戢曉峰，詹換勤，普永明，覃文文

(昆明理工大學，交通工程學院，昆明 650504)

0 引言

隨著我國公路網(wǎng)快速發(fā)展，公路穿村鎮(zhèn)路段里程不斷增加，且其交通量不斷增大，導致過境交通與城鎮(zhèn)內(nèi)部交通沖突加劇[1]。調(diào)查顯示，2017—2019年我國山區(qū)公路事故數(shù)量占比約85%。因此，山區(qū)公路穿村鎮(zhèn)路段過境車輛事故防治，成為交通安全領(lǐng)域迫切需解決的現(xiàn)實問題。

過境車輛為本轄區(qū)境內(nèi)道路上行駛的非本(縣、市、省)籍車輛，對于駕駛?cè)硕裕磳儆诋惖匦旭俒2]。駕駛員在穿村鎮(zhèn)路段行駛，需要根據(jù)地形條件和周圍環(huán)境改變駕駛行為。過境車輛駕駛員相比當?shù)伛{駛員，缺少行車經(jīng)驗。有研究表明，駕駛員因素與事故嚴重程度顯著相關(guān)。Susana等[3]基于機器學習探討司機違章行為對交通事故嚴重程度的影響，發(fā)現(xiàn)駕駛員不安全操作行為是交通事故的直接影響因素。喬建剛等[4]分析村鎮(zhèn)道路會車與駕駛員心理變化關(guān)系發(fā)現(xiàn)，駕駛員在會車過程中會明顯緊張，且緊張程度受具體道路條件和周圍環(huán)境影響較大。Delen 等[5]揭示了與交通事故嚴重程度顯著相關(guān)的因素有駕駛員年齡、性別、是否酒后駕駛、是否采取安全措施、車輛用途等。

近年來，山區(qū)公路交通安全研究逐步成為熱點。戢曉峰等[6]構(gòu)建雙變量沖突極值(BTCEV)模型，預測山區(qū)雙車道公路貨車碰撞的發(fā)生率。楊文臣等[7]采用部分優(yōu)勢比模型與有序Logit模型對比，嘗試揭示山區(qū)公路不同類別機動車碰撞事故嚴重度的形成機理。Ahmed等[8]基于貝葉斯層次模型對山區(qū)高速公路段的碰撞頻率建模發(fā)現(xiàn)，山區(qū)高速公路連續(xù)長下坡路段、急轉(zhuǎn)彎路段和隧道路段更容易發(fā)生碰撞。上述文獻主要關(guān)注山區(qū)高速路段及雙車道公路的事故發(fā)生機理，未能關(guān)注穿村鎮(zhèn)路段的安全隱患。與此同時，山區(qū)公路穿村鎮(zhèn)路段的事故治理問題成為重大現(xiàn)實需求。張鐵軍等[9]應用負二項模型研究山區(qū)公路穿村鎮(zhèn)段的事故形態(tài)特性發(fā)現(xiàn)，交通量、混雜率和道路橫坡度影響顯著。尹心怡等[10]構(gòu)建事故推演模型，分析穿村鎮(zhèn)路段各類安全設(shè)施對事故發(fā)生過程產(chǎn)生的影響。然而，山區(qū)公路穿村鎮(zhèn)路段事故研究多為經(jīng)驗描述，缺少定量研究，且忽略了各因素之間的關(guān)聯(lián)。此外，車輛異地行車普遍增多，過境車輛事故防治成為預防道路交通事故的重要內(nèi)容。

鑒于此，為解釋道路線形、駕駛員屬性、車輛類型、事故形態(tài)等因素對山區(qū)公路穿村鎮(zhèn)路段過境車輛事故嚴重程度的影響。同時，考慮到異地行車對駕駛員的操作考驗。本文以典型山區(qū)公路穿村鎮(zhèn)路段過境車輛事故為研究對象，采用社會網(wǎng)絡(luò)分析法對事故重要影響因素進行篩選，得到178起過境車輛事故數(shù)據(jù)，并構(gòu)建貝葉斯網(wǎng)絡(luò)模型對過境車輛事故嚴重程度進行推理分析；分析駕駛員行為聯(lián)合其他影響因素對事故嚴重程度的共同影響機制，以期為山區(qū)公路事故治理提供理論依據(jù)。

1 研究方法及數(shù)據(jù)描述

本文采集事故數(shù)據(jù)，使用社會網(wǎng)絡(luò)分析以及貝葉斯網(wǎng)絡(luò)探討影響過境車輛事故嚴重程度的重要因素。模型構(gòu)建及分析包含因素篩選、網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建、網(wǎng)絡(luò)參數(shù)學習、結(jié)果驗證和推理分析這5 個步驟。

1.1 社會網(wǎng)絡(luò)分析

為對過境車輛事故貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建做準備，使用社會網(wǎng)絡(luò)分析法篩選重要影響因素。社會網(wǎng)絡(luò)分析在清晰解釋復雜事故問題的同時，可獲取事故的關(guān)鍵原因。同時，度中心性可衡量節(jié)點的中心性，也能反映當前節(jié)點與其他節(jié)點的聯(lián)系強度。度中心性值越高，該節(jié)點在事故網(wǎng)絡(luò)中的重要性就越大[11]。因此，選用度中心性值來篩選過境車輛事故的重要影響因素，具體步驟如下。

Step 1 構(gòu)建共現(xiàn)矩陣。統(tǒng)計數(shù)據(jù)中的每一行數(shù)據(jù)為一起具體事故信息，每個字段為儲存事故信息的基本單元。當2個字段在同一事故中出現(xiàn)時，視為共現(xiàn)1次，基于此建立字段間的共現(xiàn)矩陣。

Step 2 計算度中心性。將共現(xiàn)矩陣導入Ucinet軟件計算度中心性，并按度中心性大小排序。公式為

Step 3 因素篩選。按照度中心性大小選取影響力較大的因素，以便后續(xù)網(wǎng)絡(luò)結(jié)構(gòu)圖的構(gòu)建。

1.2 貝葉斯網(wǎng)絡(luò)方法

考慮到貝葉斯網(wǎng)絡(luò)模型具有強大的對不確定問題的處理能力，同時在學習和推理中蘊含了網(wǎng)絡(luò)節(jié)點變量之間的因果關(guān)系和條件相關(guān)關(guān)系，本文采用貝葉斯網(wǎng)絡(luò)開展過境車輛事故嚴重程度研究，其學習內(nèi)容包括結(jié)構(gòu)學習和參數(shù)學習。按以下步驟構(gòu)建貝斯網(wǎng)絡(luò)模型并進行推理分析。

Step 1 因素分類。結(jié)合社會網(wǎng)絡(luò)分析法篩選因素以及相關(guān)文獻對過境車輛事故的致因因素進行分類和符號約定。

Step 2 網(wǎng)絡(luò)結(jié)構(gòu)圖構(gòu)建。依據(jù)原始數(shù)據(jù)及有關(guān)特征對事故進行分類匯總，分析各因素與事故類型的相關(guān)性與顯著性水平，基于SPSS Modeler和專家經(jīng)驗獲取因素間的因果關(guān)系，確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖。

Step 3 網(wǎng)絡(luò)參數(shù)學習。基于事故數(shù)據(jù)，利用Natica軟件訓練各節(jié)點的條件概率；基于訓練集和測試集，驗證參數(shù)學習的有效性。

Step 4 推理分析。利用Natica軟件完成貝葉斯網(wǎng)絡(luò)推理分析。

1.3 數(shù)據(jù)描述

本文以典型的山區(qū)公路——云南省元雙二級公路(元謀—牟定段)穿村鎮(zhèn)路段作為研究對象，采集獲取2012—2017年事故數(shù)據(jù)。依據(jù)車牌歸屬地篩選過境車輛事故數(shù)據(jù)，將事故影響因素分為駕駛員行為、車輛類型、道路情況、天氣情況和事故形態(tài)；將交通事故類型分為財產(chǎn)損失事故和傷人事故。

2 因素篩選

按照社會網(wǎng)絡(luò)分析共篩選出15 個影響因素，如表1所示。其中，駕駛員行為分為操作不當、違規(guī)行駛、判斷失誤和未保持安全距離；依據(jù)貨車車輛相關(guān)標準，將車輛類型歸類為3 類，即貨車(重型貨車、中型貨車和輕型貨車)、客車(中型客車和小型客車)和非機動車；根據(jù)原始數(shù)據(jù)，將天氣情況分為陰雨天和晴天；事故形態(tài)分為沖出路側(cè)、碰撞和側(cè)翻。對各因素做符號約定，事故數(shù)據(jù)分類統(tǒng)計如表2所示。

表1 影響因素的度中心性排序Table 1 Degree centrality ranking of influencing factors

表2 事故數(shù)據(jù)分類統(tǒng)計表Table 2 Statistical table of accident data classification

根據(jù)度中心性分析可知，穿村鎮(zhèn)路段過境車輛交通事故的基本特征為：事故原因方面，主要為駕駛員操作不當行為；涉事車輛方面，交通事故頻發(fā)的涉事車輛類型排序依次為客車、貨車、非機動車；在事故路段方面，平直路段事故占比更高。

3 貝葉斯網(wǎng)絡(luò)構(gòu)建

3.1 影響因素分析

將事故類型作為分析過境車輛事故嚴重程度的表征指標，基于事故類型分析山區(qū)公路穿村鎮(zhèn)路段的交通安全影響因素，探究不同影響因素與過境車輛事故類型的相關(guān)程度，為構(gòu)建貝葉斯模型提供支撐。由表3可知，車輛類型、駕駛員行為、道路線形、事故形態(tài)和天氣情況與事故類型的相關(guān)性系數(shù)分別是0.329、0.316、0.457、0.236、0.414，且顯著性水平均低于0.05，即過境車輛事故嚴重程度與各影響因素存在相關(guān)性，對山區(qū)穿村鎮(zhèn)路段的交通安全狀況存在影響。

表3 各影響因素與事故類型相關(guān)性分析Table 3 Correlation analysis between influencing factors and accident types

3.2 貝葉斯結(jié)構(gòu)學習

基于因素篩選結(jié)果構(gòu)建訓練集及測試集，并利用SPSS Modeler 軟件進行結(jié)構(gòu)學習。在模型構(gòu)建中選取馬爾科夫覆蓋作為結(jié)構(gòu)類型，專家設(shè)置中采用Pearson 卡方檢驗進行獨立測試，顯著性水平設(shè)置為0.05，完成具有符合基本邏輯認知有向邊的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖。模型中178條事故數(shù)據(jù)集、80條事故測試集準確率分別為88.76%和87.5%。貝葉斯網(wǎng)絡(luò)一共包括6個節(jié)點和7條邊，如圖1所示。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Bayesian network structure diagram

3.3 貝葉斯參數(shù)學習

由于Netica軟件具有可便捷定義節(jié)點變量、數(shù)據(jù)訓練等優(yōu)點，本文利用Netica 軟件進行參數(shù)學習。首先，根據(jù)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建各節(jié)點的因果關(guān)系圖；再選擇訓練模塊，導入?yún)?shù)學習訓練集進行學習，獲得各個節(jié)點的概率分布，就此完成貝葉斯網(wǎng)絡(luò)參數(shù)學習，具體學習情況如圖2所示。同時，基于訓練集和測試集，利用Error rate和ROC值驗證參數(shù)學習準確率。通過Netica軟件測試功能，驗證參數(shù)學習訓練集和測試集的Error rate 分別為11.24%、10%，ROC值分別為93.25%、94.82%。

圖2 貝葉斯參數(shù)學習Table 2 Bayesian parametric learning

3.4 貝葉斯網(wǎng)絡(luò)方法有效性檢驗

Logistic回歸模型是一種用于研究事故影響關(guān)系、分析事故危險因素及發(fā)生概率的方法，因此本文引入該方法與貝葉斯網(wǎng)絡(luò)方法預測結(jié)果進行對比。其中，以事故類型為因變量，15 個因素為自變量，并基于SPSS Modeler 軟件搭建Logistic 回歸模型。結(jié)果顯示訓練集和測試集準確率分別為84.27%、83.75%。由前文可知，相對于Logistic 回歸模型，基于貝葉斯網(wǎng)絡(luò)構(gòu)建的推理模型準確率更高。綜上說明，貝葉斯網(wǎng)絡(luò)模型學習效果更好，更能體現(xiàn)事故變量的影響關(guān)系，可用來進行穿村鎮(zhèn)路段過境車輛事故嚴重程度推理分析。

4 貝葉斯網(wǎng)絡(luò)推理分析

由于Netica軟件可進行多變量證據(jù)推理分析，且具有可視化的優(yōu)點，故利用其對不同證據(jù)變量與駕駛員行為共同作用情況進行推理。基于構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)圖和節(jié)點參數(shù)學習，輸入各節(jié)點參數(shù)，然后設(shè)置各節(jié)點狀態(tài)，便可對過境車輛事故嚴重程度進行推理分析。例如，將駕駛員行為“DRI”中的證據(jù)變量“D1”操作不當和事故形態(tài)“ACC”中的證據(jù)變量“A1”側(cè)翻的概率同時置為100%，則可觀察事故類型的變化，如圖3所示。圖3 推理結(jié)果為不同事故類型的事故率，將高于平均值的結(jié)果用*進行標記。為方便推理，主要分析傷人事故率，推理數(shù)值越大代表證據(jù)變量在該狀態(tài)時發(fā)生的交通事故越嚴重。

圖3 貝葉斯為網(wǎng)絡(luò)模型推理分析Fig.3 Inference analysis of Bayesian network model

4.1 事故形態(tài)與駕駛員行為共同作用推理分析

根據(jù)推理結(jié)果得出事故形態(tài)與駕駛員行為對事故類型的影響，如表4所示。

表4 事故形態(tài)與駕駛員行為共同作用的推理結(jié)果Table 4 Inference result of accident pattern and driver behavior

表4事故形態(tài)單一證據(jù)變量推理結(jié)果顯示，傷人事故排序為：側(cè)翻、沖出路側(cè)、碰撞。由表4可以發(fā)現(xiàn)，事故形態(tài)為側(cè)翻的推理結(jié)果大于均值。不同駕駛行為下，各事故形態(tài)的推理結(jié)果相差較大。在操作不當、違規(guī)行駛、未保持安全距離行為下，側(cè)翻的傷人事故推理結(jié)果均大于判斷失誤導致的交通事故，側(cè)翻導致的交通事故比較嚴重。由于操作不當行為造成側(cè)翻事故而導致傷人事故概率為60.7%；由于違規(guī)行駛、未保持安全距離造成側(cè)翻事故而導致傷人事故概率為50%。在判斷失誤、違規(guī)行駛、未保持安全距離行為下，發(fā)生沖出路側(cè)事故形態(tài)也容易導致傷人事故發(fā)生。另外，未保持安全距離容易導致財產(chǎn)損失事故的發(fā)生，在此行為下因碰撞導致事故發(fā)生概率為77.8%。

4.2 車輛類型與駕駛員行為共同作用推理分析

根據(jù)推理結(jié)果，得出車輛類型與駕駛員行為對事故類型的影響，如表5所示。

由推理可知，車輛類型的單一證據(jù)變量推理結(jié)果排序：非機動車、貨車、客車。由表5 可知，貨車和非機動車的推理結(jié)果均大于平均值。在操作不當和未保持安全距離共同作用下，駕駛貨車導致的交通事故較嚴重。特別要注意的是，在各種不安全駕駛行為下，非機動車傷人事故發(fā)生概率均高于均值；在判斷失誤行為下，涉及非機動車造成傷人事故的概率為58.4%。因此，在事故防治中要重點關(guān)注貨車和非機動車的車輛類型。

表5 車輛類型與駕駛員行為共同作用的推理結(jié)果Table 5 Inference result of vehicle type and driver behavior

4.3 道路線形與駕駛員行為共同作用推理分析

根據(jù)推理結(jié)果得出道路線形與駕駛員行為對事故類型的影響，如表6所示。

表6 道路線形與駕駛員行為共同作用的推理結(jié)果Table 6 Inference result of road alignment and driver behavior

由推理可知，不同道路線形的單一證據(jù)變量推理結(jié)果排序：縱坡路段、彎坡組合路段、平直路段。由表6可知，發(fā)生在縱坡路段和彎坡組合路段事故較為嚴重，平直路段的推理結(jié)果最小。平曲路段是事故頻發(fā)路段，由于不安全駕駛行為，極容易造成財產(chǎn)損失事故。其中，由于未保持安全距離駕駛行為，造成財產(chǎn)損失事故的概率為81.6%。值得注意的是，在縱坡路段行駛時，各類不安全行為都會使得交通事故更加嚴重。

4.4 天氣情況與駕駛員行為共同作用推理分析

根據(jù)推理結(jié)果得出天氣情況與駕駛員行為對事故類型的影響，如表7所示。

表7 天氣情況與駕駛員行為共同作用的推理結(jié)果Table 7 Inference result of weather condition and driver behavior

由推理可知，天氣情況的單一證據(jù)變量推理結(jié)果排序：陰雨天、晴。由表7可知，天氣為陰雨天的推理結(jié)果大于均值。在操作不當、判斷失誤、違規(guī)行駛、未保持安全距離的駕駛行為下，陰雨天駕駛易導致事故形態(tài)更加嚴重。當天氣情況為陰雨天時，由于判斷失誤造成的傷人事故率為60.5%。

5 結(jié)論

本文以山區(qū)公路穿村鎮(zhèn)路段過境車輛事故嚴重程度為研究對象，基于社會網(wǎng)絡(luò)分析篩選因素，構(gòu)建了貝葉斯網(wǎng)絡(luò)模型和Logistic模型。模型比較發(fā)現(xiàn)，貝葉斯網(wǎng)絡(luò)模型的預測效果更好，因此用于本研究。由貝葉斯網(wǎng)絡(luò)模型推理分析，得出結(jié)論如下：

(1)由貝葉斯網(wǎng)絡(luò)圖可知，駕駛員行為、車輛類型、道路線性、天氣情況以及事故形態(tài)是山區(qū)公路穿村鎮(zhèn)路段過境車輛事故的關(guān)鍵致因，根據(jù)概率大小各致因?qū)е率鹿暑愋偷膰乐爻潭炔槐M相同。

(2)由于駕駛員違規(guī)行駛，當涉及非機動車時，造成傷人事故概率為52.0%；發(fā)生側(cè)翻和沖出路側(cè)事故時，造成傷人事故概率均為50.0%；在縱坡路段行駛時，有57.8%的概率造成傷人事故。

(3)由于駕駛員操作不當，當天氣情況為陰雨天時，55.6%的概率會造成傷人事故；當涉及貨車時，造成傷人事故率為55.5%。

本文系統(tǒng)分析了人、車、路、環(huán)境對山區(qū)公路穿村鎮(zhèn)路段過境車輛事故嚴重程度的影響，但未能涉及雪、霧等惡劣天氣情況，后續(xù)研究將嘗試分析更多影響因素。