营运客车具有大型化、规模化、经济便捷等特点，是中国客流运输的重要交通工具之一。根据交通运输部发布的《2019年交通运输行业发展统计公报》[1]，2019年全国完成营运性客运量176.04亿人，其中营运客车完成130.12亿人占到了客运总量的73.9%。然而，营运客车运输在为人们带来便捷出行同时，也引发了重特大道路交通事故(一次死亡10人及10人以上的事故)等社会问题，给人民群众的生命财产安全带来了巨大的损失。据统计，2008～2018年我国共发生营运客车重特大道路交通事故123起，造成1927人死亡，2272人受伤，其发生起数占重特大道路交通事故总数的76.3%，营运客车重特大道路交通引起广泛的社会关注。
近年来，许多学者就营运客车重特大道路交通事故展开了研究。许得杰等[2]对甘肃省2005～2010年发生的重特大道路交通事故进行统计分析，结果显示主要的事故原因为人因，包括违反道路交通安全法，操作不当和马虎大意等；丁雨蕾[3]基于主成分分析和聚类分析的方法，对比了2009～2014年发生的重特大道路交通事故和一般交通事故，结果显示不良的天气条件和超速行为对于引发重特大道路交通事故的影响较为显著；刘东波等[4]对云南省10年重特大道路交通事故数据进行了描述性统计分析，提出加大对于低等级道路的改造遏制重特大道路交通事故发生的方法；李兆凯[5]对云南省2011年营运客车的交通事故数据进行分析，采用了K均值聚类算法将全部因素分成三类，结果显示，跨省份运输的营运客车在白天发生追尾事故的概率最高。文江辉等[6]运用DBSCAN聚类方法对营运车辆在不同时间段，不同天气状况下速度和加速度进行聚类，结果表明驾驶人在夜晚的速度波动较大，且对于经验丰富的驾驶人，天气对驾驶的影响因素较小。
综上，国内营运客车重特大道路交通事故的相关研究报道仍然较少，研究内容以事故的单一影响因素为主，较少考虑多种因素组合对于事故的影响。因此，本文针对我国2008～2018年发生的营运客车重特大道路交通事故，综合考虑驾驶人行为、车辆信息、道路信息、环境信息和事故信息，建立故障树模型分析影响事故发生的关键事故链，为预防营运客车重特大道路交通事故提供理论支持。
本文涉及的2008～2018年营运客车重特大道路交通事故数据来源于公安部交通管理局的《营运客车重特大道路交通事故》文本报告[7]，每起事故均为相互独立事件，通过数据编码形成事故数据集。
2008～2018年全国共发生涉及营运客车的重特大道路交通事故135起，为突出营运客车的事故特性，故剔除了营运客车处于无过错方的事故12起，余下123起营运客车重特大道路交通事故。
事故关联因素数据主要包含以下4个方面：1)驾驶人信息数据：驾龄、健康状态、驾驶行为；2)车辆信息数据：车辆的技术性能；3)道路信息数据：道路平纵、路面状况等；4)时间及天气信息数据：时间、天气情况。各因素描述性统计结果如表1所示。
表1 各因素描述性统计结果
故障树分析法(Fault Tree Analysis，FTA)是系统工程中应用较广泛、逻辑性较强的一种图形演绎方法[8]。20世纪80年代末，交通运输行业开始把故障树分析方法应用到安全生产和劳动保护上，实践证明此方法用于安全生产、科学管理是行之有效的[9]。故障树分析法是把系统可能发生的某种事故与导致事故发生的各种原因之间的逻辑关系用一种树形图表示，通过对故障树的分析，找出事故发生的主要原因。故障树的结构如图1所示，共包括顶上事件(位于树的顶部)、中间事件(位于树的中部，表示事故发生的中间原因)和基本事件(位于树的底部，表示事故发生的最基本的原因)。各类事件的因果关系用“与门”和“或门”2种逻辑门表示。
图1 故障树模型结构
故障树有n个基本事件，假设各基本事件均相互独立，且所有事件的状态只取正常和故障两种。Xi为第i个基本事件，Yi是其状态变量，仅取1和0两个值，分别表示Xi发生或不发生。各基本事件取不同状态时，顶上事件的状态也随之改变，即顶上事件的发生概率由基本事件的状态所决定。若取尽基本事件的所有状态Yi，则含有n个基本事件的结构函数可表示为[10]
(1)
式中 φ(X)为故障树的结构函数；p为基本事件的状态组合序号(p=20,21,…，2n)；φp(X)为第p种事件的状态组合导致的顶山事件的状态值，取1或0，其中X=(X1,X2,…,Xn)。
故障树分析法包括定性分析和定量分析两个部分。定性分析即求取故障树的最小割集，确定顶上事件所有可能的事故链。最小割集为导致顶上事件发生的最低限度事件的集合，可通过布尔代数化简法求解。定量分析是计算各事故链，即最小割集发生概率的过程。通过每层事件的发生概率以及故障树的连接关系，确定每个割集的概率，具体计算公式为
(2)
式中 qr为事故链r的概率；
是事故链r中第t层第m个事件在其上层事件发生下的条件概率；k为事故链r中所有事件构成的总层数；lt为事故链r中第t层的事件总数。
道路交通系统由人、车、路和环境四个要素共同组成，交通事故的发生是这四个要素相互作用的结果。基于以上考虑，根据从事故报告中提取的相关数据，确定顶上事件为营运客车重特大道路交通事故，中间事件为人、车、路和环境四方面因素如表2所示，自上而下分析各层的事故发生原因从而确定19个基本事件，如表3所示。构建营运客车重特大道路交通事故故障树模型如图2所示。
表2 营运客车重特大道路交通事故故障树中间事件及编码
表3 营运客车重特大道路交通事故故障树基本事件及编码
图2 营运客车重特大道路交通事故故障树模型
由于图2是根据对统计事故的分布特征按照人、车、路和环境四个方面所列出来的事故故障分析图，同时四个方面的因素之间也有相互影响，在结构上存在一定的不协调性，所以对故障树应该利用布尔代数法进行化简，从而确定故障树的最小割集，这也是故障树定性分析的目的[12]。根据公式(1)，得营运客车重特大道路交通事故故障树的结构函数为：
φ(X)=X1+X2+X3+X4+X5+X6+X7+X8+
X9+X11+X12+X13+X15+X16+X18+X3·(X8+X9+X10)+X4·(X8+X9+X10)+
X17·(X8+X14+X9)+X19·(X5+X6+X7)
则一阶最小割集为：{X1}，{X2}，{X3}，{X4}，{X5}，{X6}，{X7}，{X8}，{X9}，{X11}，{X12}，{X13}，{X15}，{X16}，{X18}。
二阶最小割集为：{X3，X8}，{X3，X9}，{X3，X10}，{X4，X8}，{X4，X9}，{X4，X10}，{X17，X8}，{X17，X14}，{X17，X9}，{X19，X5}，{X19，X6}，{X19，X7}。
综上，营运客车重特大道路交通事故故障树由15个一阶最小割集和12个二阶最小割集构成。随着割集阶数的减少，故障事件的发生概率就越大。因此，优先考虑危险性更大的一阶割集能够更好地提高道路系统的安全性[16]。
自顶上事件至基本事件的定量分析中事件概率值是指其条件概率值，即满足其上层事件发生的条件下事件的概率值[13]。因此，对于某一种中间事件，其下层事件的概率和为1，具体计算方法如下：
某一中间事件或基本事件的条件概率为该原因导致的事故次数与其上层事件对应的事故次数的比值。其中，“驾驶人不安全行为”“车辆不安全状态”“危险道路因素”“不利环境因素”四个中间事件的条件概率计算较为特殊，因为某一起事故可能是由人、车、路和环境中的多项因素引起，统计T1，T2，T3，T4对应的事故次数时，某项事故可能计入多次，而其上层事件对应的事故起数(123起营运客车重特大道路交通事故)是确定的，这样得出的四个中间事件的条件概率值之和一定大于1。因此，规定T1，T2，T3，T4的计算方法为各条事故由哪一项或哪几项因素所导致，则该方面因素只计数一次，四项因素的概率即为该类因素对应的计数与所有总计数之比[14]。
根据上述原则，计算得到各中间事件、基本事件的条件概率，如图3所示。根据公式(2)，计算27条事故链(最小割集)的概率，并降序排列，如表4所示。
由表4可知，27条事故链中，前4条事故链发生概率明显高于其他事故链，累积占比将近50%，是营运客车重特大道路交通事故的主要原因，这4条事故链分别为：
事故链1：危险道路因素→不良路面情况+不良平纵→潮湿路面+坡道。
事故链2：驾驶人不安全行为→操作不当→特殊地形→超速+边坡。
事故链3：驾驶人不安全行为→超速→平纵条件+不良路面状况→冰雪路面+平直道路。
事故链4：车辆不安全状态→刹车失灵。
若能通过采取合理的安全措施建立安全屏障，如图4的剪刀所示，剪断这4条事故链，使其不发生，则可预防约50%的营运客车重特大道路交通事故，安全效果显著。
图3 故障树各事件的条件概率
图4 营运客车重特大道路交通事故关键事故链
表4 营运客车重特大道路交通事故的事故链及其概率
综合考虑人、车、路、环境4个方面因素的影响，建立了营运客车重特大道路交通事故的故障树模型，并通过模型定性和定量分析剖析了此类事故的具体成因，研究结果表明：
1)基于故障树结构的最小割集计算，共挖掘出影响营运客车重特大道路交通事故的27条事故链，其中排序前4条事故链发生概率累积占比约50%；
2)营运客车重特大道路交通事故的关键事故链为平纵条件为坡道且路面处于潮湿状态，驾驶人在边坡地形下超速驾驶引起的操作不当，冰雪平直路面的超速驾驶，车辆处于刹车失灵的状态；
3)故障树模型简单易行，且适用性十分广泛，是分析事故成因的良好工具，但由于事故的局限性，故障树的建立仍有一些因素没有充分考虑，如驾驶人心理因素，外部管理因素和运输企业安全教育等，在后期将进一步完善。
[1] 中华人民共和国交通运输部.2018年交通运输行业发展统计公报[R]. 2019.
[2] 许得杰, 钱勇生, 王敏,等. 甘肃省重特大道路交通事故特征分析[J]. 中国公共安全(学术版), 2011(4):100-103.
[3] 丁雨蕾. 重特大交通事故特征及影响因素分析[D]. 南京：东南大学, 2016.
[4] 刘东波,王长君.云南省特大道路交通事故分析[J].交通运输系统工程与信息,2007,7(1):143-148
[5] 李兆凯. 营运客车多形态正面碰撞安全性及评价方法研究[D]. 西安：长安大学, 2012.
[6] 文江辉, 杨先敏, 吴超仲. 大数据环境下营运车辆驾驶行为特征分析[J]. 交通信息与安全, 2018,36(4):42-50.
[7] 公安部交通管理局.中华人民共和国道路交通事故统计年报[R].北京:公安部交通管理局,1995-2018.
[8] 王燕, 彭金栓. 交通运输安全系统工程[M]. 长沙：中南大学出版社, 2014.
[9] Doytchev D E, Szwillus G. Combining task analysis and fault tree analysis for accident and incident analysis: A case study from Bulgaria[J]. Accident Analysis and Prevention, 2009, 41(6):1172-1179.
[10] Park H, Oh C. A vehicle speed harmonization strategy for minimizing inter-vehicle crash risks[J]. Accident Analysis and Prevention, 2019, 128(6): 230-239.
[11] Kim J, Ulfarsson G F, Shankar V N, et al. A note on modeling pedestrian-injury severity in motor-vehicle crashes with the mixed logit model[J]. Accident Analysis and Prevention, 2010, 42(6): 1751-1758.
[12] 朱大奇, 于盛林. 基于故障树最小割集的故障诊断方法研究[J]. 数据采集与处理, 2002, 17(5): 341-344.
[13] 杨晓川, 谢庆华, 何俊,等. 基于故障树的模糊故障诊断方法[J]. 同济大学学报(自然科学版), 2001，29(9): 1058-1060.
[14] 姚杰, 任玉清, 李玉伟. 基于事故树分析的海上交通事故的研究[J]. 大连海洋大学学报, 2010, 25(4): 348-352.
[15] Chang L, Chen W. Datamining of tree-based models to analyze freeway accident frequency[J]. Journal of Safety Research, 2005, 36(4): 365-375.
[16] Randa O, Juan O. A method for simplifying the analysis of traffic accidents injury severity on two-lane highways using Bayesian networks[J]. Journal of Safety Research, 2015, 42(5): 317-326.
苏ICP备18021245号| 网站地图| 联系我们| 法律声明| 人才招聘
学会地址：南京市建邺路168号7-2 邮编：210004
电话：025-58786621 传真：025-58786621 邮箱：jscts2018@163.com
江苏省综合交通运输学会 All Rights Reserved
学会微信