98
摘 要：伴随着高速公路的快速发展，其交通安全问题也日渐凸显。加强对已建高速公路的管理，提高其安全水平显得尤为重要。交通事故在空间分布上具有集聚性和不均匀性，事故多发路段的准确判别是进行高速公路安全改善的前提。本文以苏州市高速公路为研究设施，介绍了基于安全可提高空间的事故多发路段判别方法，克服了采用传统事故绝对数评估道路安全带来的随机波动性问题。
关键词：高速公路；安全评估；安全可提高空间；事故多发路段判别
郄中洋1，丰明洁2，王雪松2
（1. 苏州市公安局交通警察支队，苏州215129，中国；
2. 同济大学 道路与交通工程教育部重点实验室，上海201804，中国）
Freeway safety assessment based on potential for safety improvement
QIE Zhongyang 1，FENG Mingjie 2，WANG Xuesong 2
（1. Suzhou Public Security Bureau Traffic Police Station, Suzhou 215129, China；
2. Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China）
Abstract: With the rapid development of the freeway construction, freeway safety problems become more and more prominent.
It is particularly important to improve safety situation of the constructed freeways. Since there is agglomeration and in homogeneity in the crash spatial distribution, hotspot identification is the precondition of freeway safety management. By focusing on the freeways in Suzhou, China, this paper introduces the potential for safety improvement based-crash hotspot identification method, which can overcome the problem associated with the fluctuation of observed crashes.
Keywords: Freeway; safety assessment; potential for safety improvement; crash hotspot identification
近20年，苏州市高速公路发展迅速，2017年底其总里程达598.3公里，占全市公路的4.73%，已形成“一纵三横一环二射三联”的基本格局。高速公路为苏州市提供中大量、长距离的快速交通服务，承担着长三
角区域大量的过境交通。然
而苏州市高速公路安全问题突出，其行车速度高、交通流连续、交通流量大，一旦发生交通事故将造成巨大的生命财产损失，并且严重影响交通运行效率。且交通事故的发生具有集聚性，空间分布上具有不均匀性。因此，判别高速公路事故多
99
发路段、排摸交通安全隐患是加强高速公路安全管理，提高交通安全水平的关键。
事故多发路段判别是指在统计年限内，判别道路单元内事故发生水平明显高于其它单元的路段作为安全问题突出路段，是高速公路交通安全管理的重要内容之一。我国交通管理部门在开展事故多发路段排查工作时，往往采用传统的事故绝对数法，如上海市交警总队采用的《上海市危险路段排摸标准》[1]。然而传统的事故绝对数法忽略了事故随机波动性的影响，判别结果可能存在偏差。
安全可提高空间判别方法通过计算贝叶斯方法估计的事故数与具有相同道路交通特征地点的事故期望的差值，对事故多发路段进行判别；差值越大，表明安全改善潜能越大
[2]
。该方法消除
了事故观测值的随机波动性的影响，在发达国家的道路安全管理工作上得到了广泛的应用，如美国的道路安全手册（Highway Safety Manual, HSM）[3]。
因此，本文采用安全可提高空间方法，对苏州市高速公路路网进行安全评估分析，判别其事故多发路段，以期为后期开展深入的事故致因分析、交通安全隐患排摸、道路安全改善措施设计提供基础。
1 数据采集
本文以苏州市高速公路为分析对象，采集了其2018年的交通事故数据和道路几何数据。道路几何数据的具体信息如表1所示。苏州市14条高速公路一共被划分为1281个微观路段单元：主线路段因道路设计参数较为一致，按照一公里划分；邻近出入口处，因出入口匝道会对交通运行产生显著的影响，因此根据匝道位置划分路段单元。采集的道路几何变量包括车道数、路段所连接的匝道数和路段长度。
表
1 高速公路变量描述性统计
2 模型介绍
2.1 事故预测模型
由于交通事故数据具有随机、离散、非负的特点，普通线性回归模型无法捕捉其数据特征，因此广义线性回归模型被广泛采用。其中，泊松模型是最基础的事故预测模型，然而事故数据存在过度离散特性，不符合泊松模型均值等于方差的这一假设条件
[4]
，导致在分析事故平均值较低
的数据时模型误差大。通过引入误差项，研究者提出采用负二项模型应对离散的事故数据，并被广泛应用
[5]
。
本文采用负二项回归建立事故预测模型，假
100
设路段i 的事故数y i 服从负二项分布，事故期望值y i exp 可以与自变量X i
建立回归关系如下：
其中，y i exp 为路段i 的事故期望值，也是与路段i 具有相同道路交通特征地点的事故期望值。变量X i 是影响交通事故的因素，βi 是变量X i 对应的系数，α为负二项模型的离散系数。
2.2 安全可提高空间
安全可提高空间（Potential for Safety Improvement，PSI）指贝叶斯方法估计的事故数与具有相同道路交通特征地点的事故期望的差值。安全可提高空间为正，表明该地点的事故可通过采取一定的改善措施得以降低。安全可提高空间越大，表明该路段可改善空间越大，为危险路段。
要计算安全可提高空间，首先要采用经验贝叶斯方法计算事故预测值。经验贝叶斯方法通过采用权重将回归模型得到的事故期望值和观测事故数结合得出事故预测值，解决了观测事故数的
随机波动问题。其计算公式如下：
其中，E[r │x
]即为利用经验贝叶斯方法得到的事故预测数；y i 为实际事故数，即观测事故数；权重系数w 由负二项模型的离散系数α和
负二项模型的事故期望值共同决定：
由此，安全可提高空间可按下式计算：
其中，E[r │x ]为经验贝叶斯事故预测数；E[r]为基于负二项模型得到的事故期望值，即y i exp 。
3安全评估分析
郄路通3.1 事故预测模型结果
本文研究对象为苏州市高速公路路网，共包含14条高速公路。因此模型中除了数据采集部分介绍的道路几何变量，还加入了高速公路指示
变量以考虑不同高速公路各自的特征。模型结果如表2所示：当p 值小于0.001时，对应的系数在0.1%的置信水平上是显著的。
表
2 事故预测模型参数估计结果
101
根据事故预测模型的参数估计结果，路段长度、车道数和路段所连接的匝道数均为交通事故的显著影响因素。此外，高速公路指示变量的系数均在0.1%的置信水平上显著，说明这些高速公路上发生的交通事故数和京沪高速存在显著差异。高速公路指示变量的系数均为负值，说明苏州市14条高速公路中，京沪高速的交通事故数最高，常台高速、沈海高速和常合高速次之，其余高速公路的交通事故数比这4条高速公路低。
模型分析结果和实际高速公路交通事故的空间分布一致，如图1所示。
图1 高速公路交通事故空间分布
事故预测模型中，路段长度的系数显著为正，表明随着路段长度的增加，路段上发生交通事故的可能性也会增加。车道属性中，单向三车道路段和收费站区域路段的模型系数显著为正，说明相比单向两车道的高速公路路段，单向三车道和收费站区域的路段更容易发生交通事故。匝道属性中，相比无匝道的路段，有一条进口匝道、一条出口匝道、先进后出匝道和先出后进匝道都会增加路段发生交通事故的可能性；路段有两条进口匝道和三条匝道的系数不显著，可能是因为样本量过少。
3.2 事故多发路段判别
根据事故预测模型计算各个高速公路路段的安全可提高空间，按照安全可提高空间降序对路段进行排序，选取排名前十的路段为事故多发路段，结果如表3所示。所判别的事故多发路段主要集中在沈海高速和京沪高速上。
4 总结
本文以苏州市高速公路为研究对象，采用负二项回归建立了事故预测模型，结果发现路段长度、车道数和路段连接的匝道数会显著影响路段上发生的交通事故数。此外，京沪高速上发生的交通事故最多，常台高速、沈海高速和常合高速次之。基于所建立的事故预测模型，本文采用安全可提高空间方法判别了苏州市高速公路的事故
多发路段，结果表明事故多发路段主要集中在沈海高速和京沪高速上。本文的结果希望能为后期苏州市开展高速公路交通安全隐患排摸和道路安
全改善设计工作提供依据。
参考文献
[1] 上海市公安局交通警察总队. 上海市危险路段排摸标准（试行，征求意见稿）. 2013.
[2] 王雪松，李佳，谢琨.基于安全可提高空间的事故多发信控交叉口判别[J].同济大学学报(自然科学版), 2015, 43(03): 410-415.
[3] Highway Safety Manual (HSM). FHWA American Association of State Highway and Transportation Officials. U.S.A, 2010.
[4] Poch, M., Mannering, F. Negative binomial analysis of intersection-accident frequencies. Journal of Transportation Engineering, 1996, Vol. 122(2):105-113.
[5] O ñ a J D, López G, Mujalli R, et al. Analysis of traffic accidents on rural highways using Latent Class Clustering and Bayesian Networks. Accident Analysis and Prevention, 2013, 51: 1-10.
发布评论