基于改进TOPSIS法的区域道路交通安全评价

刘 丹，裴 虹，程灵希，魏永长

(1.武汉理工大学 中国应急管理研究中心,湖北 武汉 430070；2.安全预警与应急联动技术湖北省协同创新中心, 湖北 武汉 430070；3.贵州财经大学 信息学院，贵州 贵阳 550025；4.中南财经政法大学 工商管理学院, 湖北 武汉 430073)

据世界卫生组织统计，全球每年交通事故死亡人数约125万人，我国每年因交通事故死亡的人数已突破25万人。近几年，我国交通事故数量有所下降，但形势依旧严峻。因此，为了加强我国城市交通安全，并为相关交通部门做出决策提供一定的数据和理论支撑，分析区域交通事故总体趋势和影响因素，评价区域道路交通安全水平具有重要意义[1-2]。

目前，国内外关于道路交通安全评价的研究主要集中在道路交通安全影响因素与道路交通安全关系、综合评价模型或方法、评价指标选取及规范化等方面。早期国外道路交通安全评价常用模型有OPPE学习心理学模型[3]和Koornstra模型[4]等。近年来，BAO等[5]采用遗传模糊TOPSIS方法对区域交通安全水平进行评价；XIANG等[6]则将物联网技术应用到道路交通安全预警机制的研究中；王薇等[7]基于模糊逻辑理论建立了道路交通安全模糊评价模型；周映雪等[8]采用数据包络分析建立了城市道路交通安全评价模型；周广振等[9]考虑道路交通中的模糊性，采用改进层次分析法建立道路安全评价模型；刘思思[10]采用交通冲突分析技术分析城市信号平面交叉口情况，建立了以交通量为自变量的交通安全服务水平评价模型。在道路交通安全评价的指标体系建立或指标选取方面，早期代表性研究有HAJI[11]构建了涵盖人的教育、健康、生活水平及车辆道路状况等9个指标的道路安全评价指标体系。近年大多学者通常采用事故次数、死亡人数、受伤人数、直接经济损失等绝对指标或死亡率等相对指标。也有学者从微观角度出发，着眼于道路设施和软环境，如李雪等[12]针对道路交通安全等级评价具有模糊性和随机性的特性，选用道路交通综合死亡率、车速差和路面平整度3个评价指标；游克思等[13]基于道路条件建立了山区道路安全评价指标体系；范东凯等[14]从城市道路的交通组成、交通量、交通安全设施、几何线形、路面质量、横断面构成、交叉口7个方面构建了道路安全评价指标体系。上述研究中，指标体系的建立大多基于文献查阅或经验判断，并且主要考虑了人、车、道路的基本要素，指标选取过程和指标权重确定均具有一定主观性。

针对评价指标维度的缺失和指标权重确定的主观性等问题，笔者从道路交通事故视角出发，通过数理统计分析了影响道路交通安全的15种因素，由因子分析生成基于“人-车-道路-环境-管理”的道路交通安全评价指标体系；并由各因子的方差贡献率和因子得分系数矩阵客观确定各评价指标的综合权重，将因子分析引入TOPSIS法，建立了改进TOPSIS法的道路交通安全评价模型，实现对道路交通安全的有效评价。

1 区域道路交通安全评价指标体系的构建

交通事故的发生是由人、车、路、环境等多方面因素耦合失调而导致的，笔者基于数理统计，采用因子分析法构建了区域道路交通安全评价指标体系。具体步骤为：首先，根据佰佰安全网上2014—2016年全国各省市道路交通安全事故数据，统计得到导致交通事故的15种主要因素，剔除导致事故较少或伴随其他因素而发生的因素，得到12类因素作为研究分析的对象；其次，通过Bartlett球度检验和KMO检验，考察原有变量是否适合进行因子分析；再次，根据原有变量的相关

系数矩阵，采用主成分分析法提取公因子，并通过因子旋转，合理改变各因子的方差贡献率，使因子更易于解释；最后，根据旋转成分矩阵对因子依次进行命名。旋转成分矩阵如表1所示,基于“人-车-道路-环境-管理”的区域道路交通安全评价指标体系如图1所示。

表1 旋转成分矩阵

图1 基于“人-车-道路-环境-管理”的区域道路交通安全评价指标体系

2 基于因子分析改进TOPSIS评价模型

TOPSIS法是利用逼近理想解的技术确定评价对象的排序，其核心思想是通过检测评价对象与最优解和最劣解的距离进行评价对象的优劣排序，具有定量准确、计算简便的特点，通用性较强[15]。在TOPSIS法中，权重的确定是重要环节，笔者采用因子分析法确定权重以消除主观因素的影响，而且随着指标值发生变化，指标权重也易于动态修改。

2.1 构造道路交通安全评价决策矩阵T

设有m个区域，每个区域道路交通安全水平评价有n个评价指标，得到决策矩阵T=[tik]m×n。

(1)

其中，tik表示第i个区域道路交通安全水平对应于第k个评价指标的观测值。

2.2 构造道路交通安全评价规范化决策矩阵H

采用Z-Score标准化方法对决策矩阵进行数据的标准化处理，消除评价指标观测值的不同量纲对评价结果的影响。

(2)

2.3 基于因子分析确定道路交通安全水平权重规范化矩阵X

将由因子分析降维处理后的道路交通安全评价指标体系的权重向量W=(W1,W2,…,Wn)与规范化决策矩阵H相乘，可得权重规范化矩阵X：

(3)

式中：xik表示第k个评价指标对第i个区域道路交通安全水平的规范化加权值，xik=Wkhik；Wk为第k个评价指标的权重。

2.4 基于因子分析确定道路交通安全水平评价指标权重

将三级指标对一级指标的权重Wk作为各因素指标的综合权重，道路交通安全水平评价指标体系的权重向量W确定步骤如下：

(1)二级指标对一级指标的权重Aj。对各个主因子的方差贡献率归一化，即获得各因子相对于一级指标的权重。

(2)三级指标对二级指标的权重Ajd。由因子得分系数矩阵可以得到因子得分函数，即各个主因子和各影响因素间的线性回归式，其表明各影响因素如何影响各主因子。因此，将因子得分系数ajd归一化，即得到三级指标在二级指标上的权重值Ajd。

(4)

式中：p为因子个数；q为每个因子里包含的三级指标数。

(3)三级指标对一级指标的权重Wk。三级指标在一级指标上的权重Wk，由二级指标在一级指标上的权重Aj与三级指标在二级指标上的权重Ajd对应相乘确定。由此，可得到权重向量W=(W1,W2,…,Wn)。

2.5 确定加权正理想解和加权负理想解

根据已构建的权重规范化矩阵X可知，各影响因素下交通事故指标属于成本型评价指标，因此计算加权正理想解X+和加权负理想解X-的公式如下：

(5)

2.6 区域道路交通安全水平与理想水平的贴近度计算

(6)

2.7 道路交通安全水平理想度计算

设I为区域道路交通安全水平的“理想度”[16]，将其定义为：

(7)

根据式(6)和式(7)可得：

(8)

(9)

若“理想度”小于1，则说明该区域道路交通安全水平向最优方向发展；反之，则向较差方向发展。

3 算例分析

3.1 指标权重计算

数据来源于佰佰安全网上2014—2016年全国各省市道路交通安全事故数据，基于因子分析建立的道路交通安全水平评价指标体系，采用具有Kaiser标准化的正交旋转法得到因子得分系数矩阵，如表2所示，然后确定三级指标各影响因素的综合权重，如表3所示。

表2 因子得分系数矩阵表

3.2 区域道路交通安全水平评价

根据表3的三级指标权重值得到加权正理想解和加权负理想解，再由式(6)和式(8)计算得到2014—2016年国内部分省市道路交通安全水平贴近度和理想度，如表4所示。

3.3 区域道路交通安全水平分级及综合分析

排名在前的区域道路交通安全水平较高，排名较后的区域道路交通安全水平较低，即贴近度越高的区域道路交通安全水平越低。由表4可看出，广东的道路交通安全水平相对最低，且我国不同区域道路交通安全水平存在较大差异。按照贴近度大小对各省市道路交通安全水平进行分级，分级原则如表5所示。

表3 区域道路交通安全水平影响因素综合权重

表4 2014—2016年区域道路交通安全水平贴近度和理想度

表5 区域道路交通安全水平分级原则

根据表4和表5可以确定各区域道路交通安全水平等级。道路交通安全水平为1级的区域有6个，分别是青海、天津、甘肃、黑龙江、重庆、浙江，其中，青海和甘肃都位于我国西部地区，交通流量和人口密度相对较低，其交通安全状况相对较好。处于2级水平的有11个，分别是吉林、贵州、上海、湖北、江西、安徽、湖南、辽宁、广西、福建、河北。处于3级水平的区域有4个，分别是山西、江苏、云南、山东。而道路交通安全水平为2、3级的绝大多数区域都位于经济相对发达的东部和中部地区。因此，总体而言除去北京和河南，中、东部区域道路交通安全水平相对较好，经济发展在一定程度上有助于交通安全水平的提高。陕西、四川、北京、河南的交通安全水平处于第4级，而广东由于人的不安全行为因素、管理因素及区域间发展不平衡等导致该区域总体交通安全水平最低，处于第5级。北京、广东虽经济较为发达、交通发展迅速，但道路交通安全水平却不容乐观，由此也说明我国区域道路交通事故的空间布局状况和区域间发展的不平衡。

表4中绝大多数区域的“理想度”都小于1，说明大多数区域道路交通综合水平都趋于向好的方向发展，与当前我国各区域道路交通安全水平的发展情况吻合，但各省、市在道路交通安全水平仍有待提高。因此，各区域除了建立高效的交通安全管理体制、重点治理各种道路交通违法行为、加强道路基础设施建设等基本应对措施之外，应根据区域特点因地制宜。另外，各区域可着重加强源头管控治理，从微观细节着手，例如改善各十字路口或多发事段的红绿灯高度以避免视线阻挡等，提高该区域的道路交通安全水平。

4 结论

针对区域交通安全系统的复杂性和交通事故影响因素的多样性，为有效评价区域道路交通安全水平，预防交通事故的发生，笔者从“人-车-道路-环境-管理”5个维度提出改进TOPSIS法的区域道路交通安全评价模型，得到如下结论：

(1)该方法通过数据统计构建道路交通安全评价指标体系，有效克服了评价指标间的相关性及多重共线性问题，能充分利用原始数据，不损失原指标信息，且评价结果更为客观、真实，具有较好的适用性。

(2)该方法适用于大量统计数据下的动态区域交通安全评价，可基于数据挖掘技术用于有效实时动态评估区域、路段等的交通安全情况。

参考文献：

[1] 徐鑫.我国道路交通事故规律特点及预防对策分析[J].中国安全科学学报,2013,23(11):120-125.

[2] NGHIEM S, COMMANDEUR J J, CONNELLY L B. Determinants of road traffic safety: new evidence from Australia using state-space analysis[J]. Accident Analysis & Prevention,2016(94):65-72.

[3] ANDEREASSON D C. Linking deaths with vehicles and population[J]. Traffic Engineering & Control,1985,26(11):547-549.

[4] NAVIN F P D, BERGAN A, ZHANG G. Road safety model: some fundamental ideas[J].Transportation Research Record Journal of the Transportation Research Board,1996,1563(1):48-56.

[5] BAO Q, RUAN D, SHEN Y J, et al. Improved hierarchical fuzzy TOPSIS for road safety performance evaluation[J]. Knowledge-Based Systems,2012,32(8):84-90.

[6] XIANG H K, JI W C. Research of early warning mechanism for traffic safety based on internet of things[J]. Computer Simulation,2011,4(3):131-138.

[7] 王薇,黄瑛,高宁波.基于模糊界定的道路交通安全评价模型[J].交通信息与安全,2013,31(5):87-92.

[8] 周映雪,李明松.基于DEA的城市道路交通安全评价[J].武汉理工大学学报(交通科学与工程版),2012,36(4):757-760.

[9] 周广振,简晓春,朱明明.基于改进层次分析法的高速公路交通安全评价[J].公路交通技术,2015(3):120-123.

[10] 刘思思.城市四支平面信号控制交叉口交通安全服务水平研究[D].北京：北京交通大学，2011.

[11] HAJI G A. Towards a road safety development index (RSDI) development of an international index to measure road safety performance[Z]. Sweden:Linköping University Electronic Press,2005.

[12] 李雪,赵宁,郑晅.基于云模型的道路交通安全等级评价[J].北京工业大学学报,2015(8):1219-1224.

[13] 游克思,孙璐,顾文钧.变权综合评价法在山区道路安全评价中应用[J].系统工程,2010,28(5):85-88.

[14] 范东凯,曹凯.基于主成分分析法的城市道路交通安全评价[J].中国安全科学学报,2010,20(10):147-151.

[15] 陆卫东,尹彬,韦刚,等.基于熵权TOPSIS模型的煤矿安全现状评价[J].武汉理工大学学报(信息与管理工程版),2017,39(3):270-274.

[16] 刘贵文,邓飞,王曼.中国建筑产业竞争力评价研究[J].土木工程学报,2011,44(7):157-164.