摘要：為獲取道路線形、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機制。本文基于元雙公路(元謀—牟定)2012—2017 年事故數(shù)據(jù)，利用社會網(wǎng)絡分析法從人、車、路、環(huán)境等方面篩選出 15 個影響因素;基于機器學習方法構(gòu)建貝葉斯網(wǎng)絡模型;以事故嚴重程度為決策變量，分析不同證據(jù)變量與駕駛員行為共同作用的推理結(jié)果。結(jié)果表明：不安全駕駛行為與危險事故因素的共同作用，將會增加事故嚴重程度。當涉及貨車時，由于未保持安全距離，傷人事故率增加 8.2%;在彎坡組合路段，由于駕駛員判斷失誤，傷人事故率增加 19.6%;在陰雨天行駛時，由于駕駛員判斷失誤，傷人事故率增加 5.4%;由于操作不當，發(fā)生側(cè)翻事故時，傷人事故概率增加 3.1%。
關(guān)鍵詞：交通工程;過境車輛事故嚴重程度;貝葉斯網(wǎng)絡;穿村鎮(zhèn)路段;山區(qū)公路
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。本轄區(qū)境內(nèi)道路上行駛的非本(縣、市、省)籍車輛即為過境車輛，對于駕駛?cè)硕?，即屬于異地行駛[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)。如 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]分析了村鎮(zhèn)道路會車與駕駛員心理變化的關(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。如戢曉峰等[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進行建模，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。如張鐵軍等[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，研究發(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，分析了穿村鎮(zhèn)路段各類安全設施對事故發(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)絡分析以及貝葉斯網(wǎng)絡探討影響過境車輛事故嚴重程度的重要因素。模型構(gòu)建及分析具體包含因素篩選、網(wǎng)絡結(jié)構(gòu)構(gòu)建、網(wǎng)絡參數(shù)學習、結(jié)果驗證和推理分析五個步驟。
1.1 社會網(wǎng)絡分析為對過境車輛事故貝葉斯網(wǎng)絡結(jié)構(gòu)的構(gòu)建做準備，使用社會網(wǎng)絡分析法篩選重要影響因素。社會網(wǎng)絡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，步驟為：步驟一：構(gòu)建共現(xiàn)矩陣。所統(tǒng)計數(shù)據(jù)中的每一行數(shù)據(jù)為一起具體事故的信息，每個字段為儲存事故信息的基本單元。當 個字段在同一事故中同時出現(xiàn)時，則視為共現(xiàn)一次，基于此建立字段間的共現(xiàn)矩陣。
1.2 貝葉斯網(wǎng)絡方法考慮到貝葉斯網(wǎng)絡模型具有強大的不確定問題處理能力，同時在學習和推理中蘊含了網(wǎng)絡節(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)絡模型并進行推理分析。步驟一：因素分類。結(jié)合社會網(wǎng)絡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。
步驟二：網(wǎng)絡結(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)絡網(wǎng)絡結(jié)構(gòu)圖。步驟三：網(wǎng)絡參數(shù)學習?；谑鹿蕯?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。步驟四：推理分析。利用 Natica 軟件完成貝葉斯網(wǎng)絡推理分析。
1.3 數(shù)據(jù)描述本研究以典型的山區(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)絡分析共篩選出 15 個影響因素。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，將車輛類型歸類為三類：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。
3 貝葉斯網(wǎng)絡構(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。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。
3.2 貝葉斯結(jié)構(gòu)學習
基于因素篩選結(jié)果構(gòu)建訓練集以及測試集，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，專家設置中采用 Pearson 卡方檢驗進行獨立測試，顯著性水平設置為 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%。
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)絡參數(shù)學習。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%。
3.4 貝葉斯網(wǎng)絡方法有效性檢驗
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)絡構(gòu)建的推理模型準確率更高。綜上說明，貝葉斯網(wǎng)絡模型學習效果更好，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，本研究利用其對不同證據(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。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。為方便分析，僅分析傷人事故率，推理的數(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。
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)絡分析篩選因素，構(gòu)建了貝葉斯網(wǎng)絡模型和 Logistic 模型。模型比較發(fā)現(xiàn)，貝葉斯網(wǎng)絡模型的預測效果更好，因此用于本研究。由貝葉斯網(wǎng)絡模型推理分析，得出結(jié)論如下。
(1)由貝葉斯網(wǎng)絡圖可知，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)研究中將嘗試分析更多影響因素。
參考文獻：
[1] 張鐵軍, 尹心怡, 肖貴平. 公路穿村鎮(zhèn)路段速度管理設施設置位置研究[J]. 公路, 2017, 62(10): 172 176.[ZHANAG T J, YING X Y, XIAO G P. Study on location of speed management facilities for highway crossingvillages and towns[J]. Highway, 2017, 62(10): 172 176.]
[2] 張學林, 曾建兵. 過境車輛的安全管理[J]. 道路交通管理, 2005(12): 28 29. [ZHANG X L, ZENG J B. Safetymanagement of transit vehicles[J]. Road Traffic Control, 2005(12): 28 29.]
[3] SUSANA G, DIEGO F J, WAFA B, et al. Assessment of the influence of technology based distracted driving ondrivers’ infractions and their subsequent impact on traffic accidents severity[J]. International Journal ofEnvironmental Research and Public Health, 2021, 18(13): 7155
[4] 喬建剛, 吳艷霞, 許軍. 村鎮(zhèn)道路會車特性與駕駛員心生理變化關(guān)系研究[J]. 中國安全科學學報, 2019,29(3): 8 13. [QIAO J G, WU Y X, XU J. Study on relations between village road vehicles meeting characteristicsand driver's psychological physiological state[J]. China Safety Science Journal, 2019, 29(3): 8 13.]
作者：戢曉峰，詹換勤，普永明，覃文文*
相關(guān)閱讀
