基于SNA的重特大道路交通事故风险指标体系构建*

宋英华 ，田 丽 ，吕 伟 ，霍非舟

(1.武汉理工大学 中国应急管理研究中心，湖北 武汉 430070；2.武汉理工大学 安全科学与应急管理学院，湖北 武汉 430070)

0 引言

道路交通事故严重威胁社会发展，尤其是重特大道路交通事故，影响极为恶劣。为实现《道路交通安全“十三五”规划》中提出的重特大道路交通事故稳中有降的目标[1]，深入探索并揭示重特大道路交通事故的原因特征，建立其风险指标体系，对重特大道路交通事故的预防和遏制具有重要意义。

目前学者们对道路交通事故的研究主要集中在事故特征、影响因素、事故机理和事故风险等方面。马兆有等[2]在分析90起发生在某条多车道的交通事故时发现，多车道高速公路的第1和第4车道为事故高发车道；高岩等[3]在研究1994—2013年的高速公路交通事故时发现，交通事故起数随驾驶人驾龄增加而逐渐下降；Nangana等[4]通过访谈和调查问卷的形式获取连续1个月的道路交通事故相关数据，结果表明超速行驶、分心驾驶、超车、粗心驾驶/冒险机动和酒驾是造成卢本巴希道路交通事故的主要原因；Rovšek 等[5]运用分类和回归树算法，证实斯洛文尼亚道路上的交通事故和伤害是由多种因素造成的，其中最重要的是人为失误；衡威威等[6]建立燕尾突变模型，对一起客运车辆交通事故的发生机理进行了分析；刘志强等[7]使用贝叶斯网模型，得到雾霾天气下高速公路上的道路交通事故发生机理；黄合来等[8]用事故预测建模的方法，提出了危化品运输风险识别模型和风险值评价模型；Waizman等[9]用基于代理的动态仿真模型SAFEPED进行模拟仿真，根据生成的R-RR图提取重要的交通风险指标；Liu等[10]参考已有研究，提出了反映交通事故概率、交通事故严重程度和交通事故趋势的9项指标，用灰色关联分析法和模糊综合评价法对交通事故进行风险评估；王恩达等[11]采用语义分析法识别风险因素，从违法及错误驾驶行为、违法行车风险、突发意外事件风险、不利外界环境风险4个方面建立风险指标体系；胡思涛等[12]考虑不同路段和交通环境情况，建立了农村公路典型路段风险评价指标体系。

已有研究在构建指标体系时多采用定性方法，对原因间关系的研究多采用关联规则[13-15]方法，对管理方面的原因难以量化分析。然而，综合考虑各种原因因素，建立一个科学有效的道路交通事故风险指标体系，是评估道路交通安全的关键所在。本文从重特大道路交通事故调查报告中提取数据，基于SNA思想，分析原因间的关系特征，构建定性和定量方法相结合的重特大道路交通事故风险指标体系，然后通过实例分析验证指标体系的合理性，以期为重特大道路交通事故的防范提供参考。

1 数据收集与处理

1.1 数据收集

以重特大道路交通事故为研究对象，通过原安全生产监督管理部门网站(总局以及各省市安监局网站)收集了2010—2018年的100起重特大道路交通事故调查报告，剔除5份对原因描述过于简略的调查报告，最后样本量为95份。

1.2 数据处理

首先，从报告中提取涉及事故直接原因、间接原因、死亡人数、受伤人数、直接经济损失和事故形态的文本内容；然后，将从所有样本中提取出的原因信息进行分类、归纳、合并，如表1所示。从95个样本中提取的原因信息可分类归纳为道路环境(D1)、车辆(D2)、人(D3)和管理(D4)4类，R1～R49共计49种原因；构建维度为95×49的矩阵，若导致事故i发生的原因有j(i取1～95，j取1～49)，则矩阵元素M(i,j)取值1，否则取值0。为深入分析各事故原因间的关联关系，进一步构建原因邻接矩阵N，设MT为矩阵M的转置，那么N=MTM。

表1 重特大道路交通事故原因集Table 1 Causes sets of major road traffic accidents

2 重特大道路交通事故原因特征分析

2.1 关键原因分析

用社会网络分析软件UCINET[16]可将原因邻接矩阵可视化，下文将此原因网络统称为主网络。社会网络分析(SNA)中，“中心性”可以用于衡量个人或组织在网络结构中的位置优越性和特权性，而节点的“中心性”指标又可用“点度中心度”来衡量。“点度中心度”包括“绝对点度中心度”和“相对点度中心度”2种，前者是指与该点直接相连的节点的数量(用CAD表示)，后者是指“绝对点度中心度”和图中节点的最大可能的度数之比(用CRD表示)，“相对点度中心度”的数学表达式为[17]：

(1)

式中：n为网络节点总数，本文采用的中心性指标是“相对点度中心度”。

在重特大道路交通事故原因分析中，“相对点度中心度”越大的点表示该原因越容易与其他原因组合共同导致事故的发生，居于网络的中心，风险性越大。计算主网络中各节点的“相对点度中心度”，如表2所示，表中列出了“相对点度中心度”排列前15位的原因，其中，管理方面的原因有8个，人方面的原因有4个，道路环境方面的原因有2个，车辆方面的原因有1个，分别占比53%，27%，13%和7%。R49，R40有最高的“相对点度中心度”，表明二者最容易和其他原因组合起来导致事故的发生，并且其都是管理方面的原因，说明管理方面的原因在导致重特大交通事故的发生中起着关键作用。

表2 主网络中部分原因的中心性指标Table 2 Centrality indexes of partial causes in main network

2.2 不同事故形态下的关键原因分析

根据事故发生后的形态，道路交通事故可分为6种类型[18]：碰撞型、刮擦型、翻坠型、火灾型、碾压型、其他型。本文涉及的95起重特大道路交通事故事故形态类型为：碰撞类54起，翻坠类38起，火灾类2起，爆炸类1起。碰撞型事故和翻坠型事故这2类事故占事故总数的96.8%，因此可从主网络中提取碰撞类子网络和翻坠类子网络进行针对性分析。

对碰撞类子网络进行中心性分析可知，管理方面的原因有8个，人方面的原因有5个，道路环境方面的原因有1个，车辆方面的原因有1个，分别占比53%，33%，7%和7%，如表3所示。与主网络相比，碰撞类子网络中列出的前15个原因中，有14个原因与主网络完全一致，这也符合碰撞型事故在所有事故形态中占的比例最高的客观实际；对翻坠类子网络进行中心性分析可知，管理方面的原因有7个，人方面的原因有3个，道路环境方面的原因有4个，车辆方面的原因有1个，分别占比47%，20%，26%和7%，如表3所示。与主网络相比，翻坠类子网络中列出的前15个原因中，有12个原因与主网络一致，在道路环境因素中，新增了安全防护栏缺失/不合格、长坡多弯路段和陡坡急弯路段3个原因，说明翻坠类子网络更容易受到道路环境因素的影响。这也就提醒驾驶者，在一些地势恶劣、安全保障状况不良的地段更要提高警惕，谨防事故发生。

2.3 事故原因组合分析

从主网络邻接矩阵中找到具有最大权重的“2原因组合”，当这些原因共同出现时应该提高警惕、预防事故的发生。以下特别分析位于前4位的“2原因组合”：

表3 碰撞类子网络和翻坠类子网络部分原因的中心性指标Table 3 Centrality indexes of partial causes in collision and falling sub-network

1)安全教育培训不到位R40和监督检查不力R49，这对原因对58起事故做出了“贡献”。对于从事危险性工作的人群，如果不进行充分的教育培训，后果将不堪设想。道路运输相关部门、公安部门和政府在监督检查方面存在失职，未起到监督纠正的作用。

2)未采取安全措施/安全措施不当R32和监督检查不力R49，这对原因对49起事故做出了“贡献”。对于突发险情的处理能力能反映出驾驶员的专业素养。从调查报告来看，一些驾驶员在事发前处于过度疲劳状态，导致在险情出现时完全没有察觉，最终酿成事故。还有一些驾驶员由于专业技能的缺乏，导致在险情来临时没有做出恰当的安全措施，最终无法制止事故的发生。

3)违法问题查处不力R48和监督检查不力R49，这对原因对48起事故做出了“贡献”。道路运输部门、公安部门和政府在违法问题的查处方面存在薄弱环节，需进一步加强执法力度。

4)超载R22和监督检查不力R49，这对原因对47起事故做出了“贡献”。它突出了超载和监督检查不力的相互作用。为使利益最大化，超载是企业和驾驶员普遍采取的手段。可以这样解释，因为相关部门在监督检查方面存在一定漏洞，使得驾驶员更容易忽视法律法规，致使超载现象严重。

3 重特大道路交通事故风险指标体系的构建

本文从调查报告中提取的原因有49个，涉及数量较多，因此将2.1节中各原因的中心性指标数据按降序排列，做原因“相对点度中心度”的帕累托曲线，如图1所示。用累计频率大于90%的标准来筛选原因，进一步筛选出25个原因作为二级指标，构建重特大道路交通事故风险指标体系，具体指标体系如图2所示。

图1 原因相对点度中心度的帕累托图曲线Fig.1 Pareto chart of relative point centrality of causes

图2 重特大道路交通事故风险指标体系Fig.2 Risk index system of major road traffic accidents

4 实例分析

利用主网络的中心性指标数据来衡量风险，将“相对点度中心度”归一化作为权重并排序，如表4所示，可知4个一级指标的重要性依次为w(D4)>w(D3)>w(D1)>w(D2)，管理方面的原因占据最大的比重，其次是人、道路环境和车辆。在一级指标发生的情况下，用相对应二级指标发生的概率来表示二级指标权重。将一级指标下相对应的原因权重归一化，可得表5。

表4 一级指标权重Table 4 Weights of first-level indexes

表5 二级指标权重Table 5 Weights of second-level indexes

由概率计算公式可得一起道路交通事故的风险概率公式：

P=∑xi×yj

(2)

式中：xi表示二级指标权重；yj表示一起事故中每个二级指标相对应的一级指标的权重；具体取值参见表4和表5。

道路交通事故后果可用事故经济损失来衡量。借鉴危险源经济损失计算模型[19]，考虑死亡人数、受伤人数和直接经济损失，可得出道路交通事故经济损失计算模型：

L=LPD×NPD+LPI×NPI+LE

(3)

式中：NPD表示事故死亡人数，人；NPI表示事故受伤人数，人；LPD表示人员死亡转化为经济损失，万元；LPI表示人员受伤转化为经济损失，万元；LE表示直接经济损失，万元。

本文按照全国2013年的国家统计局数据[20]进行计算。在不考虑死亡人员/受伤人员年龄及具体身份的前提下，LPD取城镇居民人均可支配收入和农村居民人均纯收入的均值的20倍计算，结果为35.851万元。在处理交通事故时，取伤残等级的平均值5级，LPI=0.5LPD，LPI取值为17.925 5万元。

从2010—2018的95份调查报告中随机抽取10份，原因分布如表6所示。计算风险概率和经济损失，并用散点图来直观显示，如图3所示，风险概率和经济损失之间存在正相关关系，即风险概率和事故后果之间有正相关关系。风险概率越大，事故后果越严重；风险概率越小，事故后果相应减小。这验证了该指标体系的合理性，因此可用此风险指标体系对重特大道路交通事故进行风险评价。

表6 10起重特大道路交通事故原因分布Table 6 Causes distribution of 10 major road traffic accidents

图3 风险概率与经济损失散点图Fig.3 Scatter plot of risk probability and economic loss

5 结论

1)采用社会网络分析法分析了重特大道路交通事故的原因特征，结果表明：监督检查不力、安全教育培训不到位、未采取安全措施/安全措施不当、违法问题查处不力、隐患排查整改不力容易与其他原因组合共同导致事故的发生，具有较高的风险；监督检查不力和教育培训不到位这一原因组合共同在58起事故中出现，是典型事故情景。

2)综合考虑道路环境、车辆、人和管理4个方面，将定性方法与定量方法相结合，构建一个更为全面的重特大道路交通事故风险指标体系，规避了传统指标体系研究的主观性。通过实例分析，表明风险概率和事故后果呈正相关，验证了指标体系的合理性。

3)将2010—2018年的数据作为整体进行研究，不能进一步分析原因特征随时间的变化情况。因此考虑划分不同的时间段，从动态角度分析重特大道路交通事故原因特征如何随时间变化的情况，是下一步研究的重点方向。