高速公路交通事故黑点鉴别及影响因素分析

严亚丹， 张 征， 王东炜， 赵湘育

(郑州大学 土木工程学院， 河南 郑州 450001)

高速公路交通事故黑点鉴别及影响因素分析

严亚丹， 张 征， 王东炜， 赵湘育

(郑州大学 土木工程学院， 河南 郑州 450001)

基于某高速公路34 km路段上723起交通事故记录数据，采用事故数方法统计得到事故多发路段集，并提出不受起讫点影响的交通事故黑点(段)定义。结合贝叶斯理论，对各事故黑点(段)进行致因分析。选取3个道路环境因素和3个道路线形因素，得到多因素影响下事故黑点(段)发生交通事故的联合概率分布。计算结果表明：事故数法是鉴别事故黑点最简便的方法，但其定义阈值宜因不同道路情况而异；黑点事故发生的影响因素中，工休过渡日(周一、周五)对事故发生概率的影响程度较大；连续长下坡是该路段上黑点(段)发生交通事故的充分条件。贝叶斯方法可针对不同的影响因素和事故对象，计算出相应的事故影响因素概率值：在工休过渡日和雨天条件下，小型车单车事故发生在6时至12时的概率为36%；而休息日的非单车事故中，不同类型车事故在晴天条件下发生的概率最大，为38%。

高速公路； 黑点鉴别； 贝叶斯理论； 影响因素分析

0 引言

交通事故黑点一般是指事故多发点或路段，目前尚未有统一明确的定义。事故黑点表现为：在一个较长的时间段内(通常为1～3 a)，发生交通事故的数量和特征与其他正常点相比明显突出或者有潜在安全隐患的点[1]。事故黑点鉴别方法主要分为事故数法、事故率法和概率论—数理统计方法。质量控制法、累积频率曲线法[2，3]、遗传算法[4]、信息分配技术[5]等基于概率统计原理的黑点鉴别方法，常将整条公路划分成路段单元(通常为1 km)，得到的黑点长度是固定的，鉴别结果存在一定偏差。相比较而言，事故数法简便易用，对数据的依赖性较弱，鉴别结果不受路段单元起讫点的影响。

在影响高速公路交通安全的人-车-路-环境综合体系中，事故诱因不是单一的[6，7]。目前交通事故的成因分析方法，经历了单因素理论、多因素理论、系统致因理论和仿真技术等发展过程。现有的灰色分析[8，9]、模糊集分析[10]等方法，虽然能够判断事故黑点发生的主要影响因素，但无法具体量化在具体的多种因素综合作用下交通事故的发生概率。本文将采用事故数法对高速公路事故黑点进行鉴别，并结合贝叶斯理论对各交通事故影响因素，包括时间、线形、车辆类型等进行多种不同因素组合作用下的事故发生概率分析。以期为改善高速公路交通安全，预防事故发生提供参考和依据。

1 事故黑点鉴别

在高速公路交通安全管理工作中，根据交通事故历史数据，尤其是交通事故发生次数，作为排查交通事故黑点(段)的指标，具有极大简便性和可操作性[11]。应用事故数法鉴别事故黑点(段)关键之处在于，有充足的统计数据，并能确定一个符合交通事故统计特征及交通安全管理目标的鉴别标准阈值。

不同国家对事故黑点的定义阈值是不同的[11，12]。英国关于黑点的定义是：长100 m路段内3 a发生12起以上含人员伤亡的交通事故称为道路黑点。挪威对黑点(段)的定义是：长100 m路段内，4 a发生4起以上含人员伤亡的交通事故，称为道路黑点；长1 km路段内4 a发生10起以上人员伤亡的交通事故，称为黑段。我国公安部交通管理局2001年发布的《全面排查交通事故多发点段工作方案》规定，事故多发点为500 m范围内1 a内发生3次重大以上交通事故的地点；多发段为2 000 m范围内或道路桥、涵洞的全程1 a内发生3次重大以上交通事故的路段。鉴别标准不一的主要原因是，不同时期不同地域的道路状况和环境条件差异较大。本文应用某高速公路K796～K830上2011～2013年723起交通事故数据，进行事故黑点鉴别分析。

1.1 事故多发路段统计

某高速公路K796～K830(以下简称“统计段”)总长34 km，将2011～2013年发生的723起交通事故按照南、北路幅进行统计，见表1。北半幅事故数为612起，占事故总数的84.65%。可以看出，公路的上、下行方向是影响事故发生的重要因素之一。

表1 统计段交通事故发生位置情况Table1 Locationofaccidentsinstatisticalsection位置事故数/起事故点/处北半幅612330南半幅111102总计723432

如图1所示，南半幅的交通事故分布无明显突出的点。而北半幅的交通事故分布极不均匀(见图2)，K796.800、K800.200、K800.900、K809.800、K818.600、K820.900等6处事故点，每处地点发生的事故数均大于5起，呈明显单峰状。其中，除了K820.900为事故多发的孤点，其余事故多发点的邻近路段亦有事故数超过5起的事故点，尤其是K801～K803处，事故点密集，事故数均较高。根据图2的交通事故分布，筛选得到北半幅事故数不小于5起的事故多发点(段)集，如表2所示。该7处事故多发点(段)的总长度仅占北半幅总长的9.4%，但总事故数占到了北半幅事故总数的45.4%。

1.2 事故黑点鉴别分析

借鉴国内外对事故黑点的限值标准，结合统计段3 a发生的实际事故数和事故分布，定义500 m长度范围内3 a发生10起以上交通事故的路段为事故黑点；大于500 m且小于3 000 m的长度范围内3 a发生50起以上交通事故的路段为事故黑段。需要强调的是： ①黑点的判别应不受事故统计的起讫点影响； ②事故黑点应具有分离性，若3 000 m路段范围内有多个事故黑点，需按照黑段的定义判断其合并后是否为一个黑段。据此鉴别分析表2中的事故多发点(段)是否为事故黑点(段)。

图1 南半幅交通事故分布Figure 1 The accidents distribution on the southern half of the freeway segment

图2 北半幅交通事故分布Figure 2 The accidents distribution on the northern half of the freeway segment

表2 北半幅事故多发路段(点)集Table2 Setoftheaccidentsfrequentsectionsonthenorthernhalf序号事故多发点(段)事故总数/起关键事故点里程桩号事故数/起1K796700～K79690038K796800122K800200～K80040014K80020053K800700～K80090018K80090054K801～K803162K801200115K809400～K80980026K80980056K818600～K81880015K81860067K8209005——

将事故多发段K800.200～K800.400、K800.700～800.900、K801～K803合并为K800～K803，成为一个事故黑段；事故多发点K820.900处为一个孤点，不满足黑点定义。故北半幅黑点(段)的鉴别结果如表3所示。北半幅黑点(段)的总长度占北半幅总长的11.2%，而黑点(段)总事故数所占比例达到北半幅事故总数的47.6%。黑点(段)对该段交通安全的影响是显著的。

表3 北半幅黑点(段)Table3 Blackspotsonthenorthernhalf黑点(段)事故总数/起K796700～K79690038K809400～K80980026K818600～K81880015K800～K803212总计291

2 组合影响因素作用下黑点处事故发生概 率模型

2.1 贝叶斯模型

(1)

根据条件独立性有：

(2)

故事故黑点(段)在多因素作用下发生交通事故的联合概率为：

(3)

2.2 道路环境与线形因素变量

高速公路交通事故的发生通常为人、车、路、环境等多种因素综合作用的结果。根据统计段交通事故数据及道路设计资料，主要的道路环境因素和道路线形因素包括日期、时间、天气、曲线半径等。

2.2.1 道路环境

① 事故发生日期B1。

将事故发生日期分为三类：休息日(周六、周日)，工休过渡日(周一、周五)和一般工作日(周二、周三、周四)。

② 事故发生时间B2。

将每日24 h按照3 h为一个时段进行划分。

③ 天气状况B3。

不同天气状况对道路造成的影响不同，主要表现在路面附着系数和环境能见度两方面。雨雪天气时，路表较湿润，附着系数变小；大雾天气下，能见度大大降低，都不利于行车安全。将主要的天气类型分为5种。

2.2.2 道路线形

① 平曲线半径B4。

《公路工程技术标准》(JTG B01-2014)(以下简称“14标准”)规定[15]，设计速度为100 km/h的高速公路，圆曲线最小半径一般值为700 m，最小值为400 m。统计段上平曲线半径的最小值为1 000 m，最大值为5 500 m，符合规范要求。将平曲线半径由小到大分为4类，其中>5 500 m的为直线段。

② 纵坡坡度B5。

设计速度为100 km/h的高速公路，最大纵坡为4%。经统计分析，34 km统计段的坡度均符合规范要求。将纵坡坡度值分为4类。

③ 连续长纵坡。

在高速公路的线形条件中，连续长纵坡使得机动车速度差增大，制动过热，制动效能减弱，从而引发交通事故[16]。“14标准”中仅对4%的最大坡长进行限值，并未对连续坡段的长度做出规定。这里定义平均坡度值大于2%且连续上/下坡长度大于5 km的路段为连续长纵坡。该34 km的统计段中，各事故黑点(段)处所有交通事故均处于连续下坡路段，即连续下坡路段是该高速公路路段事故黑点发生交通事故的充分条件。

2.2.3 计算结果

根据式(1)～式(3)，基于统计段北半幅总612起事故和4处黑点(段)处291起事故，分别计算道路环境和线形因素的联合概率分布，B12(周一、五)、B21(0时至3时)和B34(雪天)是黑点(段)最易发生交通事故的环境条件，其联合导致事故发生的概率为28%；B41(平曲线半径不大于2 300 m)、B53(坡度值区间为(2%，3%])是黑点(段)处易发生事故的线形条件，影响概率高达42%。并可得到各单因素影响下事故黑点(段)发生交通事故的概率，从而得到各个因素的重要程度排序(见表4)。

2.3 车型因素变量

2.3.1 单车事故

将单车事故的车型划分为重型车(主要为拖挂车)、大中型车和小型车。经计算，单车事故在周一、周五(B12)发生交通事故的概率高于其它日期；雨天(B33)是单车事故发生概率最大的天气类型。图3为在B12，B33和事故发生时间组合影响下，不同

表4 影响因素计算分析结果Table4 Calculationresultsofinfluencingfactorsanalysis影响因素影响度排序(由大至小)道路环境条件事故日期B12-B11-B13事故时刻B21-B26-B27-B24-B28-B22-B23-B25天气状况B34-B33-B31-B32-B35道路线形条件平曲线半径B41-B43-B42-B44纵坡坡度B53-B54-B51-B52连续长纵坡充分条件

车型的单车事故概率分布，发现小型车和大中型车的单车事故集中在上午，小型车单车事故发生在6时至12时的概率为36%；重型车的单车事故分布较平均，发生在夜间18时至24时的概率为28%。

图3 B12，B33影响下不同车型的单车事故概率分布Figure 3 The single vehicle accidents probability distribution of different type of vehicles under B12 & B33

2.3.2 非单车事故

双车事故和多车事故即非单车事故，将其分为同类型车事故、不同类型车事故两种。同类型车辆的制动性能、行驶速度等相似度高，其交通事故致因与不同类型车辆之间的事故致因有差异。计算结果表明，非单车事故发生主要集中在周六、周日(B11)。图4为在B11影响下，同类车与不同类型车事故在晴天和雨天条件下发生的联合概率，不同类型车事故在晴天发生的概率较高，而同类型车事故在雨天情况下发生的概率较高。

图4 B11影响下不同车型的非单车事故概率分布Figure 4 The non-single vehicle accidents probability distribution of various vehicles under B11

3 结论

① 以某高速公路34 km路段3 a内的723起交通事故数据为基础，采用事故数法进行了事故多发点(段)统计分析，定义了黑点(段)的阈值，并得到了4个事故黑点(段)。该方法简便易用，所得黑点(段)的长度不受路段起讫点的影响。

② 将事故黑点(段)的三个道路环境影响因素分类，其中，事故发生日期分为休息日(周六、日)、工休过渡日(周一、五)和一般工作日(周二、三、四)。该分类方法具有较强的规律性，单车事故在工休过渡日的发生概率最高，非单车事故在休息日的发生概率最高。

③ 对于本文的统计段而言，在三个道路线形因素中，连续长纵下坡是事故黑点(段)发生交通事故最重要的影响因素，建议我国公路线形设计的相关规范中，对连续长纵坡的最大坡长进行补充规定。

④ 贝叶斯模型的计算结果表明，各个影响因素不是相互独立的。不同因素组合作用下，黑点(段)发生事故的概率不同。针对不同的影响因素和研究对象，可计算得到相应的事故发生概率值。

[1] 过秀成，盛玉刚.公路交通事故黑点分析技术[M].南京：东南大学出版社，2009.

[2] Tarko A P，Kanodia M.Effective and fair identification of hazardous locations[J].Transportation Research Record，2004，1897：64-70.

[3] 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.

[4] 刘玉增，张殿业.基于遗传算法的交通事故黑点排查方法[J].交通运输工程与信息学报，2005，3(2)：1-7.

[5] 廖志高，柳本民，郭忠印.基于信息分配的道路黑点鉴别方法[J].中国公路学报，2007，20(4)：122-126.

[6] Hafeez I，Kamal M A.Accidents black spots on highways and their low cost remedial measures[C].14th International Conference on Urban Transport and the Environment in the 21st Century，Malta，2008.

[7] Liu Yichao.Highway Traffic Accident Black Spot Analysis of Influencing Factors[C].4th International Conference on Transportation Engineering，Chengdu，2013.

[8] 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.

[9] 林汀，欧阳天水，王剑，等.基于灰色聚类法的山区高速公路安全评价[J].公路工程，2014，39(2)：41-44.

[10] 姚磊.基于RST的事故黑点成因实例分析[J].交通运输工程与信息学报，2014，12(1)：104-108.

[11] 邵祖峰.交通事故黑点鉴别方法研究综述[J].道路交通与安全，2008，8(2)：44-49.

[12] 杜石厅.基于统计模式识别的高速公路事故黑点识别研究[D].重庆：西南交通大学，2007.

[13] Cafiso S，Cava G L，Montella A.Safety index for evaluation of two-lane rural highway，2019[R].Washington DC：Transportation Research Board of the National Academies，2007.

[14] 赵金宝，邓卫，王建.基于贝叶斯网络的城市道路交通事故分析[J].东南大学学报：自然科学版，2011，41(6)：1300-1306.

[15] JTG B01-2014，公路工程技术标准[S].

[16] 赵源，邰永刚.高速公路长大下坡路段驾驶行为分析[J].公路工程，2014，39(5)：68-70.

Black Spots Identification and Influencing Factors Analysis of Freeway

YAN Yadan， ZHANG Zheng， WANG Dongwei， ZHAO Xiangyu

(School of Civil Engineering， Zhengzhou University， Zhengzhou， Henan 450001， China)

Based on the 723 recorded traffic accidents on a freeway segment with 34 km in length，the set accidents frequent sections is obtained using statistical method.Black spot or section that is not affected by the starting and ending point is defined.Influencing factors are analyzed using the Bayesian method.Three environment factors and three alignment factors are selected and then the joint probability distribution is inferred.Calculation results indicate that identifying black spots based on the number of accidents is the simplest and the most convenient method.However，the threshold value is different due to different freeway conditions.Among influencing factors of black spots，transition days between weekdays and weekends(Monday and Friday)have larger effects on the accident occurrence probability.Long and steep downgrade is the sufficient condition for accidents on the black spots or sections.Bayesian method could calculate the accident occurrence probability under different influencing factors.The probability of single vehicle accidents caused by small passenger cars is 36% in the rainy and transition days.Within non-single vehicle accidents in weekends，vehicles accidents is the most possible to occur on sunny days and the inferred probability is 38%.

freeway； black spots identification； bayesian theory； influencing factors analysis

2015 — 04 — 28

河南省交通运输厅科技项目-重点项目(2010D104)

严亚丹(1986 — )，女，河南周口人，讲师，博士，主要研究方向为道路交通规划与管理。

U 491.1+16

A

1674 — 0610(2016)06 — 0059 — 04