考慮橋梁結(jié)構(gòu)運(yùn)動(dòng)的河口大跨橋梁事故風(fēng)險(xiǎn)因素分析

李驍楠，陳 豐，董博文

（1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海201804；2.上海市政工程設(shè)計(jì)研究總院（集團(tuán)）有限公司，上海200092）

河口大跨橋梁是指位于大型河流入?？趨^(qū)域、以實(shí)現(xiàn)兩岸跨海運(yùn)輸為主要目的的大跨徑橋梁，作為連接沿海地區(qū)各中心城市的重要運(yùn)輸通道，此類大橋?qū)p少公路運(yùn)輸里程、加強(qiáng)區(qū)域合作交流、緩解灣區(qū)城市擁堵以及促進(jìn)區(qū)域經(jīng)濟(jì)發(fā)展起到了極大的推動(dòng)作用。然而，由于復(fù)雜多變的天氣、橋梁自身的結(jié)構(gòu)變化和日益增長(zhǎng)的交通量等原因，河口區(qū)域大跨橋梁相較于普通道路，往往成為交通事故的重災(zāi)區(qū)，且應(yīng)急救援難度大，容易造成較大的人員傷亡和財(cái)產(chǎn)損失。2020年5月，廣東虎門(mén)大橋因橋面振幅過(guò)大影響行車(chē)舒適性和交通安全，緊急封閉，導(dǎo)致廣州繞城高速幾乎全線擁堵。由此可見(jiàn)，結(jié)合橋梁結(jié)構(gòu)振動(dòng)數(shù)據(jù)、氣象數(shù)據(jù)、交通流數(shù)據(jù)和事故數(shù)據(jù)，探究河口大跨橋梁的事故風(fēng)險(xiǎn)因素具有極其重要的意義。

近年來(lái)，國(guó)內(nèi)外學(xué)者致力于探究各類風(fēng)險(xiǎn)因素對(duì)交通事故的影響機(jī)理，側(cè)重點(diǎn)各有不同?；诙嘣磾?shù)據(jù)的事故分析研究方面，Yu等［1］利用分級(jí)貝葉斯方法分別研究了線形數(shù)據(jù)、實(shí)時(shí)天氣數(shù)據(jù)、交通數(shù)據(jù)對(duì)交通事故發(fā)生的影響程度。Ahmed等［2］總結(jié)了上述多源數(shù)據(jù)對(duì)事故發(fā)生可能性的研究結(jié)果，采用周期流量、速度、占有率、區(qū)間速度、天氣（能見(jiàn)度、降雨等）、道路線形（曲率、坡度）的數(shù)據(jù)結(jié)合事故數(shù)據(jù)對(duì)高速公路的風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)評(píng)估研究。Chen等［3］基于美國(guó)科羅拉多I-25公路的實(shí)時(shí)短間隔面板數(shù)據(jù)，采用隨機(jī)效應(yīng)托賓模型對(duì)道路區(qū)間的事故率進(jìn)行了研究，其數(shù)據(jù)包括道路線型數(shù)據(jù)、路段區(qū)間天氣與路面條件數(shù)據(jù)、交通流特征數(shù)據(jù)以及事故數(shù)據(jù)。隨后Chen等［4］又在2016年利用不平衡的面板數(shù)據(jù)開(kāi)發(fā)了具有特定地點(diǎn)隨機(jī)效應(yīng)的零膨脹負(fù)二項(xiàng)式模型，對(duì)事故頻率進(jìn)行了預(yù)測(cè)。國(guó)內(nèi)由于數(shù)據(jù)獲取難度較大，在基于多源數(shù)據(jù)的事故分析方法這一方面的研究成果較少。趙新勇［5］采用支持向量機(jī)等方法構(gòu)建了基于交通流參數(shù)的高速公路風(fēng)險(xiǎn)判別模型，融合天氣、駕駛員特性、道路參數(shù)等因素，探究其對(duì)公路行車(chē)安全的影響。楊曼等［6］用K-均值聚類分析法對(duì)駕駛風(fēng)險(xiǎn)進(jìn)行分類，運(yùn)用Logit模型分析天氣、車(chē)速、駕駛員年齡和駕齡對(duì)駕駛風(fēng)險(xiǎn)的影響程度。馬聰?shù)龋?］從道路線形和環(huán)境條件2個(gè)方面選取13個(gè)自變量，分別采用負(fù)二項(xiàng)回歸模型和非線性負(fù)二項(xiàng)回歸模型建立了交通事故起數(shù)預(yù)測(cè)模型，分析顯著自變量對(duì)交通事故起數(shù)的影響程度。曾強(qiáng)等［8］采集了高速公路的事故、道路、交通和氣象數(shù)據(jù)，采用時(shí)空交互模型擬合路段季節(jié)事故數(shù)和道路設(shè)計(jì)參數(shù)、交通特征、氣象因素間的內(nèi)在關(guān)系。

在大橋交通事故特點(diǎn)及成因分析方面，國(guó)外Murthy等［9］采用模糊集的方法建立了橋梁交通安全評(píng)估模型，從橋梁設(shè)計(jì)、進(jìn)口設(shè)計(jì)、環(huán)境因素3個(gè)方面選取基礎(chǔ)指標(biāo)對(duì)印第安納州的多座橋梁進(jìn)行宏觀建模，尋找潛在的交通安全風(fēng)險(xiǎn)因素。Gates等［10］使用logistic回歸和卡方檢驗(yàn)的方法對(duì)96起發(fā)生在高速公路橋梁進(jìn)口的事故進(jìn)行研究，分析橋梁進(jìn)口護(hù)欄對(duì)于交通事故嚴(yán)重性的影響。Mehta等［11］采用負(fù)二項(xiàng)回歸方法對(duì)阿拉巴馬州主要高速公路橋梁的交通事故及橋梁設(shè)計(jì)參數(shù)進(jìn)行建模，探究最合適的大橋安全性能評(píng)估函數(shù)。國(guó)內(nèi)黃冰娥等［12］基于長(zhǎng)三角地區(qū)蘇通大橋通車(chē)以來(lái)的交通事故資料，采用描述性統(tǒng)計(jì)方法對(duì)其事故的時(shí)空分布、事故形態(tài)、車(chē)輛類型、天氣狀況等多角度進(jìn)行了研究。王文治等［13］整理了杭州灣大橋3年的交通事故，采用圖表及相關(guān)性的統(tǒng)計(jì)方法，從時(shí)空分布、事故類型和天氣狀況等方面對(duì)其特征進(jìn)行分析。

在國(guó)內(nèi)外現(xiàn)有研究中，使用多源數(shù)據(jù)進(jìn)行交通事故致因分析的研究成果大多集中于道路段，很少涉及橋梁路段。研究的數(shù)據(jù)內(nèi)容主要集中在氣象信息、道路線形設(shè)計(jì)和駕駛員行為數(shù)據(jù)，缺乏對(duì)橋梁結(jié)構(gòu)運(yùn)動(dòng)數(shù)據(jù)的考慮和研究。而國(guó)內(nèi)外關(guān)于大橋行車(chē)安全問(wèn)題的研究中，大多采用描述性統(tǒng)計(jì)方法，影響因素選用時(shí)間、空間和天氣情況，未考慮橋面結(jié)構(gòu)運(yùn)動(dòng)等因素，無(wú)法體現(xiàn)大橋行車(chē)問(wèn)題的特殊性。針對(duì)上述問(wèn)題，本文以河口區(qū)域大型橋梁為研究對(duì)象，基于大橋健康監(jiān)測(cè)系統(tǒng)提供的多源實(shí)時(shí)數(shù)據(jù)，考慮橋梁結(jié)構(gòu)運(yùn)動(dòng)，首先處理原始數(shù)據(jù)，然后運(yùn)用時(shí)間對(duì)應(yīng)匹配和隨機(jī)抽樣匹配2種方法抽取數(shù)據(jù)集，檢驗(yàn)單車(chē)與多車(chē)事故差異性，建立條件logistic回歸模型，分析影響大橋行車(chē)安全的事故風(fēng)險(xiǎn)因素。

1 數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)來(lái)源

嘉紹大橋位于中國(guó)浙江省杭州灣海域內(nèi)，是國(guó)家高速G1522的組成部分。嘉紹大橋是一座典型的河口大跨橋梁，是跨越錢(qián)塘江入海口的關(guān)鍵性工程，全長(zhǎng)10.137 km，橋面寬40.5 m，雙向8車(chē)道，設(shè)計(jì)速度為100 km·h-1。嘉紹大橋安裝了完善的傳感器設(shè)備，可以實(shí)時(shí)記錄氣象、交通流、結(jié)構(gòu)、事故信息等各類關(guān)鍵數(shù)據(jù)。獲取了嘉紹大橋2013年7月15日至2017年12月31日的多源實(shí)時(shí)數(shù)據(jù)，其中，氣象、結(jié)構(gòu)和交通流數(shù)據(jù)由橋上安裝的多個(gè)傳感器采集，事故信息采集由后期人工查閱監(jiān)控視頻完成。

1.2 數(shù)據(jù)結(jié)構(gòu)

1.2.1 氣象數(shù)據(jù)

嘉紹大橋的氣象數(shù)據(jù)包括風(fēng)速、溫度、濕度、降雨4項(xiàng)內(nèi)容，設(shè)備記錄的數(shù)據(jù)類型為：豎直風(fēng)速、綜合風(fēng)速、豎直風(fēng)向、水平風(fēng)速和水平風(fēng)向?？紤]到氣象狀態(tài)在10 km范圍內(nèi)的差異性不大，以布置在跨中的氣象監(jiān)測(cè)點(diǎn)數(shù)據(jù)近似代表全橋的氣象狀態(tài)。溫度和濕度以10 min為間隔求平均值，降雨數(shù)據(jù)轉(zhuǎn)化為虛擬變量，10 min內(nèi)有降雨，則表示為1，否則為0。以往的研究表明，橫風(fēng)是造成側(cè)翻等交通事故的重要原因，為提高模型效率，單獨(dú)提取大橋橫向風(fēng)速作為模型的解釋變量。由于風(fēng)速儀沒(méi)有直接記錄大橋橫向風(fēng)速，根據(jù)實(shí)測(cè)數(shù)據(jù)計(jì)算公式如下：

式中：Vc_w為大橋橫向風(fēng)速；Vh為大橋水平風(fēng)速；Dh為大橋水平風(fēng)向。計(jì)算10 min平均縱向風(fēng)速、10 min平均橫向風(fēng)速和10 min內(nèi)最大綜合風(fēng)速作為解釋變量。

1.2.2 交通數(shù)據(jù)

嘉紹大橋布設(shè)了一套8車(chē)道動(dòng)態(tài)稱重系統(tǒng)，系統(tǒng)可記錄每一輛車(chē)通過(guò)時(shí)的車(chē)道、方向、速度、軸數(shù)、車(chē)型、重量等各項(xiàng)數(shù)據(jù)，據(jù)此可計(jì)算單位時(shí)間內(nèi)通過(guò)該截面的車(chē)流量、平均通行速度和貨車(chē)比例（貨車(chē)比例是指單位時(shí)間內(nèi)通過(guò)該截面貨車(chē)數(shù)量與總車(chē)輛數(shù)之比）。

交通狀態(tài)可以分為宏觀交通狀態(tài)（較長(zhǎng)時(shí)間跨度）和微觀交通狀態(tài)（較短時(shí)間跨度），為了研究哪一種交通狀態(tài)會(huì)對(duì)事故概率產(chǎn)生影響，分別為每一起事故（或非事故）匹配其所處時(shí)刻10 min范圍內(nèi)和1 h范圍內(nèi)的交通狀態(tài)，包括交通流量、平均通行速度和貨車(chē)比例。

1.2.3 結(jié)構(gòu)數(shù)據(jù)

嘉紹大橋在主航道橋、北副航道橋和北引橋橋面處均勻布設(shè)了16個(gè)振動(dòng)加速度傳感器、52個(gè)主梁變形監(jiān)測(cè)傳感器，記錄橋面的橫向與縱向振動(dòng)加速度以及撓度。將每個(gè)傳感器10 min內(nèi)最大值作為解釋變量。

1.2.4 事故信息

通過(guò)人工查閱監(jiān)控資料發(fā)現(xiàn)，自2013年7月通車(chē)至2017年8月大橋管轄范圍內(nèi)共發(fā)生事故271起，其中致死事故5起，平均每年發(fā)生交通事故68起。記錄事故發(fā)生的日期、時(shí)間和距離其最近的樁號(hào)。

根據(jù)事故發(fā)生的時(shí)間和樁號(hào)，將其與采集得到的多源異構(gòu)數(shù)據(jù)進(jìn)行匹配。對(duì)于氣象數(shù)據(jù)和交通數(shù)據(jù)，均選用事故發(fā)生時(shí)刻跨中傳感器的數(shù)據(jù)作為該起事故的氣象、交通狀態(tài)。而對(duì)于結(jié)構(gòu)數(shù)據(jù)，選用距離事故最近的傳感器數(shù)據(jù)作為該起事故發(fā)生地的結(jié)構(gòu)運(yùn)動(dòng)狀態(tài)。

1.2.5 時(shí)間數(shù)據(jù)

為了體現(xiàn)時(shí)間對(duì)事故發(fā)生率的影響，引入時(shí)間相關(guān)的虛擬變量，包括季節(jié)、工作日或周末、夜晚、白天以及是否是高峰時(shí)刻（流量統(tǒng)計(jì)表明大橋在每天13：00—16：00為流量高峰期）等，用二進(jìn)制表示（1表示是，0表示否）。如時(shí)間為秋季，則秋季指標(biāo)為1，否則為0；時(shí)間在周四，則工作日指標(biāo)為1，周末指標(biāo)為0。

1.3 單車(chē)與多車(chē)事故的差異性檢驗(yàn)

以往的研究表明，對(duì)于長(zhǎng)距離高速公路，單車(chē)事故和多車(chē)事故可能存在不同的事故機(jī)理，應(yīng)該分開(kāi)進(jìn)行建模［14-15］。但河口大跨橋梁的流量大、長(zhǎng)度短且空間狹窄，單、多車(chē)事故的影響因素可能沒(méi)有明顯的差異。為了探究單、多車(chē)事故的影響因素是否存在顯著差異，對(duì)單車(chē)、多車(chē)事故的影響因素分別進(jìn)行描述性統(tǒng)計(jì)，并采用Z檢驗(yàn)方法對(duì)每個(gè)影響因素進(jìn)行差異性檢驗(yàn)。

Z檢驗(yàn)，又稱曼-惠特尼秩和檢驗(yàn)，在Z統(tǒng)計(jì)量計(jì)算完成后，比較計(jì)算所得Z值與理論Z值，并計(jì)算與之對(duì)應(yīng)的顯著性指標(biāo)Pr值，依據(jù)Z值與差異顯著性關(guān)系表作出判斷，取95%置信區(qū)間，若Pr值小于0.05，則拒絕原假設(shè)，判斷該影響因素存在顯著性差異，若Pr值大于0.05，則無(wú)法拒絕原假設(shè)，判斷該影響因素不存在顯著性差異。

計(jì)算所有單、多車(chē)影響因素的Z統(tǒng)計(jì)量及對(duì)應(yīng)的Pr值。單、多車(chē)事故影響因素的描述性統(tǒng)計(jì)及Z檢驗(yàn)結(jié)果如表1所示。

如表1所示，Z檢驗(yàn)的Pr值代表了單、多車(chē)事故影響因素的差異性水平，計(jì)算結(jié)果表明，所有單、多車(chē)事故的影響因素均沒(méi)有顯著性差異（Pr值均大于0.05），可以判斷，對(duì)于嘉紹大橋，單車(chē)和多車(chē)事故的潛在風(fēng)險(xiǎn)因素沒(méi)有顯著的差異。此外，由于研究中事故數(shù)過(guò)少，導(dǎo)致模型樣本量小，如果將單、多車(chē)事故分開(kāi)建模，可能會(huì)因樣本量不足導(dǎo)致模型準(zhǔn)確性下降?；谏鲜鲈颍瑢⑺惺鹿使餐?，不再區(qū)分單、多車(chē)事故。

2 模型選擇與建立

2.1 模型選擇

由于大橋道路多為直線段，線形設(shè)計(jì)參數(shù)沒(méi)有顯著的變化特征，為了控制路段本身線形因素對(duì)事故的影響，為每個(gè)事故段匹配相同位置的非事故段，近似于分層匹配對(duì)照問(wèn)題。條件logistic模型相比于傳統(tǒng)logistic模型，其優(yōu)勢(shì)在于，能夠控制無(wú)關(guān)變量，從而研究其他變量對(duì)結(jié)果的顯著性影響。

將“路段”作為控制條件，運(yùn)用條件logistic模型，研究其他因素對(duì)大橋交通事故發(fā)生概率的影響，條件logistic模型原理如下：

假設(shè)共有N起事故，令發(fā)生在同一地點(diǎn)的每一起事故和與其匹配的m起非事故都屬于一個(gè)單獨(dú)的一層j，j=1，2，3…，N。那么第j層的條件概率即為在給定總體觀測(cè)和事故觀測(cè)情況下，該層觀測(cè)數(shù)據(jù)的可能性。令pj(Xij)為第i個(gè)觀測(cè)在第j層發(fā)生事故的可能性，Xij=(x1ij，x2ij，...，xkij)即為該觀測(cè)k個(gè)解釋變量的向量，這里i=0，1，2，…，m，j=1，2，…，N。因此事故發(fā)生可能性pj(Xij)可以用一個(gè)線性logistic方程表達(dá)為

式中：aj為截距項(xiàng)；β1，β2，...，βk為每一個(gè)解釋變量的系數(shù)。

為了計(jì)算上述方程中的系數(shù)，定義條件似然值。該似然值由N項(xiàng)構(gòu)成，每一項(xiàng)都是第j層中m+1個(gè)觀測(cè)的事故發(fā)生概率之和。經(jīng)過(guò)推導(dǎo)，最終的條件似然函數(shù)可以表示為如下形式：

可以發(fā)現(xiàn)，條件似然值L(β)與截距項(xiàng)aj是相互獨(dú)立的，因此每一層的截距項(xiàng)是無(wú)法估計(jì)的，式（2）也不能用于計(jì)算每一層事故發(fā)生的概率。但從式中可知，通過(guò)最大化似然函數(shù)L(β)得到的系數(shù)β與式（2）中的β是相同的，因此這些系數(shù)可以用于計(jì)算優(yōu)勢(shì)比，從而得到事故影響因素的相對(duì)風(fēng)險(xiǎn)。

2.2 抽樣對(duì)照法建立數(shù)據(jù)集

由于道路交通事故屬于“罕見(jiàn)事件”，交通事故數(shù)據(jù)量遠(yuǎn)低于非事故數(shù)據(jù)量，選擇抽樣對(duì)照研究法，以已發(fā)生交通事故的路段和時(shí)間段作為病例組，通常以1：5的比例隨機(jī)選取未發(fā)生交通事故的路段和時(shí)間段作為對(duì)照組，從而保證樣本的平衡性。

對(duì)于大跨橋梁交通安全研究而言，抽樣對(duì)照研究有如下優(yōu)點(diǎn)：①能夠控制某些難以觀測(cè)變量的影響。在交通安全研究中，很多因素?zé)o法觀測(cè)，如路段本身帶來(lái)的未觀測(cè)異質(zhì)性，對(duì)照研究可以在匹配時(shí)為每個(gè)事故段選擇位置相同的非事故段，從而控制路段因素的影響，減少誤差；②能夠控制事故與非事故數(shù)據(jù)的比例在合理范圍內(nèi)，增加數(shù)據(jù)的平衡性和模型的可靠度。

對(duì)于每一個(gè)事故時(shí)段，匹配4起與其處于相同位置的非事故時(shí)段，存在2種匹配方式：一是時(shí)間對(duì)應(yīng)匹配方法，即對(duì)每一個(gè)事故時(shí)間段，匹配與其獨(dú)立（不在同1天之內(nèi)）但是處于相同時(shí)刻的非事故時(shí)間段；二是隨機(jī)抽樣匹配方法，即對(duì)每一個(gè)事故時(shí)間段，隨機(jī)匹配與其獨(dú)立（不在同1天之內(nèi)）的非事故時(shí)間段。

時(shí)間對(duì)應(yīng)匹配法與隨機(jī)抽樣匹配法各有優(yōu)劣。時(shí)間對(duì)應(yīng)匹配方法選用前后2周的同1天進(jìn)行匹配，可以控制時(shí)間因素（如星期、駕駛員不同時(shí)刻生理狀態(tài)等）的影響，但由于大橋的氣象和交通狀態(tài)與時(shí)間有著較高的相關(guān)性，很容易在控制時(shí)間因素的同時(shí)也控制了氣象和交通因素。而隨機(jī)抽樣匹配方法僅控制地形因素的影響，不存在上述問(wèn)題，但是由于采用隨機(jī)抽樣方式，容易因抽樣問(wèn)題導(dǎo)致統(tǒng)計(jì)結(jié)果存在偏差。

由于上述2種方法各有優(yōu)缺點(diǎn)，針對(duì)2種方法匹配的數(shù)據(jù)集分別進(jìn)行建模，對(duì)比分析。為了避免隨機(jī)抽樣匹配方法因抽樣問(wèn)題導(dǎo)致的統(tǒng)計(jì)偏差，建立5個(gè)不同的隨機(jī)抽樣匹配數(shù)據(jù)集，對(duì)其計(jì)算結(jié)果進(jìn)行綜合評(píng)價(jià)分析。

3 結(jié)果與分析

3.1 模型結(jié)果

采用條件logistic模型對(duì)病例對(duì)照數(shù)據(jù)集進(jìn)行建模，研究使用后向選擇法對(duì)顯著變量進(jìn)行篩選，在使用后向選擇法進(jìn)行變量篩選的過(guò)程中，有些以不同時(shí)間尺度記錄的同一指標(biāo)會(huì)出現(xiàn)較高的相關(guān)性（如10min流量和小時(shí)流量），因此只選擇兩者中顯著性較高的變量進(jìn)入最終模型。

時(shí)間對(duì)應(yīng)匹配方法和隨機(jī)抽樣匹配方法的結(jié)果分別如表2和表3-7所示，表中A表示10min流量值，模型的ROC曲線如圖1所示。

圖1 病例對(duì)照模型ROC曲線Fig.1 ROC curve of Case Control Models

表2 時(shí)間匹配方法模型預(yù)估結(jié)果Tab.2 Prediction results of time matching method model

表3 隨機(jī)抽樣集1模型預(yù)估結(jié)果Tab.3 Prediction results of Random Sampling Set 1 Model

表4 隨機(jī)抽樣集2模型預(yù)估結(jié)果Tab.4 Prediction results of Random Sampling Set 2 Model

表5 隨機(jī)抽樣集3模型預(yù)估結(jié)果Tab.5 Prediction results of Random Sampling Set 3 Model

選用似然比檢驗(yàn)和作為模型是否整體顯著的評(píng)判標(biāo)準(zhǔn)，參考以往研究，選用麥克法登偽R2和AUC值作為模型擬合精度的評(píng)判標(biāo)準(zhǔn)［16］。從統(tǒng)計(jì)結(jié)果可以看出，所有模型均通過(guò)似然比檢驗(yàn)，說(shuō)明模型中選用的指標(biāo)與大橋事故發(fā)生的概率有顯著的相關(guān)性。

表6 隨機(jī)抽樣集4模型預(yù)估結(jié)果Tab.6 Prediction results of Random Sampling Set 4 Model

表7 隨機(jī)抽樣集5模型預(yù)估結(jié)果Tab.7 Prediction results of Random Sampling Set 5 Model

對(duì)比表2和表3-7可知，隨機(jī)抽樣匹配方法得到的顯著變量要多于時(shí)間對(duì)應(yīng)匹配方法，且其擬合精度AUC值略高于時(shí)間對(duì)應(yīng)匹配方法，麥克法登偽R2也遠(yuǎn)高于時(shí)間對(duì)應(yīng)匹配方法，說(shuō)明確實(shí)存在前文討論的模型偏差，即時(shí)間對(duì)應(yīng)匹配方法在控制時(shí)間因素的同時(shí)也控制了其他可能的顯著風(fēng)險(xiǎn)因素。綜合對(duì)比，選用隨機(jī)抽樣匹配方法作為病例對(duì)照模型的主要匹配方法。

通過(guò)對(duì)比5個(gè)隨機(jī)抽樣匹配數(shù)據(jù)集的建模結(jié)果發(fā)現(xiàn)，所有隨機(jī)抽樣模型的麥克法登偽R2和AUC值均相差不大。雖然模型的擬合精度相差不大，但是對(duì)不同的隨機(jī)抽樣集建模會(huì)得出不同的顯著風(fēng)險(xiǎn)因素，有的變量在所有結(jié)果中都顯著，而有的變量只在個(gè)別結(jié)果中顯著。這說(shuō)明隨機(jī)抽樣方法確實(shí)會(huì)對(duì)統(tǒng)計(jì)結(jié)果造成影響，也說(shuō)明研究中選取的指標(biāo)有著不同的影響程度。因此，為了能夠更準(zhǔn)確地對(duì)大橋交通安全風(fēng)險(xiǎn)因素進(jìn)行評(píng)價(jià)，需要對(duì)比所有隨機(jī)抽樣統(tǒng)計(jì)結(jié)果，做出綜合評(píng)判。

3.2 事故因素分析

3.2.1 交通因素

由表3-7可知，所有統(tǒng)計(jì)結(jié)果都表明10 min流量和小時(shí)平均通行速度是影響事故發(fā)生可能的顯著變量。實(shí)際上，從后向選擇過(guò)程來(lái)看，上述2個(gè)變量分別對(duì)應(yīng)的小時(shí)流量和10 min通行速度也顯示出了很高的顯著性水平。這說(shuō)明流量和平均通行速度會(huì)對(duì)事故發(fā)生概率帶來(lái)顯著的影響，從模型的估計(jì)系數(shù)可知，流量越大，事故發(fā)生的概率越大，而平均通行速度越大，事故發(fā)生的概率越小，這與大多數(shù)研究結(jié)果一致［1，3-4，8，11，13-14，17］。

由于模型的抽樣樣本不同，優(yōu)勢(shì)比的結(jié)果也有差異，這里以擬合效果最好的隨機(jī)抽樣集1為例，分析其優(yōu)勢(shì)比計(jì)算結(jié)果。

如表3所示，10 min流量（ln值）的優(yōu)勢(shì)比為1.851，當(dāng)10 min流量的自然對(duì)數(shù)值提高1時(shí)，發(fā)生事故的概率比之前提高85%。例如，當(dāng)10 min車(chē)流量的由100輛（自然對(duì)數(shù)值4.6）提高到270輛（自然對(duì)數(shù)值5.6）時(shí)，發(fā)生事故的概率會(huì)提高85%，這與曾強(qiáng)等［8］得到的結(jié)論一致，即交通量與事故頻次是非線性正相關(guān)的關(guān)系。小時(shí)平均通行速度的優(yōu)勢(shì)比為0.96，當(dāng)小時(shí)平均通行速度的增加1 km·h-1時(shí)，發(fā)生事故的概率是之前的96%，與Yu等［1］在其研究中得出的結(jié)論一致，車(chē)輛車(chē)速偏低時(shí)，走走停停的狀態(tài)更容易導(dǎo)致碰撞發(fā)生。在5個(gè)隨機(jī)抽樣建模結(jié)果中，10min流量和小時(shí)平均通行速度的優(yōu)勢(shì)比相差不大，說(shuō)明計(jì)算結(jié)果有較高的可靠度。

從結(jié)果來(lái)看，貨車(chē)比例對(duì)于大橋交通事故的發(fā)生概率沒(méi)有顯著影響，這與已有研究結(jié)論不同。以往研究認(rèn)為，貨車(chē)比例對(duì)事故發(fā)生率產(chǎn)生負(fù)影響，即貨車(chē)占比越大，事故發(fā)生率越低，對(duì)此學(xué)者們認(rèn)為貨車(chē)司機(jī)通常駕駛技術(shù)更好、對(duì)駕駛路線熟悉程度更高，因此駕駛行為更安全［8，17］；也有一些觀點(diǎn)認(rèn)為貨車(chē)比例僅與多車(chē)碰撞事故發(fā)生率負(fù)相關(guān)，而與單車(chē)碰撞事故發(fā)生率正相關(guān)，因?yàn)閱诬?chē)碰撞通常包括側(cè)翻，這類事故更容易發(fā)生在卡車(chē)身上［11］。本文得出的結(jié)論為貨車(chē)比例對(duì)大橋事故發(fā)生率無(wú)顯著影響，可以參考張?jiān)婗┑龋?8］關(guān)于自由流條件下貨車(chē)比例對(duì)交通安全的影響研究，該研究指出，貨車(chē)比例在0.15至0.50之間時(shí)，交通狀態(tài)較安全，安全系數(shù)隨貨車(chē)比例增加而減少，當(dāng)貨車(chē)比例在0.35至0.50之間時(shí)，安全系數(shù)曲線趨近于一條斜率為零的直線段。由本研究的觀察原始數(shù)據(jù)可知，嘉紹大橋的貨車(chē)比例約在0.30至0.50之間，與張?jiān)婗┑龋?8］研究結(jié)果一致。

3.2.2 氣象因素

綜合分析5個(gè)隨機(jī)抽樣集的模型計(jì)算結(jié)果可知，濕度在3個(gè)抽樣集中都表現(xiàn)為顯著，但顯著性不高（0.7左右），說(shuō)明濕度是一個(gè)相對(duì)較顯著的影響因素，與眾多研究結(jié)論一致［3-4，6，8，13-14］。根據(jù)其估計(jì)系數(shù)可知，當(dāng)濕度增加時(shí)，車(chē)輛輪胎與路面之間的道路附著系數(shù)下降，行駛車(chē)輛制動(dòng)效果變差，大橋交通事故發(fā)生率增加。該指標(biāo)的優(yōu)勢(shì)比在1.01左右，表明當(dāng)濕度增加1%時(shí)，發(fā)生事故的概率比之前提高1%。

3.2.3 時(shí)間因素

5個(gè)模型的計(jì)算結(jié)果均表明，秋季是顯著的影響因素，其估計(jì)系數(shù)為負(fù)，說(shuō)明當(dāng)時(shí)間為秋季時(shí)，事故發(fā)生的概率會(huì)降低。在5個(gè)模型中，該指標(biāo)的優(yōu)勢(shì)比相差不大，表明秋季的影響較為穩(wěn)定，仍然以第1個(gè)隨機(jī)抽樣集的結(jié)果為例，優(yōu)勢(shì)比為0.507，說(shuō)明在秋季時(shí)，事故發(fā)生的概率是原來(lái)的50%。楊曼等［6］針對(duì)國(guó)內(nèi)某高速路段研究發(fā)現(xiàn)，受節(jié)假日影響，10月是事故高發(fā)月；而國(guó)外針對(duì)科羅拉多州高速的若干研究表明［3-4，14］，11月正值科羅拉多州冬季風(fēng)暴盛行，因此11月是事故高發(fā)月。由此可見(jiàn)，月份或季節(jié)對(duì)事故發(fā)生率的影響取決于當(dāng)?shù)貧夂蚝腿宋沫h(huán)境等復(fù)雜因素。嘉紹大橋在秋季事故率較低，可能是因?yàn)榧谓B大橋在10月節(jié)假日期間管控措施到位，且嘉紹大橋所處位置秋季氣候宜人，惡劣天氣出現(xiàn)概率低，駕駛員能見(jiàn)度較高。

高峰時(shí)刻（流量高峰）也在所有的模型中都表現(xiàn)出了較高的顯著性，其估計(jì)系數(shù)為正，這進(jìn)一步說(shuō)明了大流量對(duì)于交通安全的不利影響。該指標(biāo)的優(yōu)勢(shì)比在2.0～2.6之間，表明當(dāng)大橋處于流量的高峰時(shí)刻時(shí)，發(fā)生事故的概率是非高峰時(shí)刻的2.0～2.6倍。因此，十分有必要做好大橋在高峰時(shí)期的安全管控措施和事故預(yù)防工作。

3.2.4 結(jié)構(gòu)因素

結(jié)構(gòu)振動(dòng)也是導(dǎo)致大橋交通事故發(fā)生的可能因素，在模型中加入了最能夠體現(xiàn)大橋結(jié)構(gòu)運(yùn)動(dòng)的主梁形變（撓度）以及橫、縱向振動(dòng)加速度3個(gè)變量。基于病例對(duì)照的多組模型結(jié)果發(fā)現(xiàn)，這3個(gè)指標(biāo)均表現(xiàn)為不顯著，可以初步說(shuō)明大橋在合理范圍內(nèi)的振動(dòng)不會(huì)顯著導(dǎo)致交通事故率增加，或者表明，在多因素的共同影響作用下，大橋運(yùn)動(dòng)對(duì)交通事故產(chǎn)生的影響沒(méi)有其他因素（如交通流、氣候、時(shí)間等）對(duì)交通事故的影響顯著。

3.2.5 小結(jié)

從交通因素、氣象因素、時(shí)間因素和結(jié)構(gòu)因素4個(gè)角度，依據(jù)5個(gè)隨機(jī)抽樣集的模型結(jié)果，對(duì)嘉紹大橋事故致因進(jìn)行分析，并與已有研究成果進(jìn)行比較討論。結(jié)果表明，對(duì)事故發(fā)生率有顯著影響的因素有：交通流量、平均通行速度、濕度、秋季、高峰時(shí)刻。其中，交通流量、濕度、高峰時(shí)刻與事故發(fā)生率正相關(guān)，平均通行速度和秋季與事故發(fā)生率負(fù)相關(guān)。除秋季事故發(fā)生率低與地域特色有關(guān)，其余結(jié)論均與大多數(shù)研究結(jié)果一致。

研究表明，貨車(chē)比例、主梁形變（撓度）以及橫、縱向振動(dòng)加速度對(duì)于大橋交通事故的發(fā)生概率沒(méi)有顯著影響。

3.3 應(yīng)對(duì)策略

針對(duì)上述結(jié)論，提出如下大橋管理建議：①在交通流量大、平均通行速度大的事故高發(fā)時(shí)段采取限流或限速手段，在交通流量大、平均通行速度大的局部路段設(shè)置警示類或限制類信息提示牌；②濕度增加1%時(shí)，發(fā)生事故的概率比之前提高1%，根據(jù)歷史數(shù)據(jù)，大橋同一位置檢測(cè)到的濕度值1h內(nèi)可能會(huì)提升40%，相應(yīng)的，發(fā)生事故的概率將提升40%，因此大橋管理處應(yīng)設(shè)置濕度檢測(cè)器，時(shí)刻關(guān)注濕度變化，在濕度較大或濕度提升較快的時(shí)段發(fā)布安全提示信息；③研究表明，當(dāng)大橋處于流量的高峰時(shí)刻時(shí)，發(fā)生事故的概率是非高峰時(shí)刻的2.0～2.6倍，建議結(jié)合大橋自身運(yùn)營(yíng)特性，制定高峰期交通管控措施規(guī)章；④信息發(fā)布方式多元化，例如使用固定或可變信息標(biāo)志牌、通過(guò)互聯(lián)網(wǎng)發(fā)送提示信息至手機(jī)App、交通廣播等方式全方位地提醒大橋交通參與者注意交通安全；⑤定期養(yǎng)護(hù)路面，恢復(fù)路面抗滑性能，防止?jié)穸仍黾訒r(shí)大橋路面道路附著系數(shù)下降不利于車(chē)輛制動(dòng)的情況，例如采用微表處、薄層罩面、霧封層、稀漿封層等路面處理方式；⑥充分利用多源數(shù)據(jù)采集設(shè)備，建立與加強(qiáng)對(duì)事故多發(fā)時(shí)段的長(zhǎng)效安全預(yù)警管理機(jī)制，提升大橋智能化、信息化管理水平。

4 結(jié)語(yǔ)

為降低河口大跨橋梁的事故率、提升通行效率、減少事故造成的人員傷亡和財(cái)產(chǎn)損失，基于大橋健康監(jiān)測(cè)系統(tǒng)提供的多源實(shí)時(shí)數(shù)據(jù)，分別采用時(shí)間匹配法和隨機(jī)抽樣法抽取數(shù)據(jù)集，建立條件logistic回歸模型，研究氣象、交通和大橋結(jié)構(gòu)數(shù)據(jù)對(duì)河口大跨橋梁行車(chē)安全的影響。通過(guò)建立多個(gè)隨機(jī)抽樣回歸模型，得到結(jié)論如下：①與時(shí)間匹配抽樣方法相比，隨機(jī)抽樣方法能避免時(shí)間因素與氣象、交通因素相關(guān)性過(guò)高的問(wèn)題，更好地體現(xiàn)氣象和交通因素對(duì)事故發(fā)生率的影響作用，具有更高的擬合精度；②交通流量是大橋交通事故概率的顯著正影響因素，而平均通行速度是大橋交通事故概率的顯著負(fù)影響因素，貨車(chē)比例對(duì)交通事故概率影響不顯著；③當(dāng)濕度增加時(shí)，車(chē)輛輪胎與路面之間的道路附著系數(shù)減小，行駛車(chē)輛制動(dòng)效果變差，大橋事故概率會(huì)顯著增加；④大橋事故可能性在秋季會(huì)顯著降低；⑤當(dāng)大橋處于高峰時(shí)間時(shí)，事故可能性會(huì)顯著增加；⑥根據(jù)現(xiàn)有檢測(cè)數(shù)據(jù)分析，相較于氣象、交通、時(shí)間等因素，大橋的撓度變化和結(jié)構(gòu)振動(dòng)對(duì)事故發(fā)生概率無(wú)顯著影響。本文考慮了橋面結(jié)構(gòu)振動(dòng)對(duì)大橋行車(chē)安全的影響，體現(xiàn)了大橋行車(chē)安全問(wèn)題相較于普通道路行車(chē)安全問(wèn)題的特殊性；采用時(shí)間匹配法和隨機(jī)抽樣法，針對(duì)病例對(duì)照數(shù)據(jù)集建立條件logistic回歸模型，為國(guó)內(nèi)外類似河口大跨橋梁的管理優(yōu)化提供理論基礎(chǔ)參考。不足之處在于：研究對(duì)象浙江嘉紹大橋是多塔斜拉橋結(jié)構(gòu)，而虎門(mén)大橋是懸索橋結(jié)構(gòu)，斜拉橋是超靜定結(jié)構(gòu)，一般不會(huì)出現(xiàn)過(guò)大的形變，而懸索橋是柔性結(jié)構(gòu)，允許出現(xiàn)更大的變形幅度。接下來(lái)的研究將圍繞如何采集與研究典型懸索橋的橋梁結(jié)構(gòu)振動(dòng)對(duì)交通安全的影響展開(kāi)。

作者貢獻(xiàn)說(shuō)明：

李驍楠：數(shù)據(jù)分析、論文撰寫(xiě)。

陳豐：論文審閱、修改及定稿。

董博文：數(shù)據(jù)采集與處理、論文審閱。