張道文 ，王朝健，蔣 駿，黎華惠

（1.西華大學(xué) 汽車與交通學(xué)院，成都 610039，中國；2.汽車測(cè)控與安全四川省重點(diǎn)實(shí)驗(yàn)室，成都 610039，中國；3.四川省新能源汽車智能控制與仿真測(cè)試技術(shù)工程研究中心，成都 610039，中國；4.成都工業(yè)職業(yè)技術(shù)學(xué)院，成都 610218，中國）

2020 年，中國大陸機(jī)動(dòng)車導(dǎo)致的交通事故數(shù)達(dá)21.1 萬起，造成5.6 萬人死亡、21.4 萬人受傷和12.28億元直接財(cái)產(chǎn)損失[1]。交通事故可以分為車與人事故、車與二輪車或三輪車事故以及單車事故（即本車事故）、車對(duì)車（V2V）事故（以下又稱雙車事故）、多車事故。V2V 事故嚴(yán)重程度不僅取決于己方駕駛員和車輛的特征，還取決于對(duì)方駕駛員和車輛的特征[2]，且V2V 事故的占比高于其他事故類型[3]。因此研究雙車事故嚴(yán)重程度的關(guān)鍵因素，以及因素的交互作用對(duì)致死事故率的影響，對(duì)預(yù)防V2V 事故和降低駕乘人員的傷亡具有重要意義。

對(duì)V2V 事故的研究主要基于Logit 模型（Logit model）、Probit 模型（Probit model）等線性模型而限制了邏輯相關(guān)變量的引入。C.Duncan 等[4]采用有序Probit 模型（ordered Probit model），研究了V2V 事故中乘用車駕駛員損傷嚴(yán)重程度的影響因素。G.A.Torr?o 等[5]采用Logit 模型發(fā)現(xiàn)了V2V 事故中，對(duì)方汽車的發(fā)動(dòng)機(jī)排量是重要影響因素。賈雄文[3]利用二項(xiàng)有序Probit 模型（bivariate ordered Probit，BOP），研究了國內(nèi)V2V 事故受傷嚴(yán)重程度的關(guān)鍵影響因素。隨后賈雄文等[6]利用BOP 模型，研究了道路環(huán)境因素對(duì)V2V 事故嚴(yán)重程度的影響，發(fā)現(xiàn)道路等級(jí)的提升會(huì)降低駕駛員的受傷程度。蔣欣國等[7]利用廣義有序Logit模型（generalized ordered Logit），研究了雙方駕駛員的危險(xiǎn)行為對(duì)V2V 事故的影響，發(fā)現(xiàn)超速和其他行為同時(shí)存在時(shí)對(duì)事故后果有顯著影響。王健宇等[8]基于多項(xiàng)Logistic 回歸模型（multinomial Logistic regression，MNL），研究了V2V 事故嚴(yán)重程度的影響因素及機(jī)理，探索了在不同嚴(yán)重程度的交通事故中影響因素存在的差異性。一些學(xué)者研究V2V 事故時(shí)，駕駛員因素一般僅考慮了受傷更嚴(yán)重的一方駕駛員；主要基于單因素分析，沒有考慮因素的交互作用，而交通事故是多風(fēng)險(xiǎn)因素對(duì)事故傷亡的綜合效應(yīng)。

針對(duì)因素交互作用對(duì)事故嚴(yán)重程度的研究，有學(xué)者利用Shapley 加和解釋（Shapley additive explanations，SHAP）結(jié)合XGBoost[9]、LightGBM[10]等模型，但這種方法只能分析2 個(gè)因素的交互效應(yīng)對(duì)事故后果的影響趨勢(shì)，不能量化分析[9]。有學(xué)者提出利用N-K 模型量化多種因素的交互作用對(duì)事故后果的影響[11]，但N-K模型只能解決因素之間的整體交互效應(yīng)，不能分析因素具體狀態(tài)值的交互效應(yīng)。有學(xué)者利用故障樹[12]、關(guān)聯(lián)規(guī)則[16]提取具有強(qiáng)耦合度的規(guī)則，但這些方法也不能具體量化規(guī)則對(duì)事故后果的影響程度。

Bayes 網(wǎng)絡(luò)（Bayesian networks,BN）模型具有高解釋度的優(yōu)勢(shì)，已應(yīng)用于交通安全的研究[14]。它能量化單因素以及多因素的交互作用對(duì)事故后果的影響，但多因素分析時(shí)，會(huì)面臨因素組合過多、主觀定義的組合耦合度低甚至為不可能事件等問題，而關(guān)聯(lián)規(guī)則剛好能彌補(bǔ)這一缺陷。

本文運(yùn)用Bayes 網(wǎng)建立考慮風(fēng)險(xiǎn)因素交互作用的V2V 事故嚴(yán)重程度模型。定量分析關(guān)鍵影響因素、雙因素的交互作用對(duì)致死事故率的影響，結(jié)合關(guān)聯(lián)規(guī)則方法挖掘高頻率和強(qiáng)耦合度的規(guī)則，探究多因素交互作用下對(duì)致死事故率的影響，以期明確V2V 事故的預(yù)防重點(diǎn)，從而實(shí)施精準(zhǔn)的防控策略。

1 方 法

1.1 Bayes 網(wǎng)絡(luò)

Bayes 網(wǎng)絡(luò)（BN）是一種描述變量間不確定因果關(guān)系的網(wǎng)絡(luò)模型，能很好地捕捉變量之間的潛在影響關(guān)系，有結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)2 個(gè)部分。當(dāng)隨機(jī)變量有n個(gè)時(shí)，變量之間的關(guān)系可以由一個(gè)聯(lián)合概率分布表示：

式中：X1、X2、…、Xn為隨機(jī)變量；parent(Xi)為隨機(jī)變 量Xi的全部父節(jié)點(diǎn)集合。當(dāng)（parent(Xi)=? 時(shí)，parent[Xi｜parent(Xi)]是邊緣分布P(Xi)。

結(jié)構(gòu)學(xué)習(xí)中，增強(qiáng)樸素Bayes（augmented naive Bayes，ANB）算法克服了傳統(tǒng)樸素Bayes 算法中因素局部獨(dú)立性的限制、應(yīng)用廣泛[15]。完整數(shù)據(jù)的參數(shù)學(xué)習(xí)通常利用最大似然估計(jì)，定義如下：

P(｜θ=θ0)表示參數(shù)θ的某個(gè)取值θ0與數(shù)據(jù)的擬合程度，取值越大說明θ0與數(shù)據(jù)的擬合程度越高。給定θ，數(shù)據(jù)的條件概率P(｜θ)稱為θ的似然度：

令L(｜θ)達(dá)到最大值時(shí)的取值θ*為參數(shù)θ的最大似然估計(jì)（maximum likelihood estimation，MLE)：

1.2 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則算法可以挖掘要素之間的內(nèi)在聯(lián)系，用X≥Y表示，X為前項(xiàng)，Y為后項(xiàng)。一般有支持度和置信度2 個(gè)衡量指標(biāo)。

支持度指X和Y的同時(shí)出現(xiàn)的概率，用support（X≥Y）表示，置信度指出現(xiàn)后，出現(xiàn)的概率，用confidence（X≥Y）=P(Y｜X)表示。支持度越高表示前項(xiàng)出現(xiàn)的概率越高，置信度越高代表前項(xiàng)發(fā)生，后項(xiàng)出現(xiàn)的概率越高[16]。

1.3 驗(yàn)證

常用的驗(yàn)證方法有K折交叉驗(yàn)證、接受者操作特性曲線（receiver operator characteristic，ROC 曲線）和ROC 曲線下的面積（area under curve，AUC）。K折交叉驗(yàn)證將數(shù)據(jù)集劃分為K個(gè)大小相等的部分，K-1 部分用于訓(xùn)練，最后K個(gè)部分用于測(cè)試，這個(gè)過程重復(fù)K次[15]。留一法（leave one out,LOO）是K折交叉驗(yàn)證的極端情況，它將數(shù)據(jù)集的n-1 條數(shù)據(jù)用于訓(xùn)練，最后一條數(shù)據(jù)用于測(cè)試，這個(gè)過程重復(fù)n次，驗(yàn)證過程沒有隨機(jī)因素的影響，結(jié)果穩(wěn)定[17]。

2 數(shù)據(jù)處理及模型建立

2.1 數(shù)據(jù)處理

(中國)國家車輛事故深度調(diào)查體系（national automobile accident in-depth investigation system，NAIS）由(中國)國家市場(chǎng)監(jiān)督管理總局缺陷產(chǎn)品管理中心聯(lián)合中國8 所高校、多家交通司法鑒定中心共同建立[18]。事故數(shù)據(jù)覆蓋了中國大陸7 個(gè)地域，已有學(xué)者利用該數(shù)據(jù)庫進(jìn)行了相關(guān)研究并取得了成果[19-21]。

對(duì)樣本進(jìn)行以下初步篩選：

1）剔除由于研究對(duì)象為V2V 事故，需涉及行人、機(jī)動(dòng)二三輪車、非機(jī)動(dòng)二三輪車、V2V 和多車的事故；

2）剔除與研究無關(guān)的字段，同時(shí)剔除剩余字段中不完整的數(shù)據(jù)；

3）由于高速公路為封閉式道路管理，有別與其他道路，因此剔除涉及高速公路的案例[22]；

4）刪除剩余事故中的特殊案例，例如靜止車輛由于制動(dòng)失效導(dǎo)致的事故、車輛自燃導(dǎo)致的事故。最終剩下583 例事故。

2.2 變量選取

交通事故的影響因素眾多，總體可分為人、車、路和環(huán)境4 個(gè)方面。人的方面主要包括駕駛?cè)说男睦硪蛩睾蜕硪蛩?，例如駕駛?cè)说哪挲g、性別和狀態(tài)等因素會(huì)影響駕駛員的感知能力和反應(yīng)能力；車是人的載體，車輛的類型和安全技術(shù)狀況會(huì)間接影響事故后果，而駕駛?cè)藢?duì)車輛的控制會(huì)直接影響車輛的運(yùn)動(dòng)狀態(tài)；道路是交通的載體，主要包括發(fā)生地點(diǎn)、行政等級(jí)和路面狀況等因素；環(huán)境通過影響人、車和路方面而間接影響事故的發(fā)生，一般指自然環(huán)境的因素，例如天氣狀況、事故發(fā)生的時(shí)段。

考慮以往研究的變量選取并結(jié)合NAIS 數(shù)據(jù)庫的字段特征，從人、車、路和環(huán)境4 個(gè)方面選取17 個(gè)變量（包括影響因素和事故嚴(yán)重程度）[3,6,11,27]，分為過失方因素（L1-L5）、受害方因素（I1-I5）、道路因素（R1-R4）、環(huán)境因素（E1-E2）和事故嚴(yán)重程度（Sev），各變量取值及離散情況見表1。

表1 變量取值及離散情況

2.3 結(jié)構(gòu)建立

運(yùn)用GeNIe3.0 軟件進(jìn)行結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)，得到V2V 事故嚴(yán)重程度分析模型的Bayes 網(wǎng)絡(luò)結(jié)構(gòu)圖，一共包括17 個(gè)節(jié)點(diǎn)和29 條邊，如圖1 所示。其中：每一個(gè)節(jié)點(diǎn)代表一個(gè)變量，節(jié)點(diǎn)之間的連線代表變量之間具有直接依賴關(guān)系，如天氣狀況（E1）與路面狀況（R2）有直接依賴關(guān)系。

圖1 Bayes 網(wǎng)絡(luò)結(jié)構(gòu)圖

2.4 模型驗(yàn)證

利用留一法進(jìn)行模型驗(yàn)證，模型的準(zhǔn)確率為81.3%，若準(zhǔn)確率達(dá)80%，代表預(yù)測(cè)效果較好[24]。ROC 曲線下的面積（AUC）為0.81，表明算法的魯棒性較好，因此V2V 事故嚴(yán)重程度分析模型較合理。接受者操作特性曲線（ROC 曲線）和AUC 如圖2 所示。

圖2 ROC 曲線和AUC

3 推理分析

3.1 關(guān)鍵因素分析

為探究事故嚴(yán)重程度的關(guān)鍵影響因素，基于Bayes網(wǎng)絡(luò)構(gòu)建的分析模型，輸入每個(gè)變量的各個(gè)取值狀態(tài)（對(duì)于每一個(gè)變量，其中一個(gè)取值的概率被設(shè)置為100%，同一變量的其他取值被設(shè)置為0%，例如過失方性別為男性，則女性的概率為0%），然后更新整個(gè)模型，觀察該變量的不同取值下致死事故率的變化。其中每個(gè)變量的不同取值狀態(tài)對(duì)致死事故率的最大影響幅度見表2。

表2 各因素對(duì)致死事故率的影響幅度

“↑”代表取值對(duì)致死事故率的最大增幅；“↓”代表取值對(duì)致死事故率的最大降幅。例如過失方車型（因素L5）對(duì)致死事故率的影響幅度為39.7%，其中大型汽車因素會(huì)提高32.6%致死事故率（后文涉及的提高與降低均是相較于致死事故率的先驗(yàn)概率），乘用車因素會(huì)降低7.1%致死事故率。

由表2 可知，L5、L3、I5、E2、R3、R4 等因素對(duì)致死事故率的影響幅度均超過20%，是引發(fā)致死事故的關(guān)鍵因素。過失方或受害方為大型汽車、過失方超速行駛會(huì)顯著提高致死事故率[7]；調(diào)整模型發(fā)現(xiàn)夜間（4.5%）的致死事故率高于日間[25]。發(fā)生在晨昏的事故占比僅6%，但該時(shí)段一旦發(fā)生事故，致死事故率會(huì)提高23%，相反發(fā)生在日間的事故占比最高，但致死事故率會(huì)降低6.2%?？赡苁浅炕柢嚵髁啃。{駛員警惕較低，導(dǎo)致行駛速度較快，而日間車流量大且行車視距較好，駕駛員更加謹(jǐn)慎[3]；普通路段和十字路口的事故占比較高，但十字路口比普通路段的致死事故率低22.5%[23]；設(shè)立信號(hào)燈能降低致死事故率，設(shè)立直行+轉(zhuǎn)向交通信號(hào)燈路段比無交通信號(hào)燈路段的致死事故率低20.8%，這是因?yàn)榻煌ㄐ盘?hào)燈對(duì)駕駛員有警示作用，能降低交通沖突程度[23]。

(36，45]歲的駕駛員會(huì)略微提高致死事故率，而(18，25]歲的駕駛員會(huì)降低致死事故率。Lee C[25]指出30 歲以下的年輕司機(jī)在碰撞中受傷程度會(huì)降低，并且(18，25]歲的青年駕駛員由于駕駛經(jīng)驗(yàn)不豐富，警惕性反而更高；過失方或受害方的轉(zhuǎn)向行為均會(huì)降低致死事故率，但過失方的轉(zhuǎn)向行為降低幅度更大，可能是因?yàn)檫^失方處于轉(zhuǎn)向時(shí)，能更好的提前發(fā)現(xiàn)碰撞目標(biāo)，實(shí)施主動(dòng)避險(xiǎn)行為；普通公路比城市路段的致死事故率高17.2%。男性駕駛員、惡劣天氣和較差的路面狀況等因素都會(huì)提升致死事故率，但影響程度較小。

3.2 二維推理分析

為考察雙因素的聯(lián)合效應(yīng)對(duì)致死事故率的影響，以致死事故率的影響幅度中最大的因素L5 與其余關(guān)鍵因素進(jìn)行組合分析，觀察2 個(gè)變量的不同取值組合的致死事故率，各組合的聯(lián)合效應(yīng)見圖3。其中縱坐標(biāo)底部為過失方車型的變量取值，縱坐標(biāo)中部為其余關(guān)鍵因素的變量取值，橫坐標(biāo)為該組合的致死事故率。

由圖3 可知：因素交互作用下，因素的聯(lián)合效應(yīng)顯著。例如相較于過失方為乘用車，過失方為大型汽車與其余關(guān)鍵因素的交互作用更容易引發(fā)致死事故，尤其是駕駛員處于超速行駛或處于晨昏時(shí)段，因此建議大型汽車強(qiáng)制裝配超速報(bào)警裝置，并且駕駛員在晨昏等光線不好的環(huán)境要提高駕駛警惕；因素的聯(lián)合效應(yīng)影響高于各自邊際效應(yīng)之和。例如過失方為大型汽車且發(fā)生于普通路段時(shí)，致死事故率提高的邊際效應(yīng)之和為42.1%，而聯(lián)合效應(yīng)之和為44.4%。

圖3 過失方車型和其余關(guān)鍵因素的聯(lián)合效應(yīng)

3.3 多維推理分析

交通事故是多風(fēng)險(xiǎn)因素對(duì)事故傷亡的綜合效應(yīng)，但面臨因素取值的組合過多、主觀定義的組合耦合度低甚至為不可能事件等問題。因此利用SPSS Modeler軟件的關(guān)聯(lián)規(guī)則挖掘關(guān)鍵因素中高頻率與強(qiáng)耦合度的規(guī)則，將關(guān)聯(lián)規(guī)則輸出的規(guī)則中各個(gè)變量的取值，作為Bayes 網(wǎng)絡(luò)分析模型中每個(gè)變量的輸入，計(jì)算各個(gè)規(guī)則的致死事故率的變化。為了挖掘高頻率和強(qiáng)耦合度的規(guī)則，設(shè)定最低支持度為20%和最低置信度為80%，剔除前后項(xiàng)內(nèi)容相同的規(guī)則后，最終得到10 條規(guī)則見表3。

表3 可知：規(guī)則1 的支持度最高，說明該組合出現(xiàn)的頻率較高，但此時(shí)致死事故率會(huì)下降18.3%。這和C.Lee[25]結(jié)論類似，小型車之間的碰撞增加了非致死事故率，并且車輛在通過交叉口時(shí)的車速較低，因此降低了致死事故率[26]；規(guī)則2 出現(xiàn)的頻率較高，會(huì)小幅度提升致死事故率；與規(guī)則2 類似的是規(guī)則5，但規(guī)則5 發(fā)生時(shí)會(huì)增加42.6%的致死事故率，這是由于受害方為大型汽車時(shí)，盡管會(huì)降低受害方駕駛員的致死率，但會(huì)顯著提高過失方駕駛員的致死率[23]；規(guī)則7是唯一含夜間的高耦合規(guī)則，這種事故容易發(fā)生在無交通信號(hào)燈的普通路段，并會(huì)提高21.7%的致死事故率。這極大可能是因?yàn)橐归g車流量低、無交通信號(hào)燈的警示，并且普通路段的干擾小，此時(shí)汽車的行駛速度較快，加上夜間視野差，導(dǎo)致發(fā)生緊急情況時(shí)駕駛員的避撞時(shí)間不足。

表3 高頻率與高耦合規(guī)則集對(duì)致死事故率的影響

4 結(jié)論

本文以NAIS 數(shù)據(jù)庫的雙車事故為樣本，利用Bayes 網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則方法，研究了V2V 事故嚴(yán)重程度的關(guān)鍵影響因素，以及關(guān)鍵因素的交互作用對(duì)致死事故率的影響。主要結(jié)論如下：

1）過失方車型、過失方狀態(tài)、受害方車型、發(fā)生時(shí)段、事故地點(diǎn)、交通信號(hào)燈等因素，是致死事故率的關(guān)鍵影響因素。

2）因素交互作用下，因素的聯(lián)合效應(yīng)顯著，并且影響高于各自邊際效應(yīng)和。過失方為大型汽車且處于超速行駛會(huì)提升55%的致死事故發(fā)生率，因此建議大型汽車強(qiáng)制裝配超速報(bào)警裝置；駕駛員在晨昏時(shí)段，要提高駕駛警惕。

3）在十字路口兩輛乘用車發(fā)生事故的頻率較高，但致死事故率相較于致死事故率的先驗(yàn)概率會(huì)降低18.4%；大型汽車在無交通信號(hào)燈的普通路段發(fā)生事故，會(huì)提高42.6%的致死事故率。

4）數(shù)據(jù)采集的困難導(dǎo)致數(shù)據(jù)和字段有限，沒有充分考慮到車流量、汽車安全狀況和管理方面等因素，可能會(huì)對(duì)研究結(jié)果產(chǎn)生一定影響，有待進(jìn)一步研究。