基于貝葉斯網絡的道路交通事故致因路徑分析

摘要：為了分析道路交通事故的發展過程和演變規律，以云南省某司法鑒定中心收錄的2010—2023年間云南省各州、市道路交通事故調查數據庫為基礎，結合國家車輛事故深度調查體系（NAIS）中對于道路交通事故調查的關鍵信息記錄項，提取出包含時間、道路、人員等4類因素在內的17個致因項，構造事故致因分析數據集。其次，利用基于評分函數的爬山算法對貝葉斯網絡（BN）進行結構學習，結合專家經驗確定貝葉斯網絡的拓撲結構，利用最大似然估計的方法對BN進行參數學習，確定最終的事故致因貝葉斯網絡。最后通過敏感性分析識別關鍵事故致因路徑，利用通徑模型分析路徑的效應水平，確定最大致因路徑。結果表明：道路因素是影響道路交通事故形態以及傷亡情況的主要因素，以這兩類事故結果為末節點的關鍵事故致因路徑分別有3條、4條，其中最大致因路徑分別為“路面結構→道路類型→傷亡情況”“路面結構→道路類型→事故形態”。

關鍵詞：交通安全；道路交通事故；貝葉斯網絡；事故致因路徑

中圖分類號：U491.31 收稿日期：2024-10-24

DOI：10.19999/j.cnki.1004-0226.2024.12.021

1 前言

近年來，全國公安機關以道路交通事故預防“減量控大”工作為主線，全力做好防事故、保安全、保暢通各項工作，實現了全國道路交通事故穩中有降的目標。雖然事故數量有所下降，但每年仍有大量人員因道路交通事故而傷亡。例如，在應急管理部發布的數據中，2024年第一季度全國共發生事故3 570起、死亡3 359人，其中重特大事故4起、死亡82人。因此，對道路交通事故演化過程進行研究，對于降低道路交通安全風險具有重要意義。

當前對于道路交通事故的致因研究多是采用離散選擇模型，如有序Probit/Logit模型[1]、混合Logit模型[2]等來分析各類致因對事故結果的影響程度。然而，這類模型往往局限于研究某些單一屬性對事故結果的直接影響，缺乏對影響因素之間關聯性的研究，即對事故致因路徑進行研究[3]。而海因里希事故連鎖理論[4]認為事故致因具有連鎖效應，即可以通過消除事故路徑中某個因素的方式來阻斷事故的發生。

分析相關文獻可知，此類研究與傳統事故致因分析最大的不同之處在于它不再對某個事故致因進行獨立分析，而是將它們視作相互關聯的一個系統來研究。其主要的思路是先找到事故致因之間的內在邏輯性，然后通過建立樹型或網絡型結構對相關關系進行闡述，加之適當的數學模型處理，最后得到相應的事故鏈條，其中比較常見的結構模型有事故樹模型[5]、事變樹模型[6]、貝葉斯網模型[7]等。特別是貝葉斯網模型，其作為機器訓練模型的一種，除了在事故預測方面的應用，也開始被用于對事故致因路徑的挖掘[8]。

因此在利用相關事故數據集的基礎上，引入貝葉斯網絡模型對道路交通事故致因路徑進行識別分析，可以為探究道路交通事故演化規律和制定相關事故的預防策略提供新的思路。

2 理論基礎

2.1 貝葉斯定理

貝葉斯方法基于已經擁有的經驗或者知識，用概率來衡量人們對某個事件真實度的相信程度。假設H是一個事件，K為試驗之前已經擁有知識，那么p（H｜K）就是給定K以后關于H的概率或者對它的信仰。如果試驗產生了一個數據D，那么就要將概率修正為p（H｜D∩K），這樣的修正將包含在給定H發生或者不發生時關于數據的不確定性。在概率論中有三條正式的規則，由其可以推出任意的性質：

2.2 貝葉斯網絡

貝葉斯網絡（BN）屬于概率圖形（probabililistic grapical models，GM）族的一種網絡模型，它以貝葉斯定理作為理論基礎，涵蓋了圖理論、概率論、計算機科學及統計等領域的概念，主要的組成部分是一個有向無環圖（directed acyclic graphic，DAG）結構（圖1）。DAG的主要組成部分是節點（node）或頂點（vertex）以及有向邊或者說是有向弧。無回路意味著沒有節點是它自己的祖先或者后代，簡單來說就是順著網絡中箭頭的方向一直追溯不會經過已經走過的節點。

貝葉斯網絡中的每個節點都對應著一個變量，可以給變量賦予不同的取值，箭頭的方向表現了變量之間的依存關系。箭頭指向的終點為“子節點”（child），起點稱為“父節點”（parent）。和圖模型類似，沒有父節點的節點稱為根節點（root node），沒有子節點的節點為葉節點（leaf node），其他節點稱為中間節點（intermediate node）。每個節點都附有給定其父節點的（條件）局部概率，因此貝葉斯網絡也稱為概率有向無回路圖模型（probabilistic directed acyclic graphical model）。

3 事故致因貝葉斯網絡構建

3.1 網絡節點選擇

構造貝葉斯網絡的第一步是要確定網絡節點，通過對相關事故數據庫中的3291起道路交通事故的事故調查報告進行分析整理，結合國家車輛事故深度調查體系（NAIS）中對于道路交通事故調查的關鍵信息記錄項[9]，提取出包括時間、車輛、道路等五個方面在內的17個事故參數項（表1），結合具體事故信息構造事故分析矩陣數據集（表2），以該數據集中的參數項及信息作為后續BN結構和參數學習的網絡節點和訓練數據集。

3.2 參數及結構學習

在多數情況下，BN的結構和條件概率表都是未知的，需要事先給出用于訓練的數據集和先驗信息（如專家知識和因果關系）來估計節點間的拓撲關系和貝葉斯網絡中的聯合概率分布，即結構學習（structured learning）和參數學習（parameter learning）。因此本文在matlab中采用基于評分函數的結構學習爬山算法來對BN進行結構學習，通過不斷調整節點順序和數量，得到以“事故形態”“傷亡情況”為末節點的初始拓撲結構。然后在初始結構的基礎上結合專家經驗對網絡結構進行優化，剔除與末節點不相關的中間節點以及不合理的有向線段，得到最終的BN拓撲結構。

除此之外，要想獲得完整的貝葉斯網絡，還需要對拓撲結構中的節點進行參數學習，所謂的參數學習就是指通過學習樣本數據集來估算貝葉斯網絡各個節點的參數，這里的參數即各節點的聯合概率分布。基于前述拓撲結構，本文利用最大似然估計的方法來對該網絡進行參數學習，在進行參數學習前假設各個節點的先驗概率滿足狄利克雷分布（dirichlet distribution），將結構和參數學習的結果通過貝葉斯網絡分析軟件GeNIe 4.0 Academic對該網絡進行可視化操作，具體如圖2所示。

4 事故致因路徑分析

GeNIe軟件可對網絡節點進行敏感性分析，如將“傷亡情況”和“事故形態”節點設置為目標節點后，可以獲得各節點的敏感性分析結果，具體結果如表3所示。敏感性分析是通過識別節點參數（即先驗概率和條件概率）的微小變化對輸出參數（如后驗概率）的影響來實現的，高度敏感的參數對推理結果的影響更為顯著，因此可以將節點敏感性的分析結果作為關鍵事故致因路徑識別的依據，其中敏感性分析的評價指標為敏感性指數Max值（記作MSI）。從敏感性分析的結果中篩選出MSI>0.01的中間節點及由這些節點組成的有向線段（具體如表3所示），由這些節點和線段可識別出不同類型事故的關鍵事故致因路徑。從敏感性分析的結果來看，該網絡中是否超速-K（0.031）對傷亡情況-O的影響最顯著，事故時間-A（0.16）對事故形態-Q的影響最顯著，道路橫斷位置-H、路面結構-E、道路類型-C是這兩類目標節點的共同關鍵致因，道路因素是這兩類事故結果的主要因素。

在敏感性分析的基礎上對高敏感節點間的有向線段進行影響強度分析，以強度值作為影響強度的評價指標，強度值衡量的是該有向線段對整個鏈路的影響，由此可得到不同要素組合對路徑影響權重。從分析的結果來看，在與傷亡情況有關的有向線段中“道路橫斷位置-H→道路類型-C”的聯系最強（0.201），對事故鏈條的影響最顯著，在與事故形態有關的有向線段中“事故時間-A→事故形態-Q”的聯系最強（0.232），影響最顯著。這些不同的因素組合可以作為事故預防中重點研究的對象，例如，縣鄉道路中的機非混合車道容易引發死亡事故，因此應在條件允許的情況下，通過設置護欄、綠化帶等物理隔離設施，將機動車道與非機動車道明確分隔，減少機非混行的機會，從而降低事故風險；夜間行車由于視線受限和反應時間延長，更容易引發正面碰撞事故，應合理設置減速指示牌，引導駕駛員適當降低車速，在雨、雪、霧等惡劣天氣條件下更是如此。

根據表3的網絡分析結果識別出以傷亡情況和事故形態作為末節點的關鍵事故致因路徑，在此基礎上，對關鍵事故致因路徑進行通徑分析，得到各關鍵事故致因路徑的通徑系數，并通過統計分析檢驗路徑的顯著性，具體路徑如圖3所示。由圖3可知，識別的關鍵事故致因路徑分別有3條、4條，在與傷亡情況相關聯的路徑中，“路面結構→道路類型→傷亡情況”的效應水平（即路徑通徑系數乘積，該路徑為0.018）最高，所以該路徑為傷亡情況節點的最大事故致因路徑；在與事故形態相關聯的路徑中，“路面結構→道路類型→事故形態”的效應水平最高（0.027），因此該路徑為事故形態節點的最大事故致因路徑。

在識別關鍵事故致因路徑的基礎上，可以通過改變路徑中末節點狀態概率的方式（如將事故路徑中某個事件發生的概率設為100%）來向前推理得到剩余節點在整個事故路徑中的更新傳播結果，以此進一步分析事故路徑的傳播規律。例如，以圖4中的事故路徑為例，可以分析得到正面碰撞事故更容易在平面線型為直線段和右轉彎的城市路段發生，側面碰撞往往發生在縣鄉道路以及左轉彎路段，超速的情況下更容易導致死亡事故等。根據類似的方式可以探究不同條件對各種類型事故的影響，進而為事故預防策略的制定提供有效參考。事故的發生是多個因素造成的，所以除了對重點致因進行防治，還可以從不同要素組合中得到啟發，制定相關的預防策略。例如，針對事故多發的轉彎路段增加提示性標志、在人員密集的城市道路及路況復雜的縣鄉道路進行有效劃分，對人、車區域進行隔離等。

5 結語

本研究通過構造事故致因貝葉斯網絡的方式分析了包括時間、道路等方面14個因素對道路交通事故結果的影響，利用敏感性分析的方法識別出不同類型事故的關鍵事故致因路徑，并對致因路徑進行了定量分析，最后通過改變節點狀態的方式探討了不同形成條件下的事故預防策略。具體結論如下：

a.從貝葉斯網絡敏感性分析的結果來看，致因參數項中分別有5種、7種因素對事故的傷亡情況以及事故形態具有顯著影響，道路因素是這兩個末節點的共同主要致因，其中是否超速對事故傷亡情況影響最顯著，事故發生的時間對事故形態的影響最顯著。

b.利用通徑模型分析tPfWtFTcWf3DrgTOvOytmHv/KSN2+vy9/q7pvmdElGk=得到的最大事故致因路徑分別為“路面結構→道路類型→傷亡情況”“路面結構→道路類型→事故形態”。

參考文獻：

[1]崔梟翔.道路交通事故及其嚴重程度影響因素研究[D].大連：大連理工大學，2018.

[2]胡宗品，駱仁佳，于淑君.城市死亡交通事故形態影響因素分析[J].交通科技與經濟，2022，24（1）：25-29+37.

[3]江玉杰，萬征，陳繼紅.中國沿海水上交通事故致因路徑分析[J].大連海事大學學報，2024，50（1）：76-84.

[4]李杰，陳偉炯.海因里希安全理論的學術影響分析[J].中國安全科學學報，2017，27（9）：1-7.

[5]劉暢，夏鴻文，孟興凱，等.800 km客運班線事故特征及情景研究[J].公路交通科技，2024，41（1）：160-168.

[6]Wang W，Jiang X ，Xia S，et al.Incident tree model and incident tree analysis method for quantified risk assessment：An in-depth accident study in traffic operation[J].Safety Science，2010，48（10）：1248-1262.

[7]劉亦達.基于貝葉斯網絡的高速公路藍牌貨車交通事故風險及對策研究[D].長安：長安大學，2023.

[8]熊曉夏，陳龍，梁軍，等.基于貝葉斯網絡模型的道路交通事故鏈生成與演化研究[J].公路交通科技，2018，35（5）：99-101.

[9]曹毅，周華，肖凌云，等.基于NAIS數據庫中視頻信息的人—車碰撞事故特征分析[J].汽車安全與節能學報，2020，11（1）：44-52.

作者簡介：

容嘉，男，1998年生，碩士研究生在讀，研究方向為交通安全。

何超（通訊作者），男，1980年生，教授，研究方向為汽車排放測試與控制、交通安全。