基于結構方程模型的危險品道路運輸影響因素研究*

□ 展定玉，楊延梅，李 偉

( 1.蘭州交通大學 交通運輸學院，甘肅 蘭州 730070；2.大秦鐵路股份有限公司 榆次站，山西 晉中 030600)

危險品由于其特殊的性質，流通過程中極易在各種外界因素的作用下發生安全事故，造成人員傷亡和財產損失的嚴重后果。2019年7月至2020年8月，我國安全生產事故共計484件，死亡人數1585人，其中危險貨物運輸事故196件，占比40.5%；死亡人數657人，占比44.24%。因此，扼制造成危險品運輸事故的主要因素對預防事故的發生有很大的理論與實踐意義。

國內對貨物運輸事故的分析研究主要集中在影響因素研究、預警模型風險評價或管理研究。胡立偉等[1]通過建立貨車交通事故風險因素網絡模型對人、車、環、管四個方面的影響因素進行識別判斷，得到關鍵風險因素。沈小燕等[2]通過對比決策樹、支持向量機和多次感知器對危險貨物道路運輸事故數據進行分析，得到危險貨物道路運輸事故嚴重程度的影響因素。吳迪[3]依據貝葉斯網絡建立了危險貨物道路運輸事故預測模型。馬曉麗等[4]通過對風險因素的分析建立有序Logit模型，利用距離加權法得到危險貨物運輸過程中的風險值。張帥等[5]從“人車路貨”四個方面對影響危險品運輸的元素進行分析，提出相應的解決方案。蘇磊[6]采用層次分析法得到不同運輸方式下的事故權重，運用統計特征分析等方法構建危險品運輸事故體系并對關鍵因素進行分析。張運勝等[7]在大數據分析基礎上研究危險品運輸風險管理機制。張江石等[8]利用聯合概率公式計算情景發生概率，實現危險化學品事故中關鍵情景的推演。郭健等[9]依據數據信息融合對事故狀態進行預判。

國內研究多數是針對單一或部分因素進行分析，得到其在系統中所占權重或影響危險品流通安全的關鍵性因素，對于各影響因素之間相互關系的研究仍具有一定的局限性，在指標體系選取時較寬泛，容易導致結果不精確。程謙等[10-12]通過結構方程模型對城市軌道交通服務質量影響因素、高速鐵路客運服務質量、城市常規公交滿意度等方面進行評價研究，雖然模型組成信度、收斂效度較好，但通過調查問卷方式獲得的數據主觀性較強。鑒于此，本文通過整理危險品事故數據，獲得一年來危險品事故數量493件(數據來源：化學品事故信息網)，為保證數據的有效性，將缺失的數據篩除，最終得到154件數據作為研究對象，設立5個潛變量和19個觀察變量，以事故觀察變量為最終結果，通過驗證性因素分析對影響因素進行選取，利用通過篩選后的15個影響因素建立結構模型，數據顯示對事故的解釋程度達到70%，為危險品運輸和安全預警研究提供一定的理論支持。

1 因素及數據分析

1.1 因素分析

危險品事故發生主要有人、運輸設備、環境、危險品、管理這五方面的原因，通過事故分析繪制影響因素如圖1所示。車輛罐體狀態包括車輛定期檢查、運行里程、使用年限。車輛裝載設施故障方式分內部原因和外部原因，內部原因包括車體問題(車體突發故障如爆胎、剎車失靈、打滑等)和裝載設施問題(罐體意外破損或因年久失修造成貨物泄露等)；外部原因為因駕駛人員操作失誤造成的側翻、追尾等情況。路面情況1為路面干燥程度；路面情況2為路面坑洼程度、障礙物嚴重程度。明亮時間段如圖2所示。

圖1 影響因素

圖2 明亮程度時間段

1.2 數據分析

通過原始事故數據分析(部分因素數據缺失)得到一年來各省份事故發生數量如表1所示，上海、山東、河南、廣東發生事故的數量最多，安徽、湖北、湖南、四川、浙江次之。表2、圖3為事故發生時間段分析，從中可以看出事故發生時間段呈周期性變化，午高峰期間事故發生最多，零時區間發生事故次之。另外，遇高溫爆炸1件，因道路標志標線不合理發生事故1件。天氣分析如表3所示。溫度方面：最低氣溫-16℃，最高氣溫38℃，各溫度區間發生事故的數量如表4所示，極寒下事故發生較少，常溫、高溫下事故發生最多。根據事故分析劃分人員駕駛行為如圖4所示，數值按導致事故后果嚴重程度分級。其他數據分析如表5所示。根據事故分析得到最終因素變量表如表6所示。

表1 各省份事故數量

表2 時間段事故數量表

表3 天氣事故數量表

表4 各溫度段事故數量表

表5 數據分析

圖3 時間段分析

圖4 人員駕駛行為

表6 變量表

2 結構方程模型

2.1 模型建立

結構方程模型由聯系觀察變量和潛變量的測量模型和將潛變量聯系在一起的結構模型組成。根據概念研究繪制初始模型路徑圖，如圖5所示。本文基于AMOSE(Analysis of Moment Structures)軟件平臺對概念模型進行分析。觀察變量殘差值用來表示可能出現殘差間不獨立或殘差為負值的情況，出現負值殘差將參數設定改為0.0005[13]，對于殘差不獨立，可通過拉相關或將相關性高的殘差刪除。

圖5 概念模型路徑圖

2.2 模型修正

結構方程模型由檢驗測量模型是否正確的驗證性因素分析(Confirmatory factor analysis，CFA)和分析各個構面之間關系的結構模型組成。

為保證結構方程模型數據的準確性，必須檢驗觀察變量與對應的潛變量之間的關系是否正確。非標準化的估計值為自變量改變一個單位因變量改變多少個單位；標準化的估計值為自變量改變一個標準差，因變量改變多少個標準差(研究自變量對因變量重要程度)，取值為-1～1。測量模型中標準化因素負荷量(factoring loading，權重值)介于0.7至0.95為ideal，大于0.6為acceptable(探索式因素取0.3～0.5)。SMC(squared multiple correlations)為標準化因素負荷量的平方，也稱題目信度(item reliability),表示潛在變數對該題目的可接受能力，大于0.36為acceptable(探索式模型取0.1～0.3)，大于0.5為ideal，在結構方程模型中SMC表示自變量對構面(潛變量)的解釋能力，大于0.18為small，大于0.33為middle，大于0.67為large，在路徑分析中，該值往往會被低估且模型為探索式結構方程模型，取值可適當降低。估計方法為最大似然估計。

驗證性因素分析由收斂效度與組成信度構成。收斂效度AVE(取值在0.3～0.5或0.5以上)表示構面的收斂效度；組成信度CR(0.5，0.7)表示構面的內部一致性，如公式(1)和(2)所示。

(1)

(2)

2.3 模型檢驗

本文對結構方程模型中各種配適度指標的選取有自由度(df)、P-value、GFI、AGFI、CFI、RMSEA[14]。GFI、AGFI、CFI檢驗模型期望共變異數矩陣與樣本共變異數矩陣的相似性，0.8以上為acceptable，0.9以上為ideal；RMSEA為兩矩陣的相異性檢驗，小于0.08為acceptable，小于0.05為ideal[15-16]。卡方值不能過大，但同時又受到樣本數的影響且與自由度成正相關，所以通過檢查的值來確定，小于3表示模型可接受，小于2表示模型較好。

3 模型檢驗

3.1 收斂效度檢驗

圖6-9為各測量模型數值。根據圖6-9對相關性較小的因素進行篩除。環境中en1,en3,en4,en6的factoring loading 與squared multiple correlations較為理想，符合要求。危險貨物中dan1,dan3符合要求(在事故中，危險貨物數量對于事故影響相比貨物種類和貨物狀態來說較小)。設施中fa1至fa4都較為理想，保留。管理中ma1～ma3都符合顯著性檢驗，保留。

圖6 環境測量模型

圖7 危險貨物測量模型

圖8 設施測量模型

圖9 管理測量模型

表7為測量模型因素負荷量表。由表7可知，除危險貨物dan3以外，非標準化估計值參數顯著(小于0.05)，表明參數有意義，因素負荷量多數介于0.3～0.5之間 ，題目信度多數在0.1以上，表明具有可接受的題目信度，組成信度除環境外都在0.5以上，代表內部一致性成立，除環境以外AVE都介于0.3～0.5或大于0.5，說明構面間的效度較好。

將標準化因素負荷量小于0.2的移除后，部分觀察變量的標準化因素負荷量偏小，這與數據的缺失和本文探索性因素有關。在數據分析中，不能完全排除主觀因素的影響，造成數據缺乏一定的信度或部分觀察變數可制定到其他構面。部分標準化因素負荷量(ma1)超過1或在0.95以上(1.04～1.4之間，甚至有時超過2.80)，不代表該題目是錯誤的，可能是變數之間有較高的相關性(共線性)。部分殘差的不獨立導致個別模型配適度指標未能符合CR和AVE。因素負荷量出現負值是因為數據中存在反向題目，對結果沒有影響。

表7 測量模型因素負荷量

3.2 區別效度分析

根據測量模型繪制新的結果模型如圖10所示。初始配適度指標中RMSEA小于0.08，CFI、AGFI略小于0.9，對事故的解釋能力為73%。對模型修正數據如表8所示。在第三步與第四步修正中，雖然配適度指標都逐漸滿足要求，但對事故的解釋能力開始下降，故采用修正至第三次的結果，如圖11所示。最終，各因素綜合效應如表9所示，各構面間的解釋能力如表10所示。

圖10 結構方程模型

圖11 修正后的結構方程模型

表8 模型修正

表9 影響因素綜合效應

表10 構面解釋能力

4 結論

由表9可知，較高影響因素中：危險貨物dan3對于事故的影響程度最高(0.4648)，其次為車輛的狀態fa3(-0.35)，說明隨著設施使用時間的增加，其對于事故的影響在降低，較新設備反而對事故的影響較大。中度影響因素中：危險貨物種類dan1對事故的影響達到0.2158，人員資質Pe1(0.213)和ma1處理時間(-0.2)次之，故障方式fa4(0.196)和pe2(0.177)、ma3(0.102)最低,其中處理時間為負值表示危險品處理時間越久，危險品泄露爆炸對周圍的影響越小。

危險品、貨物和人對于事故影響較高，這是因為事故的定義涉及到人車物的損耗，從表10中可以看出人對于設施的影響達到44%，而管理對于設施的影響只有2%。在事故分析過程中，因為人員操作不當導致事故的發生達到了54%，受外部環境車輛影響為38.6%。在表10中環境對于人的影響達到了23%。所以除了人員對于設施的影響，環境通過影響人從而影響人對于設施的操作導致事故發生的概率也較高。

根據表10可知，對事故、危險品、設施的解釋能力分別達到70%、18%、20%，因環境與人員受事故實時數據獲取的影響較大，所以對于人和環境的解釋程度不到19%。環境對于人的影響為23%，人對于設施的影響為44%，駕駛行為危險等級越高，對事故的影響越大。設施對于危險品的影響為34%，而管理對于危險品的影響為29%，在數據分析過程中發現，還是存在很多因管理缺失出現的違章運輸，車檢貨檢不合格的情況。各構面對于事故的直接影響規律與表9影響因素綜合效率規律相符。雖然環境對于事故的直接影響最低，但環境可通過影響人、設施和危險品從而影響事故的發生，如在事故分析中出現的因高溫導致爆炸事件1次，道路標志標線不合格使駕駛人員錯誤判斷道路情況1件。

本文雖然對重要影響因素進行了判斷，得到一級影響因素為：dan3，fa3，二級影響因素為：dan1，pe1，ma1，fa4，pe2，ma3，三級影響因素為：ma2，fa1，fa2，en4，en1，en6，en3，但事故發生是突發事件，且數據多是通過事后分析獲取，另外在管理方面的數據處理中(ma3)還是存在一定的主觀判斷，所以未來研究會基于在已有數據分析的基礎上建立實時動態預警模型，通過大數據分析，不斷更新各影響因素的重要程度，構建區域性動態風險等級，為事故預警提供理論支持。