基于聚类分析的高速公路事故黑点鉴别及成因分析研究

王 健，卢锡凤

(哈尔滨工业大学 交通科学与工程学院， 哈尔滨 150090)



基于聚类分析的高速公路事故黑点鉴别及成因分析研究

王 健，卢锡凤

(哈尔滨工业大学 交通科学与工程学院， 哈尔滨 150090)

为了提高事故黑点鉴别的客观性、公正性及识别水平，提出基于灰色聚类评价的事故黑点鉴别方法，并结合聚类因子法识别事故黑点诱发因素。该方法是将聚类思想应用于事故黑点鉴别及成因分析的全过程，可实现对不同层次事故黑点的分级管理。经鉴别，可将评价路段单元分为正常路段、一般路段及事故黑点3类，从而将道路几何条件、交通条件、环境特性属性相似的事故黑点聚为一类进行事故成因分析。依托长余高速公路的交通事故数据进行实例分析，确定上下行事故黑点数，并对其进行成因分析，且将基于聚类分析得到的事故黑点及其成因与实际考察得到的事故黑点及其成因进行对比分析。结果表明：基于聚类分析得到的事故黑点与实际路段事故黑点基本吻合，采用基于聚类分析预测事故黑点是可靠的。

交通安全；事故黑点；黑点鉴别；成因分析；聚类分析

交通安全是近年来随着社会进步影响世界各国可持续发展的重要问题之一。在葡萄牙举办的第16届国际道路会议报告指出，事故黑点一般仅占道路线网总长的0.25%，事故数却占事故总数的25%[1]。因此，有效鉴别交通事故黑点并对其成因进行分析以降低道路交通事故率、预防交通事故的发生，从而改善道路安全状况是非常必要的。

确定事故黑点是改善交通安全状况的第一步。各国鉴别事故黑点采用的方法不一，最早、用得最多且最为简单的鉴别道路交通事故黑点方法有事故数法、当量事故次数法、质量控制法、临界率法、矩阵法等。随着对道路交通安全问题研究的不断深入及分析技术的发展，事故黑点判断方法也不断得到改进。在国外，Y S Murat[2]在考虑事故类型和事故发生影响因素(几何、物理条件，交通量，平均速度，事故率等)基础上，使用熵方法测定事故黑点的交通安全水平；A Gregoriades[3]提出了基于事故风险指数的贝叶斯网络事故黑点鉴别方法；D O Judan等人[4]基于事故数据差异性的考虑，使用潜类聚类与贝叶斯网络相结合的方法分析公路交通事故黑点。在国内，孟祥海等人[5]建立了基于3层BP神经网络的城市干道路段事故多发点鉴别模型，并将常规鉴别方法不易识别出的多发点鉴别出来；王龙健[6]利用累计频率曲线法对不同单位取样长度下道路事故多发点进行鉴别，鉴别精度随单位取样长度的减小而提高；王海[7]提出了改进的点缓冲区分析方法，采取“变长半径的点缓冲区分析”和“叠置分析”相结合的方法进行事故多发点鉴别。

目前，对公路交通事故黑点的鉴别国内外已经做过很多研究，但交通冲突及仿真法的理论及实际应用还不成熟，故实际工程应用中，依据历史事故资料进行事故黑点鉴别其效果更为客观、更好。虽然文献[4]-[6]的方法鉴别精度更高，可以从不同视角来鉴别事故黑点，但事故记录的不完全性会导致分析所用的数据库不能反映实际交通安全状况，甚至某些分析所需数据完全没有记录，加之事故发生的稀少性、随机性都会影响鉴别结果的精准性，从而导致鉴别方法在实际项目中实用性较差。

基于此，不同于其它研究将事故黑点鉴别及成因分析割裂开，即采用不同的方法鉴别分析，本文提出将事故黑点鉴别及成因分析作为一个整体，基于历史事故数据将聚类思想应用于整个分析过程，实现对不同层次事故黑点的分级管理。事故黑点鉴别采用灰色聚类评价法，事故黑点成因分析采用聚类因子法。灰色聚类评价法[8]可对已知数据信息进行扩展延伸，将不同安全水平的路段划分在不同等级的灰域里，从而可弥补事故数据本身缺陷带来的不精准性。另外，聚类评价可移植性好，不仅可以评价绝对指标、相对指标，而且在事故数据资料可获取的前提下还可替换成其它评价指标体系。聚类因子法[9]是基于对事故多发点进行逐类分析的考虑。以往的分析方法在寻找某条道路事故多发点的成因时，需要对事故多发点进行逐个分析，过程较繁琐，而聚类因子法可以同时找出某些具有相似特性的事故多发点的形成原因，从而可以大大提高交通管理部门的工作效率。

1 基于聚类分析的事故黑点鉴别及成因分析

将聚类思想应用于整个鉴别及成因分析过程，可为交通事故黑点排查和整治提供新思路，尤其在资金不足情况下，可以优先改善事故黑点。灰色聚类评价法(步骤1～5)将评价路段单元分为事故黑点、事故次黑点(一般路段)及正常路段进行事故黑点鉴别，聚类因子法(步骤6～7)将道路几何条件、交通条件、环境特性属性相似的事故黑点聚为一类进行事故成因分析[10-11]，这有助于更好地挖掘事故成因内在机理。基于聚类分析的事故黑点鉴别及成因分析过程具体实施步骤如下。

步骤1：明确聚类对象n，评价指标m以及灰类数s。

评价时，将某条道路划分成等长的n段小单元(通常以0.5～3 km为单位)，即聚类对象个数为n，代表被划分道路的n段。评价指标可以选定为交通事故的4项绝对指标(事故次数、受伤人数、死亡人数、经济财产损失)，也可以选取相对指标(亿车公里事故数、亿车公里受伤人数、亿车公里死亡人数)。灰色聚类评价法的评价等级s拟定3个灰类，即s=3，分别为正常路段、一般路段(事故次黑点)、事故黑点。

步骤2：将评价指标进行无量纲处理，确定灰类特征值。

(1)

式中：dij为聚类对象i事故评价指标j无量纲化处理后的值，i=1,2,…,n，j=1,2,…,m。

步骤3：确定评价指标灰类的白化权函数。

评价指标灰类分别属正常路段、一般路段、事故黑点的白化权函数，如图1、公式(2)～(4)所示。

图1 不同灰类所属白化权函数

(2)

(3)

(4)

步骤4：确定不同灰类的聚类权值系数。

(5)

步骤5：求各分段单元关于每种灰类的聚类值，从而鉴别事故黑点。

(6)

步骤6：选出m个影响因素来描述交通事故黑点的交通环境特性，选取事故黑点各影响因素的特征取值后，采用系统聚类方法对事故黑点进行归类。令第i个事故黑点X(i)(i=1,…,N)的第t(t=1,…,m)个影响因素的特征值为(δi(t,1),δi(t,2),…,δi(t,rt))，其中：

以“欧氏距离”dij定义2个事故黑点X(i)和X(j)间的距离：

(7)

式中：rt为第t个影响因素的个数。

(8)

(9)

2 实例分析

2.1 数据来源

本文分析数据均来源于吉林省交通厅科技项目“寒冷地区高速公路交通安全评估与提升技术研究”中京哈高速公路长春至扶余段(简称长余高速公路)。本文收集到了长余高速公路K993+484～K1137+000段的几何线形、年平均日交通量及2010—2012年发生的交通事故数据。经统计，2010—2012年长余高速公路共发生交通事故151起，死亡人数70人，受伤人数182人(不含路政数据)。2010—2012年长余高速公路事故点分布如图1所示。由图1可以看出，事故点很多，高速公路管理局的有效记录并不完全。本文应用灰色聚类评价法鉴别长余高速公路的事故黑点，并得到优先改善事故黑点的排序。

图1 2010—2012年长余高速公路事故分布示意

2.2 长余高速公路事故黑点鉴别

1) 划分路段单元及事故指标的无量纲化。

以1 km为单位进行路段单元划分，采用交通事故的4项绝对指标(交通事故的发生次数、死亡人数、受伤人数以及直接经济损失)为评价指标，4项绝对指标是异量纲的且直接经济损失与交通事故的发生次数、死亡人数及受伤人数的数值差异较大，因此有必要对指标数据进行无量纲化处理。

2) 确定4项绝对指标属于不同灰类的白化权函数。

将长余高速公路灰色聚类评价等级分为3个灰类，分别为正常路段、一般路段(事故次黑点)、事故黑点。将4项绝对指标的实际数据进行无量纲化处理后分析数据的累计百分频率，并选取30%、50%、70%累计百分频率特征点来确定正常、一般路段、事故黑点。

以事故次数指标为例，对事故次数指标分别属于3个不同灰类特征值的计算过程进行阐述。首先绘制其累计频率曲线并求出特征值，然后观察事故次数指标数据，总结事故次数的分布特征呈反J型分布。以0.1为组距进行分组，根据拟合累计百分频率曲线来确定特征点值，分别对应事故黑点、一般路段、正常路段，同理可计算其余指标特征值。

3) 确定4项绝对指标属于不同灰类时的聚类系数。

由公式(6)可计算得到各灰类的聚类系数：

4) 确定各路段评价单元所属灰类。

以分段单元i=1为例，计算路段单元1分别属于不同灰类时的聚类值，进而确定路段单元1所属灰类。由公式(7)可知，当i=1时，则有

5) 长余高速公路事故黑点鉴别结果。

本文对长余高速公路事故黑点鉴别结果进行了整理，并依据交通事故的发生机理，将处于相邻路段的事故多发点进行合并，如表1所示。

2.3 长余高速公路聚类因子成因分析

根据高速公路管理局2010—2012年长余高速公路的交通事故数据以及现场勘查资料，选取长余高速公路事故黑点的道路线形、坡度、横向干扰、照明条件、路表情况、安全设施设置、能见度、事故类型比例8个影响因素来描述事故黑点的交通环境特性。其中，能见度这一影响因素是反映大气透明度的一个指标，当出现雨、雾、霾、沙尘暴等天气时能见度较差。而夜间能见度则是把夜间的总照明情况假设调至白天水平，可以辨认适当大小物体的最大水平距离，因而能见度和照明条件这2项影响因素并不互相冲突。对描述事故黑点的8个影响因素分别取特征值，进而确定各事故黑点的属性，对于属性分项“是”的取值为1，“否”的取值为0。对表1中20个事故黑点按上下行顺序重新编号，根据公式7计算事故黑点间的欧式距离，并对20个事故黑点进行聚类，聚类谱系如图2所示。

表1 事故黑点鉴别结果一览

图2 长余高速公路事故黑点聚类谱系示意

聚类后将20个事故黑点归并为3类，即第1类事故黑点集合C1={1,2,3,4,5,9,13,15,16,18,20}，第2类事故黑点集合C2={17}，第3类事故黑点集合C3={6,7,8,10,11,12,15,19}。 首先分析C1的成因，根据长余高速公路2010—2012年事故数据中所记录的事故认定原因，找出能够涵盖第1类事故黑点的事故成因。经统计，共找出6类主要成因及每种成因引发的事故次数，如表2所示。

选取公共因子的个数为h，满足(λ1+λ2+…λh)/p≥0.70的最小正整数为2，公共因子特征值及其相应的特征向量计算可得公共因子载荷矩阵，如表3所示。

表2 长余高速公路第1类事故黑点各成因引发事故次数

由表3可知，长余高速公路第1类事故黑点的主要成因为超速50%以下及有妨碍安全行车行为。同理，可分析其余2类事故黑点成因。此外，根据图2可知，编号17事故黑点自成一类，即C2。单独剖析其成因，发现该路段位于长大下坡路段并伴随着平曲线转弯，而连续下坡加弯道会导致车辆长时间承受侧向力，可能致使车辆发生侧翻和碰撞护栏事故。该路段处标志标线(包括出口预告标志、限速标志、入口合流标志和渠化标线)基本合理，但在出口处道路外侧有约70 m的路侧护栏缺失，故补全护栏便可以提升该处道路安全等级。

2.4 结果分析

由上述鉴别和分析可知：

1) 灰色聚类评价可以确定长余高速公路各路段的优先改善顺序，即事故黑点>一般路段(事故次黑点)>正常路段。实例分析表明长余高速上行方向有11个事故黑点，下行方向有9个事故黑点。经现场调查并与交通管理部门交流、沟通，逐一排查，最终确定长余高速公路上行方向实际上有10个事故黑点，下行方向有8个事故黑点，可见灰色聚类评价的实际应用效果较好。

表3 主成分(公共因子)载荷矩阵

注：1、2代表公共因子。

2) 聚类因子法是基于对事故黑点进行逐类分析的考虑，该方法可以同时找出某些具有相似特性的事故多发点的形成原因，并可以简化分析过程。根据实例中第1类事故黑点的主要成因，对C1进行现场勘查，如考察常规的限速标志、震动减速标线、护栏、路面情况等，是否需要增设可变情报板等，以便能结合成因分析结果及现场勘查资料采取相应的工程安全措施。

3) 基于聚类分析的高速公路事故黑点鉴别及成因分析是将聚类思想应用于事故黑点鉴别及成因分析的全过程，并应用实际统计的历史事故数据进行层层聚类分析，以得到事故黑点的改善排序及成因分类分析。本文依托长余高速公路事故数据进行实例分析应用，结果基本符合项目实际情况，从而使交通管理部门能够有层次地分类采取相应的交通安全改善措施，也可对不同事故黑点进行分级管理，简化管理程序并提高效率。

3 结束语

本文提出将事故黑点鉴别及成因分析作为一个整体，将聚类思想应用于整个分析过程，以实现对不同层次事故黑点的分级管理，提高交通管理部门的工作效率。本文依托长余高速公路的交通事故数据进行了实例分析，采用灰色聚类评价方法分析并确定长余高速公路上行方向有11个事故黑点，下行方向有9个事故黑点，并采用聚类因子法对20个事故黑点进行了成因分析，且将事故黑点依据成因聚类为3大类。经现场调查及与交通管理部门的交流、沟通，逐一排查，最终确定长余高速公路上行方向实际上有10个事故黑点，下行方向有8个事故黑点，且成因分析得到的结果基本与实际勘查情况相吻合，表明实际应用中该方法具有较好的应用效果。此外，本文实例分析是根据交通事故数据4项绝对指标进行的，在数据可获取的前提下，可将其替换为相对指标进行分析，从而不仅可以提高鉴别精度，而且还能克服未考虑指标关联性的不足。

[1] 张殿业，方守恩.道路交通事故与黑点分析[M].北京：人民交通出版社，2005.

[2] MURAT Y S. An entropy (shannon) based traffic safety level determination approach for blackspots[J]. Procedia-Social and Behavioral Sciences，2011，20：786-795.

[3] GREGORIADES A，MOUSKOS K C. Black spots identification through a Bayesian Networks quantification of accident risk index[J].Transportation Research(Part C)：emerging technologies，2013，28：28-43.

[4] DE OA J，LóPEZ G，MUJALLI R，et al. Analysis of traffic accidents on rural highways using latent class clustering and bayesian networks[J]. Accident Analysis & Prevention， 2013，51：1-10.

[5] 孟祥海，盛洪飞，陈天恩.事故多发点鉴别本质及基于BP神经网络的鉴别方法研究[J].公路交通科技，2008，25(3)：124-129.

[6] 王龙健，成嘉琪.累计频率法鉴别道路事故多发点中单位取样长度的限定[J].公路与汽运，2015(5): 36- 39.

[7] 王 海，李瑞敏.缓冲区分析方法在事故多发点鉴别的应用研究[J].公路工程，2016，41(1)：103-107.

[8] 邓聚龙.灰色系统基本方法[M].武汉：华中理工大学出版社，2005.

[9] 刘兆峰.公路交通事故多发点成因分析及技术对策研究[D].哈尔滨：哈尔滨工业大学，2007.

[10]姚智胜，邵春福，龙德璐.基于粗糙集理论的路段交通事故多发点成因分析[J].中国安全科学学报，2005，15(12)：107-101.

[11]陈松灵，陈 飞.基于系统论的道路事故多点成因分析[J].交通与安全，2008，3(1)：97-100.

[12]过秀成，盛玉刚.公路交通事故黑点分析技术[M].南京：东南大学出版社，2009.

[13]孙连超，邵毅明，颜雪丽，等.基于TCT的公路交通事故黑点鉴别方法研究[J].重庆交通大学学报(自然科学版)，2012，31(1)：63-67.

Highway Black Spot Verification and Cause Analysis Based on Cluster Analysis

WANG Jian, LU Xifeng

In order to improve objectiveness, fairness and verification level of accident black spots, this paper suggests accident black spot verification method based on grey cluster analysis, with which, we can verify inducing factors for accident black spots. This method is the full process that applies cluster idea in accident black spots verification and cause analysis, it may realize grade management to different levels of accident black spots. In experience, we classify evaluated road segment into normal road, general road and accident black spot, so in accident cause analysis, we credit accident black spots with similar geological conditions, traffic conditions and ambient conditions into one category. We use traffic accident data from Changchun-Fuyu Highway for case analysis, we determine accident black spots numbers bidirectional and carry out cause analysis, and compare the accident black spots based on cluster analysis and their theoretical cause with actual accident black spots and cause. Results show that the accident black spots based on cluster analysis and their theoretical cause match with actual accident black spots, it is reliable to foresee accident black spots with cluster analysis.

Traffic safety; accident black spot; black spot verification; cause analysis; cluster analysis

10.13607/j.cnki.gljt.2016.05.026

吉林省交通厅科技项目(MJ20120006)

2016-04-26

王 健(1974-)，男，安徽省砀山县人，博士，教授。

1009-6477(2016)05-0114-06

U412.36+6

A