路時(shí)，可導(dǎo)致駕駛員采取的轉(zhuǎn)向等避讓動(dòng)作無(wú)法有效執(zhí)行，高速公路車速較高，事故一旦發(fā)生，后果必然十分嚴(yán)重。

4.2 貝葉斯網(wǎng)絡(luò)敏感性分析

3種事故狀態(tài)發(fā)生概率為100%時(shí)，人、車、路和環(huán)境四要素的后驗(yàn)概率見(jiàn)表3。3種狀態(tài)下，M1和M4的后驗(yàn)概率明顯高于M2和M3，且4個(gè)節(jié)點(diǎn)的概率之和均大于100%，這表明人和環(huán)境要素對(duì)事故影響較大，且各要素之間存在復(fù)雜的交互作用。

將中間節(jié)點(diǎn)M1、M4設(shè)置為目標(biāo)節(jié)點(diǎn)，對(duì)其進(jìn)行敏感性分析，得到各因素的敏感值，結(jié)果見(jiàn)表4。節(jié)點(diǎn)X3、X9的敏感值明顯高于其他節(jié)點(diǎn)，為M1的高敏感度因素；節(jié)點(diǎn)X20、X19的敏感值明顯高于X18，為M4的高敏感度因素。結(jié)果表明，兩要素中駕駛經(jīng)驗(yàn)不足、超速行駛、不良天氣(雨、雪、霧)和能見(jiàn)度低為誘發(fā)冰雪路面高速公路事故的高敏感因素。

表3 3種事故狀態(tài)下四要素的后驗(yàn)概率

表4 敏感性分析結(jié)果

基于貝葉斯網(wǎng)絡(luò)逆向推理和敏感性的分析結(jié)果，為提高冰雪路面下高速公路行車安全性，在常年受冰雪影響的高速公路上，應(yīng)增加輪廓標(biāo)等低能見(jiàn)度視線誘導(dǎo)設(shè)施，優(yōu)化夜間照明裝置；加強(qiáng)電子監(jiān)控和執(zhí)法力度，減少超速、違章駕駛、車輛違法上路等現(xiàn)象；對(duì)于車輛超載，應(yīng)采取“聯(lián)合治超”手段，從根本上解決超載問(wèn)題；加強(qiáng)對(duì)貨運(yùn)公司及貨車駕駛員的監(jiān)管，隨時(shí)查詢貨車行駛狀態(tài)，當(dāng)周邊環(huán)境及路面狀態(tài)不宜行車時(shí)，應(yīng)及時(shí)到服務(wù)區(qū)停車休息；建議相關(guān)部門對(duì)高速公路實(shí)行動(dòng)態(tài)監(jiān)管，制定冰雪路面和不良天氣下高速公路限速及關(guān)閉標(biāo)準(zhǔn)，并嚴(yán)格實(shí)施；對(duì)高寒地區(qū)，盡可能采用功能性路面建設(shè)材料，提升道路自身的融雪及抗冰防滑能力。

5 結(jié) 論

1)針對(duì)冰雪路面下高速公路交通事故，構(gòu)建了基于故障樹(shù)和貝葉斯網(wǎng)絡(luò)的綜合模型，該模型克服了傳統(tǒng)故障模型中事件只有兩態(tài)和因素間相互獨(dú)立的缺陷，同時(shí)提高了故障樹(shù)定量分析的精度。

2)貝葉斯網(wǎng)絡(luò)逆向推理結(jié)果表明：能見(jiàn)度低、不良天氣(雨、雪、霧)、貨車、夜間無(wú)照明、駕駛經(jīng)驗(yàn)不足、超速行駛、未保持安全距離等，是誘發(fā)事故的高風(fēng)險(xiǎn)因素，在風(fēng)險(xiǎn)防控中應(yīng)予以重點(diǎn)關(guān)注；根節(jié)點(diǎn)概率變化趨勢(shì)表明：超載、貨車、違法上路等因素在冰雪路面下，更易加重事故發(fā)生后的嚴(yán)重程度；貝葉斯網(wǎng)絡(luò)敏感性分析結(jié)果表明：人和環(huán)境要素對(duì)事故影響較大，且各要素之間存在復(fù)雜的交互作用，兩要素中，駕駛經(jīng)驗(yàn)不足、超速行駛、不良天氣(雨、雪、霧)和能見(jiàn)度低敏感性較強(qiáng)，極易誘發(fā)事故。

3)本文數(shù)據(jù)來(lái)源于交警事故記錄系統(tǒng)，數(shù)據(jù)量偏少，未來(lái)可綜合更多冰雪路面事故數(shù)據(jù)進(jìn)行分析，增加分析結(jié)果的普適性；此外，還可針對(duì)非冰雪路面交通事故構(gòu)建模型，并與本文結(jié)果進(jìn)行對(duì)比，以便更準(zhǔn)確地掌握冰雪條件對(duì)交通安全的影響。