张琦， 易云帆， 夏鹏

(长沙理工大学 交通运输工程学院， 湖南 长沙 410114)

高速公路具有车速快、车辆类型复杂、封闭性强等特点，高速公路上发生的事故大都为特重大或重大人身伤亡和财产损失事故。开展高速公路交通安全风险分析，辨识风险因素，评估风险等级，进而采取相应安全提升措施，可为高速公路安全运行提供保障。李志华将高速公路风险因素分为主观因素和客观因素，从道路线形、交通安全设施、路面状况、交通环境和路侧危险物等方面分析了客观因素对高速公路安全的影响；刘晓从山区天气状况、道路线形、道路安全防护措施、交通安全管理等方面对重庆高速公路交通安全进行了评价；罗勇等建立递阶层次结构，综合评估了高速公路隧道运营安全风险；高建伟探讨了道路条件对行车安全的影响，并提出了相关设计改善方法；雷桂荣等探讨了道路线形和交通流指标对高速公路交通安全的影响。

交通安全评价方法主要包括故障树分析法、模糊层次分析法、灰色模糊理论法及神经网络法等，由于存在一定主观性或需要大量样本进行训练，评价的实用性和可信性有所降低，需进行改进。熵权法能客观确定指标权重，云模型能实现定量与定性概念之间的不确定性转换，充分考虑其随机性，可减小主观因素的影响。徐征捷等采用云模型对铁路控制中心限速功能进行了风险评估；沈进昌等提出了基于云模型的模糊综合评价方法；杨文东等基于云模型对边坡进行了风险评估；刘珊珊基于云模型对高速铁路行车调度系统的不安全事件进行了风险评估；Yang Yafeng等基于云模型对水资源与能源安全进行了风险评估。本文基于熵权云模型构建高速公路交通安全风险评估指标体系，对高速公路交通安全风险进行评价。

1 评价指标体系构建

综合考虑影响高速公路交通安全风险的因素，从道路条件C1、气象条件C2、交通条件C3三方面构建评价指标体系，评价指标具有独立性、客观性、全面性，能充分反映高速公路风险状况。

1.1 道路条件指标

对高速公路交通安全风险影响最大的道路条件因素包括高边坡、桥隧、长大纵坡和出入口。

(1) 高边坡C11。由于高速公路地形地质条件复杂，边坡稳定性问题更突出，容易出现滑坡、落石、崩塌和防护加固工程结构破坏或失效等现象。边坡稳定性越差，风险越大。综合考虑边坡稳定性及边坡失稳的破坏后果，对边坡风险值进行量化，计算公式见式(1)。RS分数越高，边坡风险性越大。

RS=F×IS×CS

(1)

式中：RS为边坡安全风险分数；F为归一化因子；IS为滑坡稳定性分数；CS为滑坡后果分数。

(2) 桥隧C12。桥隧是高速公路的特殊构造物，具有封闭性等特征，对高速公路交通安全风险有一定影响。桥隧比例越大，高速公路交通安全风险越大。桥隧评价各等级风险值见表1、表2，按照该标准进行分值确定，分值越高，风险越高，分数以累加形式计算。

表1 桥梁评价各等级风险值

表2 隧道评价各等级风险值

(3) 长大纵坡C13。在长大纵坡上行驶时，不易控制车速，极其考验驾驶人的反应及操作速度，遇到紧急情况时频繁踩刹车易造成刹车失灵，引起车辆失控。综合考虑坡度与坡长，以设计速度100 km/h的高速公路为例，按表3、表4所示标准确定风险等级。

表3 纵坡评价等级划分

表4 纵坡评价各等级风险值

(4) 出入口C14。出入口路段交通交织，车流复杂，存在频繁减速或加速的现象，提高了交通事故危险性和交通安全风险。出入口数量越多，高速公路交通安全风险越大。出入口评价各等级风险值见表5，按照该标准进行分值确定，分值越高，风险越高。

表5 出入口评价各等级风险值

1.2 气象条件指标

降雨量和能见度是对高速公路交通安全风险影响最大的气象条件因素。

(1) 降雨量C21。降雨会使路面摩擦系数下降，导致车辆行驶稳定性降低、制动距离增加。降雨后高速公路路面因积水出现水膜，显著降低路面与车轮间的附着系数，导致车辆容易打滑，增大安全风险。风险随着降雨量的增大而增大，达到一定程度时风险降低，这是由于采取了相关管控措施或驾驶人提高了警惕性等。降雨量以降雨强度来表征，定义为一定时段内降落到地面的雨水深度(mm/h)。

(2) 能见度C22。能见度为路段的能见距离(m)，主要反映雾对高速公路交通安全的影响。能见度降低会使驾驶人分辨不清周围或前方的状况，同时导致驾驶人心理紧张，增加行车风险。

1.3 交通条件指标

对高速公路交通安全风险影响最大的交通条件因素包括交通量和交通组成。

(1) 交通量C31(饱和度)。安全风险随着交通量的增大而增大。饱和度W能间接反映交通量，按式(2)计算。饱和度过低时，行车自由度较高，驾驶人由于放松警惕，车速往往很高，单车安全风险增大；饱和度过高时，引起交通堵塞，驾驶人高度警惕，安全风险反而降低。

W=V/C

(2)

式中：C为最大通行能力；V为最大交通量。

(2) 交通组成C32(大车比例)。大型客货车(除小型轿车外的所有车辆)比例X是影响行车安全的因素之一，按式(3)计算。大车混入后诱使小车产生一系列加、减速行为，影响车流运行稳定性。

X=U/M×100

(3)

式中：U为大型客货车数量；M为所有车辆数量。

2 熵权云模型相关理论

2.1 云模型

(1) 云的定义。设U是以精准值表示的定量论域，C是U上的定性概念，若定量值x∈U，每个x为概念C的一次具体实现，x对C的确定度μ(x)∈[0,1]是具有稳定趋势的随机数μ：U→[0,1]，∀x∈Ux→μ(x)，那么x在U上的分布称为云，每个x称作一个云滴。

(2) 云的数字特征。云的数字特征能反映概念的整体性和定性知识的定量特征，对定性概念的理解具有重要意义。云一般以云期望Ex、熵En和超熵He3个数字特征来整体表征一个概念。期望Ex表示云滴在论域空间分布的中心值，是概念在论域空间的期望，是定性概念最具代表性的典型样本。熵En度量定性概念的不确定性，由概念的随机性和模糊性来决定。熵不仅能反映云滴的平均离散程度，是对定性概念随机性的度量，还能表达可被定性概念接受的云滴的取值范围，是对模糊性的度量。超熵He为熵的熵，度量熵值的不确定性，由熵的随机性和模糊性来决定，反映代表该值全部点的不确定度的集中程度，也间接表达云滴的厚度。

(3) 云发生器。云发生器主要分为正向云发生器与逆向云发生器。正向云发生器通过云的数字特征(Ex,En,He)生成云滴，完成定性到定量的映射，它是最基础的云计算，是能将定性信息转换到定量的范围及分布规律的算法，是表达定性信息最常用且最重要的工具，是前向的过程，在表达定性信息的基本语言值时尤为有用。逆向云发生器是实现从定量范围转换到定性概念的算法，能把一系列精确数据转换为以数字特征(Ex,En,He)表示的定性概念。逆向云发生器以统计学为基础原理，有使用确定度信息和不使用确定度信息两种基本算法。

2.2 熵权法

基于熵权理论对各影响因子的权重进行修正。

(1) 设对a个评价因子进行评价，每个评价因子有b个指标，构建标准化矩阵如下：

R=(rij)a×b

(4)

(2) 定义各指标熵为：

(5)

(6)

式中：b为评价等级数量；fij为隶属度，0≤fij≤1。

(3) 用向量wi=(wi1,wi2,…,wia)T作为各指标的权重向量，经熵权修正后权重为：

(7)

式中：0≤wij≤1。

3 基于熵权云模型的高速公路交通安全风险评估

3.1 评价假设

评价中，用一个云滴映射一次评价。按照高速公路交通安全风险评估指标体系，风险共分为5个等级，依次为极低风险(Ⅰ级)、低风险(Ⅱ级)、中等风险(Ⅲ级)、高风险(Ⅳ级)、极高风险(Ⅴ级)，每个风险评价指标隶属于某一等级的确定度都能用一个综合云表示。

应用云模型进行高速公路交通安全风险评价时，作以下假设：1) 将每一定量的评价等级都视为一个自然语言的概念，对应映射为一朵云；2) 观测数据隶属于5个等级中某一等级的确定度符合正态分布。

3.2 评价步骤

(1) 明确8个评价指标，将其分为5个级别并分别确定各自合理的分级指标。

(2) 针对某一评价指标Xi，根据评判标准，设定各等级分别对应的评价指标范围(a,b)，并确定各指标权重。

(3) 确定云模型的(Ex,En,He)，由云发生器形成该评价指标分别隶属于5个评价等级的综合云模型。

(4) 重复步骤2、步骤3，直至每个评价指标都生成其隶属于各自评价等级的云，共8×5朵云。

(5) 根据实际数据计算各指标隶属于对应等级的确定度，并乘以相应的指标权重(指标权重由熵权法求出)。

(6) 对每一个确定度矩阵各列值求和，即各评价指标隶属于某评价等级的确定度之和，风险评价结果即为确定度最大值所属的等级。

3.3 云模型参数选取

根据评价指标及标准，通过如下方法确定云模型的3个数字特征：

(1) 对于某变量VQa，如具有上边界Cmin、下边界Cmax，则3个数字特征按式(8)～(10)计算。

Ex=(Cmin+Cmax)/2

(8)

En=(Cmax-Cmin)/6

(9)

He=k

(10)

式中：Cmin、Cmax分别表示变量VQa的最小和最大边界值；k是常数，可通过自身的模糊度大小来确定。

(2) 对于只有单边界的变量，如VQa[Cmin,+∞]或VQa[-∞,Cmax]，可先依据数据的上下限确定其缺省边界期望值或参数，然后按式(8)～(10)计算云参数。计算所得云模型参数见表6。

表6 云模型参数

3.4 各项指标等级划分

各项指标的分级区间见表7。

表7 各项指标等级划分

3.5 分级指标模型

计算各评价指标在不同风险等级下的标准正态云值，结果见表8。图1为高速公路交通安全风险评估的分级指标模型图。

表8 各评价指标的标准正态云值

4 实例分析

以湖南省某运营高速公路为例，运用上述方法评估其交通安全风险。通过实地调查获得指标数据，按特征值计算公式计算各评价指标的云模型特征值(Ex,En,He)，结果见表9。

图1 分级指标模型图

表9 各评价指标的云模型参数

计算各评价指标在各风险等级下的隶属度，结果见表10。

表10 各指标相对各等级标准指标的隶属度

为反映各指标对高速公路交通安全风险的影响程度，基于熵权法确定权重系数，计算结果见表11。

表11 评价指标的权重

从单一的评价指标权重来看，长大纵坡的权重最大，对风险影响最为突出。采用加权平均型模糊合成算子将确定度矩阵与权重系数矩阵相结合，得到综合评判向量，再按最大隶属度原则评价高速公

路道路交通安全风险等级，评价结果见表12。

从表12可以看出：该高速公路总体安全风险水平为Ⅱ级(好)，其中道路条件风险等级为Ⅲ级(一般)，气象条件风险等级为Ⅱ级(好)，交通条件风险等级为Ⅱ级(好)。结合权重值可知，对该高速公路交通安全风险影响最大的为道路条件。后续安全改善中可结合表10中各指标的隶属度及表11中各指标的权重值，采取针对性的防治措施，如设置交通安全设施、改善道路结构物、严格治理超载等，提高其安全水平。

表12 交通安全风险综合评价结果

5 结论

为辨识高速公路交通安全风险源，建立风险评价指标体系，将高速公路安全影响因素划分为道路条件、气象条件和交通条件3 个一级指标及高边坡、桥隧、长大纵坡、出入口、降雨量、能见度、交通量(饱和度)、交通组成(大车比例)8 个二级指标，把高速公路交通安全状态划分为极低风险、低风险、中等风险、高风险和极高风险5个等级。在此基础上将熵权法和云模型相结合，先利用熵权法修正指标权重，然后应用云模型评价高速公路交通安全风险，得到高速公路交通安全风险等级。采用该方法进行安全风险评价，有助于提高高速公路交通安全改善措施的针对性及改善方案的有效性。但也存在一些不足，如指标选取不够详细；虽然云模型考虑了风险的不确定性及随机性，尽可能地减小了主观因素带来的影响，但整个风险评价过程中主观因素仍然存在。因此，还有待进行更深入的研究。