山区公路事故黑点鉴别及其成因分析模型

温惠英,吴亚平,漆巍巍

(华南理工大学 土木与交通学院， 广东 广州 510641)

山区公路事故黑点鉴别及其成因分析模型

温惠英,吴亚平,漆巍巍

(华南理工大学 土木与交通学院， 广东 广州 510641)

鉴于山区公路交通事故黑点成因的多样性，在定义山区公路事故黑点和动态非定长划分事故黑点鉴别路段的基础上，建立基于当量事故数的鉴别指标法的山区公路事故黑点鉴别模型，根据计算结果将事故黑点进行黑度划分并作相应描述。然后，运用粗糙集理论对各种不利因素进行辨析，从而判断事故黑点形成的主次因素，并利用层次分析法的判断矩阵量化山区公路事故黑点主要成因的各指标权重，对权重较大的指标进行优先治理，实现改善效益最大化，从而有效提高山区公路的行车安全性。

交通运输工程；山区公路；事故黑点；动态路段划分；粗糙集理论；层次分析法

0 引 言

由于受地形条件限制，山区公路沿溪临崖路段多、急弯纵坡比例大、道路线形多变、隧道桥梁较多、防护设施匮乏，加之山区气候环境多变，雨雪、大雾天气较为常见，致使道路交通事故频发，存在群死群伤的重特大恶性事故隐患。山区公路交通事故的发生是由人、车、路、环境等多种因素相互作用失调引发的结果。预防山区公路交通事故的首要任务是鉴别道路交通事故黑点，分析事故黑点的主要成因。目前，国外对道路交通事故黑点的定义不尽相同，国内关于道路交通事故黑点尚无统一的定义[1]。结合山区公路的特点，山区公路事故黑点可定义为按照设定的路段划分方法，某路段在计量周期内发生含人员伤亡事故次数明显高于其他路段或超过一定的阈值时，则该路段可视为山区公路事故黑点[1]。

目前，国内外研究人员在道路事故黑点方面的研究取得了一定的成果。胡新民等[2]针对道路黑点识别方法、黑点成因改善措施，运用质量控制法识别路网中事故多发路段，经验-鉴别指数法识别道路事故多发点(段)，以及提出黑点改善优先排序方法。过秀成等[3]采用改进的事故频率法选取了江苏、安徽两省部分二级以上公路事故黑点，运用事故数及致死事故率2个指标对事故黑点数据进行公路交通事故黑点总体特征分析。杨轸等[4]为改善双指数函数y=a×ebx+c×edx在累计频率曲线拟合和事故黑点鉴别时存在的问题，提出双曲正切函数y=a+b×tanh(cx+cd)，以提高黑点鉴别效果。卢佩莹等[5]基于地理信息系统以及热区基本模型,依据一定优先权对道路网进行合并以获取道路基本单元，模拟了交通事故空间分布，并采用Monte Carlo法定义各道路单元交通事故阈值。A.GREGORIADES等[6]提出基于贝叶斯网络事故风险量化指标的事故黑点鉴别法，将贝叶斯网络与基于动态交通分配的模拟器、用于传输算法的可视化交互系统(VISTAS)相结合用于评价事故危险指标。S.WASHINGTON等[7]提出了结合只有财产损失(PDO)事故的等价计算和分位数回归技术确定交通网络的事故黑点，运用等效PDO事故的分位数回归方法识别黑点集，向社会反映真实的成本，同时减少PDO和较小受伤事故的漏报，克服了传统负二项回归模型在处理相关问题时的局限性。

笔者在定义山区公路事故黑点和划分事故黑点鉴别路段的基础上，建立基于当量事故数的鉴别指标法的山区公路事故黑点鉴别模型，并运用粗糙集理论对事故黑点成因进行分析与筛选。然后，利用层次分析法的判断矩阵量化主要成因的各指标权重，对权重较大的事故黑点成因指标进行优先治理，从而有效提高山区公路事故多发路段的行车安全性。

1 山区公路事故黑点鉴别模型及其黑度划分

1.1 山区公路事故黑点鉴别路段动态非定长划分

道路交通事故黑点鉴别路段划分方法分为定长划分和非定长划分。定长划分法虽然简化了鉴别对象，使事故黑点鉴定具有良好的操作性，但是很可能造成事故特别集中的路段划分到不同的鉴别路段中，而将事故发生频数相差很大的相邻路段划分到同一固定路段使得事故黑点鉴别的准确性大大降低[8]。所以，笔者采用动态非定长划分方法，此划分方法的指标有最小路段分段长度、单位路段延续长度、最大路段分段长度。根据挪威、英国等国家对事故黑点的定义，笔者将最小路段分段长度设定为100 m。为方便事故黑点的排查，将单位路段延续长度设定为100 m。依据公安部2001年出台的《全面排查道路交通事故多发点段工作方案》对交通事故多发点的鉴别标准规定，将最大路段分段长度设定为500 m。具体划分流程如图1。

图1 动态非定长路段划分方法技术路线Fig.1 Technical path of diving method for dynamic non-fixed long road section

1.2 山区公路事故黑点鉴别模型

目前，常见的道路交通事故黑点的鉴别方法主要有绝对值法、矩阵法、概率论-数理统计方法(包括质量控制法和累计频率曲线法)、系数法等。各种方法所考虑的侧重点不尽相同，而且在实际应用中各自存在不同的局限性，可能会使鉴别结果的精确度降低。考虑山区公路事故黑点的特征，笔者采用基于当量事故数的鉴别指标法进行事故黑点鉴别。

按事故的严重程度划分，事故可分为特大事故、重大事故、一般事故和轻微事故，为了精确地鉴别山区公路事故黑点，须将事故的严重程度加以考虑。为此，通过赋予受伤及死亡事故一定的权值来计算当量事故数[9]，其基本公式为

N=K1F+K2J1+K3J2+R

(1)

式中：N为当量总事故次数，次；F为死亡事故中的死亡人数，人；J1为事故中受轻伤人数，人；J2为事故中受重伤人数，人；R为统计时间段内发生的事故次数，次；K1，K2，K3分别为死亡、受轻伤、受重伤事故的权重，取K1=2.0，K2=1.2，K3=1.5。

建立山区公路事故黑点鉴别模型时，引入平均日交通量作为鉴别指数，事故率作为评价事故黑点的指标[2]，划分的事故黑点鉴别路段的鉴别公式如式(2)、式(3)：

(2)

(3)

1.3 山区公路事故黑点黑度划分

为更好地描述山区公路事故黑点的危险程度，依据多条山区公路事故黑点的鉴别结果，引入事故黑点黑度并对山区公路事故黑点黑度进行了划分。事故黑点黑度即某一鉴别事故黑点的危险程度。山区公路事故黑点黑度划分如表1。

表1 山区公路事故黑点黑度划分及描述Table 1 Division and corresponding description for blackness of accident black spots of mountainous highway

2 山区公路事故黑点成因分析

2.1 基于粗糙集理论的事故黑点成因分析

在鉴别山区公路事故黑点的基础上，为治理事故黑点，必须对各种不利因素进行辨析，从而判别事故黑点形成的主次因素。针对山区公路事故黑点的主要成因，采取相应的治理和改善措施，有效提高山区公路事故多发路段的行车安全性。基于以往对道路事故黑点成因分析的研究成果[10-12]，运用粗糙集理论对山区公路事故黑点进行成因分析。

根据粗糙集理论中计算条件属性子集关于决策属性集的重要性的基本原理，提出山区公路事故黑点成因分析的模型与算法。在应用粗糙集理论的决策表时，往往需要度量决策属性对条件属性的依赖度[13]。关于D的C正域的大小POSC(D)在一定程度上反映了属性C对属性D的支持度，所以定义：

(4)

称k为条件属性集C对决策属性集D的支持度。特别地，条件属性a对决策属性集D的重要性定义为：

δCD({a})=kC(D)-kC-{a}(D)

(5)

根据上述事故黑点鉴别模型对某山区公路进行事故黑点鉴别，以此山区公路8个事故黑点的事故资料和鉴别结果构造决策表，如表2。

表2 山区公路事故黑点成因分析决策Table 1 Analysis of the accident-prone black sport formation inmountainous highway

在此决策表中：

C={道路线形(C1)，大型车比例高(C2)，道路交通设施不完善(C3)}

D={事故黑点黑度}

U/{C1}={{x1,x3,x6,x8},{x2,x5,x7},{x4}}

U/{C2}={{x1,x2,x5,x6,x7},{x3,x4,x8}}

U/{C3}={{x1,x3,x4,x6,x7,x8},{x2,x5}}

U/C={{x1},{x2,x5},{x3,x8},{x4},{x6},{x7}}

U/D={{x1,x5},{x2,x4,x7},{x3,x6,x8}}

POSC(D)={x1,x3,x4,x6,x7,x8}

k=kC(D)=3/4，即决策属性集C对决策属性集,D的支持度为3/4，进一步考虑各条件属性关于决策属性的重要性。

U/(C-{C1})={{x1,x6,x7},{x2,x5},{x3,x4,x8}}

U/(C-{C2})={{x1,x3,x6,x8},{x2,x5},{x4},{x7}}

U/(C-{C3})={{x1,x6},{x2,x5,x7},{x3,x8},{x4}}

POSC-{C1}(D)=Ø

POSC-{C2}(D)={x4,x7}

POSC-{C3}(D)={x3,x4,x8}

kC-{C1}(D)=0

根据计算结果可以判定：此山区公路事故黑点最主要成因为道路线形不良；其次为交通组成因素(大型车比例较高)；再次为道路交通设施不完善，如交通标志缺乏、损毁、设置不当等。其中，山区公路的大型车比例一般不进行人为控制，道路交通标志可以很快得到完善。由于山区公路其复杂的地形条件、施工量及费用的问题，不良道路线形较难得到全面改善。所以在有限的资金条件下，为达到改善效益最大化，应优先选择危险度较大的线形加以改善，而不良的道路线形包括长大下坡、长直线接小半径平曲线、不良竖曲线、连续急弯组合、急弯与陡坡组合、断背曲线组合等多种线形。因此，笔者提出基于层次分析法的判断矩阵来量化主要成因的各指标权重。

2.2 判断矩阵主要成因各指标权重的量化

经由上述介绍，笔者建立基于层次分析法的判断矩阵模型来量化山区公路事故黑点主要成因的各指标权重，得到表3中的判断矩阵。并利用方根法得出各指标的权重(表3中，长大下坡C1、长直线接小半径平曲线C2、不良竖曲线C3、连续急弯C4、急弯与陡坡组合C5、断背曲线组合路段C6)。

表3 主要成因的各指标判断矩阵及权重Table 3 Judgment matrix and weight of indexes of main formation

不良道路线形的各指标权重排序结果为急弯与陡坡组合C5、长大下坡C1、连续急弯C4、不良竖曲线C3、长直线接小半径平曲线C2、断背曲线组合路段C6，危险度排序由高到低。所以在有限的资金条件下，为达到改善效益最大化，优先选择危险度较大的线形加以改善，危险度相对较低线形采用设置线性诱导标志和警告标志、路侧护栏等方式提高行车安全性。在此，以急弯与陡坡组合为例进行改善。

车辆在陡坡行驶时都采取制动措施，由于大型车、小型车速度差较大，遇上急弯容易发生追尾或碰撞事故。同时，由于陡坡下坡时车速过快，遇到急弯时车辆容易冲出车道[14]。因此，应改造急弯路段，增大平曲线半径，设计在弯道处的超高，提升此处线形的顺适性；在急弯与陡坡组合路侧设置警告标志和线形诱导标志，诱导驾驶员的驾驶行为。为了防止车辆下陡坡时冲出车道，可在陡坡端部设置紧急避险车道。

3 结 论

1)在山区公路事故黑点鉴别路段划分时，采用动态的非定长划分方法，使事故黑点鉴定具有良好的操作性，提高了事故黑点鉴定的准确性。

2)基于当量事故数的鉴别指数法考虑了事故的严重程度，避免了简单地以事故数作为鉴别参数而造成的黑点鉴别效果不精确的问题。为更好地描述山区公路事故黑点的危险程度，引入事故黑点黑度并对山区公路事故黑点进行黑度划分。

3)为治理事故黑点，运用粗糙集理论对各种不利因素进行辨析。事故黑点的最主要成因为道路线形不良；其次为交通组成因素；再次为道路交通设施不完善。提出基于层次分析法的判断矩阵来量化主要成因的各指标权重，以优先选择危险度较大的线形加以改善，达到改善效益最大化。

4)目前，在山区公路事故黑点鉴别、成因分析和防治技术方面的研究尚未形成统一的标准和体系，因此对于更为完善的鉴别方法和防治技术还需进一步深入地研究。

[1] 李亭.山区高等级公路黑点段鉴别及安全性评价研究[D].长春：吉林大学，2008.LITing. Research on the Black-Spots Identification and Safety Evaluation of High-Level Highway in Mountains[D].Changchun:JilinUniversity, 2008.

[2] 胡新民，刘涛，张天华，等.道路黑点识别与改善[J].交通运输工程学报，2004,4(1):106-109. HU Xinmin, LIU Tao, ZHANG Tianhua, et al. Highway black spot recognition and improvement[J].JournalofTrafficandTransportationEngineering, 2004,4(1): 106-109.

[3] 过秀成，盛玉刚，潘昭宇，等.公路交通事故黑点总体特征分析[J].东南大学学报(自然科学版)，2007,37(5)：930-933. GUO Xiucheng, SHENG Yugang, PAN Zhaoyu, et al. Analysis of general characteristics for highway traffic accident black-spots[J].JournalofSoutheastUniversity(NaturalScienceEdition), 2007, 37(5):930-933.

[4] 杨轸，唐莹，方守恩.双曲正切函数在事故黑点鉴别中的应用[J].哈尔滨工业大学学报,2011,43(10)：143-148. YANG Zhen, TANG Ying, FANG Shouen. Application of hyperbolictangent function for accident prone location identification[J].JournalofHarbinInstituteofTechnology, 2011,43(10):143-148.

[5] 卢佩莹，姚申君，吴健平，等.基于GIS的道路热区鉴别方法[J].交通运输工程学报，2011,11(4)：97-102. LU Peiying, YAO Shenjun, WU Jianping, et al. Identification method of road hot zone based on GIS[J].JournalofTrafficandTransportationEngineering, 2011,11(4):97-102.

[6] GREGORIADES A, MOUSKOS K C. Black spots identification through a bayesian networks quantification of accident risk index[J].TransportationResearchPartC(EmergingTechnologies), 2013,28: 28-43.

[7] WASHINGTON S, HAQUE M M, OH J,et al. Applying quantile regression for modeling equivalent property damage only crashes to identify accident blackspots[J].AccidentAnalysisandPrevention, 2014，66: 136-146.

[8] 李梅.高速公路安全服务水平分级方法研究[D].哈尔滨：哈尔滨工业大学，2011. LI Mei.StudyonFreewayTrafficSafetyLevelofServiceClassificationMethod[D]. Harbin: Harbin Institute of Technology, 2011.

[9] 张长生，马荣国.山区高速公路交通事故分析及多发路段鉴别[J].长安大学学报(自然科学版)，2010,30(6)：76-80. ZHANG Changsheng, MA Rongguo. Identification method of traffic accident black spots on mountain freeway[J].JournalofChang’anUniversity(NaturalScienceEdition), 2010,30(6):76-80.

[10] 潘昭宇,过秀成，盛玉刚，等.灰色关联分析法在公路交通事故黑点成因分析中的应用[J].交通运输工程与信息学报，2008,6(3)：96-101. PAN Zhaoyu, GUO Xiucheng, SHENG Yugang, et al. Cause analysis on the formation of the highway traffic black-spot with the gray association degree method[J].JournalofTransportationEngineeringandInformation, 2008,6(3):96-101.

[11] 姚智胜，邵春福，龙德璐.基于粗糙集理论的路段交通事故多发点成因分析[J].中国安全科学学报，2005,15(12)：107-109. YAO Zhisheng, SHAO Chunfu, LONG Delu. Cause analysis of traffic accidents on road black spots based on rough set theory[J].ChinaSafetyScienceJournal, 2005,15(12):107-109.

[12] 张鹏,张靖,刘玉增，等.粗集在交通事故黑点成因分析中的应用[J].电子科技大学学报，2007,36(2)：267-270. ZHANG Peng, ZHANG Jin, LIU Yuzeng, et al. Rough set application in the analysis of formulation cause of traffic black-spot[J].JournalofUniversityofElectronicScienceandTechnologyofChina, 2007,36(2):267-270.

[13] 张文修，吴伟志，梁吉业,等.粗糙集理论与方法[M].北京：科学出版社，2001. ZHANG Wenxiu, WU Weizhi, LIANG Jiye, et al.RoughSetTheoryandMethod[M]. Beijing: Science Press,2001.

[14] 掲强.高速公路交通事故黑点安全改善决策优化研究[D].广州：华南理工大学，2014. JIE Qiang.ResearchontheDecision-makingOptimizationofHighwayAccidentBlack-spotSafetyImprovement[D].Guangzhou: South China University of Technology,2014.

Models of Identification and Formulation Cause Analysis on Accident Black Spots of Mountainous Highway

WEN Huiying, WU Yaping, QI Weiwei

(School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510641, Guangdong, P.R.China)

Considering the complex formation causes of accident black spots of mountainous highway, based on defining accident black spots and dividing identified road sections dynamically, the identification model on accident black spots of mountainous highway was built. The model was based on the number of equivalent accidents. According to calculation results, blackness of accident black spots was divided and defined accordingly. Then, the rough set theory was used to analyze various unfavorable factors so as to diagnose the primary and secondary formation causes of accident black spots. And the judgment matrix of AHP was adopted to quantify each index weight of main cause. Furthermore, in order to get best improvement, the greater indexes, weights should be treated in priority. Thus, driving safety of mountainous highway can be improved effectively.

traffic and transportation engineering; mountainous highway; accident black spots; dynamic division for road sections; the rough set theory; AHP

10.3969/j.issn.1674-0696.2016.04.27

2015-04-30；

2015-07-15

国家自然科学基金项目(51378222)；广东省省级科技计划项目(2013B010401009)；广东省交通运输厅科技项目(科技-2013-04-010)

温惠英(1965—)，女，教授，博士生导师，主要从事交通运输规划与管理、交通安全方面的研究。E-mail:hywen@scut.edu.cn。

U491.3

A

1674-0696(2016)04-137-04