基于复杂网络的营运货车交通事故风险因素识别

胡立伟，杨鸿飞，何越人，赵雪亭，尹 宇，田海龙，凌浩晗

（昆明理工大学，交通工程学院，昆明 650500）

0 引言

近年来，中国道路货物运输需求激增，但营运货车道路交通事故频发且损失惨重。据公安部交通管理科学研究所统计，截止2020年底，我国营运车辆数仅占机动车保有量的5.55%，但营运车辆事故起数和事故死亡人数分别占交通事故总数的9.98%和15.67%。营运车辆道路交通事故万车死亡率为3.95，是全国其他类型车辆交通事故平均水平的2.9 倍，营运车辆肇事以货运车辆居多。在实现高效运输的同时，营运货车运行的安全问题不容忽视。

随着学者对交通事故研究的深入，对道路交通事故致因分析从简单的多米诺骨牌理论、故障树分析等线性致因模型发展到复杂线性模型，如瑞士奶酪模型，但致因间的耦合关系仍为链式结构；再到基于系统理论建立的事故致因模型，如可靠性和误差分析方法等[1-4]。近年来，复杂网络理论基于图论对复杂系统进行抽象和建模，为揭示系统内在联系的拓扑结构提供了新的思路。目前复杂网络广泛应用于移动通信、电力系统、社会网络等领域，一些学者将复杂网络理论运用到事故致因分析及风险分析领域。马欣[5]、辛汇文[6]、周进[7]等学者运用复杂网络构建了铁路事故致因模型，通过分析复杂网络节点度、介数等统计特征，明晰关键因素及各因素间关联性。李晓璐[8]、王雨晨[9]等学者为定量分析城市轨道交通事故因素间传播关系，运用复杂网络构建了城轨系统灾害链网络模型。肖琴[10]基于复杂网络构建模型分析了两栖水上飞机起降安全的风险演化过程。刘文恒[11]通过复杂网络理论构建了公路穿村镇路段事故致因网络模型，并运用社团划分GN 算法分析事故致因网络。

综上可知，常用的事故致因分析模型，如故障树等是链式结构，无法充分体现因素间关联性，且存在主观因素。而营运货车道路交通事故的发生是多种风险因素互相影响、共同作用的结果，营运货车交通事故风险因素呈现出非线性变化特征，复杂网络对分析因素间相互关联、相互作用及其风险传递过程具有优越性。因此，本文运用事故统计数据，提取营运货车交通事故风险因素集，创新性地基于复杂网络理论构建营运货车交通事故风险因素识别模型，利用复杂网络统计特征，建立网络节点多属性决策综合评价模型，定量分析营运货车交通事故风险因素重要程度，挖掘风险因素间关联性，为营运货车事故预防提供理论与实证支撑。

1 营运货车交通事故风险因素网络模型

1.1 营运货车交通事故风险因素提取

从货车交通事故数据中提取营运货车主要事故类型如下：正面碰撞a1，侧面碰撞a2，追尾碰撞a3，侧翻a4，侧滑a5，燃烧/爆炸a6，坠落a7，碰撞行人/非机动车a8。依据货车交通事故调查报告和人因分类等交通事故致因分类模型，将营运货车交通事故风险因素集分为驾驶人、营运货车、道路及自然环境、企业管理四方面，并以各风险因素作为网络模型的节点，如表1所示。其中驾驶员监管疏漏s1、车辆监管疏漏s2风险因素在实际应用中可考虑分别应用企业月度违法率、车辆GPS 失效率这两项指标反映。

表1 营运货车交通事故风险因素集

1.2 营运货车交通事故风险因素关系提取

营运货车交通事故风险因素间存在正向促进与反向反馈的关系。实际上，各因素之间的相关关系分为两种：一种是前者发生造成后者发生的因果关系；另一种是两者相互影响、相互作用的关联关系。在风险因素网络中，如疲劳驾驶和驾驶员操作不当就既存在因果关系也存在相互关联关系。文中重点讨论网络节点之间的亲密程度，因此将营运货车交通事故风险因素网络简化为无向网络。以营运货车交通事故风险因素作为风险网络模型中的节点，各风险因素之间的关联性作为节点的边。采用共现分析描述节点间关联程度，确定节点间的边。若两个风险因素同时出现在营运货车交通事故致因中，则两点具有共现关系，两点之间存在边。以各风险因素间的关系构造邻接矩阵，具有共现关系的因素对应值记为1，其余记为0，即可得到描述风险因素间关联关系的无向网络。网络边的权重为因素间关联程度，用风险因素间的共现率表示，以Jaccard指数作为统计指标，如下：

式中：Jij为风险因素i和j的共现率，且Jij=[0,1]；ni、nj分别为风险因素i、j出现的频次；nij为风险因素i和j的共现频次。

2 营运货车交通事故风险因素网络评价

2.1 网络特征分析

(1)节点的度

节点的度是第i个节点拥有相邻节点的数目，表征复杂网络中节点中心性。度的数值越大，其重要程度越大[12]。

(2)网络直径及平均路径长度

复杂网络中任选两节点，它们之间最短路径长度的极大值称为网络直径。全部节点对的平均距离值定义为网络平均路径长度，如下式：

式中：N为网络节点的总数；dij为节点i与j之间的最短距离。

(3)聚合系数

局部聚合系数表征复杂网络中节点聚集程度。节点任意两个邻居节点仍互为邻居的平均概率，即网络聚合系数，如下式所示：

式中：ki为与节点i相连的边数；N(i)为Ki个节点之间实际存在的边数。

(4)中介中心度

中介中心度反映某节点i对于其他节点j信息传播控制的能力[13]。通过某节点最短路径的数量与网络中全部最短路径数量的比例即为中介中心度，如下式所示：

式中：Bk(i)为节点i的点介数；δst(i)为通过节点i的最短路径数量；δst为网络中最短路径数量总数。

(5)接近中心度

接近中心度反映某节点i与其他节点j间近邻程度。如节点i距离其他节点越近，则节点i依赖其他节点传播信息的依赖性越小，受其他节点限制性越弱[14]。某节点接近中心度为基于该节点i到网络中其他所有节点j的最短路径之和的倒数值，如下式所示：

式中：C(i)为节点i的接近中心度；∑yd(y,x)为节点i至其他所有节点的距离之和。

2.2 营运货车交通事故风险因素重要程度综合评价

实际运用中使用单一指标评估节点重要程度存在片面性，因此作者从不同维度采用不同参数度量节点影响网络的程度，利用度中心性、介数中心性及接近度中心性指标构建网络节点多属性决策综合评价模型。

假设复杂网络中节点数为n，每个节点有m个特征指标，节点的集合为V={V1,V2,V3,…,Vn}。Til(i=1,2,3,…,n;l=1,2,3,…,m)代表第i个节点的第l个特征指标值，则复杂网络节点的多属性特征指标矩阵如下式：

运用理想方案评估节点综合重要程度K值，Ki越大，节点对于网络越重要，公式如下：

式中：plmax、plmin分别为矩阵P每列向量最大值、最小值。

3 实例分析

从交管部门搜集了5 702 条2010—2017 年云南省货车专项交通事故数据，应用于营运货车交通事故风险因素网络模型中。

3.1 网络构建

以表1 中提取的营运货车交通事故风险因素及8 种主要事故类型作为营运货车交通事故风险网络节点，共计37 个。按共现分析法构建营运货车交通事故风险因素网络邻接矩阵A1，如下所示：

据据式（1）运用Jaccard指数计算共现率，得到Jaccard指数矩阵A2，如下所示：

据邻接矩阵式(12)及Jaccard 指数矩阵式(13)，绘制加权无向营运货车交通事故风险因素网络，如图1 所示。风险因素网络总计37 个网络节点和350 条边。由图可知，营运货车交通事故风险因素网络多节点之间相互联系、相互影响，表明营运货车交通事故风险因素网络具有高度复杂性，营运货车交通事故的发生是各种风险因素相互耦合作用的结果。

3.2 网络特征分析

(1)节点的度

营运货车交通事故风险因素网络各节点的度如图1所示。网络中各节点的度值呈不均匀分布，总体上驾驶员风险因素和企业管理风险因素度值较大。度值较大的节点为驾驶员监管疏漏s1、车辆监管疏漏s2、超速d1、超载d2、操作不当d7，其为复杂网络中中心节点(Hub 点)，是风险因素网络中的关键链接因素。中心节点数量较少，会与周围的风险因素发生复杂的线形交互，表征了网络“中心节点”特性，即少数节点有大量连接，反映了在营运货车交通事故风险因素网络中关键风险因素占少数，但其具有主导地位。

图1 营运货车交通事故风险因素网络拓扑图

因为文中节点个数较少，故将节点的度值按一定范围划分区间。将区间中值作为该区间度值，节点度值在该区间出现的次数作为频率，如表2 示。

表2 节点度值频率分布

设y为区间频率的对数，x为区间度值的对数，进行双对数曲线线性回归，如下式：

由上式可知，判定系数为0.89，二者拟合较好，因此营运货车交通事故风险因素网络中节点的累积度分布符合幂律分布，满足无标度网络特性。

(2)网络直径及平均路径长度

营运货车交通事故风险因素网络的直径为3，表明营运货车交通事故风险因素间关联性强，传播效率较快。网络平均路径长度为1.48，即网络中一个因素平均只需要2 步就可以影响到另一个因素，表明风险因素间联系紧密，易发生连锁性反应。风险因素层节点与事故层各节点间的平均路径长度如图2所示。

图2 风险因素层造成不同事故类型的平均路径长度

由图可知，驾驶员风险因素和企业管理风险因素到货车交通事故的平均路径长度较短，表明驾驶员风险因素、企业对驾驶员或车辆的监管疏漏会最快地直接或间接导致营运货车交通事故的发生。企业管理风险因素是整个系统的根源性影响因素，道路及环境因素属于较深层次的间接因素，一般不会直接导致事故的发生，但会诱发其他风险因素进而导致交通事故的发生。

(3)聚合系数

通过MATLAB 计算得到表3。由表3可知，网络节点v3、v6、r9聚合系数最大值为1，聚合系数大的网络节点其邻居因素具有较强的关联性。在网络中，车辆因素层与道路环境因素层聚合系数较大，说明这两类因素聚集特性更强，若其发生异常易导致邻居因素暴露于风险状态中，出现“多米诺骨牌效应”造成交通事故。为阻断网络连锁反应的发生，中断事故链，应控制此类聚类系数较高的节点。

表3 营运货车交通事故风险因素网络特征值

营运货车交通事故风险因素网络的平均聚合系数是0.78，高于同等规模随机网络聚合系数；且网络平均路径长度为1.48，表明网络中两个因素间只需2步即可产生联系，该结果符合复杂网络小世界特性(六度空间理论)，反映了营运货车风险因素之间影响密切且影响速度较快。

(4)中介中心度

由表3可知，在营运货车交通事故风险因素网络中，节点s1驾驶员监管疏漏因素中介中心度最高，表明该因素在整个网络中被多条最短路径经过，在网络的风险传递中起重要作用。在实际货车运输中，企业对于驾驶人监管不力使得驾驶人安全意识薄弱。在驾驶员风险因素中，节点d1超速中介中心度最高，驾驶员的超速行为不仅会直接导致交通事故的发生[15]，也会作为其他风险因素间连接的“桥梁”，表明超速行为直接或间接导致交通事故发生的概率很大。在车辆风险因素中，节点v1制动系统不合格中介中心度最高，其风险性最大易导致交通事故发生。在道路及自然环境风险因素中，节点r5交叉口中介中心度最高。集装箱运输卡车、挂车等营运货车因车身较长，当向右转弯时出现“内轮差”，且视线存在盲区，货车速度一旦较快，非机动车或行人极易被卷入货车底部遭到碾压，导致“包饺子”事故。中介中心度值大的节点对整个网络影响较大，有效控制这些风险因素可中断风险传播，预防事故的发生。

(5)接近中心度

由表3 可知，驾驶员监管疏漏s1、车辆监管疏漏s2、超速d1、操作不当d7、超载/超限d2接近中心度值较大，表明这些节点最接近风险因素网络的中心位置，在风险网络中极其重要。节点s1和s2属于企业管理因素，企业管理层属于本质风险因素，具有高驱动力，可诱发其他风险因素，导致交通事故发生，因此降低营运货车交通事故率要加强企业源头管理。

3.3 风险因素重要程度综合评价

网络节点多属性决策综合评价模型，运用公式(6)～(11)计算网络中节点综合重要程度K值，结果如图3 所示。K值越大，节点对于网络越重要，其对网络影响程度越大。影响营运货车安全的关键风险因素按重要性排序依次为：(1)在管理因素中，重要性排序依次为：驾驶员监管疏漏s1、车辆监管疏漏s2；(2)在驾驶员因素中，重要性排序依次为：超速d1、超载d2、操作不当d7、违反交通规则d8、非法改装d9、无证驾驶d6、占道行驶d10、分心驾驶d5、疲劳驾驶d3、超员d11、酒后驾驶d4；(3)在车辆因素中，重要性排序依次为：制动系统不合格v1、行驶系统不合格v2、制动失灵v5、灯光系统不合格v4、转向系统不合格v6、轮胎不合格v3；（4）在道路环境因素中，重要性排序依次为：路面湿滑r7、交叉路口r5、长大下坡r1、标志标线不完善r8、视距不足r10、急弯r2、隧道r4、恶劣天气r6、弯坡道r3、道路设计不规范r9。

图3 营运货车各交通事故风险因素重要程度

整体上，驾驶员因素和企业管理因素在风险网络中占据重要地位，在整个车辆运行过程中离不开驾驶员的作用，其他风险因素如车辆部件故障、事故黑点路段等均通过影响驾驶员的判断或操作导致事故的发生。驾驶员对营运货车的运行安全发挥主导作用。企业管理极其重要，因为驾驶人员疲劳行驶、酒后驾车、超载超速运输等违法违规行为及车辆“带病上路”等风险，追溯到源头企业管理层面均承担责任，驾驶人员安全及技能培训不到位、驾驶资质审核不严格等都会导致驾驶人员安全行车意识淡薄，遇突发事件专业技能不足等都会触发驾驶员风险；而企业对车辆检验状态不严格，则会触发车辆风险，最终导致交通事故的发生。

4 结论

利用营运货车交通事故数据，构建营运货车交通事故风险因素网络，分析网络的统计特征，并综合评价风险因素重要性，得出以下结论：

(1)营运货车交通事故风险因素网络具有复杂特性、小世界特性及无标度特性，反映了风险因素间相互耦合作用会导致事故的发生。风险因素之间影响密切且影响速度较快，网络中关键风险因素占少数，但具有主导地位。

(2)驾驶员因素和企业管理因素在风险网络中占据重要地位，超速、超载、操作不当、制动系统不合格、路面湿滑、交叉路口、驾驶员监管疏漏及车辆监管疏漏是关键链接风险因素。

(3)从不同维度采用不同参数度量节点影响网络的程度，利用度中心性、介数中心性及接近度中心性指标构建网络节点多属性决策综合评价模型，能定量评价各风险因素在车辆运行系统中的重要性。驾驶员风险因素异常会直接导致道路交通事故的发生；道路及环境因素属于较深层次的间接因素，会诱发其他风险因素进而导致交通事故的发生；企业风险因素是本质因素，具有高驱动力，能诱发其他风险因素而导致交通事故发生。