山區公路事故黑點鑒別及其成因分析模型

溫惠英,吳亞平,漆巍巍

(華南理工大學 土木與交通學院， 廣東 廣州 510641)

山區公路事故黑點鑒別及其成因分析模型

溫惠英,吳亞平,漆巍巍

(華南理工大學 土木與交通學院， 廣東 廣州 510641)

鑒于山區公路交通事故黑點成因的多樣性，在定義山區公路事故黑點和動態非定長劃分事故黑點鑒別路段的基礎上，建立基于當量事故數的鑒別指標法的山區公路事故黑點鑒別模型，根據計算結果將事故黑點進行黑度劃分并作相應描述。然后，運用粗糙集理論對各種不利因素進行辨析，從而判斷事故黑點形成的主次因素，并利用層次分析法的判斷矩陣量化山區公路事故黑點主要成因的各指標權重，對權重較大的指標進行優先治理，實現改善效益最大化，從而有效提高山區公路的行車安全性。

交通運輸工程；山區公路；事故黑點；動態路段劃分；粗糙集理論；層次分析法

0 引 言

由于受地形條件限制，山區公路沿溪臨崖路段多、急彎縱坡比例大、道路線形多變、隧道橋梁較多、防護設施匱乏，加之山區氣候環境多變，雨雪、大霧天氣較為常見，致使道路交通事故頻發，存在群死群傷的重特大惡性事故隱患。山區公路交通事故的發生是由人、車、路、環境等多種因素相互作用失調引發的結果。預防山區公路交通事故的首要任務是鑒別道路交通事故黑點，分析事故黑點的主要成因。目前，國外對道路交通事故黑點的定義不盡相同，國內關于道路交通事故黑點尚無統一的定義[1]。結合山區公路的特點，山區公路事故黑點可定義為按照設定的路段劃分方法，某路段在計量周期內發生含人員傷亡事故次數明顯高于其他路段或超過一定的閾值時，則該路段可視為山區公路事故黑點[1]。

目前，國內外研究人員在道路事故黑點方面的研究取得了一定的成果。胡新民等[2]針對道路黑點識別方法、黑點成因改善措施，運用質量控制法識別路網中事故多發路段，經驗-鑒別指數法識別道路事故多發點(段)，以及提出黑點改善優先排序方法。過秀成等[3]采用改進的事故頻率法選取了江蘇、安徽兩省部分二級以上公路事故黑點，運用事故數及致死事故率2個指標對事故黑點數據進行公路交通事故黑點總體特征分析。楊軫等[4]為改善雙指數函數y=a×ebx+c×edx在累計頻率曲線擬合和事故黑點鑒別時存在的問題，提出雙曲正切函數y=a+b×tanh(cx+cd)，以提高黑點鑒別效果。盧佩瑩等[5]基于地理信息系統以及熱區基本模型,依據一定優先權對道路網進行合并以獲取道路基本單元，模擬了交通事故空間分布，并采用Monte Carlo法定義各道路單元交通事故閾值。A.GREGORIADES等[6]提出基于貝葉斯網絡事故風險量化指標的事故黑點鑒別法，將貝葉斯網絡與基于動態交通分配的模擬器、用于傳輸算法的可視化交互系統(VISTAS)相結合用于評價事故危險指標。S.WASHINGTON等[7]提出了結合只有財產損失(PDO)事故的等價計算和分位數回歸技術確定交通網絡的事故黑點，運用等效PDO事故的分位數回歸方法識別黑點集，向社會反映真實的成本，同時減少PDO和較小受傷事故的漏報，克服了傳統負二項回歸模型在處理相關問題時的局限性。

筆者在定義山區公路事故黑點和劃分事故黑點鑒別路段的基礎上，建立基于當量事故數的鑒別指標法的山區公路事故黑點鑒別模型，并運用粗糙集理論對事故黑點成因進行分析與篩選。然后，利用層次分析法的判斷矩陣量化主要成因的各指標權重，對權重較大的事故黑點成因指標進行優先治理，從而有效提高山區公路事故多發路段的行車安全性。

1 山區公路事故黑點鑒別模型及其黑度劃分

1.1 山區公路事故黑點鑒別路段動態非定長劃分

道路交通事故黑點鑒別路段劃分方法分為定長劃分和非定長劃分。定長劃分法雖然簡化了鑒別對象，使事故黑點鑒定具有良好的操作性，但是很可能造成事故特別集中的路段劃分到不同的鑒別路段中，而將事故發生頻數相差很大的相鄰路段劃分到同一固定路段使得事故黑點鑒別的準確性大大降低[8]。所以，筆者采用動態非定長劃分方法，此劃分方法的指標有最小路段分段長度、單位路段延續長度、最大路段分段長度。根據挪威、英國等國家對事故黑點的定義，筆者將最小路段分段長度設定為100 m。為方便事故黑點的排查，將單位路段延續長度設定為100 m。依據公安部2001年出臺的《全面排查道路交通事故多發點段工作方案》對交通事故多發點的鑒別標準規定，將最大路段分段長度設定為500 m。具體劃分流程如圖1。

圖1 動態非定長路段劃分方法技術路線Fig.1 Technical path of diving method for dynamic non-fixed long road section

1.2 山區公路事故黑點鑒別模型

目前，常見的道路交通事故黑點的鑒別方法主要有絕對值法、矩陣法、概率論-數理統計方法(包括質量控制法和累計頻率曲線法)、系數法等。各種方法所考慮的側重點不盡相同，而且在實際應用中各自存在不同的局限性，可能會使鑒別結果的精確度降低。考慮山區公路事故黑點的特征，筆者采用基于當量事故數的鑒別指標法進行事故黑點鑒別。

按事故的嚴重程度劃分，事故可分為特大事故、重大事故、一般事故和輕微事故，為了精確地鑒別山區公路事故黑點，須將事故的嚴重程度加以考慮。為此，通過賦予受傷及死亡事故一定的權值來計算當量事故數[9]，其基本公式為

N=K1F+K2J1+K3J2+R

(1)

式中：N為當量總事故次數，次；F為死亡事故中的死亡人數，人；J1為事故中受輕傷人數，人；J2為事故中受重傷人數，人；R為統計時間段內發生的事故次數，次；K1，K2，K3分別為死亡、受輕傷、受重傷事故的權重，取K1=2.0，K2=1.2，K3=1.5。

建立山區公路事故黑點鑒別模型時，引入平均日交通量作為鑒別指數，事故率作為評價事故黑點的指標[2]，劃分的事故黑點鑒別路段的鑒別公式如式(2)、式(3)：

(2)

(3)

1.3 山區公路事故黑點黑度劃分

為更好地描述山區公路事故黑點的危險程度，依據多條山區公路事故黑點的鑒別結果，引入事故黑點黑度并對山區公路事故黑點黑度進行了劃分。事故黑點黑度即某一鑒別事故黑點的危險程度。山區公路事故黑點黑度劃分如表1。

表1 山區公路事故黑點黑度劃分及描述Table 1 Division and corresponding description for blackness of accident black spots of mountainous highway

2 山區公路事故黑點成因分析

2.1 基于粗糙集理論的事故黑點成因分析

在鑒別山區公路事故黑點的基礎上，為治理事故黑點，必須對各種不利因素進行辨析，從而判別事故黑點形成的主次因素。針對山區公路事故黑點的主要成因，采取相應的治理和改善措施，有效提高山區公路事故多發路段的行車安全性。基于以往對道路事故黑點成因分析的研究成果[10-12]，運用粗糙集理論對山區公路事故黑點進行成因分析。

根據粗糙集理論中計算條件屬性子集關于決策屬性集的重要性的基本原理，提出山區公路事故黑點成因分析的模型與算法。在應用粗糙集理論的決策表時，往往需要度量決策屬性對條件屬性的依賴度[13]。關于D的C正域的大小POSC(D)在一定程度上反映了屬性C對屬性D的支持度，所以定義：

(4)

稱k為條件屬性集C對決策屬性集D的支持度。特別地，條件屬性a對決策屬性集D的重要性定義為：

δCD({a})=kC(D)-kC-{a}(D)

(5)

根據上述事故黑點鑒別模型對某山區公路進行事故黑點鑒別，以此山區公路8個事故黑點的事故資料和鑒別結果構造決策表，如表2。

表2 山區公路事故黑點成因分析決策Table 1 Analysis of the accident-prone black sport formation inmountainous highway

在此決策表中：

C={道路線形(C1)，大型車比例高(C2)，道路交通設施不完善(C3)}

D={事故黑點黑度}

U/{C1}={{x1,x3,x6,x8},{x2,x5,x7},{x4}}

U/{C2}={{x1,x2,x5,x6,x7},{x3,x4,x8}}

U/{C3}={{x1,x3,x4,x6,x7,x8},{x2,x5}}

U/C={{x1},{x2,x5},{x3,x8},{x4},{x6},{x7}}

U/D={{x1,x5},{x2,x4,x7},{x3,x6,x8}}

POSC(D)={x1,x3,x4,x6,x7,x8}

k=kC(D)=3/4，即決策屬性集C對決策屬性集,D的支持度為3/4，進一步考慮各條件屬性關于決策屬性的重要性。

U/(C-{C1})={{x1,x6,x7},{x2,x5},{x3,x4,x8}}

U/(C-{C2})={{x1,x3,x6,x8},{x2,x5},{x4},{x7}}

U/(C-{C3})={{x1,x6},{x2,x5,x7},{x3,x8},{x4}}

POSC-{C1}(D)=?

POSC-{C2}(D)={x4,x7}

POSC-{C3}(D)={x3,x4,x8}

kC-{C1}(D)=0

根據計算結果可以判定：此山區公路事故黑點最主要成因為道路線形不良；其次為交通組成因素(大型車比例較高)；再次為道路交通設施不完善，如交通標志缺乏、損毀、設置不當等。其中，山區公路的大型車比例一般不進行人為控制，道路交通標志可以很快得到完善。由于山區公路其復雜的地形條件、施工量及費用的問題，不良道路線形較難得到全面改善。所以在有限的資金條件下，為達到改善效益最大化，應優先選擇危險度較大的線形加以改善，而不良的道路線形包括長大下坡、長直線接小半徑平曲線、不良豎曲線、連續急彎組合、急彎與陡坡組合、斷背曲線組合等多種線形。因此，筆者提出基于層次分析法的判斷矩陣來量化主要成因的各指標權重。

2.2 判斷矩陣主要成因各指標權重的量化

經由上述介紹，筆者建立基于層次分析法的判斷矩陣模型來量化山區公路事故黑點主要成因的各指標權重，得到表3中的判斷矩陣。并利用方根法得出各指標的權重(表3中，長大下坡C1、長直線接小半徑平曲線C2、不良豎曲線C3、連續急彎C4、急彎與陡坡組合C5、斷背曲線組合路段C6)。

表3 主要成因的各指標判斷矩陣及權重Table 3 Judgment matrix and weight of indexes of main formation

不良道路線形的各指標權重排序結果為急彎與陡坡組合C5、長大下坡C1、連續急彎C4、不良豎曲線C3、長直線接小半徑平曲線C2、斷背曲線組合路段C6，危險度排序由高到低。所以在有限的資金條件下，為達到改善效益最大化，優先選擇危險度較大的線形加以改善，危險度相對較低線形采用設置線性誘導標志和警告標志、路側護欄等方式提高行車安全性。在此，以急彎與陡坡組合為例進行改善。

車輛在陡坡行駛時都采取制動措施，由于大型車、小型車速度差較大，遇上急彎容易發生追尾或碰撞事故。同時，由于陡坡下坡時車速過快，遇到急彎時車輛容易沖出車道[14]。因此，應改造急彎路段，增大平曲線半徑，設計在彎道處的超高，提升此處線形的順適性；在急彎與陡坡組合路側設置警告標志和線形誘導標志，誘導駕駛員的駕駛行為。為了防止車輛下陡坡時沖出車道，可在陡坡端部設置緊急避險車道。

3 結 論

1)在山區公路事故黑點鑒別路段劃分時，采用動態的非定長劃分方法，使事故黑點鑒定具有良好的操作性，提高了事故黑點鑒定的準確性。

2)基于當量事故數的鑒別指數法考慮了事故的嚴重程度，避免了簡單地以事故數作為鑒別參數而造成的黑點鑒別效果不精確的問題。為更好地描述山區公路事故黑點的危險程度，引入事故黑點黑度并對山區公路事故黑點進行黑度劃分。

3)為治理事故黑點，運用粗糙集理論對各種不利因素進行辨析。事故黑點的最主要成因為道路線形不良；其次為交通組成因素；再次為道路交通設施不完善。提出基于層次分析法的判斷矩陣來量化主要成因的各指標權重，以優先選擇危險度較大的線形加以改善，達到改善效益最大化。

4)目前，在山區公路事故黑點鑒別、成因分析和防治技術方面的研究尚未形成統一的標準和體系，因此對于更為完善的鑒別方法和防治技術還需進一步深入地研究。

[1] 李亭.山區高等級公路黑點段鑒別及安全性評價研究[D].長春：吉林大學，2008.LITing. Research on the Black-Spots Identification and Safety Evaluation of High-Level Highway in Mountains[D].Changchun:JilinUniversity, 2008.

[2] 胡新民，劉濤，張天華，等.道路黑點識別與改善[J].交通運輸工程學報，2004,4(1):106-109. HU Xinmin, LIU Tao, ZHANG Tianhua, et al. Highway black spot recognition and improvement[J].JournalofTrafficandTransportationEngineering, 2004,4(1): 106-109.

[3] 過秀成，盛玉剛，潘昭宇，等.公路交通事故黑點總體特征分析[J].東南大學學報(自然科學版)，2007,37(5)：930-933. GUO Xiucheng, SHENG Yugang, PAN Zhaoyu, et al. Analysis of general characteristics for highway traffic accident black-spots[J].JournalofSoutheastUniversity(NaturalScienceEdition), 2007, 37(5):930-933.

[4] 楊軫，唐瑩，方守恩.雙曲正切函數在事故黑點鑒別中的應用[J].哈爾濱工業大學學報,2011,43(10)：143-148. YANG Zhen, TANG Ying, FANG Shouen. Application of hyperbolictangent function for accident prone location identification[J].JournalofHarbinInstituteofTechnology, 2011,43(10):143-148.

[5] 盧佩瑩，姚申君，吳健平，等.基于GIS的道路熱區鑒別方法[J].交通運輸工程學報，2011,11(4)：97-102. LU Peiying, YAO Shenjun, WU Jianping, et al. Identification method of road hot zone based on GIS[J].JournalofTrafficandTransportationEngineering, 2011,11(4):97-102.

[6] GREGORIADES A, MOUSKOS K C. Black spots identification through a bayesian networks quantification of accident risk index[J].TransportationResearchPartC(EmergingTechnologies), 2013,28: 28-43.

[7] WASHINGTON S, HAQUE M M, OH J,et al. Applying quantile regression for modeling equivalent property damage only crashes to identify accident blackspots[J].AccidentAnalysisandPrevention, 2014，66: 136-146.

[8] 李梅.高速公路安全服務水平分級方法研究[D].哈爾濱：哈爾濱工業大學，2011. LI Mei.StudyonFreewayTrafficSafetyLevelofServiceClassificationMethod[D]. Harbin: Harbin Institute of Technology, 2011.

[9] 張長生，馬榮國.山區高速公路交通事故分析及多發路段鑒別[J].長安大學學報(自然科學版)，2010,30(6)：76-80. ZHANG Changsheng, MA Rongguo. Identification method of traffic accident black spots on mountain freeway[J].JournalofChang’anUniversity(NaturalScienceEdition), 2010,30(6):76-80.

[10] 潘昭宇,過秀成，盛玉剛，等.灰色關聯分析法在公路交通事故黑點成因分析中的應用[J].交通運輸工程與信息學報，2008,6(3)：96-101. PAN Zhaoyu, GUO Xiucheng, SHENG Yugang, et al. Cause analysis on the formation of the highway traffic black-spot with the gray association degree method[J].JournalofTransportationEngineeringandInformation, 2008,6(3):96-101.

[11] 姚智勝，邵春福，龍德璐.基于粗糙集理論的路段交通事故多發點成因分析[J].中國安全科學學報，2005,15(12)：107-109. YAO Zhisheng, SHAO Chunfu, LONG Delu. Cause analysis of traffic accidents on road black spots based on rough set theory[J].ChinaSafetyScienceJournal, 2005,15(12):107-109.

[12] 張鵬,張靖,劉玉增，等.粗集在交通事故黑點成因分析中的應用[J].電子科技大學學報，2007,36(2)：267-270. ZHANG Peng, ZHANG Jin, LIU Yuzeng, et al. Rough set application in the analysis of formulation cause of traffic black-spot[J].JournalofUniversityofElectronicScienceandTechnologyofChina, 2007,36(2):267-270.

[13] 張文修，吳偉志，梁吉業,等.粗糙集理論與方法[M].北京：科學出版社，2001. ZHANG Wenxiu, WU Weizhi, LIANG Jiye, et al.RoughSetTheoryandMethod[M]. Beijing: Science Press,2001.

[14] 掲強.高速公路交通事故黑點安全改善決策優化研究[D].廣州：華南理工大學，2014. JIE Qiang.ResearchontheDecision-makingOptimizationofHighwayAccidentBlack-spotSafetyImprovement[D].Guangzhou: South China University of Technology,2014.

Models of Identification and Formulation Cause Analysis on Accident Black Spots of Mountainous Highway

WEN Huiying, WU Yaping, QI Weiwei

(School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510641, Guangdong, P.R.China)

Considering the complex formation causes of accident black spots of mountainous highway, based on defining accident black spots and dividing identified road sections dynamically, the identification model on accident black spots of mountainous highway was built. The model was based on the number of equivalent accidents. According to calculation results, blackness of accident black spots was divided and defined accordingly. Then, the rough set theory was used to analyze various unfavorable factors so as to diagnose the primary and secondary formation causes of accident black spots. And the judgment matrix of AHP was adopted to quantify each index weight of main cause. Furthermore, in order to get best improvement, the greater indexes, weights should be treated in priority. Thus, driving safety of mountainous highway can be improved effectively.

traffic and transportation engineering; mountainous highway; accident black spots; dynamic division for road sections; the rough set theory; AHP

10.3969/j.issn.1674-0696.2016.04.27

2015-04-30；

2015-07-15

國家自然科學基金項目(51378222)；廣東省省級科技計劃項目(2013B010401009)；廣東省交通運輸廳科技項目(科技-2013-04-010)

溫惠英(1965—)，女，教授，博士生導師，主要從事交通運輸規劃與管理、交通安全方面的研究。E-mail:hywen@scut.edu.cn。

U491.3

A

1674-0696(2016)04-137-04