罗 旭，孙世梅*，陈 坤，傅 贵,2

1 吉林建筑大学 事故预防科学研究院,长春 130118 2 中国矿业大学(北京),北京 100083

随着我国经济社会的快速发展,人民购买力提高,汽车保有量也在迅速增涨.机动车的普及在给人们日常生活带来极大便利的同时,随之产生的交通事故也给人民的生命和财产安全造成了极大的损失.2019年我国发生机动车交通事故215 009起,其中受伤人数、死亡人数同比降低0.94 %和0.68 %,但总体仍处于较高水平,道路交通安全问题不容忽视.国内外学者对交通事故成因进行了大量的研究.熊晓夏等[1]人以美国交通事故数据为例,构建贝叶斯网络模型,分析得到在直线路段发生侧面碰撞与正面碰撞的事故较多.许洪国等[2]人构建了交通事故贝叶斯网络,推导出交通事故发生因素与人员伤亡之间的相互作用机制,验证了贝叶斯网络能够很好地表达交通事故与其发生原因之间的逻辑关系,具有较高的准确度.胡冉等[3]人基于故障树分析方法对小学区域进行安全隐患评估.王建军等[4]人建立路网系统故障树,研究各因素之间的影响情况.

贝叶斯网络(Bayesian Network，BN)[5]作为系统风险分析方法,以其出色正向诊断和反向推理能力广泛运用于人工智能、事故失效分析、医学诊断分析[6]、规划[7]、聚类[8].本文基于BN对高速公路交通事故进行分析，原因与优势如下：

(1) BN的预测结果包含关联性、多态性和模糊逻辑关系；

(2) BN有成熟的软件建模和计算分析；

(3) BN可以进行事故预测、原因诊断、敏感性分析,适用于本文案例.

本文采用事故致因“2-4”模型、故障树-贝叶斯网络模型分析京哈高速公路53例交通事故,探寻影响事故发生的关键行为原因因素，为交通管理部门针对高速公路交通事故开展安全保障工作提供依据.

1 理论基础

1.1 贝叶斯网络

贝叶斯网络(Bayesian Network, BN)于1988年由Pearl首次提出[9]，是一种综合了概率论和图论知识的概率分布模型，是描述变量之间概率分布关系的图形模式[10],同时其具备的强大正向推理能力与反向诊断能力为不确定性学习和推理分析提供了基本框架和有效工具.

1.2 贝叶斯网络的参数学习与结构学习

(1) 结构学习. 贝叶斯网络结构学习的目的是为了确定贝叶斯网络的拓扑结构,目前,主流的结构学习方法主要分为专家法与机器学习法两种.专家法是指贝叶斯网络拓扑结构的搭建主要依靠的是该研究领域内的专家依据其多年的经验直接确定网络结构.这种方法的优点为变量节点少、因果逻辑强[11].机器学习法是指在没有该领域内的专家进行指导建模时,通过已收集到的大量样本数据,运用相关算法获取网络结构.

(2) 参数学习. 贝叶斯网络的参数学习是为了获取节点之间的条件概率表,在结构学习完成后的基础上进行的.目前主要的参数学习方法有专家赋值法和已有数据构建参数法两种方式.

1.3 故障树分析方法

故障树分析最早是美国贝尔实验室研究出来的[12],它将研究对象进行分解、分层,对事故进行推理,综合考虑事故的成因.故障树由事件与逻辑门组成,事件分为底事件、中间事件、顶事件.底事件位于故障树结构图的最下端,由基本事件和未探明事件组成;中间事件位于顶事件与底事件之间的结果事件;顶事件为研究的目标事件,位于故障树顶端.逻辑门分为与门、或门.

1.4 故障树向贝叶斯网络的转化

贝叶斯网络相较于故障树分析,能够实现双向推理且成因分析更为全面,但缺点是结构学习较为复杂困难.故障树转化为BN是BN建模的良好方法之一.故障树中的底事件、中间事件、顶事件和逻辑门与贝叶斯网络中的节点和节点之间的逻辑联系存在对应关系.转化过程如下:

(1) 故障树的底层事件对应贝叶斯网络中的根节点,中间事件对应非根节点.同理,顶事件对应叶节点.

(2) 底层事件发生的基础概率可以赋值给根节点当做先验概率,中间事件和顶事件的条件概率与非根节点和叶节点的条件概率一一对应.

(3) 故障树中与或门的输入输出关系对应贝叶斯网络中有向边的方向.

2 京哈高速公路交通事故数据处理

故障树-贝叶斯网络模型的建立首先需要确定模型中的变量节点，而变量节点来源于数据样本中导致事故发生的各类致因因素.本文选择事故致因“2-4”模型[13]分析高速公路交通事故致因因素,归纳整理事故样本中的不安全动作与不安全物态,为后续建模奠定基础.

2.1 事故致因“2-4”模型

事故致因模型的选择直接决定事故原因分析的全面性和准确性.傅贵等人在Reason[14-15]，Heinrich[16]，Jim Stewart[17]等国内外相关研究成果的基础上,建立了现代事故致因模型——事故致因“2-4”模型.事故致因“2-4”模型由组织层面原因和个人层面原因组成,个人层面原因包括一次性行为和物态(直接原因)以及习惯性行为(间接原因).组织层面包括运行行为(根本原因)及指导行为(根源原因)两个方面.本文侧重分析个人层面直接原因部分的一次性行为和物态.事故致因“2-4”模型如图1所示.

图1 事故致因“2-4”模型Fig.1 “2-4”accident causation model

2.2 不安全动作统计分析

不安全动作是指驾驶人员的违法、违规等不安全行为，是导致事故发生的直接原因.依据事故致因“2-4”模型,从53起京哈高速公路交通事故中分析总结得到5个不安全动作,分别统计其发生的频次和频率.其中超速行驶发生19次,发生频率为35.84 %,是发生占比最高的不安全动作.不安全动作统计见表1.

表1 京哈高速公路交通事故不安全动作统计Table 1 Statistics of unsafe actions in traffic accidents on Jingha expressway

2.3 不安全物态统计分析

不安全物态分为不安全动作造成的不安全物态和既成事实的不安全物态，是导致事故发生的直接原因.其中机动车防护设施、安全标识不符合技术标准发生频次24次，频率45.28 %,是占比最高的不安全物态.依据事故致因“2-4”模型,得到不安全物态统计分析,见表2.

表2 京哈高速公路交通事故不安全物态统计Table 2 Statistics of unsafe states of traffic accidents on Jingha expressway

2.4 致因因素分类统计

依据交通运输系统中的人-车-路-环境4个要素,将表1、表2统计分析得到的不安全动作与不安全物态作为基本事件进行匹配,分类、整理得到不安全动作(不安全物态)分类表,见表3.需要说明的是,因本文事故样本数量较少,致因因素中未涉及道路因素,后续分析中以人-车-环境3个要素进行分析.

表3 不安全动作(不安全物态)分类Table 3 Unsafe action (unsafe state) classification

2.5 致因因素编码

根据表3不安全动作(不安全物态)分类表的对应关系,对所有通过“2-4”模型分析得出的致因因素进行编码,见表4.

表4 致因因素编码Table 4 Coding of causative factors

3 故障树-贝叶斯网络模型构建

3.1 模型构建

顶上事件K设置为高速公路交通事故,将车辆因素、人为因素、环境因素设置为中间事件,将京哈高速公路交通事故数据处理通过“2-4”模型分析得到的不安全动作以及不安全物态作为基本事件.基本事件与中间事件的对应关系见表3.以中间事件车辆因素VF为例,其下属的基本事件VF1、VF2在本文事故样本中单独出现且直接导致事故的发生,因素之间无交叉耦合关系,所以事件层之间用或门连接,其余节点同理.最终得到故障树模型如图2所示.根据1.3的转化方法,将其转化为贝叶斯网络结构图,如图3所示.

图2 高速公路交通事故故障树Fig.2 Highway traffic accident fault tree

图3 高速公路交通事故贝叶斯网络结构Fig.3 Bayesian network structure of highway traffic accident

3.2 节点取值说明

高速公路交通事故贝叶斯网络模型中,13个节点取值均为{N,Y},N代表风险未发生,Y代表风险发生.

4 贝叶斯网络模型的仿真

4.1 模型构建

将搭建好的贝叶斯网络(如图3所示)在Netica中进行可视化操作,并利用EM算法进行参数学习,经过12次迭代后,最后得到贝叶斯网络模型,如图4所示.

图4 贝叶斯网络模型Fig.4 Bayesian network model

4.2 模型适用性证明

为了验证已构建的贝叶斯网络模型的适用性,通过手动计算数据与参数学习EM算法结果进行对比.以HF节点为例,根据或门连接强度计算HF节点的条件概率，当HF1～HF5同时不发生时,HF不发生,代数计算结果P(HF=N)=30.91 %,与模型计算结果31.40 %基本吻合,证明该模型可用于实际分析.

4.3 推理分析

将事故节点K设置为100 %发生事故，运用贝叶斯公式进行反向诊断推理.结果表明,HF4→HF→K为最大致因路径,即超速行驶是导致事故发生占比最大的因素,其次是机动车防护设施、安全标识不符合技术标准、违规低速行驶、车辆停止于道路上形成的不安全物态.

5 结论

依据收集的53起京哈高速公路交通事故数据,利用事故致因“2-4”模型分析出基本事件以及事件间的对应关系,利用故障树-贝叶斯方法构建模型拓扑结构，并在NETICA中进行可视化操作；利用反向诊断分析发现影响事故发生的关键行为因素为超速行驶；其它因素按概率重要度排序依次为:机动车防护设施、安全标识不符合技术标准、违规低速行驶、车辆停止于道路上形成的不安全物态.