【高速公路安全风险评价模型分析案例11000字】

[51]，得到7个评价指标隶属于五个风险等级的隶属函数，如图4-6所示。图4-6风险评价指标的隶属函数由于第三章确定了各个二级指标即指标层的指标权重，因此只需要通过层次分析法确定准则层对目标层的重要度的判断矩阵，如表所示4-8所示。表4-8A-C判断矩阵AC1C2C3C1135C21/313C31/51/31此处以路段140为例进行计算。1.确定单因素评价级根据隶属度函数以及各个评价指标的取值，可以得到各个风险指标的单因素评价集：2.确定权重集运用层次分析法确定准则层对目标层的权重，分析结果如表4-10~4-11所示。针对3阶判断矩阵计算得到CI值为0.019，针对RI值查表为0.520，因此计算得到CR值为0.037<0.1，说明判断矩阵满足一致性检验，计算所得权重具有一致性。表4-10层次分析法结果项特征向量权重值最大特征值CI值C12.4660.6373.0390.019C21.0000.258C30.4050.105表4-11一致性检验结果汇总最大特征根CI值RI值CR值一致性检验结果3.0390.0190.5200.037通过结合层次分析法以及论文第二章第3.3节的内容最终确定过了权重集如下：3.单因素模糊综合评价1.多因素模糊综合评价按照最大隶属度原则，路段140的交通安全风险等级为中风险，但实际上该路段发生多起交通事故，且包含路段多发点，路段风险较高，模糊综合评价方法降低了该路段的风险值，本文使用的评价方法在计算精确度方面要优于事故率法。同时模糊综合评价及层次分析法具有较强的主观性，而判断矩阵的优良将直接决定评价结果的好坏，本文的评价方法通过输入输出数据确定最优的权重值，具有客观性。综上，本文使用的Bootstrap-DEA方法能够有效克服评价具有主观性的缺陷，同时在计算精度方面要优于模糊综合评价方法。1.3.2事故率法选取万车事故率指标进行计算，计算公式如下：（4-5）式中：N——统计期内的事故数或伤亡人数；V——统计期内路段上通过的车辆数，通过AADT来确定。分别使用事故数以及伤亡人数指标经过计算，可以得到计算结果如下所示。表4-12基于事故数指标的事故率计算结果路段RMEV路段RMEV路段RMEV12161.4893862880.74469310070.57739251.1758483280.74469310610.577392411.1758483650.74469310930.577392661.1758483700.7446931130.411556701.1758483770.7446931220.411556801.1758483920.7446931400.4115567301.1758484210.7446931680.4115567651.1758484590.7446932110.4115567721.1758484910.7446935500.3670114261.1594274960.7446936460.3670114341.1594275400.7446936470.36701145017446936670.367016861.01659612700.74469313880.3478136921.01659613930.71482313950.3478137191.0165963310.65858812620.198445表4-12（续表）路段RMEV路段RMEV路段RMEV14091.0165964300.65858812650.198445350.9715344350.65858812820.198445860.9715344420.65858813300.198445910.97153410760.65858813360.1984457900.96299711600.65858813710.1984452370.7446939340.6191472670.7446932330.577392表4-13基于伤亡人数指标的事故率计算结果路段RMEV路段RMEV路段RMEV7907.7039759341.8574414910.74469351.70339210931.7321774960.74469312163.7234662881.4893865400.74469311972.9787734591.4893864300.658588702.9396212701.4893864350.6585882372.6064263311.31717610760.658588412.351696661658588802.35169614261.1594272330.5773927302.351696143415773927652.35169610071.1547846460.5505147722.3516966471.1010291680.41155614502.3188546861.0165962110.4115563702.234079350.97153412650.3968893772.234079860.97153412820.3968893922.234079910.97153413360.3968894212.2340791130.8231115500.3670113712.1828911220.8231116670.3670113932.1828611400.82311113880.3478136922.03319213300.79377813950.3478137192.0331922670.74469312620.19844514092.0331923280.7446934421.9757643650.744693通过表4-12和表4-13的排序结果可以发现，基于事故数指标与基于伤亡人数指标计算出的结果有相似之处，但两个计算结果都有一定程度的缺陷，对于包含事故多发点的730、140路段来说，两个方法计算出的结果均检测出730路段，而140路段排序较为靠后；而对于发生多起事故的路段，两种事故率计算方法都没有检测出646路段，说明使用该方法计算时可能会造成高风险路段检测的遗漏。因此本文使用的Bootstrap-DEA方法在计算精确度方面要优于事故率法。1.3.3回归模型由于本研究存在多个因变量与多个自变量，因此本文以事故数、伤亡人数为因变量，路表情况、道路线形等七个指标为因变量使用偏最小二乘回归（PLS）方法对数据进行回归分析，该方法集成了主成分分析、多元回归和线性回归等方法相关的功能。可以得到回归模型表达式如下：表4-14回归系数表因变量自变量事故数死亡人数受伤人数常数0.00000.0000-0.0000路表情况-0.0359-0.0051-0.0488道路线形0.00880.02210.0334事故认定原因-0.0180-0.1481-0.0060能见度0.08450.1555-0.2613照明条件0.08590.07330.1265交通量0.03220.0105-0.0541大型车占比-0.0721-0.0295-0.0364图4-7显示了使用偏最小二乘回归分析的拟合效果图，从图中可以发现方程的拟合值与原值差异较大，拟合效果并不是很好。通过图4-8的回归系数图可以看出，能见度和照明条件对于解释三个回归方程中起到了较为重要的作用，并且与