交通運輸的危險性評估理論與方法

朱金業

【摘 要】本文結合國內外交通運輸危險性評估理論的研究現狀，總結及介紹現有的交通運輸危險性評估方法。同時，本文對現有的交通運輸危險性評估方法進行分析優缺點，并以此為基礎，結合不同交通方式的特點，分析交通運輸危險性評估研究的發展方向。

【關鍵詞】交通運輸；危險性；評估方法

0 概述

隨著世界經濟一體化的發展，人們對交通運輸的需求迅速增長，但相應交通輔助設施的缺失使得交通運輸的危險性不斷上升。為此，長期以來人們對如何確保安全不斷進行分析與研究工作。從20 世紀30 年代其， 西方一些國家就開始對交通運輸的危險性進行分析。其后，經過數十年的發展，形成了目前的運輸危險性評估理論及評估方法體系。

交通運輸危險性評估方法主要可以分為兩種，即統計法和分析法。統計法是指通過搜集相關的交通運輸事故的信息，從而分析某一具體路段、河段、空域、鐵路的事故發生概率、死亡人數、財產損失、社會影響等各項事故損失。而分析法主要通過分析一個或一系列事故，對事故的成因或交通運輸工具的薄弱點進行分析，從而減少事故發生的概率。[1-2]

1 統計法

1.1 絕對指數法

在計算交通運輸事故的損失時，一般將事故損失劃分為4個指標，即：交通事故的發生次數、交通事故導致的死亡人數、因交通事故而受傷（可以分輕傷和重傷） 的人數、交通事故導致的直接經濟損失（一般按規定折算成相應的貨幣單位）。[3-4]

因這四項指數相互獨立，無參照比較值， 所以稱稱為絕對指標。對這四項指標進行比較分析的方法稱為絕對指標法。

1.2 事故率法

所謂事故率系數是指不同的路段上發生事故的概率。目前常用的有人口事故率、車輛事故率、運行事故率。但人口事故率、車輛事故率都只能反映交通安全的一個側面，帶有片面性。運行事故率相對較為科學，但目前難以及時掌握交通營運量，因此運行事故率難以準確計算。[5]

1.3 事故強度分析法

事故強度分析法是絕對指標法和事故率法的結合。由于絕對指標法只分析4個絕對指標，忽視了交通量、行駛距離等因素。因此，該方法在評價4個絕對指標時加入了對應的參照值，提高其科學性。[6]

1.4 模型法

模型法是目前使用最為廣泛的方法之一，早在1949年，倫敦大學R.J，Smeed建立了Smeed模型[7-8]，該模型構建了機動車保有量、人口與道路交通事故死亡人數的關系模型。此后，世界各國建立了各種對交通事故死亡率、交通流量、交通行為等各項交通參數的模型。[9-10]

1.5 小結

在各類統計學方法中，模型法是最有效地表現方式。它能客觀的展現各種方法的具體結果，并能夠對某一特定區域交通運輸的危險性進行預測。同時，利用模型法可以在多種事故成因之間進行橫向比較，對事故成因與事故發生概率、事故強度之間的關系進行定性分析。因此，目前人們在對交通運輸危險性進行宏觀分析時往往使用模型法。

2 分析法

2.1 統計圖表分析法

統計圖表分析法包括比重圖、趨勢圖、直方圖、圓圖、排列圖等。該方法可以直觀的展示各事故成因與事故總量之間的關系，但由于其難以得出精確的結論，一般用于對事故的成因進行定性分析。[11]

2.2 因果分析圖

因果分析圖也稱魚骨圖。交通運輸的安全性是交通運輸參與者、載運工具、運行路線等多方面因素綜合作用的結果。當分析交通事故發生的原因時，利用因果分析圖可以將各種可能的事故原因進行歸納分析，用簡明的文字和線條表示出來。

利用因果分析圖分析交通安全問題，可以使復雜的原因系統化、條塊化，并且表示方式直觀、邏輯性強、因果關系明確，便于理清問題的主要原因。

但由于因果分析圖對事故的原因分析過于詳細，一般只適用于對單一事故的分析，無法對多個事故進行統籌分析，得出事故的一般規律。

2.3 事件樹分析

事件樹分析是從一個初始事件開始，按順序分析事件發展過程中各個環節成功或失敗的過程和結果。它是一種時序邏輯的事故分析方法，它以一個事件為起點，按照事故的發展順序，分步進行分析，每一事件的后續事件只能取完全對立的兩種狀態（成功或失敗），逐步向結果方面發展，直達達到事故發生或事故不可能發生。（圖2）[12]

利用事件樹分析可以方便、明確的預測事故及不安全因素，估計事故的可能后果，并尋求預防手段和方法。

但由于事件樹分析按時間順序對事故進行分析，而在實際情況中，不同的成因對事故有同一等級的影響，而事件樹分析只能對不同影響等級的成因進行分析。同時，由于事件樹分析將成因分為兩極點，難以衡量環境等多極化因素對事故的影響。

2.4 事故樹分析

事故樹分析是一種基于事件樹分析的改進方法，該方法把系統可能發生的某種事故與導致事故發生的各種原因之間的邏輯關系用一種類似于事故樹的方式進行分析。通過對事故樹定性與定量分析，找出事故發生的主要原因，以達到預測與預防事故發生的目的。[13-14]事故樹分析法可以圍繞特定的事故作層層深入分析，清晰的顯示系統各內在事件之間的聯系，并指出單元故障與系統事故之間的邏輯關系，便于找出系統的薄弱環節。

事故樹分析能夠有效的解決事件樹分析法中存在的種種問題，但事故樹分析主要依靠人對事故進行分析，難以避免人的主觀因素的影響。

2.5 故障模式及影響分析

該方法由可靠性工程發展而來，主要分析系統中各子系統及元件可能發生的各種故障模式，查明各種類型故障對鄰近子系統或元件的影響及其最終對系統的影響，從而提出預防或改進措施，提高系統的可靠性和安全性。

該方法從載運工具這一要素對交通運輸的危險性進行評價，雖然局限性較強，但該方法是評價人、機、環、管中，機械要素最有效的方法。

2.6 危險性預先分析

危險性預先分析是一種定性分析系統危險因素和危險程度的方法。主要用于交通線路、港、站、樞紐等新系統的設計、已有系統的改造方案制定階段，對系統存在的危險類型、來源、出現條件、事故后果以及有關措施進行分析，提出改進意見。

這也是目前最熱門的交通運輸危險性評估方法。

2.6.1 主成分分析法

該方法旨在利用降維的思想，把多指標轉化為少數幾個綜合指標（即主成分），其中每個主成分都能夠反映原始變量的大部分信息，且所含信息互不重復。這種方法在引進多方面變量的同時將復雜因素歸結為幾個主成分，使問題簡單化，同時得到的結果更加科學有效的數據信息。[15]

但該方法僅適用于對交通運輸的危險性進行初次研究，各個成因對交通運輸的危險性任需采用其他方法進行分析。

2.6.2 神經網絡法

大量神經元之間的協同作用和通過學習的方法解決問題是人工神經網絡的重要特征。人工神經網絡是模仿生物神經網絡功能所建立的一種經驗模型，輸入和輸出之間的變換關系一般是非線性的。該方法首先根據輸入的信息建立神經元，通過學習規則或自組織等過程建立相應的非線性數學模型，并不斷進行修正，使輸出結果與實際值之間差距不斷縮小。（圖3）

圖3 神經網絡結構圖

利用神經網絡法可以得到一個對某一個或多個事故成因相對精確的預測模型，可以作為對交通環境及管理措施進行改進的依據。同時，神經網絡法有很好的適應性，即當樣本數據中存在誤差時，利用該方法可以消除誤差的影響。[16-17]

但神經網絡法依然存在一定不足。首先，在利用神經網絡的分析事故成因對交通運輸危險性的影響時，需要先講各輸入參數數值化，而數值化的往往需要人為確定。其次，神經網絡法需要大量的數據作為支撐，只有在數據量足夠的情況下，神經網絡法才能得到較為準確的結論。[18]

2.6.3 貝葉斯網絡

貝葉斯網絡可以視作事件樹分析法與神經網絡的結合，其本質上是基于概率推理的數學模型，通過一些變量的信息來獲取其他的概率信息，該方法可以有效解決不定性和不完整性，它對解決復雜系統不確定性和關聯性引起的故障有很大的優勢。[19]

但是，由于貝葉斯網絡是一種概率型數學模型，其初始事件的概率需要人為確定。同時，目前的貝葉斯網絡由于計算的復雜性，對事件成因的數量有著嚴格的要求，在分析事故時有一定的局限性。

2.6.4 層次分析法

該方法是美國運籌學家T.L.Saaty于20世紀70年代中期提出的，是一種將難于定量化的復雜問題，逐層分解為一系列可定量化的簡單問題，從而進行較簡單求解的數學方法，其核心是各要素間兩兩對比重要度。

該方法將定性方法與定量方法有機地結合起來，使復雜的系統分解，能將人們的思維過程數學化、系統化。同時，該方法能把多目標、多準則又難以全部量化處理的決策問題化為多層次單目標問題，通過兩兩比較確定同一層次元素相對上一層次元素的數量關系后，最后進行簡單的數學運算。所得結果簡單明確，易于了解。[20-21]

但該方法完全依賴個人經驗，不同人群對同一個系統可能會產生較大的偏差。同時，該方法只能得出定性的結論，不能得到定量的結果。

2.6.5 模糊理論

該方法是借助模糊數學的一些概念，對實際的綜合評價問題提供一些評價的方法。具體地說，模糊綜合評價就是以模糊數學為基礎，應用模糊關系合成的原理，將一些邊界不清、不易定量的因素定量化，從多個因素對被評價事物隸屬等級狀況進行綜合性評價。最終根據所給的條件，給每個對象賦予一個非負實數評判指標。[22]

該方法可以較為貼切的描述人類的思維習慣，可以完美的展現人們對某一事故成因與事故之間的居提聯系。但該方法任不能脫離人為因素的干擾，由于不同人的思考方式不同，得出的結論也會不同。

2.6.6 灰色理論

灰色系統理論是我國著名學者鄧聚龍教授于1982年提出的。它的研究對象是“部分信息已知，部分信息未知”的“貧信息”不確定性系統，它通過對部分已知信息的生成、開發實現對現實世界的確切描述和認識。其基本思想是根據序列曲線幾何形狀的相似程度來判斷其聯系是否緊密，曲線越接近，相應序列之間的關聯度就越大，反之就越小。[23]

利用該方法的最大優點是對數據的要求相對較弱，同時能去除交通環境中的某些隨機、弱相關因素。但該方法計算相對復雜，當變量超過一定個數時，計算量十分巨大。

2.6.7 數據包絡法

該方法是著名運籌學家A.Charnes和W.W.Copper等學者以“相對效率”概念為基礎，根據多指標投入和多指標產出對相同類型的單位，進行相對有效性或效益評價的一種新的系統分析方法。它是處理多目標決策問題的方法。[24]

在減少交通運輸危險性時，為了使改進過程具有較好的效益，一般會使用這種方法。一般而言，改善效益最高的危險成因即主要危險源。

但利用該方法進行評價時，有時會出現兩種方法效果較近的結果，此時需要根據相關專家的經驗對其進行排序。

3 小結

本文總結了目前使用的大多數交通運輸危險性評估方法。但在實際應用中由于不同交通運輸方式的特點不同，其所對應的評估方式也各有不同。

對于公路交通而言，其交通量較大，交通沖突十分明顯，交通事故的發生十分頻繁。因此，在分析公路交通危險性時，上述方法幾乎完全適用。也正是因為公路交通的危險性分析理論和方式較為完善，目前主流的研究方向為具體分析某一特定的公路交通因素對公路交通危險性的影響。[25]

管道運輸、鐵路運輸[26]、航空運輸[27]相對交通量較少，僅在某些特殊節點上存在交通沖突，而這種沖突可以依靠合理的管理手段消除，因此對這三類交通運輸方式進行危險性分析時，往往會對具體事故的成因進行分析。因此，故障樹分析、模糊理論、故障模式及影響分析等方式常用于這三類交通方式。

水上運輸最為特殊，首先，在內河及各個主要航路上，交通流十分龐大，交通沖突十分平凡；然而由于船舶及船載貨物的價值相對較大，各管理階層對水上交通管理十分重視，因此水上交通事故的發生概率較低。因此，目前在分析水上交通危險時陷入了一個兩難的境地。如果只對單一事故進行分析，就難以得出事故發生于演化的規律；而對事故進行統籌分析，則缺少足夠的數據支持。雖然利用多年數據可以對事故進行統籌分析，但不同年份的管理、環境、船舶條件相差巨大，進行統籌分析時需要較為復雜的預先處理工作。因此，目前水上交通危險評價的主要研究方向，并非對事故本身或者事故演化規律進行研究，而應尋找一種適用于水上交通環境的評價方式。

【參考文獻】

[1]S Oppe. Development of traffic and traffic safety： Global trends and incidental fluctuations [J].Accident Analysis & Prevention， 1991， 23（23）：413-22.

[2]馬社強. 區域道路交通安全評價的理論與方法[D]. 北京交通大學， 2012.

[3]Minderhoud M M， Bovy P H L. Extended time-to-collision measures for road traffic safety assessment[J]. Accident Analysis & Prevention， 2001，33（1）：89-97.

[4]INCIDENT MANAGEMENT ： SUCCESSFUL PRACTICES：A CROSS-CUTTING STUDY：IMPROVING MOBILITY AND SAVING LIVES[J].2000.（下轉第134頁）

（上接第155頁）

[5]Tiwari G，Mohan D， Fazio J. Conflict analysis for prediction of fatal crash locations in mixed traffic streams[J]. Accident Analysis & Prevention， 1998， 30（2）：207-215.

[6]Traynor T L. The impact of state level behavioral regulations on traffic fatality rates.[J]. Journal of Safety Research， 2009， 40（6）：421-6.

[7]Akgüng r A P， Doan E. An application of modified Smeed， adapted Andreassen and artificial neural network accident models to three metropolitan cities of Turkey[J]. Scientific Research & Essays， 2009， 4（9）：906-913.

[8]賈守鎮， 李兆鵬， 陳思源，等. 關于 Smeed 模型的適用性探討[J]. 長安大學學報：自然科學版， 1998（S1）：136-139.

[9]Abbas K A. Traffic safety assessment and development of predictive models for accidents on rural roads in Egypt[J]. Accident Analysis & Prevention， 2004， 36（2）：149-63.

[10]Cova T J， Johnson J P. A network flow model for lane-based evacuation routing[J]. Transportation Research Part A Policy & Practice， 2003， 37（7）：579-604.

[11]Al-Ghamdi A S. Analysis of traffic accidents at urban intersections in Riyadh[J]. Accident； analysis and prevention， 2003， 35（5）：717-24.

[12]Laureshyn A， se Svensson， Hydén C. Evaluation of traffic safety， based on micro-level behavioural data： Theoretical framework and first implementation[J]. Accident； analysis and prevention， 2010， 42（6）：1637-46.

[13]Abellán J， López G， O a J D. Analysis of traffic accident severity using Decision Rules via Decision Trees[J]. Expert Systems with Applications， 2013， 40（15）：6047-6054.

[14]Liu P， Yang L， Gao Z， et al. Fault tree analysis combined with quantitative analysis for high-speed railway accidents[J]. Safety Science， 2015， 79：344-357.

[15]Saha P， Roy N， Mukherjee D， et al. Application of Principal Component Analysis for Outlier Detection in Heterogeneous Traffic Data [J]. Procedia Computer Science， 2016， 83：107-114.

[16]Gastaldi M， Gecchele G， Rossi R. Estimation of Annual Average Daily Traffic from one-week traffic counts. A combined ANN-Fuzzy approach[J]. Transportation Research Part C Emerging Technologies， 2014， 47， part 1：86-99.

[17]鄧寶， 宋瑞. 基于BP神經網絡的安全評價方法研究[J]. 安全與環境工程， 2005， 12（2）：61-64.

[18]Tan G Z， Deng Q Q， Tian Z， et al. A Dish Parallel BP for Traffic Flow Forecasting[C]// International Conference on Computational Intelligence and Security. 2007：546-549.

[19]Persaud B， Lan B， Lyon C， et al. Comparison of empirical Bayes and full Bayes approaches for before–after road safety evaluations[J]. Accident； analysis and prevention， 2010， 42（1）：38-43.

[20]Xi J， Zhao Z， Li W， et al. A Traffic Accident Causation Analysis Method Based on AHP-Apriori[J]. Procedia Engineering， 2016， 137：680-687.

[21]宋祥波， 肖貴平， 賈明濤. 基于層次分析法的機車行車安全評價研究[J]. 中國安全生產科學技術， 2006， 2（6）：86-89.

[22]Lower M， Magott J， Skorupski J. Analysis of Air Traffic Incidents using event trees with fuzzy probabilities[J]. Fuzzy Sets & Systems， 2016， 293：50-79.

[23]Anton Bezuglov， Gurcan Comert. Short-term freeway traffic parameter prediction： Application of grey system theory models[J]. Expert Systems with Applications， 2016：284–292.

[24]Shen Y， Hermans E， Brijs T， et al. Road safety risk evaluation and target setting using data envelopment analysis and its extensions.[J]. Accident； analysis and prevention， 2012， 48（48）：430-41.

[25]Lund I O， Rundmo T. Cross-cultural comparisons of traffic safety， risk perception， attitudes and behaviour[J]. Safety Science， 2009， 47（4）：547-553.

[26]Bubbico R， Maschio G， Mazzarotta B， et al. Risk management of road and rail transport of hazardous materials in Sicily[J]. Journal of Loss Prevention in the Process Industries， 2006， 19（1）：32-38.

[27]Alam S， Lokan C， Aldis G， et al. Systemic identification of airspace collision risk tipping points using an evolutionary multi-objective scenario-based methodology[J]. Transportation Research Part C Emerging Technologies， 2013， 35（9）：57-84.

[責任編輯：朱麗娜]