常規(guī)公交風(fēng)險的SEM與Bayesian Network組合評估方法研究*

宗 芳 于 萍 吳 挺 陳相茹

(吉林大學(xué)交通學(xué)院 長春 130022)

0 引 言

公共交通作為一種承載量大、充分利用道路資源的交通方式，其安全評估受到社會的廣泛關(guān)注，尤其是客運周轉(zhuǎn)量較大的城市，對城市公共交通的運行安全有更高的要求。目前，國內(nèi)外學(xué)者對城市常規(guī)公交的風(fēng)險評估研究取得了一定進(jìn)展。Mallia等[1]根據(jù)調(diào)查結(jié)果建立了結(jié)構(gòu)方程模型，得出個性特征與異常的駕駛行為有著直接和間接的相關(guān)關(guān)系。Cafiso等[2]得出在常規(guī)公交系統(tǒng)的參與者中，搭載的乘客和公交周圍的行人面臨著相對高的安全隱患。Amadori和Bonino[3]通過對常規(guī)公交車站的調(diào)查研究得到使車站更安全的系列標(biāo)準(zhǔn)的措施?？梢杂脕碜R別公交車站的安全性是否仍有提升空間，并給出了不同情況下的改進(jìn)措施。南愛強[4]采用二級評價方法，根據(jù)西安市和昆明市的情況進(jìn)行了城市公交安全模糊評價。但是對小型城市的情況并沒有進(jìn)行合理分析。彭明[5]通過研究公共交通的運營狀況，分析影響運營的人、車、路、環(huán)境等因素，指出安全管理的疏忽是造成事故發(fā)生的最關(guān)鍵原因，并提出安全管理方面的具體措施和建議。但是其研究的適用性有待考察。在道路安全評估和其他城市客運方式[6-7]風(fēng)險評估方面，也有學(xué)者做了一定的研究。賀文雅等[8]運用AHP法分析了影響高速公路風(fēng)險駕駛行為的要素，發(fā)現(xiàn)換道頻繁(變換車道行為)是高速公路上風(fēng)險性最高的駕駛行為，并探討了減少風(fēng)險駕駛行為的安全對策。趙學(xué)剛[9]提出了城市道路交通安全綜合風(fēng)險實時分析評價的方法和技術(shù)，提出了基于最小歐氏距離判斷法的新型交通安全綜合風(fēng)險評價方法，對敏感風(fēng)險源可以實現(xiàn)定量評價[9]。

目前國內(nèi)外對城市公交風(fēng)險評估多采用層次分析法、模糊評價法[10]等，無法實現(xiàn)對風(fēng)險的定量化評估。雖然貝葉斯網(wǎng)絡(luò)模型可對交通事故風(fēng)險進(jìn)行評估[11-12]，但貝葉斯網(wǎng)絡(luò)模型無法標(biāo)定指標(biāo)間的雙向影響關(guān)系，而風(fēng)險指標(biāo)間可能存在復(fù)雜的相關(guān)關(guān)系。另外目前的研究缺乏依據(jù)風(fēng)險因素在對事故進(jìn)行預(yù)測時的可信度測算，因此，筆者將采用可進(jìn)行互相關(guān)分析的結(jié)構(gòu)方程模型進(jìn)行結(jié)構(gòu)化建模，分析風(fēng)險因素對常規(guī)公交事故的復(fù)雜影響關(guān)系，運用信息熵理論篩選可信度較高的風(fēng)險因素，并結(jié)合貝葉斯網(wǎng)絡(luò)模型的高精度參數(shù)學(xué)習(xí)[13]估計組合風(fēng)險下的公交事故發(fā)生概率，從而全面、定量地估計常規(guī)公交事故發(fā)生的可能性，彌補現(xiàn)有研究在雙向結(jié)構(gòu)化分析、定量預(yù)測精度等方面存在的不足。

1 常規(guī)公交風(fēng)險指標(biāo)體系的建立

1.1 常規(guī)公交事故致因分析

對國內(nèi)外554起常規(guī)公交發(fā)生碰撞、刮擦、翻車、失火、碾軋、爆炸、踩踏等7種事故類型進(jìn)行總結(jié)。常規(guī)公交發(fā)生事故的主要原因有：駕駛員的各種違法行為[14]、道路線形差、交通參與者的安全意識淡薄、乘客是否攜帶易燃品或吸煙車廂內(nèi)存在火災(zāi)隱患、不良天氣、車內(nèi)溫度與車外溫度等。

1.2 風(fēng)險因子的分類提取

筆者從“人、車、路、環(huán)境”4個角度，對引起常規(guī)公交事故的風(fēng)險源進(jìn)行識別。

1) 人的因素。人是影響常規(guī)公交系統(tǒng)安全最活躍的因素[15-16]。常規(guī)公交車駕駛者、車內(nèi)乘客、行人[17]等，他們在系統(tǒng)風(fēng)險中所占比例不同，統(tǒng)計數(shù)據(jù)顯示，常規(guī)公交駕駛者違法行為[18]是常規(guī)公交系統(tǒng)風(fēng)險的主要原因。

2) 車輛因素。常規(guī)公交技術(shù)性能的好壞，是影響常規(guī)公交風(fēng)險的重要因素。車輛制動失靈、燈光失效等，都是釀成交通事故的因素。據(jù)我國交通事故的統(tǒng)計資料表明，制動系和轉(zhuǎn)向系故障是車輛因素造成事故的主要原因。

3) 道路因素。道路線性差，中央分隔帶和路邊兩側(cè)護(hù)攔設(shè)置較少，標(biāo)志不規(guī)范，這些從客觀上增加了道路交通傷亡事故的發(fā)生率。因此道路本身的技術(shù)等級、設(shè)施條件作為構(gòu)成道路交通的基本要素，對交通安全的影響不容忽視。

4) 環(huán)境因素。 交通環(huán)境主要是指天氣狀況、噪聲污染以及道路交通參與者之間的相互影響等。駕駛員行車的工作狀況，不僅受道路條件的影響，還受到交通環(huán)境的影響。

1.3 常規(guī)公交風(fēng)險評估指標(biāo)

總結(jié)現(xiàn)有公交風(fēng)險源[4-6,8]，結(jié)合相關(guān)性分析，識別出與常規(guī)公交事故相關(guān)性參數(shù)顯著性檢驗水平大于1%的風(fēng)險評價指標(biāo)，見表1。

表1 常規(guī)公交風(fēng)險評估指標(biāo)

2 常規(guī)公交風(fēng)險評估模型

2.1 風(fēng)險評估的結(jié)構(gòu)方程結(jié)構(gòu)學(xué)習(xí)

結(jié)構(gòu)方程模型(structural equation modeling, SEM)，整合了因素分析(factor analysis)與路徑分析(path analysis)，檢驗?zāi)Ｐ椭邪娘@性、潛在、干擾或誤差變量間的關(guān)系，進(jìn)而獲得自變量與因變量間的關(guān)系[10]。SEM與貝葉斯網(wǎng)絡(luò)模型相比，具有可以解析變量間互相關(guān)關(guān)系的優(yōu)點，對于復(fù)雜的相關(guān)分析更為深入[19]。選取334條事故數(shù)據(jù)作為訓(xùn)練樣本集進(jìn)行模型標(biāo)定。

由于各外部變量均可以被指標(biāo)項直接表示，因此，只考慮外生變量和內(nèi)生變量之間的路徑關(guān)系，并不引入潛變量，SEM可以表述為

η=Bη+Γξ+ζ

(1)

式中：η為內(nèi)生變量；ξ為外生變量；B為內(nèi)生變量之間的關(guān)系；Γ為以直接隨機(jī)效應(yīng)矩陣表示的外生變量對內(nèi)生變量的影響；外生變量對內(nèi)生變量無法解釋的部分稱為殘差項，以ζ表示。外生變量和內(nèi)生變量特征見表2～3。

表2 外生變量特征

筆者采用最大似然法對模型進(jìn)行標(biāo)定，標(biāo)定時經(jīng)過相關(guān)性分析過濾掉影響程度較小的變量，得到常規(guī)公交風(fēng)險評估的結(jié)構(gòu)學(xué)習(xí)結(jié)果見圖1，得到作為內(nèi)生變量的刮擦事故對碰撞事故、失火事故對爆炸事故存在影響，且經(jīng)標(biāo)定，指標(biāo)變量間的影響均為單向。

以關(guān)注度較高的失火事故為例，對事故風(fēng)險進(jìn)行結(jié)構(gòu)學(xué)習(xí)，見圖2。

圖2 失火事故風(fēng)險評估結(jié)構(gòu)學(xué)習(xí)Fig.2 Structure learning of catching fire assessment

經(jīng)過學(xué)習(xí)，發(fā)現(xiàn)共8個因素對失火產(chǎn)生影響。其中直接影響因素為：油氣泄漏、車廂內(nèi)是否存在火災(zāi)隱患、車內(nèi)溫度、車外溫度、乘客是否攜帶易燃品或吸煙。

2.2 基于信息熵理論的風(fēng)險因素預(yù)測權(quán)重值的計算

為了研究直接影響因素對常規(guī)公交事故的作用，需確定當(dāng)利用直接影響因素進(jìn)行事故風(fēng)險預(yù)測時，各影響因素對預(yù)測可信度的貢獻(xiàn)程度，即影響因素在事故風(fēng)險預(yù)測中的權(quán)重。筆者利用信息熵理論進(jìn)行事故預(yù)測中風(fēng)險因素影響權(quán)重值的計算。熵作為物理概念，最早源于熱力學(xué)，用于描述系統(tǒng)的無序狀態(tài)。Shannon[20]于1948年提出信息熵的概念，用于反映系統(tǒng)的各個信息源信號出現(xiàn)的幾率。

假設(shè)某系統(tǒng)X可能處于n種不同的狀態(tài)xi(i=1,2,…,n)，pi(i=1,2,…,n)代表狀態(tài)xi出現(xiàn)的概率，則該系統(tǒng)的信息熵H(X)定義為

(2)

若用X表示某個變量，k表示事故的發(fā)生狀態(tài)，pk表示不同事故發(fā)生狀態(tài)中X取值為1發(fā)生的概率，即可根據(jù)式(2)計算出事故中此變量的信息熵H(X)。H(X)越小，表明不同事故發(fā)生狀態(tài)中此變量發(fā)生的概率值越均勻，用此變量預(yù)測事故發(fā)生狀態(tài)的可信度越高；相反，H(X)越大，表明用此變量預(yù)測事故發(fā)生狀態(tài)的可信度越低。因此，利用信息熵可以表示此變量在該種事故態(tài)勢預(yù)測中的可信程度，進(jìn)而可以確定此變量在事故風(fēng)險預(yù)測中的影響權(quán)重。

對于發(fā)生狀態(tài)有m種的事故，選擇n個變量uj(1≤j≤n)進(jìn)行事故態(tài)勢預(yù)測的變量可信度權(quán)重值的計算步驟如下。

步驟1。建立決策矩陣A=(aij)m×n，其中行變量i(1≤i≤m)表示事故的發(fā)生狀態(tài)，列變量j(1≤j≤n)表示決策變量uj，aij表示在事故發(fā)生狀態(tài)為i時，uj=1的概率。

(3)

步驟2。為了消除不同量綱對變量預(yù)測可信度的影響，對矩陣A做規(guī)范化運算，得到矩陣B=(bij)m×n，其中

(4)

步驟3。對矩陣B做列歸一化運算，得到矩陣S=(sij)m×n，其中

(5)

步驟4。計算變量uj的信息熵。

(6)

步驟5。計算變量uj的權(quán)重值βj。

(7)

式中：βj滿足β1+β2+…+βn=1。

對于失火事故，其直接影響因素的概率統(tǒng)計結(jié)果見表4，各因素的影響權(quán)重計算結(jié)果見表5。

表4 失火事故直接影響因素發(fā)生概率數(shù)據(jù)統(tǒng)計

表5 失火事故直接影響因素預(yù)測影響權(quán)重

由表5可知，在利用直接影響因素進(jìn)行失火事故風(fēng)險預(yù)測過程中，油氣泄漏對事故預(yù)測可信度的影響權(quán)重最大，為0.676 0；其次為乘客是否攜帶易燃品或吸煙，權(quán)重值為0.203 2；是否存在火災(zāi)隱患的權(quán)重值最小，僅為0.009 3。

對各影響因素特征及其影響權(quán)重進(jìn)行分析，可以發(fā)現(xiàn)，油氣泄漏、車內(nèi)溫度、車外溫度及乘客是否攜帶易燃品或吸煙均為顯性變量，可通過檢測器或簡單的人工檢查進(jìn)行直觀判斷，但是否存在火災(zāi)隱患屬于隱性變量，在實際事故數(shù)據(jù)獲取時，無統(tǒng)一衡量標(biāo)準(zhǔn)；同時火災(zāi)隱患又與油氣泄漏及乘客攜帶易燃品或吸煙存在交集，因此在實際的事故數(shù)據(jù)統(tǒng)計及事故風(fēng)險預(yù)測中，此變量的數(shù)據(jù)記錄值偏差較大，取值規(guī)范性差、準(zhǔn)確度低，導(dǎo)致此變量在事故預(yù)測中影響權(quán)重很低。在事故預(yù)測時，可以將此變量剔除，利用油氣泄漏、車內(nèi)溫度、車外溫度及乘客是否攜帶易燃品或吸煙4個變量即可得到精度較高的預(yù)測結(jié)果。

2.3 風(fēng)險評估的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)

由SEM的結(jié)構(gòu)學(xué)習(xí)結(jié)果可知，常規(guī)公交風(fēng)險指標(biāo)和事故類型間的影響均為單向的，且由于結(jié)構(gòu)方程模型在進(jìn)行參數(shù)學(xué)習(xí)時不能得到組合風(fēng)險下的事故發(fā)生概率，因此，采用貝葉斯網(wǎng)絡(luò)模型進(jìn)行參數(shù)學(xué)習(xí)。

貝葉斯網(wǎng)絡(luò)是一個有向無環(huán)圖，其結(jié)點代表隨機(jī)變量，邊代表隨機(jī)變量間的條件依賴關(guān)系。它以概率論為基礎(chǔ)，研究客觀事物中多個變量(或多個因素)之間相互依賴的統(tǒng)計規(guī)律性，以圖論的形式形象直觀地表達(dá)隨機(jī)變量之間的因果關(guān)聯(lián)關(guān)系[21]。

參數(shù)學(xué)習(xí)是在給定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)下，確定各節(jié)點處的條件概率分布。貝葉斯參數(shù)學(xué)習(xí)法的基本思想是：給定一個含有未知參數(shù)的分布以及一個完整的實例數(shù)據(jù)集合。c和θ是一個隨機(jī)變量，具有一個。參數(shù)θ的信息發(fā)生變化，表示為p(θ|c)，稱為參數(shù)θ的后驗概率。貝葉斯參數(shù)學(xué)習(xí)的任務(wù)就是計算后驗概率。

p(θ)取作Dirichlet分布

p(θ)=Dir(θ|α1,α2,…,αr)=

(8)

在剔除影響因素N7后，將結(jié)構(gòu)學(xué)習(xí)結(jié)果帶入GeNIe(Graphical Network Interface)軟件中進(jìn)行貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)。

在剩余4種直接影響因素的影響下，發(fā)生失火事故的概率見表6。

表6 失火事故情況參數(shù)學(xué)習(xí)結(jié)果

根據(jù)表6的標(biāo)定結(jié)果，各變量對失火事故的影響可以總結(jié)如下。

1) 油氣泄漏。在車內(nèi)溫度、車外溫度、乘客是否攜帶易燃品或吸煙均不變的條件下，表6中的序號1和序號9這2組數(shù)據(jù)等參數(shù)學(xué)習(xí)結(jié)果表明，油氣泄漏時發(fā)生失火事故的概率較大。

2) 車內(nèi)溫度。當(dāng)油氣泄漏、車外溫度、乘客是否攜帶易燃品或吸煙這3個變量保持不變時，得到當(dāng)車內(nèi)溫度較高≥50℃時，發(fā)生失火事故的概率較高。

3) 車外溫度。當(dāng)油氣泄漏、車內(nèi)溫度、乘客是否攜帶易燃品或吸煙這3個變量保持不變時，發(fā)現(xiàn)當(dāng)車外溫度較高≥50℃時發(fā)生失火事故的概率較大，而在車外溫度穩(wěn)定在常溫時發(fā)生事故的可能性較低。

4) 乘客是否攜帶易燃品或吸煙。當(dāng)油氣泄漏、車內(nèi)溫度、車外溫度這3個變量保持不變時，在乘客是否攜帶易燃品或吸煙，存在較大的失火事故概率。

5) 在油氣泄漏。車內(nèi)外溫度均較高、乘客是否攜帶易燃品或吸煙時，常規(guī)公交發(fā)生失火事故的概率高達(dá)0.842 9，而當(dāng)油氣瓶狀態(tài)正常、車內(nèi)外溫度均正?；蜉^低(車內(nèi)溫度<50℃且車外溫度<0℃)、乘客沒有攜帶易燃品或吸煙時，事故發(fā)生概率僅為0.002 1。因此，為了防止失火事故的發(fā)生，應(yīng)重點防控上述風(fēng)險源，降低事故發(fā)生概率。

2.4 風(fēng)險評估結(jié)果驗證

選取其余的220條數(shù)據(jù)作為檢驗集，對模型的預(yù)測結(jié)果進(jìn)行檢驗，得到失火預(yù)測模型的最大絕對誤差為0.013 6，平均絕對誤差為0.004 6，最大相對誤差為0.083 3，平均相對誤差為0.015 2，模型命中率為99%。相比國內(nèi)外常規(guī)公交的風(fēng)險評估分析中缺乏精度檢驗的研究現(xiàn)狀，本預(yù)測方法精度較高，可以更準(zhǔn)確地估算事故發(fā)生風(fēng)險，為防范常規(guī)公交事故提供決策支持。

3 結(jié) 論

1) 根據(jù)城市常規(guī)公交的事故數(shù)據(jù)和致因總結(jié)，從“人、車、路、環(huán)境”4個方面對常規(guī)公交風(fēng)險源進(jìn)行分析和整理，得到常規(guī)公交風(fēng)險指標(biāo)體系。

2) 建立結(jié)構(gòu)方程模型，通過模型求解，選取出導(dǎo)致常規(guī)公交事故風(fēng)險較大的相關(guān)因素，對風(fēng)險指標(biāo)與事故類型的影響關(guān)系進(jìn)行結(jié)構(gòu)學(xué)習(xí)，同時建立起不同事故類型的聯(lián)系，得到指標(biāo)變量間的結(jié)構(gòu)化關(guān)聯(lián)關(guān)系。

3) 基于信息熵理論計算風(fēng)險指標(biāo)對事故預(yù)測可信度的影響權(quán)重，通過權(quán)重值進(jìn)行變量篩選，確定事故預(yù)測變量。

4) 利用貝葉斯網(wǎng)絡(luò)模型和GeINe軟件對結(jié)構(gòu)學(xué)習(xí)得到的拓?fù)浣Y(jié)果進(jìn)行參數(shù)學(xué)習(xí)，以失火事故為例詳述參數(shù)學(xué)習(xí)結(jié)果。得到在組合風(fēng)險指標(biāo)作用下，失火事故發(fā)生的概率范圍為0.002 1～0.842 9。