冰雪季城市道路交通事故严重程度影响因素分析

曹弋，张贝贝，李诗文

(大连交通大学 交通运输工程学院，辽宁 大连 116028)

长期以来，冰雪条件对道路交通事故的发生及严重程度具有极其不利的影响.据统计，我国寒冷地区冰雪季节发生交通事故的频率比正常情况高出3～4倍.与一般公路相比，城市道路交通事故一旦发生，将对其周边交通运行状况产生较大影响，如显著增加行车延误及非必要燃油消耗等.不难想象，冰雪条件下上述不利影响将更加突出.因此，有必要深入研究寒冷地区冰雪季节该类交通事故的显著性影响因素及其对事故发生发展的影响.

国内外学者在该领域进行了大量研究.在影响因素方面[1]，调查分析了交通量、速度、密度与重车比例[2]等交通指标，车辆类型与碰撞类型[3]等事故特征，以及时间和天气[4]等环境因素.Ahmed等[5]利用带有贝叶斯推理的二元Logit模型(BLM)对重型卡车在严重和非严重碰撞中的参与度进行了分类.Ma等[6]通过建立部分比例优势模型，来检验影响碰撞伤害严重程度的因素.Huang等[7]确定了车辆属性、道路条件、环境因素和碰撞特征与车内乘员损伤严重程度之间的关系.Zheng等[8]综合分析了碰撞严重程度与一组异质危险因素之间的关系.Wen等[9]探讨了交通组成对高速公路交通事故发生率的影响.Tjahjono等[10]采用有序Probit模型来识别不同RLCs类型(主动和被动)与地点(城市和农村)事故的损伤严重性决定变量.Islam等[11]研究了高龄驾驶人和年轻驾驶人在夏季和冬季所受到的不同影响.

在事故预测方面，Abojaradeh[12]确定并建立了以事故数为因变量，以驾驶员行为失误为自变量的事故统计预测模型，并利用回归方法对预测模型的参数进行了标定.Guo Di等[13]利用层次分析法(AHP)模型，对要研究的各个因素确定权重，通过BP神经网络模型对未来三年交通事故发生数进行预测.Budiawan等[14]基于数据挖掘技术，设计开发了事故预测系统.Emir等[15]详细分析了道路、环境、车辆和驾驶员因素对交通事故的影响，基于上述影响因素的相似性，建立了交通事故成因分类模型.Lu等[16]通过统计各个典型的影响因素以及进行Logistic回归分析,分析了交通事故与道路类型、车辆类型、驾驶员状态、天气、季节等因素的关系.Chung等[17]应用马尔可夫链模型对交通事故发生次数进行了预测.Zhang等[18]从人、车、路、环境等因素对交通事故的影响入手，建立了三层BP神经网络预测模型.

国内外现有研究虽然证实了不同条件下的单个或多个事故影响因素，但没有同时考虑冰雪条件与城市道路两个特质.在严重程度定义方面，没有将城市道路与一般公路区别对待，统一采用传统的基于事故伤亡人数与财产损失的定义准则，因而未能突出城市道路交通事故对周边交通影响大的特点.鉴于上述不足，本文采用贝叶斯模型，研究冰雪季与非冰雪季发生交通事故不同严重程度的概率.研究成果对揭示特定条件下的事故发生机理具有理论指导意义，对提升道路交通安全管理水平与改善安全出行环境具有重要的实际应用价值.

1 数据来源

本研究收集了2017-2019年，中国黑龙江省道路交通事故数据中发生于城市道路中的6 891起交通事故，其中冰雪季节2 279起，非冰雪季节4 612起.事故严重程度的划分标准依据文献[19]进行，共分四个等级，分别为Ⅰ事故造成的伤亡非常严重，导致非常严重的交通拥堵；Ⅱ事故伤亡严重，造成严重交通堵塞；Ⅲ事故造成了部分经济损失，并在一定程度上扰乱了周边交通；Ⅳ事故没有造成大的经济损失，也没有严重伤亡和交通拥堵.

本研究考虑的事故影响因素包括：天气、能见度、事故形态、地形、交通信号方式、防护设施类型、道路物理隔离、路面状况、路表情况、路面结构、路口路段类型、道路线形、道路类型、照明条件，共计14个.

2 显著性影响因素

2.1 比例优势模型

为探究事故严重程度的显著性影响因素，采用比例优势模型，如式(1)所示

(1)

2.2 变量代码化

为了对影响因素变量进行标定，依据原始数据记录信息，对14个影响因素进行代码替代，部分代码定义如表1所示.

表1 部分变量代码

2.3 因素分析

利用STATA对冰雪季与非冰雪季的比例优势模型求解，以置信度分别为90%，95%和99%筛选显著影响因素.由回归结果可知，冰雪与非冰雪条件下模型的PseudoR2分别为0.212与0.214，Log likelihood分别为-2 381.99与-5 012.33，说明两种条件的模型拟合优度较好，变量的联合显著性较高.

(1)环境因素

图1表示冰雪和非冰雪条件下天气与事故严重程度的影响关系.其中自变量宽度表示不同等级天气的事故数占事故总数的比例，每一等级自变量的不同高度表示不同事故严重程度所占比例.

图1 天气与严重程度的关系

由图1可知，晴天数占比最高，且冰雪季晴天的事故发生率高于非冰雪季.冰雪季I级严重程度的事故发生率在雨天最高，非冰雪季II级严重程度的事故发生率在雪天最高.进一步分析表明，天气因素每增加一个等级，冰雪季事故严重程度升级的概率为15.8%，非冰雪季为10%.由此可见，天气对冰雪季节事故严重程度的影响高于非冰雪季.采用同样方法，可以分析出能见度对事故严重程度的影响，同样是冰雪季高于非冰雪季.

(2)道路因素

由图2可知，大多数事故发生时，路面状况为完好，且常见的事故严重程度为II级.对于道路因素方面，路面状况比路面结构对事故严重程度的影响大.与非冰雪季相比，路面状况和路面结构对冰雪季的交通事故严重程度影响更大.

图2 路面状况与严重程度的关系

(3)防护设施类型

由图3可知，防护设施类型为波形梁护栏的情况时，事故频发，且主要表现为II级严重程度.城市道路中的交通安全防护设施在缓解事故严重程度方面发挥了重要作用，其对冰雪季事故严重程度的作用大于非冰雪季.

图3 防护设施类型与严重程度的关系

3 交通事故严重程度预测

3.1 贝叶斯模型

依据收集到的事故数据，按照文献[19]所述的事故严重程度定义及划分方法，通过选取网络节点、定义节点及确定节点的取值范围,进行贝叶斯网络结构的构建.利用事故数据，计算贝叶斯网络结构各节点的条件概率与状态概率，并将其引入由genie2.0软件构建的贝叶斯网络结构中，可得贝叶斯事故严重程度预测模型，如图4所示.

(a)冰雪季

3.2 网络节点更新

贝叶斯网络模型表达了随着外部条件变化的节点变量之间的不确定关系.因此，模型必须在实践中得到更新和学习.本研究使用genie2.0软件，根据现有的三年事故数据构建了贝叶斯网络模型.在后续应用中，需要不断利用新一年的事故数据，对网络节点进行更改与更新，以实现其学习功能.

3.3 预测与检验

为了验证事故预测模型中各节点及节点之间的关系，与实际事故各影响因素对事故严重程度的影响机理是否相符，从而证实事故预测模型的有效性，需要利用已知的事故数据来检验预测结果.选取一起事故信息说明验证过程，事故信息为：天气为阴天，能见度为100～200 m，照明条件为夜间有路灯照明，路面状况为完好，防护设施类型为波形梁护栏，路面结构为沥青，道路类型为一般城市道路，事故严重程度等级为II级.将该事故信息样本作为证据节点输入贝叶斯预测模型中，通过模型推算得出事故发生概率如图5所示.由预测结果可知，该起事故严重程度等级为II级的概率为65%，大于其他三种等级发生的概率，与实际记录的事故信息相符.

图5 单起事故严重程度预测结果

按照上述流程，对随机选取的80起事故案例进行预测，并与实际事故严重程度进行对比分析.结果表明，预测结果与实际事故严重程度等级相符的共有74起，准确率达92.5%.该结果说明构建的贝叶斯预测模型其预测结果与事实基本相符，也说明了预测模型中包含的节点之间的作用关系，与实际事故影响因素对严重程度的作用机理基本符合.

4 结论

(1)模型分析表明，天气状况、道路因素和防护设施都对事故的严重程度有一定的影响，可采取一定的措施降低事故的严重程度.在恶劣天气情况下，应加强交通管制，并制定相应的交通措施.例如：设置安全警报和实时报道,使用无线电和微博等平台，及时报告实时状况，使驾驶员更加警惕.定时管理维护路面，保证路面状况完好，对正在施工或路面状况不太好的道路，做好交通管制或采取限速、关闭道路等措施，以降低事故发生的可能性.在条件允许下可以对防护设施进行优化改造，设置路障和标志，以降低伤亡事故的发生概率；

(2)城市道路交通事故,其严重程度在冰雪季受天气、能见度、防护设施类型、路面状况、路面结构、道路类型、照明条件因素的影响显著.与冰雪季不同的是，在非冰雪季，地形与交通信号方式对事故严重程度也有显著影响，而道路类型与照明条件的影响不显著；

(3)构建的城市道路交通事故贝叶斯网络预测模型，可以依据上述影响因素条件，基本准确地表达各影响因素对事故严重程度的影响关系并预测其严重程度.案例分析结果表明，预测准确度达到92.5%.

由于本研究所应用的交通事故数据是在传统严重程度定义标准下收集并获得的，故而不包括计算周边交通延误所需的必要参数，如车辆到达率、离去率、行驶速度及事故处理时间.论文对上述参数进行了假定，具有一定的局限性.尽管如此，对于同类研究，本研究的理论方法及所得的一般性规律仍有一定的借鉴价值.关于数据完备性的问题，可随着技术手段的不断丰富，在后续研究中予以克服.

致谢：本文受2021年度大连交通大学专业学位研究生质量攻关项目，2021年度大连交通大学教学改革研究立项项目资助，特此致谢！