蘇州市高速公路安全統(tǒng)計建模

張琪 王雪松 豐明潔 裴瑩瑩 鄧毅萍

摘 要：高速公路作為連接長三角地區(qū)的重要通道，承載了大量的交通需求。通過安全建模分析，識別長三角都市圈通勤時段高速公路交通事故特征及交通安全主要影響因素，提高其運行安全和效率，有利于推進(jìn)長三角城市群交通一體化建設(shè)。本文采集蘇州市10條高速公路雙向的交通事故數(shù)據(jù)、道路幾何數(shù)據(jù)和交通運行數(shù)據(jù)，考慮空間相關(guān)性，基于微觀路段單元，建立了貝葉斯負(fù)二項條件自回歸模型。結(jié)果表明，道路幾何特征、交通運行特征對高速公路安全均存在顯著影響。

關(guān)鍵詞：長三角都市圈；高速公路；貝葉斯負(fù)二項條件自回歸模型；影響因素

基金項目：道路交通安全“十四五”規(guī)劃（2020SJD06），道路安全現(xiàn)狀分析與對策研究專題

Safety modeling for freeway in Suzhou

ZHANG Qi1，WANG Xuesong1，F(xiàn)ENG Mingjie1，PEI Yingying1，DENG Yiping2（1.Key Laboratory of Road and Traffic Engineering of the Ministry of Education， Tongji University， Shanghai 201804， China；2.Traffic Management Research Institute of the Ministry of Public Security，Wuxi 214151，China）

Abstract： As an important passage connecting the Yangtze River Delta， freeways carry a large amount of traffic demand. It is necessary to conduct corresponding safety analysis， in order to identify the characteristics and impact factors of freeway crashes during commuting periods in the Yangtze River Delta metropolitan area. Geometric features， traffic operational factors were gathered from the 10 freeways in Suzhou， China. Considering spatial correlations， a set of Bayesian Negative Binomial Conditional Autoregressive（NB-CAR）model was selected as prediction model based on micro-level analysis units. Results indicate that geometric features and traffic operational factors are substantially associated with crash frequencies.

Keywords： Yangtze River Delta metropolitan areas；freeway；Bayesian Negative Binomial Conditional Autoregressive model；effect factors

截至2019年，長三角地區(qū)高速公路總里程為1.49萬公里，高速公路覆蓋率顯著高于全國平均水平，其中蘇州市高速公路里程達(dá)608公里[1]。高速公路作為連接長三角都市圈的重要通道，提供了中大量、長距離的快速交通服務(wù)，承擔(dān)著長三角區(qū)域大量的過境交通。由于高速公路交通流量大、行車速度高的特點，一旦發(fā)生事故將造成極大的生命財產(chǎn)損失和交通運行影響。識別高速公路通勤時段的交通事故特征，保證交通安全和通暢，對蘇州市乃至整個長三角區(qū)域尤為重要。因此研究高速公路事故影響因素有助于為其運行、管理提出有效的改善措施。

交通事故數(shù)據(jù)具有離散性、非負(fù)性、隨機(jī)性、非正態(tài)分布等特點，傳統(tǒng)的線性回歸模型無法對事故數(shù)據(jù)進(jìn)行很好的擬合。因而建立了廣義線性回歸模型來進(jìn)行事故預(yù)測，其中泊松模型和負(fù)二項模型被廣泛用于擬合事故的發(fā)生[2]。然而廣義線性模型均假設(shè)研究的樣本相互獨立，并未考慮事故數(shù)據(jù)的層次結(jié)構(gòu)性，如研究單元的空間相關(guān)性，可能會造成錯誤的估計。由于高速公路沿線路段在幾何設(shè)計、交通運行特征等方面存在未觀察到的相似之處，為解決由此導(dǎo)致的空間相關(guān)性，條件自回歸模型被廣泛應(yīng)用于高速公路事故建模[3-5]。該模型克服了廣義估計方程理論的局限，可靈活設(shè)置組內(nèi)研究單元間的關(guān)聯(lián)系數(shù)。

本研究基于蘇州市10條高速公路的微觀路段單元的數(shù)據(jù)，考慮空間相關(guān)性，建立條件自回歸負(fù)二項模型。針對高速公路高峰通勤時段，研究其道路幾何特征和交通運行特征與事故發(fā)生頻率之間的關(guān)系。

1數(shù)據(jù)準(zhǔn)備

1.1高速公路選取與路段劃分

本文以蘇州市10條高速公路為分析對象，將其劃分為微觀分析單元：主線路段每1公里劃分為一個微觀單元；出入口路段考慮到出入口匝道對交通運行的影響，以匝道位置對路段進(jìn)行劃分。最終，10條高速公路共劃分為1013個微觀路段研究單元。

1.2數(shù)據(jù)采集

交通事故數(shù)據(jù)來源于蘇州市2019年全年高速公路交通事故記錄。針對劃分的微觀研究單元，采集車道數(shù)、匝道類型、路段長度等微觀路段的道路幾何變量，采集到的匝道類型如圖 1所示。流量數(shù)據(jù)來源于高速門架信息和交通流量表，統(tǒng)計高峰小時流量。速度數(shù)據(jù)來源于高德平臺，采集10條高速公路所有路段的速度數(shù)據(jù)，并計算高峰小時的平均速度。道路幾何設(shè)計變量和交通運行變量的統(tǒng)計信息如表 1、表 2所示。

2安全統(tǒng)計模型與估計方法

2.1貝葉斯負(fù)二項條件自回歸模型

貝葉斯方法可以結(jié)合先驗分布，利用原有模型為現(xiàn)有數(shù)據(jù)建模提供先驗依據(jù)，從而得出更好的擬合結(jié)果。先驗分布可以由經(jīng)驗得出，也可以是無信息的先驗分布。該方法可以有效避免由于數(shù)據(jù)偏差過大造成結(jié)果的不可靠。理論框架如下：

2.2模型結(jié)果

貝葉斯估計通過馬爾科夫鏈算法來完成。本文利用WinBUGS軟件的吉布斯取樣法（Gibbls Sampling）模擬馬爾科夫鏈，從而完成對貝葉斯模型的標(biāo)定。假設(shè)模型中的隨機(jī)效應(yīng)項的方差和負(fù)二項分布的離散系數(shù)均服從逆伽馬分布，設(shè)定馬爾科夫鏈進(jìn)行20000次迭代，并舍棄前4000次不穩(wěn)定迭代。參數(shù)估計結(jié)果如表3所示。

95%置信區(qū)間不包含零說明對應(yīng)的估計參數(shù)是顯著的。根據(jù)事故預(yù)測模型的參數(shù)估計結(jié)果，可以看出道路幾何變量和交通運行變量均為交通事故的顯著影響因素。

3安全影響因素分析

3.1道路幾何特征

根據(jù)表3，車道屬性部分，單向三車道的系數(shù)為負(fù)值且在95%置信水平下顯著，表明單向三車道的事故頻率顯著低于單向二車道。單向四車道及大于單向四車道的模型系數(shù)均為正值且在95%置信水平下顯著，表明車道數(shù)到達(dá)一定程度時，高速公路交通事故隨著車道數(shù)的增加而增加且顯著相關(guān)。Kononov等[6]利用神經(jīng)網(wǎng)絡(luò)模型研究車道數(shù)與交通安全之間的相關(guān)關(guān)系，也得到類似的結(jié)論。這可能與隨著車道增加而導(dǎo)致的變道行為增加有關(guān)，早晚通勤高峰期間交通流量較大，駕駛?cè)藭A向頻繁變道以保證自己運行順暢，而在高速公路上，以較快的速度進(jìn)行變道，容易導(dǎo)致追尾事故和側(cè)碰事故。

匝道類型部分，路段有一條進(jìn)口匝道、一條出口匝道、先進(jìn)后出匝道和先出后進(jìn)匝道的模型系數(shù)顯著為正。說明相比無匝道的路段，有一條進(jìn)口匝道、出口匝道、先進(jìn)后出和先出后進(jìn)匝道會增加路段的事故風(fēng)險。交通流頻繁分流和匯入，會對主線交通造成干擾，因此路段存在進(jìn)口匝道或出口匝道均會增加路段發(fā)生事故的可能性。路段有兩條進(jìn)口匝道的模型系數(shù)不顯著，可能與樣本量過小有關(guān)。

路段長度部分，模型結(jié)果顯示，路段長度變量顯著且符號為正，這說明高速公路交通事故隨微觀路段長度增加而增加。高速公路交通流作為連續(xù)流，以極高的車速運行，且駕駛環(huán)境較為單一，駕駛?cè)嗣媾R突發(fā)情況可能會反應(yīng)不及，容易造成事故。

3.2交通運行特征

路段高峰小時流量的對數(shù)與事故頻率呈顯著正相關(guān)關(guān)系，即隨著高速公路路段流量的增加，事故頻率也隨之增加。當(dāng)交通流量增多時，車輛之間的互相干擾會顯著增加，嚴(yán)重影響交通運行安全和效率。

路段高峰小時平均速度與交通事故呈顯著的負(fù)相關(guān)關(guān)系，即高速公路路段事故隨著速度的增加而降低。較高的運行速度，說明高速公路路段運行情況暢通，而較低的運行速度，則說明路段交通運行情況不佳，有可能發(fā)生交通擁堵或事故，該情況易發(fā)生追尾和側(cè)碰等事故。

4總結(jié)

本文以蘇州10條高速公路為研究對象，建立貝葉斯負(fù)二項條件自回歸模型，發(fā)現(xiàn)路段長度、高峰小時流量、高峰小時速度、車道數(shù)和匝道類型均會對高速公路路段事故數(shù)產(chǎn)生顯著影響。該結(jié)果揭示了以蘇州市為例的高峰通勤時段道路幾何特征與交通運行特征對高速公路交通事故的影響，為蘇州市高速公路交通安全管理工作及未來長三角都市圈交通規(guī)劃的實施提供一些借鑒。

參考文獻(xiàn)

[1] 蘇州市統(tǒng)計局.蘇州市統(tǒng)計年鑒（2020）[M]. 北京：中國統(tǒng)計出版社，2020.

[2] DANIEL J R， MAINA E. Relating Safety and Capacity on Urban Freeways. 6th International Symposium on Freeway Capacity and Quality of Service， Stockholm， Sweden. 2011.

[3] XIE K， WANG X， OZBAY K， YANG H. Crash frequency modeling for signalized intersections in a high-density urban road network [J]. Analytic Methods in Accident Research. 2014， 2： 39-51.

[4] MA X， CHEN F. Multivariate space-time modeling of crash frequencies by injury severity levels[J]. Analytic Methods in Accident Research. 2017， 15 ： 29-40.

[5] WANG X， FENG M. Freeway single and multivehicle crash safety analysis： Influencing factors and hotspots [J]. Accident Analysis & Prevention. 2019， 132.

[6] KONONOV J， BAILEY B A， ALLERY B K. Exploratory Analysis of Relationship between the Number of Lanes and Safety on Urban Freeways[J]. Journal of the Transportation Research Record， Washington D.C： Transportation Research Board of the National Academies. 2008.