交通运输的危险性评估理论与方法

朱金业

【摘 要】本文结合国内外交通运输危险性评估理论的研究现状，总结及介绍现有的交通运输危险性评估方法。同时，本文对现有的交通运输危险性评估方法进行分析优缺点，并以此为基础，结合不同交通方式的特点，分析交通运输危险性评估研究的发展方向。

【关键词】交通运输；危险性；评估方法

0 概述

随着世界经济一体化的发展，人们对交通运输的需求迅速增长，但相应交通辅助设施的缺失使得交通运输的危险性不断上升。为此，长期以来人们对如何确保安全不断进行分析与研究工作。从20 世纪30 年代其， 西方一些国家就开始对交通运输的危险性进行分析。其后，经过数十年的发展，形成了目前的运输危险性评估理论及评估方法体系。

交通运输危险性评估方法主要可以分为两种，即统计法和分析法。统计法是指通过搜集相关的交通运输事故的信息，从而分析某一具体路段、河段、空域、铁路的事故发生概率、死亡人数、财产损失、社会影响等各项事故损失。而分析法主要通过分析一个或一系列事故，对事故的成因或交通运输工具的薄弱点进行分析，从而减少事故发生的概率。[1-2]

1 统计法

1.1 绝对指数法

在计算交通运输事故的损失时，一般将事故损失划分为4个指标，即：交通事故的发生次数、交通事故导致的死亡人数、因交通事故而受伤（可以分轻伤和重伤） 的人数、交通事故导致的直接经济损失（一般按规定折算成相应的货币单位）。[3-4]

因这四项指数相互独立，无参照比较值， 所以称称为绝对指标。对这四项指标进行比较分析的方法称为绝对指标法。

1.2 事故率法

所谓事故率系数是指不同的路段上发生事故的概率。目前常用的有人口事故率、车辆事故率、运行事故率。但人口事故率、车辆事故率都只能反映交通安全的一个侧面，带有片面性。运行事故率相对较为科学，但目前难以及时掌握交通营运量，因此运行事故率难以准确计算。[5]

1.3 事故强度分析法

事故强度分析法是绝对指标法和事故率法的结合。由于绝对指标法只分析4个绝对指标，忽视了交通量、行驶距离等因素。因此，该方法在评价4个绝对指标时加入了对应的参照值，提高其科学性。[6]

1.4 模型法

模型法是目前使用最为广泛的方法之一，早在1949年，伦敦大学R.J，Smeed建立了Smeed模型[7-8]，该模型构建了机动车保有量、人口与道路交通事故死亡人数的关系模型。此后，世界各国建立了各种对交通事故死亡率、交通流量、交通行为等各项交通参数的模型。[9-10]

1.5 小结

在各类統计学方法中，模型法是最有效地表现方式。它能客观的展现各种方法的具体结果，并能够对某一特定区域交通运输的危险性进行预测。同时，利用模型法可以在多种事故成因之间进行横向比较，对事故成因与事故发生概率、事故强度之间的关系进行定性分析。因此，目前人们在对交通运输危险性进行宏观分析时往往使用模型法。

2 分析法

2.1 统计图表分析法

统计图表分析法包括比重图、趋势图、直方图、圆图、排列图等。该方法可以直观的展示各事故成因与事故总量之间的关系，但由于其难以得出精确的结论，一般用于对事故的成因进行定性分析。[11]

2.2 因果分析图

因果分析图也称鱼骨图。交通运输的安全性是交通运输参与者、载运工具、运行路线等多方面因素综合作用的结果。当分析交通事故发生的原因时，利用因果分析图可以将各种可能的事故原因进行归纳分析，用简明的文字和线条表示出来。

利用因果分析图分析交通安全问题，可以使复杂的原因系统化、条块化，并且表示方式直观、逻辑性强、因果关系明确，便于理清问题的主要原因。

但由于因果分析图对事故的原因分析过于详细，一般只适用于对单一事故的分析，无法对多个事故进行统筹分析，得出事故的一般规律。

2.3 事件树分析

事件树分析是从一个初始事件开始，按顺序分析事件发展过程中各个环节成功或失败的过程和结果。它是一种时序逻辑的事故分析方法，它以一个事件为起点，按照事故的发展顺序，分步进行分析，每一事件的后续事件只能取完全对立的两种状态（成功或失败），逐步向结果方面发展，直达达到事故发生或事故不可能发生。（图2）[12]

利用事件树分析可以方便、明确的预测事故及不安全因素，估计事故的可能后果，并寻求预防手段和方法。

但由于事件树分析按时间顺序对事故进行分析，而在实际情况中，不同的成因对事故有同一等级的影响，而事件树分析只能对不同影响等级的成因进行分析。同时，由于事件树分析将成因分为两极点，难以衡量环境等多极化因素对事故的影响。

2.4 事故树分析

事故树分析是一种基于事件树分析的改进方法，该方法把系统可能发生的某种事故与导致事故发生的各种原因之间的逻辑关系用一种类似于事故树的方式进行分析。通过对事故树定性与定量分析，找出事故发生的主要原因，以达到预测与预防事故发生的目的。[13-14]事故树分析法可以围绕特定的事故作层层深入分析，清晰的显示系统各内在事件之间的联系，并指出单元故障与系统事故之间的逻辑关系，便于找出系统的薄弱环节。

事故树分析能够有效的解决事件树分析法中存在的种种问题，但事故树分析主要依靠人对事故进行分析，难以避免人的主观因素的影响。

2.5 故障模式及影响分析

该方法由可靠性工程发展而来，主要分析系统中各子系统及元件可能发生的各种故障模式，查明各种类型故障对邻近子系统或元件的影响及其最终对系统的影响，从而提出预防或改进措施，提高系统的可靠性和安全性。

该方法从载运工具这一要素对交通运输的危险性进行评价，虽然局限性较强，但该方法是评价人、机、环、管中，机械要素最有效的方法。

2.6 危险性预先分析

危险性预先分析是一种定性分析系统危险因素和危险程度的方法。主要用于交通线路、港、站、枢纽等新系统的设计、已有系统的改造方案制定阶段，对系统存在的危险类型、来源、出现条件、事故后果以及有关措施进行分析，提出改进意见。

这也是目前最热门的交通运输危险性评估方法。

2.6.1 主成分分析法

该方法旨在利用降维的思想，把多指标转化为少数几个综合指标（即主成分），其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到的结果更加科学有效的数据信息。[15]

但该方法仅适用于对交通运输的危险性进行初次研究，各个成因对交通运输的危险性任需采用其他方法进行分析。

2.6.2 神经网络法

大量神经元之间的协同作用和通过学习的方法解决问题是人工神经网络的重要特征。人工神经网络是模仿生物神经网络功能所建立的一种经验模型，输入和输出之间的变换关系一般是非线性的。该方法首先根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，并不断进行修正，使输出结果与实际值之间差距不断缩小。（图3）

图3 神经网络结构图

利用神经网络法可以得到一个对某一个或多个事故成因相对精确的预测模型，可以作为对交通环境及管理措施进行改进的依据。同时，神经网络法有很好的适应性，即当样本数据中存在误差时，利用该方法可以消除误差的影响。[16-17]

但神经网络法依然存在一定不足。首先，在利用神经网络的分析事故成因对交通运输危险性的影响时，需要先讲各输入参数数值化，而数值化的往往需要人为确定。其次，神经网络法需要大量的数据作为支撑，只有在数据量足够的情况下，神经网络法才能得到较为准确的结论。[18]

2.6.3 贝叶斯网络

贝叶斯网络可以视作事件树分析法与神经网络的结合，其本质上是基于概率推理的数学模型，通过一些变量的信息来获取其他的概率信息，该方法可以有效解决不定性和不完整性，它对解决复杂系统不确定性和关联性引起的故障有很大的优势。[19]

但是，由于贝叶斯网络是一种概率型数学模型，其初始事件的概率需要人为确定。同时，目前的贝叶斯网络由于计算的复杂性，对事件成因的数量有着严格的要求，在分析事故时有一定的局限性。

2.6.4 层次分析法

该方法是美国运筹学家T.L.Saaty于20世纪70年代中期提出的，是一种将难于定量化的复杂问题，逐层分解为一系列可定量化的简单问题，从而进行较简单求解的数学方法，其核心是各要素間两两对比重要度。

该方法将定性方法与定量方法有机地结合起来，使复杂的系统分解，能将人们的思维过程数学化、系统化。同时，该方法能把多目标、多准则又难以全部量化处理的决策问题化为多层次单目标问题，通过两两比较确定同一层次元素相对上一层次元素的数量关系后，最后进行简单的数学运算。所得结果简单明确，易于了解。[20-21]

但该方法完全依赖个人经验，不同人群对同一个系统可能会产生较大的偏差。同时，该方法只能得出定性的结论，不能得到定量的结果。

2.6.5 模糊理论

该方法是借助模糊数学的一些概念，对实际的综合评价问题提供一些评价的方法。具体地说，模糊综合评价就是以模糊数学为基础，应用模糊关系合成的原理，将一些边界不清、不易定量的因素定量化，从多个因素对被评价事物隶属等级状况进行综合性评价。最终根据所给的条件，给每个对象赋予一个非负实数评判指标。[22]

该方法可以较为贴切的描述人类的思维习惯，可以完美的展现人们对某一事故成因与事故之间的居提联系。但该方法任不能脱离人为因素的干扰，由于不同人的思考方式不同，得出的结论也会不同。

2.6.6 灰色理论

灰色系统理论是我国著名学者邓聚龙教授于1982年提出的。它的研究对象是“部分信息已知，部分信息未知”的“贫信息”不确定性系统，它通过对部分已知信息的生成、开发实现对现实世界的确切描述和认识。其基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密，曲线越接近，相应序列之间的关联度就越大，反之就越小。[23]

利用该方法的最大优点是对数据的要求相对较弱，同时能去除交通环境中的某些随机、弱相关因素。但该方法计算相对复杂，当变量超过一定个数时，计算量十分巨大。

2.6.7 数据包络法

该方法是著名运筹学家A.Charnes和W.W.Copper等学者以“相对效率”概念为基础，根据多指标投入和多指标产出对相同类型的单位，进行相对有效性或效益评价的一种新的系统分析方法。它是处理多目标决策问题的方法。[24]

在减少交通运输危险性时，为了使改进过程具有较好的效益，一般会使用这种方法。一般而言，改善效益最高的危险成因即主要危险源。

但利用该方法进行评价时，有时会出现两种方法效果较近的结果，此时需要根据相关专家的经验对其进行排序。

3 小结

本文总结了目前使用的大多数交通运输危险性评估方法。但在实际应用中由于不同交通运输方式的特点不同，其所对应的评估方式也各有不同。

对于公路交通而言，其交通量较大，交通冲突十分明显，交通事故的发生十分频繁。因此，在分析公路交通危险性时，上述方法几乎完全适用。也正是因为公路交通的危险性分析理论和方式较为完善，目前主流的研究方向为具体分析某一特定的公路交通因素对公路交通危险性的影响。[25]

管道运输、铁路运输[26]、航空运输[27]相对交通量较少，仅在某些特殊节点上存在交通冲突，而这种冲突可以依靠合理的管理手段消除，因此对这三类交通运输方式进行危险性分析时，往往会对具体事故的成因进行分析。因此，故障树分析、模糊理论、故障模式及影响分析等方式常用于这三类交通方式。

水上运输最为特殊，首先，在内河及各个主要航路上，交通流十分庞大，交通冲突十分平凡；然而由于船舶及船载货物的价值相对较大，各管理阶层对水上交通管理十分重视，因此水上交通事故的发生概率较低。因此，目前在分析水上交通危险时陷入了一个两难的境地。如果只对单一事故进行分析，就难以得出事故发生于演化的规律；而对事故进行统筹分析，则缺少足够的数据支持。虽然利用多年数据可以对事故进行统筹分析，但不同年份的管理、环境、船舶条件相差巨大，进行统筹分析时需要较为复杂的预先处理工作。因此，目前水上交通危险评价的主要研究方向，并非对事故本身或者事故演化规律进行研究，而应寻找一种适用于水上交通环境的评价方式。

【参考文献】

[1]S Oppe. Development of traffic and traffic safety： Global trends and incidental fluctuations [J].Accident Analysis & Prevention， 1991， 23（23）：413-22.

[2]马社强. 区域道路交通安全评价的理论与方法[D]. 北京交通大学， 2012.

[3]Minderhoud M M， Bovy P H L. Extended time-to-collision measures for road traffic safety assessment[J]. Accident Analysis & Prevention， 2001，33（1）：89-97.

[4]INCIDENT MANAGEMENT ： SUCCESSFUL PRACTICES：A CROSS-CUTTING STUDY：IMPROVING MOBILITY AND SAVING LIVES[J].2000.（下轉第134页）

（上接第155页）

[5]Tiwari G，Mohan D， Fazio J. Conflict analysis for prediction of fatal crash locations in mixed traffic streams[J]. Accident Analysis & Prevention， 1998， 30（2）：207-215.

[6]Traynor T L. The impact of state level behavioral regulations on traffic fatality rates.[J]. Journal of Safety Research， 2009， 40（6）：421-6.

[7]Akgüng r A P， Doan E. An application of modified Smeed， adapted Andreassen and artificial neural network accident models to three metropolitan cities of Turkey[J]. Scientific Research & Essays， 2009， 4（9）：906-913.

[8]贾守镇， 李兆鹏， 陈思源，等. 关于 Smeed 模型的适用性探讨[J]. 长安大学学报：自然科学版， 1998（S1）：136-139.

[9]Abbas K A. Traffic safety assessment and development of predictive models for accidents on rural roads in Egypt[J]. Accident Analysis & Prevention， 2004， 36（2）：149-63.

[10]Cova T J， Johnson J P. A network flow model for lane-based evacuation routing[J]. Transportation Research Part A Policy & Practice， 2003， 37（7）：579-604.

[11]Al-Ghamdi A S. Analysis of traffic accidents at urban intersections in Riyadh[J]. Accident； analysis and prevention， 2003， 35（5）：717-24.

[12]Laureshyn A， se Svensson， Hydén C. Evaluation of traffic safety， based on micro-level behavioural data： Theoretical framework and first implementation[J]. Accident； analysis and prevention， 2010， 42（6）：1637-46.

[13]Abellán J， López G， O a J D. Analysis of traffic accident severity using Decision Rules via Decision Trees[J]. Expert Systems with Applications， 2013， 40（15）：6047-6054.

[14]Liu P， Yang L， Gao Z， et al. Fault tree analysis combined with quantitative analysis for high-speed railway accidents[J]. Safety Science， 2015， 79：344-357.

[15]Saha P， Roy N， Mukherjee D， et al. Application of Principal Component Analysis for Outlier Detection in Heterogeneous Traffic Data [J]. Procedia Computer Science， 2016， 83：107-114.

[16]Gastaldi M， Gecchele G， Rossi R. Estimation of Annual Average Daily Traffic from one-week traffic counts. A combined ANN-Fuzzy approach[J]. Transportation Research Part C Emerging Technologies， 2014， 47， part 1：86-99.

[17]邓宝， 宋瑞. 基于BP神经网络的安全评价方法研究[J]. 安全与环境工程， 2005， 12（2）：61-64.

[18]Tan G Z， Deng Q Q， Tian Z， et al. A Dish Parallel BP for Traffic Flow Forecasting[C]// International Conference on Computational Intelligence and Security. 2007：546-549.

[19]Persaud B， Lan B， Lyon C， et al. Comparison of empirical Bayes and full Bayes approaches for before–after road safety evaluations[J]. Accident； analysis and prevention， 2010， 42（1）：38-43.

[20]Xi J， Zhao Z， Li W， et al. A Traffic Accident Causation Analysis Method Based on AHP-Apriori[J]. Procedia Engineering， 2016， 137：680-687.

[21]宋祥波， 肖貴平， 贾明涛. 基于层次分析法的机车行车安全评价研究[J]. 中国安全生产科学技术， 2006， 2（6）：86-89.

[22]Lower M， Magott J， Skorupski J. Analysis of Air Traffic Incidents using event trees with fuzzy probabilities[J]. Fuzzy Sets & Systems， 2016， 293：50-79.

[23]Anton Bezuglov， Gurcan Comert. Short-term freeway traffic parameter prediction： Application of grey system theory models[J]. Expert Systems with Applications， 2016：284–292.

[24]Shen Y， Hermans E， Brijs T， et al. Road safety risk evaluation and target setting using data envelopment analysis and its extensions.[J]. Accident； analysis and prevention， 2012， 48（48）：430-41.

[25]Lund I O， Rundmo T. Cross-cultural comparisons of traffic safety， risk perception， attitudes and behaviour[J]. Safety Science， 2009， 47（4）：547-553.

[26]Bubbico R， Maschio G， Mazzarotta B， et al. Risk management of road and rail transport of hazardous materials in Sicily[J]. Journal of Loss Prevention in the Process Industries， 2006， 19（1）：32-38.

[27]Alam S， Lokan C， Aldis G， et al. Systemic identification of airspace collision risk tipping points using an evolutionary multi-objective scenario-based methodology[J]. Transportation Research Part C Emerging Technologies， 2013， 35（9）：57-84.

[责任编辑：朱丽娜]