高速公路大桥路段事故特征分析及预测模型研究——以鄂东长江公路大桥为例

邹晓芳, 张俊杰, 杨培东

(1.招商新智科技有限公司, 北京 100070; 2.东南大学交通学院, 南京 211189)

0 引言

随着我国经济的快速发展和机动车数量的不断增加,道路交通事故频发,道路交通安全也面临极大挑战. 世界卫生组织2018年关于交通安全的统计报告结果显示,中国因道路交通事故导致的死亡人数居世界第2,由此可见,我国的道路交通安全现状非常严峻[1]. 截至2019年,我国高速公里通车里程达14.96万km,位居世界第1[2]. 高速公路因其行车速度快、通行能力高等特点,更易发生严重交通事故,有研究表明其里程死亡率、事故死亡率分别是普通公路的4.51倍、2.21倍[3]. 桥梁作为高速公路瓶颈路段,通常也是事故多发路段,对该路段交通事故进行研究,对于改善高速公路行车安全具有十分重要的意义.

交通事故是1种具有随机性、突发性的事件,其发生是1个极其复杂的过程,是包括驾驶员、车辆、道路及自然环境等多方面因素综合影响的结果,国内外学者对交通事故特征及影响因素进行了大量研究. 冯雷等[4]选取4条交通气象条件较好的雾天事故多发高速公路路段为研究对象,对雾天条件下交通事故特征进行研究,并将交通事故与能见度进行定量分析. 陆化普等[5]基于GIS技术对深圳市道路交通事故空间分布特征进行研究,发现交通事故发生频率及严重度在城区与郊区分布存在差异. 王洁等[6]对河北省高速公路夏冬季事故时变特征进行研究,并基于二元Logistic回归建立交通事故气象预警模型. Hou等[7]借助详细的交通事故、交通特征和高速公路几何数据,对影响安全的因素进行研究,结果表明事故数随着平曲线半径的减小而增大. Tarko[8]研究了公路几何结构对高速公路路段交通事故发生的安全影响,结果表明坡度是交通事故的影响因素,坡度越陡,交通事故发生的概率越高. Duckwon等[9]对美国加州I-880N高速公路45英里路段的交通事故和实时交通流数据进行分析,发现实时交通流是影响交通事故的主要因素. Cafiso等[10]通过广义线性模型研究道路几何线形、交通流与交通事故之间的关系,结果表明:平均车速与交通事故之间呈正相关性.

为研究道路交通事故特征,分析交通事故的成因,统计回归模型被广泛应用于交通事故预测研究中. Li等[11]基于低等级道路交通事故数据采用泊松回归进行拟合,结果证明了泊松回归在交通事故频数建模中的适用性. Ramesh等[12]对比了广义负二项回归模型与负二项模型在数据拟合方面能力,结果表明广义负二项回归模型拟合效果更好. 段萌萌等[13]以高桥隧比高速公路为研究对象,采用多元非线性回归分析法建立事故预测模型,结果表明该模型精度较高,可作为高桥隧比高速公路事故建模的参考. 为了解释数据中零值出现频次较多的问题,部分学者建立零膨胀回归模型(ZINB)来降低零值对估计结果的影响. Qin等[14]采用零膨胀泊松回归模型分析了双车道公路不同类型事故数与车道宽度、交通量等因素的关系,研究表明该模型可较好反映交通事故数与年平均日交通量、路段长度之间的关系. Arief Rizaldi等[15]利用零膨胀负二项回归模型对印度尼西亚事故数据进行研究,结果表明事故数与单位长度中央分隔带开孔数、对行人和道路预留区的干扰程度呈正相关. Daniel等[16]基于城市主干道货车事故数据建立零膨胀泊松和零膨胀负二项模型,结果表明路段长度和信号设置对货车事故频数有较为显著的影响. Ayati等[17]基于城市道路交通事故数据,分别建立了泊松、负二项、零膨胀泊松、零膨胀负二项模型,结果表明,平均速度、交通流量、横断面车道数和出入口数量对事故数有显著影响,同时发现在四类模型中零膨胀负二项模型的预测精度最高.

综上,目前国内外学者对交通事故致因及事故预测模型进行了大量研究,但针对高速公路大桥路段的事故特征及预测模型研究较少. 因此,本文以G50高速公路K785+834—K800+984断面为研究对象,在数据描述分析的基础上,对高速公路大桥路段事故特征进行分析,并构建零膨胀负二项回归模型对交通事故数据进行拟合,并借助R软件对模型进行求解. 研究结果拟为提高相似道路条件下的交通安全水平,提升交通管理能力提供理论支撑和参考.

1 鄂东长江公路大桥路段简介及事故特征分析

1.1 鄂东长江公路大桥路段简介

鄂东长江公路大桥位于湖北省长江黄石水道中下游,跨越繁忙的长江主航道,是G45、G50高速在湖北东部的共用过江通道,其基本走势如图1所示.

图1 鄂东长江公路大桥基本走势(沪渝向)

鄂东长江公路大桥全段共有4座立交,线路全长15.2 km,桥梁总长6.23 km. 大桥南北引桥全长5.886 km,其中跨江桥面段0.96 km. 南北引桥间为双向六车道,其余主路双向四车道. 全程客车限速(60～100) km/h,货车限速(60～90) km/h.

1.2 鄂东长江公路大桥路段数据描述及事故概况

以湖北省高速公路联网中心反馈的路段流量数据及从辖区交警处获取的路段事故数据为研究对象,在对数据预处理的基础上对鄂东长江公路大桥路段事故特征进行分析,具体路段数据描述如表 1所示.

表1 鄂东长江公路大桥路段数据描述

以2016—2019年事故数据为研究对象,从事故类型、事故原因及事故车型3个角度分析鄂东长江公路大桥路段事故特性,各角度中位列前3的因素如表2所示.

表2 鄂东长江公路大桥路段事故概况

1.3 鄂东长江公路大桥路段数据描述及事故概况

1.3.1 鄂东长江公路大桥路段事故特征分析

以2016—2019年鄂东长江公路大桥路段事故数据为研究对象,研究发现该路段在相邻年内逐月及逐小时事故数量分布大体一致. 不失一般性,本节选取2017、2018年事故数据对鄂东长江公路大桥路段事故时间分布特性进行分析.

绘制如图2所示的2017—2018年鄂东长江公路大桥段逐月事故变化趋势图. 由图2可知,事故在逐月分布上呈现“单月激增,整体均衡”状态. 大桥辖区2月份事故最多,其次为1月份、10月份,其余月份流量较为均衡. 2017、2018年春节分别为 1月27日、2月15日,因此1、2月份事故高发与春节期间出行增多有密切关系. 10月事故数较临近月份有所增加,这与国庆黄金周出行增多有关.

图2 2017—2018年鄂东长江公路大桥段逐月事故变化

进一步分析大桥段事故在1 d内24 h的时段分布,绘制如图3所示的变化趋势图. 由图3可知,大桥路段1 d内事故呈现“M”型分布特征,事故主要集中在上午09:00—11:00,下午14:00—16:00,以及18:00—20:00时段,其余时段事故较少. 白天 2个时段事故较集中主要由长时间的驾驶疲劳以及注意力不集中导致,晚间18:00—20:00事故多发则因为夜色降临,视线较差,驾驶员不易辨识前后车距离等导致.

图3 2017—2018年鄂东长江公路大桥段事故24 h时段分布

1.3.2 鄂东长江公路大桥路段事故空间分布特征

分别绘制沪渝向及渝沪向事故空间分布柱状图,将事故空间分布柱状图与大桥段实际道路线形结合,形成如图4所示的事故空间分布图.

图4 鄂东长江公路大桥事故空间分布

由图4可知,沪渝向事故在一定范围内较为集中,主要为散花收费站附近、北引桥起点附近、花湖互通附近,其余区间内事故较少;渝沪向事故分布没有明显的集中趋势,在大桥段范围各区域较为平均. 对于桥面段而言,沪渝向与渝沪向两者事故数量均未较其他断面有所增加,渝沪向桥面段事故稍多于沪渝向.

2 鄂东长江公路大桥路段事故预测模型研究

2.1 路段单元划分及数据描述

目前常用的路段单元划分方法包括定长法及同质法2种[18-19]. 定长法即按照固定长度对研究路段进行划分,同质法则以道路属性的变化为划分依据,常选取的指标包括交通量、限速和其他道路条件. 考虑路段实际及数据支撑情况,结合该路段平面及街景地图,本文采用同质法与出入口分段结合的思想,在互通桩号点处、车道改变处、曲直分段点处,同时考虑出入口情况,将辖区G50路段双向共分为 18个段面. 其中最短断面508 m,最长断面3 223 m,平均路段长度1 614 m,具体路段单元划分结果如图5所示.

为对该路段内事故数进行预测,以辖区2018年全年(除10月)217起事故为基础,收集了包括交通事故、道路几何设计及交通流3个方面的数据. 其中,事故数据包括事故发生时间、事故车型及经济损失等,道路线形数据包括平面线形、车道数、路段长度及出入口类型,交通流量数据包括车流量及其行驶方向.

在对数据分析的基础上,结合路段单元划分结果,本文以交通流量和道路线形2类指标为自变量建立事故预测模型,具体备选自变量指标如表3所示.

表3 备选自变量

将收集的交通事故、道路线形及交通流量数据一一对应到划分的18个路段研究单元上,生成198条数据记录,即本文建模样本. 为对该路段事故数进行预测,将事故频数作为因变量,其余变量作为自变量,自变量中月均流量、货车比、路段长度为连续变量,由于月均流量数值较大,故将其取对数处理. 车道数、线形、出入口形式为分类变量,其中车道数、线形(直线、曲线)为二分类变量,出入口形式为四分类变量,将其做哑变量处理,变量描述性统计如表4所示.

在198条事故数记录中,110条记录值为0,因变量事故频数中0值较多,传统的负二项回归模型并不适用,因此考虑使用零膨胀负二项回归模型.

2.2 零膨胀负二项回归模型构建

零膨胀负二项回归建模,将交通事故的发生看作2个过程:第1个过程对应零事件的发生,即未发生事故,此过程中个体取值只能为零,称为零过程,这解释了数据中为何存在过多零值;第2个对应事故的发生过程,此过程中个体的取值为正,该过程称为计数过程.

零膨胀负二项回归模型是将原数据集看做1个全为零的数据集与1个满足负二项分布的数据集的集合,适用于零值较多、过度离散的数据[20-21].其概率分布P(Yi)可表达为:

(1)

式中,Pi为一定时间段内第i个路段未发生交通事故的概率;yi为第i个路段事故数观测值;λi为第i个路段事故的期望值;K为离散系数;Г为伽马函数.

零膨胀负二项回归模型的均值E(Yi)及方差Var(Yi)分别为:

E(Yi)=(1-Pi)λi

(2)

(3)

当Pi=0时,变量Yi服从均值为λi,方差为λi(1+λi/K)的负二项分布.通常情况下可采用二元Logit模型预测零膨胀负二项回归模型中事故发生的概率,因此零膨胀负二项回归模型可表达为:

(4)

(5)

2.3 模型求解

本文以月均流量、货车比、路段长度、车道数、线形及出入口形式为自变量,月事故频数为因变量,构建零膨胀负二项回归模型.

构建模型时,自变量之间的强相关性可能导致变量间存在多重共线问题,进而影响模型中其余变量的显著性,因此在建模型前应检验自变量间的相关性,以便更加精确地构建模型. 本文借助R软件,利用Pearson相关系数衡量月均流量、货车比、路段长度3个连续变量间的相关性,利用Spearman等级相关系数衡量车道数、线形及出入口形式3个分类变量之间及其与连续变量之间的相关关系. 自变量共线性检验结果矩阵如表5所示.

表5 自变量共线性检验结果矩阵

由表5可知,流量与货车比、路段长度、车道数及出入口形式间存在较大相关性,货车比与车道数及线形之间也有较大相关性. 将全部自变量代入模型,输出结果表明流量、断面长度、曲线与直线3个自变量显著.

将显著变量再次迭代至模型,但由于流量、路段长度和路段线形存在相关性,如同时存在将对模型结果产生影响. 因此最终得到2个模型,即模型1和模型2,其自变量分别为流量和路段长度,流量和路段线形. 具体模型输出结果如表6、7所示.

表6 模型1输出结果

由表6及表7可知,流量、路段长度、曲线vs直线对高速公路大桥路段事故影响显著. 流量对路段交通运行有着重要影响,不同流量下的驾驶员驾驶行为也存在差异. 高速公路大桥路段事故数量随着流量的增加而增加,因此流量是影响事故发生的因素之一,这与以往的研究结论[22-24]一致. 路段长度也与高速公路大桥路段事故数有关,大桥路段越长,事故数越多. 道路线形对驾驶员的负面影响是造成交通事故的主要原因之一(如弯道处视距不足等),这一结论与Ayati等[25]的结论一致.

表7 模型2输出结果

3 结论

1)本文对高速公路大桥路段事故特征及预测模型进行研究. 在对数据描述分析的基础上,从时空角度对路段事故特征进行分析. 利用同质法与出入口分段结合的思想对路段单元进行划分,根据收集的事故数据统计特征,选择构建零膨胀负二项回归模型对交通事故数据进行拟合,借助R软件对模型进行求解.

2)研究结果表明,高速公路大桥路段事故在逐月分布上呈现“单月激增,整体均衡”的状态,在1 d内24 h的时段分布中呈现“M”型分布特征. 从空间角度,沪渝向事故在一定范围内较为集中,渝沪向事故较为分散. 影响高速公路大桥路段事故发生的主要因素为流量、路段长度及线形. 流量对路段交通的运行有重要影响,不同流量下驾驶员驾驶行为存在差异. 路段长度也与高速公路大桥路段事故数有关,大桥路段越长,事故数越多. 道路线形对驾驶员有重要影响,如驾驶员可能在曲线处因视距不足而引发交通事故.

3)交通事故的发生是1个及其复杂的过程,是众多因素作用的结果,由于数据限制,本文构建的零膨胀负二项回归模型未考虑交通事故严重度等因素,这可能增大模型误差且降低其迁移能力,后续可进一步完善数据资源,使零膨胀负二项回归模型可用于其他相似道路条件下的交通事故预测.