基于改进TOPSIS的道路交通风险网络排序研究

戴剑勇，黄晓庆，王雯雯

(1. 南华大学 资源环境与安全工程学院，湖南 衡阳 421001；2. 南华大学 核设施应急安全作业技术与装备湖南省重点实验室，湖南 衡阳 421001)

0 引 言

据2019年中国统计年鉴记录，2019年我国交通事故发生次数为244 937次，死亡人数为63 194人，道路交通事故致死在非正常死亡中占比越来越重。定量分析各风险在系统中所起的作用以及关键程度，能够有侧重地应对风险，有效提高风险管理效率，减少道路交通事故发生的重复性。

在这之前，众多学者对道路交通事故机理进行了研究分析。陈丹[1]从驾驶员、车辆、管理、道路等方面研究了高速公路交通事故致因；WU Yina等[2]分析了大雾天气下道路交通特性的变化和碰撞风险；在风险排序和提取关键风险方面，WU Bo等[3]应用TOPSIS、灰色关联度等分析方法对影响隧道稳定性的因素进行排序；BAHRAMI S等[4]运用TOPSIS方法对配电馈线进行优先排序，为检修分配提供依据；WU Jianjun[5]、花玲玲等[6]、王灵丽等[7]从复杂网络理论出发分别分析了道路碰撞、铁路事故、交通线路网络需要防控的关键节点。

复杂网络分析节点重要性是根据网络特性指标判断，但每一个指标的侧重点都有所不同，需要对其进行综合的分析。笔者拟采用已经在铁路等[8]领域被应用的人因分析与分类系统(HFACS)[9]对事故风险进行分析、分类。而后结合复杂网络指标，建立PPR方法[10]赋予指标权重的优劣解距离法(TOPSIS)[11]以消除传统TOPSIS方法主观性较强，与网络结合不紧密的缺陷，对风险进行综合排序，实现对道路交通关键风险的识别，根据风险重要度排序确定合理应对风险的分配方案，更高效的控制风险。

1 道路交通网络风险分析及模型构建

1.1 道路交通网络安全风险因素分析

将该模型与道路交通系统融合，在HFACS原模型基础上进行改进(图1)，可分为组织影响、不安全监督、不安全状态、不安全行为四大类，四大类下又各有子类，这4层分类由上到下施加影响[12]，分为图中阴影部分为修改项。

图1 道路交通HFACS分类框架Fig. 1 HFACS classification framework of road traffic

1.2 道路交通网络风险模型构建

道路交通网络是由众多节点和节点之间的连线组成的拓扑结构模型，道路交通安全中的安全风险之间能够相互影响，具有较为复杂的相互作用关系，对于道路交通系统安全风险网络做出以下设定，并构建网络。

设定1交通事故风险是抽象的，现将风险和风险间的相互作用用网络呈现出来，设定风险为节点，风险间的相互关系为连边，便能初步构成无向网络。

设定2考虑到交通风险间的作用是单向的，风险的传播是层层递进的，考虑到有向网络对事故风险间作用的描述更精准，故进一步将连边设定为有向的。

设定3假设指向某一安全风险的其他风险对该安全风险的作用相同，即网络中各风险之间的连边权重为1，不对它们之间的作用力进行区分。

2 道路交通网络安全风险排序

2.1 道路交通网络风险排序指标

1)度中心性。该参数在道路交通风险网络中就是指与某风险相关联的风险个数，在网络中具象为连边数。边数越多表示该风险在网络中关联度越大。笔者定义为：

(1)

2)接近中心性。该参数描述的是特定风险到与除特定风险以外的所有风险的平均距离值，当某风险的值越大，表示该风险与其他风险的联系越紧密。其表达式为：

(2)

式中：L为与风险i相连的风险集合；dij为风险i到j的最短路径值，即风险i到j最少路径的数量。

3)介数中心性。风险节点的介数指在一个网络中所有最短通行路径中经过该风险的总数量比率，反映相应风险对于整个网络的作用和影响能力，数值越大，表明该风险对道路交通事故的影响越大。定义为：

(3)

式中：nfh为风险f和风险h之间的最短通行路径数量；nfh(i)为风险f和h之间的最短通行路径经过节点的数目。

2.2 PPR-TOPSIS综合排序

在传统的TOPSIS方法中，最初赋予的权重值依赖于专家的主观判断。而PPR-TOPSIS方法权重是根据网络中心性指标和PPR方法计算得出的。计算3个中心性指标权重的核心是根据每个指标不同的节点排序赋予3个指标中的节点不同的初值，组成不同的初值向量，再分别对3个指标进行PPR分析，根据最终落在事故节点上的概率定量化3个指标对事故造成的影响的大小作为权重。如此，通过计算得到客观的权重值，构建权重矩阵，再对所有节点进行综合排序。

2.2.1 PPR法确定各指标权重

1)确定风险初值向量：根据指标中的节点排序给予每个指标中的节点不同的初值。将指标中的风险初值按比例缩放使得和为1，得到每个风险标准值记为Pv，各风险标准值组成的向量表示为Pr0={P1,P2,P3,…,Pv}。

2)确定风险跳转概率：风险发生后每一时间步可能游走的路线数目，在复杂网络中可具象为该节点的出度值，每个节点到其他节点的跳转概率组成整个网络的转移概率矩阵P为：

(4)

3)确定各指标权重值：3种指标下，各指标中风险初值不同，那么最终对各节点的影响概率Pr不同。Pr值由式(5)迭代得到：

(5)

式中：α为阻尼系数，0≤α≤1，一般取0.85，取3种指标各自迭代完成后的事故节点Pr值，归一化指标值，得到各指标权重wD，wC，wB。

2.2.2 TOPSIS综合排序

将各指标中标准化后的节点值分别作为列向量，组成规范化决策矩阵Y，由于已经应用PPR方法赋予了各指标权重，即可按元素zij=w×y写出加权规范矩阵为：

(6)

式中：d、c、b分别为点度、接近、介数中心性标准化后的值。

由于3个中心性指标都为效益型指标，根据矩阵Y可以确定正理想方案Z+以及负理想方案Z-：

(7)

根据式(8)～式(9)得到各个方案Z到正理想方案Z+以及负理想方案Z-之间的欧式距离为：

(8)

(9)

计算以上理想方案的贴近度Ti，按照Ti的大小进行交通风险的重要度排序，值越大的风险对事故的影响越大。贴近度计算公式为：

(10)

3 实例分析与讨论

2018年，京港澳高速公路衡阳段，一起客车与载有危化品的重型罐车相撞的重大道路交通事故造成了18人死亡，14人受伤，直接经济损失达2 632.8万元。这起事故涉及部门和人员众多，是一起典型的道路交通事故，能够一定程度上反应大部分道路交通事故情形，以此为例构建复杂网络进行分析，论证上述方法的可行性，同时获取该起事故风险的综合重要度排序，为相关部门提供参考，避免这类事故再次发生。

3.1 “6·29”重大道路交通事故模型构建

3.1.1 事故风险分类

研究了该事故的事故调查报告[13]后，运用HFACS模型对该起事故的安全风险进行了分类(表1)。

表1 “6·29”重大道路交通事故安全风险分类Table 1 Safety risk classification of “6·29” major road traffic

3.1.2 事故风险关联分析

在确定网络节点后，只需给相关节点之间加上连边就形成了网络。搜集近年120个交通事故案例，20个1组，整理成道路交通风险数据集，计算与“6·29”事故有关的两两风险之间的spearman系数，查阅秩相关系数检验的临界值表显示当系数大于0.415，则认为两风险相关。各节点之间用有向线段表达风险之间的的因果关系确定邻接矩阵A(表2)，构建网络(图2)，图中最下方4个节点代表父类，四大类各自延伸与相应分类中的风险连接，但四大节点及其连边主要用于体现节点间的关联趋势，并不参与计算。

图2 “6·29”道路交通事故安全风险网络模型Fig. 2 Safety risk network model of “6·29” road traffic accident

表2 “6·29”重大道路交通事故安全风险邻接矩阵Table 2 Safety risk adjacency matrix for “6·29” major road traffic accident

3.2 网络风险中心性分析

各事故影响因素点度中心性图3(a)、接近中心性如图3(b)、介数中心性如图3(c)。由分析结果可知，V8和V5在本网络中度中心性最大，若将这两个风险严格控制可以很大程度上减少其他风险的发生和发展。V8和V6接近中心性最大，这说明两个节点与其他风险的关系最为紧密。介数中心性体现的是节点在网络中的媒介作用，驾驶员深度疲劳驾驶(V21)是该网络中最大的媒介，控制该风险发生也就很大程度上控制风险的传播。

图3 度、接近、介数中心性分析结果Fig. 3 Analysis results of degree, closeness and betweenness centrality

3.3 网络风险综合排序

由于在该起事故中，客车第2次碰撞才最终导致巨大人员伤亡和财产损失，故取驾驶员未做出正确反应导致第2次碰撞(V23)为事故节点，3个指标经过PPR方法分析后得到的最终事故节点Pr值分别为：0.082 4、0.083 9、0.092 0。为使所构造权重矩阵满足和为1，且不改变数据结构，对其进行百分化，得到指标权重矩阵为w=[0.319 0 0.324 8 0.356 2]，可见这3个指标中中介数中心性指标较另两个指标更加关键。在已知指标权重的基础上列出规范加权矩阵A，得到Z+=[0.319 1,0.324 8,0.356 2]和Z-=[0,0,0]，再根据式(8)和式(9)计算正负欧式距离S+、S-，最终得到各风险贴近度T见表3，以及根据贴近度得到的风险排序见图4。

由贴近度定义可知，贴近度表示接近程度，也可表示关联度，在交通风险分析中，可以表示各因素对事故的影响程度。由结果可知，疲劳驾驶对该起事故的发生影响最大，接近程度达到了89%；其次，运管局和企业的监督管理不力对该事故的发生影响较大，与事故接近程度达到了58%，驾驶员对违规行为的不重视、休息不足等与事故接近程度超过了50%。该事故实际调查结果显示：事故直接原因是过度疲劳，间接原因是有关运输企业安全生产主体责任不落实、有关监管部门履职不到位，另外驾驶员休息不足，且曾多次违规等都是间接导致事故的原因[13]。可见该方法得到的排序结果与实际事故调查结果大致符合。

图4 “6·29”交通事故风险影响度综合排序Fig. 4 Comprehensive ranking of 6·29 traffic accident risk impactdegree

表3 各风险贴近度计算结果Table 3 Calculated results of each risk closeness degree

3.4 方法对照及讨论

熵权法是一种客观赋值方法，熵权TOPSIS方法在各个领域已经有了较为广泛的应用。笔者运用熵权TOPSIS方法对“6·29”交通事故进行分析，该方法具体实现步骤参考文献[14]，与PPR-TOPSIS方法结果对照如图5。

由对照结果来看，两种方法的趋势部分一致，证明了PPR-TOPSIS方法的可行性和准确性。另外，由图5容易发现熵权TOPSIS方法图形趋势与度中心性类似，将其与度中心性标准化结果d对照如图6，发现其图形趋势与度中心性高度重合，说明熵权TOPSIS法受度中心性的影响极大，而PPR-TOPSIS法相对来说所受单个值影响小，较之综合性更强，参考意义更大。

从排序结果来看，两者风险排序略有不同，这是因为权重的计算方法有所差别，PPR方法是取迭代后各指标值对事故的影响值作为权重；熵权法取静态过程的指标值计算信息熵后处理作为权重。PPR-TOPSIS方法分析结果显示驾驶员深度疲劳驾驶(V21)是对事故影响最大的风险，其次是企业和运管局监管问题；而熵权TOPSIS分析结果显示客运公司安全工作管理监督不力(V8)为最大风险，排名前三的风险都是监管风险。结合事故调查报告的实际情况，PPR-TOPSIS方法所得结果与调查结果相符，而熵权TOPSIS法与调查结果不太符合，因此，PPR-TOPSIS方法更能满足道路交通风险分析要求。

图5 PPR-TOPSIS和熵权TOPSIS结果对比Fig. 5 Comparison of PPR-TOPSIS and entropy-TOPSIS results

图6 熵权TOPSIS结果和度中心性数据对比Fig. 6 Comparison of entropy-TOPSIS results and degreecentrality data

4 结 论

城市道路交通安全影响因素众多，牵涉较广，是一复杂系统工程，这些特征为复杂网络模型的构建提供了基础。

1)笔者对传统TOPSIS方法进行了改进，以PPR方法为桥梁，使之与复杂网络紧密结合，融合成PPR-TOPSIS客观排序方法。并使HFACS模型、复杂网络理论和PPR-TOPSIS综合排序三者结合形成了一套完整的道路交通安全风险分析体系。

2)将PPR-TOPSIS与熵权TOPSIS方法相比较，发现对于道路交通风险的分析PPR-TOPSIS方法准确性，综合性更高。

3)通过对典型事故的分析发现严格控制驾驶员的不安全行为能够最大程度的控制事故，有效的上下监督能够对道路交通安全起到很大的作用，为了减少这类事故的发生需要对驾驶员严格要求，完善驾驶员技术、安全培训体系；同时严格要求监督组织或成员将责任落实到位。