贾晓惠，王化姗，崔用梅

(1.大连海事大学航运经济与管理学院, 大连 116026；2.大连海事大学交通运输工程学院, 大连 116026)

在倡导环保理念、实施绿色出行行动计划的背景下，全国各地对城市公共交通的需求日益旺盛，公共交通的安全问题也显得日益重要。2018 年世界卫生组织(World Health Organization,WHO)发布了《2018 年全球道路安全现状报告》[1]。该报告指出，54%的死者为行人、骑自行车者和骑摩托车者，以上几类使用者也被世界卫生组织称为“弱势道路使用者”。这一报告表明，各国需要制定政策，鼓励公共交通出行，以满足弱势群体的需求。而与地铁、轻轨等轨道交通相比，公交车和其他车辆一起在地面上运行，往往受道路交通情况影响较大，事故影响因素更为复杂。并且与一般机动车辆相比，公交车有固定的行驶路线和固定的运营时间且载客人数较多，以及有公交车专用道，与一般机动车事故的影响因素有差异。因此，研究公交车事故特征，分析公交车事故影响因素，提出公交车事故的预防对策，成为交通安全领域迫切需要解决的问题。

目前，中外有许多学者聚焦于交通事故致因的研究。其中，一些学者不区分交通工具，将某种道路类型处的所有交通事故放在一起探究其致因。如，城市道路[2-10]、高速公路[11-13]、低等级公路[14]、山区公路[15-16]以及隧道处[17]的交通事故致因。除此之外，还有一些学者考虑到不同交通工具的事故致因可能存在差异，专门研究某一类交通工具的事故致因，例如公交车[18-24]、公路客运[25-26]、电动自行车[27]、摩托车[28]等事故致因。

但是，目前中国对于公交车事故致因的研究，都集中于研究驾驶员因素对公交车事故的影响，没有学者系统地关注外部因素的影响。而事故的发生是人、车、路、环境共同作用的结果。据美国官方研究所(National Highway Traffic Safety Administration)的事故报告指出，在公交车事故中，与驾驶员因素直接相关的案例占70%，间接相关的案例为90%[19]，说明外部因素对公交车事故也有较大影响。所以现探究除人的因素以外车、路、环境这些外部因素对公交车事故的影响。

在交通事故致因的研究中，所使用的方法主要包括logit模型[4,8,11,16,18,24,27]、logistic模型[3,15]、结构方程模型[5,23]、关联规则[7,9,13-14]、贝叶斯网络[2,12]、偏最小二乘回归[10]。由于事故的影响因素较为复杂，而贝叶斯网络与回归模型相比，对线性没有严格的要求，能够有效处理变量间存在交互作用的情况[2]，可以有效地从大量的数据中发现变量间的关系,并且以概率的形式将变量间的关联程度表示出来。所以现选择使用贝叶斯网络研究公交车事故致因。以此来丰富交通事故致因的研究文献，并且为相关管理部门提出意见以减少公交车事故的发生。

1 构建公交车事故致因的贝叶斯网络模型

1.1 变量选择与预处理

采用A市的259条公交车事故数据，数据中包含事故车辆单位、事故发生日期和地点，驾驶员姓名、事故责任、事故类型，伤亡情况等信息。通过整理提取出包含车、路和环境3个方面的以下变量，同时为了满足建模要求，对变量进行离散化处理。经处理后的各变量取值如表1所示。

1.2 结构学习

贝叶斯网络的构建包括两个步骤：结构学习和参数学习。结构学习有3种学习方法。

(1)专家知识建模。这种建模方法是由专家根据先验经验直接给出贝叶斯网络结构。

(2)机器学习建模。通过运用机器算法对数据进行学习，挖掘出变量之间的关系，构建贝叶斯网络结构。

(3)前两种方法相结合。对于专家知识建模，通常主观因素影响较大，而对于机器学习建模，即使可以使用各种结构学习方法与评分函数，但受数据、结构学习方法等诸多因素的影响，使学习结果有很大的随机性，需要经过多次实验才能得到满意的结果。因此，采用第三种方法，综合机器学习和专家知识构建贝叶斯网络。机器学习选择K2算法。由于使用K2算法进行网络结构的学习，需事先给定网络节点排序，所以贝叶斯网络结构学习的具体步骤为：首先，通过相关性分析得出节点排序；其次，使用K2算法学习出初始贝叶斯网络结构；最后，根据专家建模经验完善贝叶斯网络结构。最终得出贝叶斯网络结构如图1所示。

图1所示的贝叶斯网络结构由7个节点和7条连线组成，节点就是表1中对应的7个变量，节点间的连线表示节点间的依赖关系。贝叶斯网络结构体现了公交车事故是车、路、环境3方面因素共同作用的结果。如事故类型同时受天气、时间、道路线形、地点的影响，这充分反映了公交车事故的实际情况。

表1 公交车事故变量的离散化取值表

图1 公交车事故外因的贝叶斯网络结构

1.3 参数学习和模型验证

选择贝叶斯方法进行贝叶斯网络的参数学习。它的基本思想是：给定一个含有未知参数的分布和一个样本数据集D，θ是一个具有先验分布p(θ)的随机变量，根据样本数据集D的学习，将使θ的概率发生变化，记为p(θ|D)，称为θ的后验概率，参数学习的目的就是计算这个后验概率。因为Dirichlet分布的共轭特性可以降低计算的复杂程度，提高计算效率，所以先验分布通常取作Dirichlet分布，p(θ)的Dirichlet分布形式[2]为

(1)

(2)

θ的后验分布为

Dir(θ|∂1+N1,∂2+N2,…,∂γ+Nγ)

(3)

运用贝叶斯估计法和MATLAB的 Full-BNT工具箱进行贝叶斯网络的参数学习。具体实现步骤为：首先，将数据导入MATLAB中；其次，依据贝叶斯网络结构，输入参数的先验分布；最后，调用Full-BNT工具箱中的bayes_update_params函数学习网络节点的参数。表2和表3分别给出了在天气、时间、道路线形(平直道路)、地点(路口)、事故责任(全责)共同作用下，事故类型的参数学习结果以及实际计算结果。

表2 事故类型的参数学习结果

表3 事故类型的实际计算结果

从模型参数学习结果和实际计算结果的比较与模型预测命中率两方面入手，验证贝叶斯网络模型的有效性。通过参数学习结果和实际计算结果的比较发现，模型最大绝对误差为0.000 1。通过运行MATLAB程序，得出该模型的命中率为84.17%。通常命中率能达到80%以上，就可以认为是非常好的结果[29]。所以，综上可知，这个贝叶斯网络模型是合理的，可以运用其进行推理分析。

2 模型结果分析

由贝叶斯网络结构图可知，天气、时间、道路线形、地点都是公交车事故致因。根据概率大小各致因因素容易导致的事故类型及每一事故类型的伤亡情况和最强致因都不尽相同。

2.1 各致因因素对事故类型的影响

2.1.1 天气对事故类型的影响

根据贝叶斯网络模型的推理结果，得出天气对事故类型的影响，如图2所示。

图2 天气与事故类型的关系

由图2可知，根据概率由大到小，天气导致的事故类型依次是非碰撞事故、与小汽车、非机动车、公交车碰撞。根据对实际事故数据的统计可知，公交车事故中几乎有一半是非碰撞事故，所以无论天气如何，都是发生非碰撞事故的可能性最大，这一结果与实际相符。此外，还可以看出，雨天发生非碰撞事故的概率为50.02%，高于晴天和阴天；在阴天时比在晴天和雨天更容易与小汽车及非机动车碰撞；晴天更容易与公交车碰撞。

2.1.2 时间对事故类型的影响

根据贝叶斯网络模型的推理结果，得出时间对事故类型的影响，如图3所示。

图3 时间与事故类型的关系

由图3可知，根据概率由大到小，时间导致的事故类型依次是非碰撞事故、与小汽车、非机动车、公交车碰撞。无论在工作日还是在非工作日，都是最容易发生非碰撞事故。但是在工作日发生非碰撞事故的概率为48.13%，高于非工作日的38.22%。原因可能是在工作日存在出行高峰期，在高峰期时车辆较多，公交车会因为躲避其他车辆而产生急刹车的行为，造成非碰撞事故。此外，非工作日和工作日中与小汽车及非机动车碰撞的概率基本相同。而在非工作日与公交车碰撞的概率远大于工作日。

2.1.3 道路线形对事故类型的影响

根据贝叶斯网络模型的推理结果，得出道路线形对事故类型的影响，如图4所示。

图4 道路线形与事故类型的关系

由图4可知，根据概率由大到小，道路线形导致的事故类型依次是非碰撞事故、与小汽车、非机动车、公交车碰撞。无论在平直道路还是在非平直道路，都是最容易发生非碰撞事故。但是在平直道路发生非碰撞事故的概率为45.94%，高于非平直道路的31.29%。原因可能是驾驶员在非平直道路，更会谨慎驾驶，主动避免非碰撞事故的发生。此外，还可以看出，在平直道路与非平直道路中，平直道路更容易发生非碰撞事故及与小汽车碰撞，非平直道路更容易与非机动车及公交车碰撞。

2.1.4 地点对事故类型的影响

根据贝叶斯网络模型的推理结果，得出地点对事故类型的影响，如图5所示。

图5 地点与事故类型的关系

由图5可知，根据概率由大到小，地点导致的事故类型依次是非碰撞事故、与小汽车、非机动车、公交车碰撞。在路口最容易与小汽车碰撞，概率为45.45%；在站牌、门口处最容易发生非碰撞事故。因为在站牌处乘客上下车时，由于司机开关门不当会导致非碰撞事故；在门口处行人较多，司机也可能因为躲避行人而急刹车造成非碰撞事故。此外，在同一事故类型中，在门口处更容易发生非碰撞事故，在路口处更容易与小汽车及非机动车碰撞，在站牌处更容易与公交车碰撞。

2.2 事故类型对伤亡情况的影响

根据贝叶斯网络模型的推理结果，得出事故类型对伤亡情况的影响，如图6所示。

图6 事故类型对伤亡情况的影响结果

由图6可知，当发生非碰撞事故时，造成伤亡的可能性最大，概率为94.36%。因为非碰撞事故指公交车辆在线路运营中因紧急制动、突然加速、急促转弯、路面颠簸、开关门操作不当等原因，使车上乘客身体失去平衡而摔倒、碰撞、挤压导致受伤或物品受损而造成的事故，所以非碰撞事故最容易造成伤亡。其次是与非机动车碰撞，造成伤亡的概率为52.92%。因为非机动车与小汽车及公交车相比，保护措施较少，所以更容易造成伤亡；与小汽车及公交车碰撞造成伤亡的概率相对较小，分别为18.85%和16.23%。

2.3 致因因素比较分析

综合图2～图5可知，雨天发生非碰撞事故的概率为50.02%，高于晴天和阴天；工作日发生非碰撞事故的概率为48.13%，高于非工作日；平直道路发生非碰撞事故的概率为45.94%，高于非平直道路；门口处发生非碰撞事故的概率为54.47%，高于路口、站牌和其他地点。因此，各外部致因因素对非碰撞事故的影响强度由大到小依次是地点、天气、时间、道路线形。同理可得，对与小汽车碰撞的影响强度由大到小依次是地点、天气、时间、道路线形；对与非机动车碰撞的影响强度由大到小依次是道路线形、地点、天气、时间；对与公交车碰撞的影响强度由大到小依次是道路线形、时间、地点、天气。

3 结论与建议

在公交车事故致因的研究中，国内学者集中研究驾驶员因素对事故的影响，但事故的发生是人、车、路、环境共同作用的结果，所以外部致因也不容忽视。通过使用贝叶斯网络得出了公交车事故外部致因以及各事故类型最强外部致因，具体结论如下。

(1)天气、时间、道路线形和地点是公交车事故的致因因素，其中道路因素(包括道路线形和地点)是最强致因因素；根据概率由大到小，造成的事故类型依次是非碰撞事故、与小汽车、非机动车、公交车碰撞。

(2)当发生非碰撞事故时，最容易造成伤亡，概率达到94.36%，且地点是非碰撞事故的最强外部致因。因此在门口和站牌这种最容易发生非碰撞事故的地点要放置醒目的交通标志，提醒驾驶员提前减速慢行，谨慎驾驶。

(3)当与小汽车碰撞时，有18.85%的概率会造成伤亡，且地点是与小汽车碰撞的最强外部致因。所以在路口这种最容易与小汽车碰撞的地点，在出行高峰期时，可以让交通警察指挥交通。同时公交车驾驶员在路口处行驶时既要注意其他道路方向的小汽车，也要注意与同向行驶的小汽车保持安全距离。

(4)当与非机动车碰撞时，有52.92%的概率会造成伤亡，且道路线形是与非机动车碰撞的最强外部致因。所以在最容易与非机动车碰撞的非平直道路，要设置健全的非机动车专用道。同时驾驶员也要多注意避让非机动车骑行者及行人，因为相对于公交车来说，他们是“弱势道路使用者”。

(5)当与公交车碰撞时，有16.23%的概率会造成伤亡，且道路线形是与公交车碰撞的最强外部致因。所以在最容易与公交车碰撞的非平直道路，相关部门要进行道路整修，改善道路路面状况。同时驾驶员要注意减速慢行且与前车保持安全距离，避免追尾前方公交车辆。

研究结果与国内城市道路交通事故相关研究结果相比[2,4]，相同之处是道路因素是最容易引起伤亡事故的因素；不同之处是公交车最容易发生非碰撞事故，而非多车事故。而且，还进一步得出非碰撞事故、与非机动车及行人碰撞事故容易造成伤亡，并将道路因素细分为地点和道路线形后得出它们分别是两种类型事故的最强致因。此外，研究结果是在站牌处发生公交车事故多为非碰撞事故，会增加伤亡的可能性，而国外的相关研究成果显示在站牌处发生公交车事故会降低伤亡的可能性[24]。

虽然系统地分析了外部因素对国内公交车事故的影响，但仍存在一些不足。受公交车事故数据获取途径限制，数据中缺乏事故的具体发生时段以及不涉及雪、雾的天气情况，在之后的研究中可以加入这些情况，以获得更细致的结果。