摘要：為獲取道路線形、駕駛員屬性、車輛類型、事故形態等因素對山區公路穿村鎮路段過境車輛事故嚴重程度的影響機制。本文基于元雙公路(元謀—牟定)2012—2017 年事故數據，利用社會網絡分析法從人、車、路、環境等方面篩選出 15 個影響因素;基于機器學習方法構建貝葉斯網絡模型;以事故嚴重程度為決策變量，分析不同證據變量與駕駛員行為共同作用的推理結果。結果表明：不安全駕駛行為與危險事故因素的共同作用，將會增加事故嚴重程度。當涉及貨車時，由于未保持安全距離，傷人事故率增加 8.2%;在彎坡組合路段，由于駕駛員判斷失誤，傷人事故率增加 19.6%;在陰雨天行駛時，由于駕駛員判斷失誤，傷人事故率增加 5.4%;由于操作不當，發生側翻事故時，傷人事故概率增加 3.1%。

　　關鍵詞：交通工程;過境車輛事故嚴重程度;貝葉斯網絡;穿村鎮路段;山區公路

　　引言

　　隨著我國公路網快速發展，公路穿村鎮路段里程不斷增加，且其交通量不斷增大，導致過境交通與城鎮內部交通沖突加劇[1]。調查顯示，2017—2019 年我國山區公路事故數量占比約 85%。因此，山區公路穿村鎮路段過境車輛事故防治，成為交通安全領域迫切需解決的現實問題。本轄區境內道路上行駛的非本(縣、市、省)籍車輛即為過境車輛，對于駕駛人而言，即屬于異地行駛[2]。駕駛員在穿村鎮路段行駛，需要根據地形條件和周圍環境改變駕駛行為。

　　過境車輛駕駛員相比當地駕駛員，缺少行車經驗。有研究表明，駕駛員因素與事故嚴重程度顯著相關。如 Susana 等[3]基于機器學習探討司機違章行為對交通事故嚴重程度的影響，發現駕駛員不安全操作行為是交通事故的直接影響因素。喬建剛等[4]分析了村鎮道路會車與駕駛員心理變化的關系，發現駕駛員在會車過程中會明顯緊張，且緊張程度受具體道路條件和周圍環境影響較大。Delen 等[5]揭示了與交通事故嚴重程度顯著相關的因素有駕駛員年齡、性別、是否酒后駕駛、是否采取安全措施、車輛用途等。

　　近年來，山區公路交通安全研究逐步成為熱點。如戢曉峰等[6]構建雙變量沖突極值(BTCEV)模型，預測山區雙車道公路貨車碰撞的發生率。楊文臣等[7]采用部分優勢比模型與有序 Logit模型對比，嘗試揭示山區公路不同類別機動車碰撞事故嚴重度的形成機理。Ahmed 等[8]基于貝葉斯層次模型對山區高速公路段的碰撞頻率進行建模，發現山區高速公路連續長下坡路段、急轉彎路段和隧道路段更容易發生碰撞。上述文獻主要關注山區高速路段及雙車道公路的事故發生機理，未能關注穿村鎮路段的安全隱患。

　　與此同時，山區公路穿村鎮路段的事故治理問題成為重大現實需求。如張鐵軍等[9]應用負二項模型研究山區公路穿村鎮段的事故形態特性，研究發現交通量、混雜率和道路橫坡度影響顯著。尹心怡等[10]構建事故推演模型，分析了穿村鎮路段各類安全設施對事故發生過程產生的影響。然而，山區公路穿村鎮路段事故研究多為經驗描述，缺少定量研究，且忽略了各因素之間的關聯。此外，車輛異地行車普遍增多，過境車輛事故防治成為預防道路交通事故的重要內容。鑒于此，為解釋道路線形、駕駛員屬性、車輛類型、事故形態等因素對山區公路穿村鎮路段過境車輛事故嚴重程度的影響。同時，考慮到異地行車對駕駛員的操作考驗。

　　本文以典型山區公路穿村鎮路段過境車輛事故為研究對象，采用社會網絡分析法對事故重要影響因素進行篩選，得到 178 起過境車輛事故數據，并構建貝葉斯網絡模型對過境車輛事故嚴重程度進行推理分析;分析駕駛員行為聯合其他影響因素對事故嚴重程度的共同影響機制，以期為山區公路事故治理提供理論依據。

　　1 研究方法及數據描述

　　本文采集事故數據，使用社會網絡分析以及貝葉斯網絡探討影響過境車輛事故嚴重程度的重要因素。模型構建及分析具體包含因素篩選、網絡結構構建、網絡參數學習、結果驗證和推理分析五個步驟。

　　1.1 社會網絡分析為對過境車輛事故貝葉斯網絡結構的構建做準備，使用社會網絡分析法篩選重要影響因素。社會網絡分析在清晰解釋復雜事故問題的同時，可獲取事故的關鍵原因。同時，度中心性可衡量節點的中心性，也能反映當前節點與其他節點的聯系強度。度中心性值越高，該節點在事故網絡中的重要性就越大[11]。因此，選用度中心性值來篩選過境車輛事故的重要影響因素，步驟為：步驟一：構建共現矩陣。所統計數據中的每一行數據為一起具體事故的信息，每個字段為儲存事故信息的基本單元。當 個字段在同一事故中同時出現時，則視為共現一次，基于此建立字段間的共現矩陣。

　　1.2 貝葉斯網絡方法考慮到貝葉斯網絡模型具有強大的不確定問題處理能力，同時在學習和推理中蘊含了網絡節點變量之間的因果關系和條件相關關系，本文采用貝葉斯網絡開展過境車輛事故嚴重程度研究，其學習內容包括結構學習和參數學習。按以下步驟構建貝斯網絡模型并進行推理分析。步驟一：因素分類。結合社會網絡分析法篩選因素以及相關文獻對過境車輛事故的致因因素進行分類和符號約定。

　　步驟二：網絡結構圖構建。依據原始數據及有關特征對事故進行分類匯總，分析各因素與事故類型的相關性與顯著性水平，基于 SPSS Modeler 和專家經驗獲取因素間的因果關系，確定貝葉斯網絡網絡結構圖。步驟三：網絡參數學習。基于事故數據，利用 Natica 軟件訓練各節點的條件概率;基于訓練集和測試集，驗證參數學習的有效性。步驟四：推理分析。利用 Natica 軟件完成貝葉斯網絡推理分析。

　　1.3 數據描述本研究以典型的山區公路—云南省元雙二級公路(元謀—牟定段)穿村鎮路段作為研究對象，采集獲取 2012—2017 年事故數據。依據車牌歸屬地篩選過境車輛事故數據，將事故影響因素分為駕駛員行為、車輛類型、道路情況、天氣情況和事故形態;將交通事故類型分為財產損失事故和傷人事故。

　　2 因素篩選按照社會網絡分析共篩選出 15 個影響因素。其中，駕駛員行為分為操作不當、違規行駛、判斷失誤和未保持安全距離;依據貨車車輛相關標準，將車輛類型歸類為三類：貨車(重型貨車、中型貨車和輕型貨車)、客車(中型客車和小型客車)和非機動車;根據原始數據，將天氣情況分為陰雨天和晴天;事故形態分為沖出路側、碰撞和側翻。

　　3 貝葉斯網絡構建

　　3.1 影響因素分析

　　將事故類型作為分析過境車輛事故嚴重程度的表征指標，基于事故類型分析山區公路穿村鎮路段的交通安全影響因素，探究不同影響因素與過境車輛事故類型的相關程度，為構建貝葉斯模型提供支撐。車輛類型、駕駛員行為、道路線形、事故形態和天氣情況與事故類型的相關性系數分別是 0.329、0.316、0.457、0.236、0.414，且顯著性水平均低于 0.05。即過境車輛事故嚴重程度與各影響因素存在相關性，對山區穿村鎮路段的交通安全狀況存在影響。

　　3.2 貝葉斯結構學習

　　基于因素篩選結果構建訓練集以及測試集，并利用 SPSS Modeler 軟件進行結構學習。在模型構建中選取馬爾科夫覆蓋作為結構類型，專家設置中采用 Pearson 卡方檢驗進行獨立測試，顯著性水平設置為 0.05，完成具有符合基本邏輯認知有向邊的貝葉斯網絡結構圖。模型中 178條事故數據集、80 條事故測試集準確率分別為 88.76%和 87.5%。

　　3.3 貝葉斯參數學習

　　由于 Netica 軟件具有可便捷定義節點變量、數據訓練等優點，本文利用 Netica 軟件進行參數學習。首先，根據貝葉斯網絡結構，構建各節點的因果關系圖;再選擇訓練模塊，導入參數學習訓練集進行學習，獲得各個節點的概率分布，就此完成貝葉斯網絡參數學習。同時，基于訓練集和測試集，利用 Error rate 和 ROC 值驗證參數學習準確率。通過 Netica 軟件測試功能，驗證參數學習訓練集和測試集的 Error rate 分別為 11.24%、10%，ROC 值分別為 93.25%、94.82%。

　　3.4 貝葉斯網絡方法有效性檢驗

　　Logistic 回歸模型是一種用于研究事故影響關系、分析事故危險因素及發生概率的方法，因此本文引入該方法與貝葉斯網絡方法預測結果進行對比。其中，以事故類型為因變量，15 個因素為自變量，并基于 SPSS Modeler 軟件搭建 Logistic 回歸模型。結果顯示訓練集和測試集準確率分別為 84.27%、83.75%。由前文可知，相對于 Logistic 回歸模型，基于貝葉斯網絡構建的推理模型準確率更高。綜上說明，貝葉斯網絡模型學習效果更好，更能體現事故變量的影響關系，可用來進行穿村鎮路段過境車輛事故嚴重程度推理分析。

　　4 貝葉斯網絡推理分析

　　由于 Netica 軟件可進行多變量證據推理分析，且具有可視化的優點，本研究利用其對不同證據變量與駕駛員行為共同作用情況進行推理。基于構建的網絡結構圖和節點參數學習，輸入各節點參數，然后設置各節點狀態，便可對過境車輛事故嚴重程度進行推理分析。例如，將駕駛員行為“DRI”中的證據變量“D1”操作不當和事故形態“ACC”中的證據變量“A1”側翻的概率同時置為 100%，則可觀察事故類型的變化。推理結果為不同事故類型的事故率，將高于平均值的結果用*進行標記。為方便分析，僅分析傷人事故率，推理的數值越大代表證據變量在該狀態時發生的交通事故越嚴重。

　　5 結論

　　本文以山區公路穿村鎮路段過境車輛事故嚴重程度為研究對象，基于社會網絡分析篩選因素，構建了貝葉斯網絡模型和 Logistic 模型。模型比較發現，貝葉斯網絡模型的預測效果更好，因此用于本研究。由貝葉斯網絡模型推理分析，得出結論如下。

　　(1)由貝葉斯網絡圖可知，駕駛員行為、車輛類型、道路線性、天氣情況以及事故形態是山區公路穿村鎮路段過境車輛事故的關鍵致因，根據概率大小各致因導致事故類型的嚴重程度不盡相同。

　　(2)由于駕駛員違規行駛，當涉及非機動車時，造成傷人事故概率為 52.0%;發生側翻和沖出路側事故時，造成傷人事故概率均為 50.0%;在縱坡路段行駛時，有 57.8%的概率造成傷人事故。

　　(3)由于駕駛員操作不當，當天氣情況為陰雨天時，55.6%的概率會造成傷人事故;當涉及貨車時，造成傷人事故率為 55.5%。本文系統分析了人、車、路、環境對山區公路穿村鎮路段過境車輛事故嚴重程度的影響，但未能涉及雪、霧等惡劣天氣情況，后續研究中將嘗試分析更多影響因素。

　　參考文獻：

　　[1] 張鐵軍, 尹心怡, 肖貴平. 公路穿村鎮路段速度管理設施設置位置研究[J]. 公路, 2017, 62(10): 172 176.[ZHANAG T J, YING X Y, XIAO G P. Study on location of speed management facilities for highway crossingvillages and towns[J]. Highway, 2017, 62(10): 172 176.]

　　[2] 張學林, 曾建兵. 過境車輛的安全管理[J]. 道路交通管理, 2005(12): 28 29. [ZHANG X L, ZENG J B. Safetymanagement of transit vehicles[J]. Road Traffic Control, 2005(12): 28 29.]

　　[3] SUSANA G, DIEGO F J, WAFA B, et al. Assessment of the influence of technology based distracted driving ondrivers’ infractions and their subsequent impact on traffic accidents severity[J]. International Journal ofEnvironmental Research and Public Health, 2021, 18(13): 7155

　　[4] 喬建剛, 吳艷霞, 許軍. 村鎮道路會車特性與駕駛員心生理變化關系研究[J]. 中國安全科學學報, 2019,29(3): 8 13. [QIAO J G, WU Y X, XU J. Study on relations between village road vehicles meeting characteristicsand driver's psychological physiological state[J]. China Safety Science Journal, 2019, 29(3): 8 13.]

　　作者：戢曉峰，詹換勤，普永明，覃文文*