基于改进系统工程决策理论的高速公路交通安全评价研究
时间：2022-12-03 10:05:03 来源：柠檬阅读网 本文已影响 人 
杨 洋，袁振洲，陈 治，孙东冶
（1.北京航空航天大学 交通科学与工程学院，北京 100191；
2.北京交通大学 交通运输学院，北京 100044；
3.中国交通通信信息中心交通安全应急信息技术国家工程实验室，北京 100011）
中共中央、国务院印发于2021 年印发的《国家综合立体交通网规划纲要》，明确提出了“加强交通运输安全风险预警、防控机制和能力建设”“加强交通安全综合治理，切实提高交通安全水平”的工作思路［1］.高速公路在极大提升运输效率的同时，与之伴随的事故隐患及事故造成的人员财产损失等安全问题亦不容忽视.挖掘事故风险因子、揭示事故发生机理等工作，其终极目标都是探究合理的安全控制措施方案，以规避事故风险、保障高速公路行车安全.在高速公路交通安全的多方案比选评估中，面向不同区域类型特征高速公路的安全水平系统评价手段，将是此类工作的重要依据和决策方法.
在高速公路的施工设计阶段，新型安全路面材料的应用或“防疲弯”在线形设计中的引入，往往可以有效地降低事故率［2］，而在运维阶段，则主要以限流限速和警示标识等措施保障行车安全［3］.但高速公路的良好运转不能仅以行车安全来完全度量，针对安全这单一维度指标的控制行为，可能存在限制通行效率或增加其他成本等方面的负面影响.在安全管理工作时，不应进行一刀切，这看似提升交通安全，实则未能系统地优化高速公路的综合交通安全.因此，面向高速公路的综合交通安全水平评价，应当采用交通运输系统工程思维，在充分考虑安全维度指标的前提下，并考虑其他相关维度指标，以期在不同区域类型情景条件下，对高速公路交通安全获得客观、全面的评价结果.
现阶段针对道路交通安全层面的研究，多集中在如何界定交通风险等级，以及针对安全因子的分析等方面.等效事故强度是一种实用的道路交通安全水平服务分级思路，有学者基于等效事故强度，对北京的城市快速路进行了安全分级研究［4］.而单一事故指标对于道路交通安全的评价毫无疑问是片面的，王笑笑［5］基于这样的考虑，采用联合度量指标对高速公路行车安全性进行了研究.也有学者研究了高速公路出入口的事故风险因子，构建了基于突变理论的高速公路出入口安全评估模型［6］.此外，有学者基于改进的事故对比法，设计了面向平面交叉口的安全风险量化模型［7］.而当今道路交通安全评价主要思路，则主要聚焦于“事故强度分析”“绝对引数”“事故率法”等［8-9］，技术手段多是层次分析法或模糊综合评价法等，指标权重的量化多以主观赋权法为主［10］.张晓博等［11］基于事故率法的研究思路构建了交通安全评价体系，以模糊层次分析法并配合熵值法计算各指标权重，应用灰色关联评价模型对安徽省的交通安全水平进行了综合评价；
Mohammadian 等［12］基于高速公路宏观状态变量中的安全信息，建立了基于冲突的安全评价框架，但是其并未考虑各指标的重要度差异问题.此外，现有相关研究主要还是聚焦在事故维度方面进行指标筛选，系统全面的道路交通安全综合评价体系较为少见，而且多为面向同一道路自身评价，缺乏针对多个研究对象的时空差异层面的考虑对比.此类研究思路得到的结果较为片面，采用的方法也无法体现交通运输系统工程思维的优势.
系统工程决策理论可以很好地兼顾交通运输系统工程学中的系统思维视角，可以定量、全面地对研究目标进行剖析，该理论中的密切值法，则是其优选方法集中兼容性较强的方法之一［13］.而在交通运输领域中，应用密切值法的研究案例并不多见，这些研究往往忽略了该方法矩阵数值化便捷、结果辨识度强的优势.在环评领域，该方法应用案例较为多见，有学者基于密切值法对块煤层气井的井型进行了方案比选，在其模型中共考虑了5 指标［14］；
也有学者基于中国的能耗排放数据描述了密切值评价模型的应用［15］.传统密切值法并考虑指标的权重差异，在多样本评价工作中等同于将指标进行了等权重处理，易使结果产生误差.指标加权量化的手段主要有Delphi 法、灰色关联度法、模糊判断矩阵法、AHP 法、信息熵法等［16］，主观赋权法虽便于解读，但是在各指标的赋权工作中，专家的主观重视程度会对权重取值结果造成一定的负面效应.这种情况下，客观赋权法（信息熵权重理论）的优势便能体现出来.杨洋等［17］根据密切值法原理，首次将密切值法应用于交通运输领域的评价工作，并在该团队递进的相关研究中，提出了一种基于熵权改进密切值评价模型的交通运输节能减排评价体系［18］.
综上，为突破单维度交通安全评价研究中“事故强度分析”的局限，克服传统高速公路安全评价主要集中在微观路段层面的缺陷，并实现针对区域类型差异条件下的高速公路交通安全水平的定量研判，本文充分发挥了交通运输系统工程思维的优势，将系统工程决策理论引入交通安全评价研究中，并考虑到多维度指标与多个待评区域路段交互影响的特征，为了避免主观赋权法对结果带来的干扰，采用了纯客观的权重计算理论对指标进行赋权优化.具体工作为：选取5 种不同区域类型的高速公路，分别为高速公路平原区基本路段（含共乘车道或多乘员车道（High-Occupancy Vehicle lane，HOV））、平原区基本路段（无HOV）、隧道路段、桥梁路段、潮汐快速通道，基于美国华盛顿州交通运输部（Washington State Department of Transportation，WSDOT）信息平台提供的数据，建立了考虑时空差异的高速公路交通综合安全评价矩阵，模型分别定义了正向与负向指标，并对各指标实施体系化信息熵赋权量化处理，进而通过熵权改进密切值模型对各区域类型高速公路进行了综合交通安全水平评价.本文首次将密切值法应用于交通运输安全领域，通过构建系统的高速公路综合交通安全评价体系，以期为高速公路全生命周期交通安全实施方案的制定和比选以及交通安全与经济环境的协调发展提供依据.
在时间维度，以季节进行划分选取：春季Q1，夏季Q2，秋 季Q3，冬 季Q4；
在 空 间 维 度，设 置3 英 里（mile）作为基准，同时基于地理地貌特征和道路空间分布层面的考虑，选取高速公路平原区基本路段（含HOV）N1、高速公路平原区基本路段（无HOV）N2、隧道区域路段N3、桥梁区域路段N4、潮汐快速通道区域路段N5，5 个不同区域高速公路.结合时空综合考虑，进而得到本文所确定的5×4=20 个待评价单元.
大量的多元异构数据是进行高速公路交通安全水平评价工作的基础，为得到更为准确科学的评价结果，应尽可能获取多的正向与负向相关的指标数据信息.研究路段的道路信息和2016 全年相关交通数据信息可通过WSDOT 信息平台获得提取，并在空间层面确定以下研究区域：美国华盛顿州Interstate NO.5 州际高速公路160-163 里程桩号路段（Ⅰ-5，MP160-163），作为基本路段（含HOV）的研究区域；
Ⅰ-5 的MP200-203，作为基本路段（无HOV）的研究区域；
华盛顿州Ⅰ-90 的5-9 里程桩号路段（Ⅰ-90，MP5-9），作为隧道路段的待研究区域；
西雅图市WA520 高速公路的Evergreen Point Floating Bridge 路段，作为桥涵研究区域；
Ⅰ-5 潮汐快速路通道 的MP169-172 路 段（Ⅰ-5 Express Way，MP169-172），作为潮汐快速通道的研究区域.
2.1 密切值法原理
目标或方案的决策工作，在整体过程中，实际上就是评价分析的过程.在系统工程决策理论集中，密切值法是多目标决策的一种优选方法，该方法计算效率高，结果精度好，是多目标的综合评价中一种切实有效方法.在评价过程中，诸如运输效率、吞吐量等数值越高评价效果越好的指标在该方法中被定义为正向指标，诸如成本消耗、死亡率等数值越低评价效果越好的指标被定义为负向指标，进而通过搜索“最优点”与“最劣点”并计算各待评单元距“最优最劣点”的欧氏距离（密切系数），最后通过数学转换，求得密切值，即通过该值反映各样本的综合优劣.
本文通过信息熵权重理论加权测算指标权重值，并考虑熵权法中的期望值，得到熵权改进的密切值评价模型.该模型继承了诸如无需标定主观参量等传统密切值法中的优势，同时，待评样本的差异性也通过指标加权得到放大，评价结果更为清晰准确.
2.2 信息熵赋权理论
针对信息层面的量化度量，Shannon 以信息熵的概念描述了信源的不确定度［19］.在其提出的理论中，熵值与信息的无序化程度成正比，熵值越大说明信息的效用就越低，相应指标的权重值也应当越低；
如果待评样本在某指标中表现出较小的熵值（较大的熵权），这说明在该指标中，各待评样本具有显著差异，在对应的评价工作中，该指标应当被重点考量.信息熵加权计算方法分为标准化矩阵、熵值函数、权重量化函数3 部分.
1）标准化矩阵.
假设共n个评价对象（选取5 个不同区域高速公路路段），各待评对象含m个指标（考虑包含经济、效率、环境、安全4 个维度的8 个评价指标），则指标矩阵可通过原始数据建立为
式中：i表示元素位于矩阵的第i行，即第i个评价对象；
j表示元素位于矩阵的第j列，即第j个指标.
对矩阵实施标准化处理，令
式中：A+表示评价矩阵中的正向指标；
A-表示评价矩阵中的负向指标.
得标准化矩阵C={Cij}n×m
2）熵值函数.
玻尔兹曼（Boltgman）公式［20］
式中：n1、n2表示系统内的元素微观熵值.
斯蒂林公式为
结合式（4）～式（6），并扩展为多元（m元）系统，转换得到其单位熵值函数
式中：y表示可能的微观态数.
即指标j的信息熵量化值为
式（8）中常数k与样本数n（即待评高速公路路段数量）有关.针对信息有序度为0 的系统，其熵值是最大的，e=1，当n个样本处于完全无序的分布状态时通过式（8）可得
于是有
3）权重量化函数.
信息熵值ej用以度量指标j的信息效用水平，当指标包含的信息为完全无序状态时，ej=1，此时j指标对评价工作的效用值为0，指标的信息效用价值可以用该信息熵值与1 的差值hj表示，即
基于熵权理论的指标权重量化，权重实际上是基于指标的效用系数得到.较高的指标效用系数可以说明相应指标对高速公路交通安全评价的重要度较高，指标j权重函数表示为
2.3 基于信息熵权重优化改进的密切值评价方法
结合考虑的问题特征，根据密切值法原理，并结合信息熵权重模型，建立交通安全评价体系，图1 给出了本研究的评价工作流程.
图1 熵权改进密切值法高速公路交通安全评价流程Fig.1 Freeway traffic safety evaluation procedure based on the entropy weight improved osculating value method
1）原始矩阵标数值化处理.
根据式（1）建立原始矩阵，即由m个选取的评价指标和n个选取的高速公路待评单元构成的矩阵.考虑到不同待评数值化指标的正负号由其物理意义决定.对于有物理意义的含量纲密切值矩阵模型可以通过相应的数学转换，转化为由正负数构成的纯数字矩阵.
式中：+aij表征待评价指标作为正向指标；
-aij表征待评指标作为负向指标.
则矩阵模型A转换为数值化矩阵模型S为
式中：sij为正向指标，其值越大表明评价结果越好；
sij为负向指标，数值越大表示评价结果越差.通过负号的引入，可以在令矩阵A与S的评价结果保持一致的同时，又可使矩阵S失去其原有的物理意义.
2）规范化数值矩阵.
规范化后
3）评价最优点与最劣点的确定.
选取数值矩阵中各指标的最优评价点和最劣评价点，其中最优点的选取原则如下
最劣点选取原则为
则最优点集合为
则最劣点集合为
4）计算密切系数（欧氏距离）.最优评价点密切系数为
最劣评价点密切系数为
式中：wj为指标j的权重值.
5）计算密切值并得到最优评价单元（交通安全水平最优的高速公路路段）.各评价单元密切值为
其中
本文中，密切值法以高速公路待评路段作为待评单元，对待评单元与最优最劣点的亲疏程度进行量化.较大的c值表明待评单元与最劣点的关系较亲密，与最优点则较为疏远，反之则与最优点亲密，与最劣点疏远.若c=0，则说明待评单元为最优单元.
3.1 建立指标矩阵
同时考虑安全、效率、环境与经济4 个维度因素，基于完整性、科学性、可操作性、动态性与稳定性相结合的评价体系构建原则，提出一套面向多区域类型的高速公路交通安全综合评价指标体系.
安全维度的指标是最重要的考量内容，衡量交通安全水平的最直观指标即为事故频率与严重程度，以人员伤亡程度和财产损失情况作为尺度进行该层面度量.但是单纯的事故风险情况并不能代表绝对交通安全水平，高速公路的建造后和运营期的理想情况，是尽可能在产生较低环境污染、使用较少成本的前提下，获取较高的运输效率，并有效地降低事故率和严重程度，以期实现其社会价值.因此在评价中，基于效率层面考虑，运输效率与客货运周转量作为运输贡献的重要相关指标，应该纳入指标体系内.与此同时，关于环境方面，不同高速公路区域或路段的建成和运营，对城市交通外部成本的贡献存在差异，且其产生的多是负外部效应［21］.例如，两岸城市通过新建高速公路桥梁的建设，避免了城市间的绕行交通，对于往日绕行交通产生的能耗排放同样是一个正向效应；
而HOV 的使用可以在一定程度上降低能耗并节约出行成本.所以，在科学完整且合理的评价体系中，节能减排效应也应当作为评价中重点考量的一个评价维度.在经济层面的考虑，施工建设产生的成本在各区域必然不相同，后期的运维成本也存在一定的差异；
个别路段还会存在成本收入，本文中考虑路段的正向成本包含基本路段（含HOV）节约的出行成本、收费路段中的运营收入以及其他收入项（交通安全的提升投资）等.
基于高速公路的主要特征，本文研究定义：工程造价C1为假设高速公路生命周期确定的前提下，在规划设计和施工建设阶段工作量均摊1 年所产生的成本；
日常管理维护成本C2为相关部门对相应路段每年运维所产生的总成本；
节能减排C3是指在对应路段建成后，对冲路段未建成前出行绕行所降低的能耗排放量；
通行交通量C4为对应路段在1 年中的总交通周转量；
通行速率C5指对应区域或路段的机动车通行平均速度；
事故造成的财产损失C6为对应路段年度所发生交通事故造成的财产损失总额；
事故造成的人员伤亡C7指对应路段年度交通事故造成的死亡人员折算数；
经济效益C8为共享车道节约的出行成本和收费路段分季度产生的相应费用收入总额.在评价体系中的项目层按经济B1、环境B2、效率B3和安全B44 个维度进行划分：经济B1指向为C1、C2和C8；
环境B2指向为C3；
效率B3指向为C4和C5；
安全B4指向为C6和C7.最终可得到所需考虑的综合评价体系指标，在评价体系中，正向指标的数值越高，对评价结果越有利，包括C3、C4、C5、C8；
负向指标的数值越低，则对评价结果越有利，包括C1、C2、C6、C7.
3.2 模型基本假设
针对本文提出的评价模型，设置8 条基本假设条件：
1）所有待评价路段中的交通流均为穿行交通；
且选取的各路段都为3 英里，故而该指标则只需考虑交通总量.
必需氨基酸测定结果，C2组在鸡胸肉、腿肉和肝脏中分别为0.304%、0.151 4%和4.510%，D2组鸡胸肉、腿肉和肝脏中分别为0.342%、0.140 3%和3.670%。表明在放养条件下，无抗养殖鸡胸肉、腿肉和肝脏中必需氨基酸与有抗养殖差异不显著，但肝脏中是无抗养殖略高。
2）污染物排放与能源消耗呈线性相关.故而该指标只需选取排放或能耗其中之一即可［13］.
3）“工程造价”指标的量化值在生命周期年度的各季度呈均匀分布［22］.
4）基准交通量折算系数，在此参照文献［23］中确定的交通调查基本准则进行车型系数的折算，小客车为0.5，小型、中型载货汽车与大型客车的折算系数为1.0，大型载货拖挂车为1.5.
5）计算设置有HOV 车道路段的交通量时，HOV车道中的交通量按基准交通量的2.5倍计算，非HOV车道中行驶交通量按基准交通量的1倍计算［24］.
6）计算未设置HOV 车道路段的交通量时，行驶交通量统一按基准交通量的1.5 倍计算［24］.
7）依照美国交通运输委员会发布的美国高速公路平均使用年限，本文考虑的高速公路运营寿命按照20 年计算［25］.
8）折算的死亡人数的换算系数为：轻伤/人折算系数以0.25 为基准进行计算，重伤/人折算系数以0.5 为基准进行计算［16］.
3.3 评价指标数据收集与处理
各区域日常维护成本、相关造价和各区域经济效益等，均参照WSDOT 的公示信息和数据，在“WSDOT Project”版块中，可以申请获取相关指标直接或间接的信息，该入口界面如图2 所示.
图2 WSDOT 交通项目信息查询系统界面Fig.2 Information system of WSDOT transportation construction projects
式中：ˉˉCn为第n个区域路段的季度均摊工程造价平均值；
Cn为第n个区域路段工程造价总金额；
Yn为对应高速公路区域预期的全生命周期使用年限.
各研究区域每年分季度的日常维护费为
式中：Wns表示第n个研究区域在季度s时的日常支出；
Wny表示该区域于第y月日常费用支出.
各待评区域路段于各季度的经济效益为
式中：Ins为第n个待研究高速公路路段于季度s的日常经济效益；
Iny为该待研究路段于第y月的日常经济效益.
各待评单元通行平均速度、季度交通量以及节能减排贡献，均可通过UWDriveNet 交通信息平台直接获取或间接计算得到.其中“HCM Analysis”版块可得通行平均速度与交通量，“Map&Data”模块中“Emission Map”功能内置了相关测算模型，排放相关数据信息可通过该功能间接获得.
各待评价区域的分季度交通量为
式中：Tns为在m季度中第n个研究路段的总折算交通量；
FHp为车型p行驶于HOV 车道的交通量，Fp为车型p行驶于非HOV 车道的交通量，cp为车p的标准车折算系数.
计算得到对应高速公路区域的节能减排效应为
式中：Sns为在季度s时待评路段n总的节能减排折算碳排放量；
ep为车型p的碳排放系数；
STp为对应区域路段建成后，转移流量节能减排效应对冲的折算排碳排放量；
FTp为其建成前车型i绕行产生的多余能耗.
结合式（28）～式（30），最终计算出各待评价高速公路区域分季度的折算交通量结果见表1.
表1 季度划分视角下2016 年各待评高速公路折算交通量Tab.1 Converted traffic volume of each freeway section to be evaluated by quarter in 2016万辆折算标准车/pcu
为了更加清晰地展示各待评高速公路区域中分季度的折算交通量，对表1进行可视化展示如图3所示.
图3 各待评区域于不同季度的折算交通量Fig.3 Quarterly converted traffic volume of each freeway section
关于人员伤亡和财产损失情况，通过获取的2016 年交通事故基础数据，基于假设条件7）计算整理可得表2、表3.图4 给出了分季度折算交通事故人员伤亡和折算财产损失的可视化统计结果.
表2 2016 年度各待评高速公路区域折算交通事故财产损失Tab.2 Converted traffic crash property loss of each freeway section to be evaluated in 2016 万美元
表3 2016 年度各待评高速公路区域折算交通事故死亡人数Tab.3 Converted traffic crash deaths of each freeway section to be evaluated in 2016 人
通过图4 可知，N3的交通事故折算死亡人数和折算财产损失均为最低，N1的交通事故折算死亡人数与折算财产损失均为最高，两个指标绝对值的高低与两个路段所承担的功能、交通量以及区域交通组织方式有很大关系；
N2和N3的年度折算交通事故死亡人数基本相当，N2交通事故造成的财产损失却较N3的高出1 倍 左 右；
N4和N5的2016 年度交通事故折算死亡人数和交通事故财产损失处于相同水平，都仅占N1的1/2 左右.
3.4 数值评价矩阵的建立
基于如上的计算分析结果，建立全年度整体视角和季节划分视角的指标数值矩阵见表4 和表5.
表4 2016 年的年度评价数值矩阵Tab.4 Evaluation matrix in 2016
表5 考虑季度差异的数值评价矩阵Tab.5 Numerical evaluation matrix with the consideration of quarterly differences
在构建考虑季度差异的指标矩阵时，将年度以Q1、Q2、Q3、Q44 季 度 进 行 划 分，基 于 评 价 矩 阵 中C1～C8的8 个 评 价 指 标 和N1～N5等5 个 区 域 在Q1～Q44 个季度中的表现作为该部分的待评价单元，因此，共有5×4=20 个待评价单元，记为Nij，其中i∈［1，5］，j∈［1，4］.
4.1 年度视角下指标的赋权计算
年度视角下计算指标C1～C8的权重值，以期确定从全年角度研究时各指标重要度的分布情况：通过式（1）～式（3）对表4 进行矩阵标准化，进而引入熵值函数，应用式（4）～式（10）计算标准化后的矩阵，可得各指标的信息熵值ej，应用式（11）计算出各指标的信息效用价值hj，将hj代入权重函数中，通过式（12）可得最终各指标的权重，图5 给出了年度视角下的指标权重赋权结果.
图5 年度视角下的评价指标权重计算结果Fig.5 Calculation results of evaluation index weight in annual perspective
由图5 可知，年度视角的高速公路交通安全评价中，事故造成的人员伤亡人数C7的权重值为0.58，在众多指标中为最高，这说明人员的伤亡情况是决定高速公路交通安全的最重要因素；
重要度次高的指标是事故造成的财产损失C6，这就提出了相应要求：应着重针对这两项指标，来采取相应的交通安全管理控制和事故预防措施.而节能减排效果C3、通行交通量C4、通行平均速率C5和经济效益C8，几个指标的权重值均不足0.001，处于最低，说明这4 项指标在进行年度交通安全水平评价中，无需重点考虑.同样，交通量与通行效率的权重值也处于较低水平，可能的解释是：在本文算例中，这两项指标的量化值在5 个区域中的分布差异不大，即其信息的效用处于低位，根据信息熵原理，当信息熵权重模型针对某些指标，在待评单元中的数值分布未见大的波动情况下，造成的结算得到的权重处于较低水平属正常现象，这并非说明这些指标对交通安全水平不重要，而是在该算例中，该指标的信息效用处于较低水平.此外，在不同区域的高速公路中，对交通安全水平存在影响的宏观指标的重要度，也存在显著的差异.
4.2 季节划分视角下的评价指标权重计算
以单季节作为独立待评价矩阵，可得共4 组数值矩阵，设其为矩阵Q1、Q2、Q3、Q4；
将通过式（1）～式（3）对4 个数值矩阵进行标准化得到的标准化矩阵，代入到熵值函数中，并以式（4）～式（10）对标准化后的矩阵进行计算，可得各指标信息熵值eQ1、eQ2、eQ3、eQ4，以式（11）计算各指标信息效用价值hQ1、hQ2、hQ3、hQ4，并将信息熵值代入到权重函数，通过式（12）可得各季度中各指标的权重分布，结果见图6.
图6 季度差异视角下的评价指标权重计算结果Fig.6 Calculation results of evaluation index weight with the consideration of quarterly differences
通过图6 可知，在4 个季度中，排名前2 重要度的指标均为C6和C7，其中事故造成的人员伤亡C7在Q2、Q3、Q4的3 个季度中，权重值均处于最高，在春季Q1，权重值最高的指标为C6；
除C6和C7外，4 个季节中的权重都大于0.01 的指标包括C1和C2，C1与C2在Q1～Q4的权重值分别为：0.117 7 与0.184 1、0.112 3与0.087 2、0.080 1 与0.059 8、0.050 0 与0.026 7.指标C3、C4、C5、C8在所有季节的权重均低于0.015，说明该4 项指标在年度视角下和季节划分视角下，重要度都处于较低水平，但在不同季节，其权重排序存在一定差异性：春季Q1中的最低重要度指标是C3，值为0.007 1；
夏季Q2中的最低重要度指标是C4，值为0.005 1；
秋季Q3中的最低重要度指标是C4，值为0.004 8；
冬季Q4中的最低重要度指标是C4，值为0.003 0.对高速公路实施综合交通安全管理工作时，可基于本文得到的评价指标权重分布时空差异性，采取一定的针对性措施：对交通安全评价结果影响较大的指标，应予以特别重视；
与此同时，在不同的季节时间范畴内，针对不同的高速公路，应采取差异性的安全提升措施方案.
上述权重指标计算结果表明，面向同一区域高速公路，各指标的重要程度在不同时间的分布存在显著差异的同时，在不同区域类型高速公路，宏观交通安全指标对综合交通安全评价工作的重要度更是各不相同.因此，进行高速公路交通安全水平评价时，有必要对高速公路从区域类型和时间季节等维度进行差异性划分，以期能够获得更为准确、客观、科学的评价结果.
4.3 年度视角下的多区域高速公路交通安全评价
在此分别采用传统密切值模型和改进的密切值模型，对各区域类型高速公路进行交通安全评价.
1）评价结果.
应用传统密切值模型进行高速公路交通安全评价的计算过程与结果为：首先，面向原始矩阵划分出正向和负向评价指标，其中，C3、C4、C5、C8设置为正向评价指标，C1、C2、C6、C7设置为负向评价指标，可得数值矩阵S1，基于式（14）对S1进行规范化处理，得规范化矩阵R1，应用式（17）～式（20），对最优评价点和最劣评价点进行选取，得到最优点集合为G1，最劣点集合为B1；
然后，依照上述过程得到的结果，应用传统密切值评价方法计算最优和最劣评价点的欧氏距离（密切系数）.最后，应用式（23）～式（24）进行计算，可得各待评单元的密切值.表6 给出了基于传统密切值法建模得到的各待评区域密切系数、最优最劣点欧式距离、各待评单元最终的密切值及其各区域类型高速公路综合交通安全水平的评价结果排序.
表6 传统密切值评价模型的年度视角评价结果Tab.6 Annual evaluation results with the conventional osculating value model
采用基于信息熵改进密切值模型的评价过程和结果为：在原始矩阵中划分正向评价指标和负向评价指标，其中，C3、C4、C5、C8设置为正向指标，C1、C2、C6、C7设 置 为负 向 指 标，进而 可 得 数值 化 矩 阵S2，通过式（15）对S2实施规范化，可得规范化矩阵R2，应用式（17）～式（20），选取最优点和最劣点，最优点集合为G2，最劣点集合B2；
然后，依照上述过程得到的结果，基于式（21）～式（22）对最优点和最劣点的欧氏距离（即密切系数）进行计算；
最后，应用式（23）～式（24）计算可得各待评价单元的密切值.表7 给出了基于改进密切值模型评价得到的各待评单元的密切系数、欧式距离、各待评单元密切值及其各区域类型高速公路综合交通安全水平的评价结果排序.
表7 熵权改进密切值模型年度视角的评价结果Tab.7 Annual evaluation results with information entropy weight improved osculating value model
2）结果分析与讨论.
根据表6 和表7 中的年度视角评价结果对比表明，传统密切值法模型和改进的密切值法模型的计算结果存在较大的差异.在年度视角下评价结果中，传统密切值评价模型计算结果显示，基本路段（含HOV）的交通安全水平最差、潮汐快速通道N5的综合交通安全水平最好；
而熵权改进密切值模型的评价结果显示，潮汐快速通道N5交通安全水平最差、基本路段（含HOV）的交通安全水平最好，这与传统密切值评价模型计算得到的结果相反.
将5 个待评高速公路路段的评价结果进行对比，可以发现不论是交通安全水平的评价排序，或各待评单元的具体密切值，都具有很大差异；
传统密切值法并未考虑各指标在评价过程中重要度的差异性，未进行指标赋权优化工作，指标的等权重处理方式势必会令评价结果产生误差.
表3的数据显示，在所有待评单元中，基本路段（含HOV）年度的折算交通事故死亡人数和财产损失，都处于最高的水平，但通过改进密切值评价模型计算显示该路段综合交通安全水平为最优.这也表明，进行综合交通安全水平评价时，不应仅仅考虑事故后果相关的维度指标，而应综合更多维度的指标进行评价.
4.4 季节视角下多区域高速公路交通安全评价
基于表4 的2016 年全年度的数值评价矩阵，应用改进密切值评价模型，可以得到5 个不同区域类型高速公路在4 个不同季节中的综合交通安全水平评价结果，如图7 所示.
由图7 可知，在4 个季度的综合交通安全水平评价中，基本路段（含HOV）N1的排序结果都是最优，考虑年度视角的评价结果，可确定基本路段（含HOV）N1的综合交通安全水平在所有待评单元中处于最优.潮汐快速通道N3除在Q1季度排序是第4，在其他3 个季度中的结果均显示为最差.此外，在Q1季度显示，最差是基本路段（无HOV）N2，且该路段区域在第一季度之外的另外3 个季度排序均是第4，这表明在4 个季度的评价中，基本路段（无HOV）N2与潮汐快速通道N3都处于较为劣势的地位，其交通安全水平相较于其他3 个待评价区域都是较低的，这2 个区域应被着重考虑相应的安全提升工作.除在Q2和Q4两个季度中，N1～N5的评价排序完全相同外，各待评单元在另外2 个季度的评价结果排序均有所不同；
而Q2和Q4中，即使具备相同排序的待评单元，其密切值的相应数值也各不相同.通过以上综合交通安全评价结果可以看出，综合交通安全水平在不同区域路段高速公路中的分布量化情况是存在显著差异的，同时季度还会对安全水平的高低产生一定影响；
而年度视角下各待评单元的相对表现与考虑季度划分时得到的评价结果也大有不同.因此进行此类研究时，同时考虑区域类型和季节时间的差异是十分必要的.
图7 季度划分视角下各区域高速公路综合交通安全水平评价结果Fig.7 Quarterly comprehensive traffic safety assessment results of each freeway section
4.5 全样本高速公路交通安全评价
1）全样本无差别的高速公路综合交通安全水平评价.
对5 个待评高速公路区域，在4 个季度中的综合交通安全水平进行全样本无差别的评价，共5×4=20 个待评单元.基于表5 的考虑季度差异的数值评价矩阵，采用传统密切值模型与改进密切值模型，分别计算欧氏距离与密切系数，可得各待评单元的密切值见图8.
图8 传统密切值模型与改进密切值模型评价结果对比Fig.8 Comparison of assessment results between the conventional and improved osculating value model
2）结果分析与讨论.
全样本的评价结果显示，传统密切值法与改进密切值法计算所得的评价结果表现出较大差异，各待评单元密切值量化值以及优劣排序都各不相同.
传统密切值模型的评价结果显示，最劣单元是N31，最优单元是N12；
在改进密切值模型的评价结果中，最劣评价单元是N34，最优评价单元同传统密切值法结果相同，为N12.通过对雷达图的观察，可看出其总体形态趋势相近，但个别方位的待评单元位置存有差异，且各单元间密切值取值的比例也各不相同.这表明，同区位待评单元的评价结果，在两个模型中的优劣程度存在一定差别；
改进密切值模型的评价结果与传统密切值模型也存在差异.
图9给出了评价结果的季节聚类可视化情况.由图9可知，两种方法计算得到的密切值分布走势几近相同，未见各季节间有显著差异，可直观反映出季节因素在本文算例中并非是影响交通安全评价结果的主要因素.
图9 评价结果的季度聚类示意Fig.9 Quarterly clustering of the evaluation results
将3.2 节利用改进熵权密切值模型计算得到的结果以区域类型进行聚类可视化显示得到图10.由图10 可知，当待评价高速公路区域作为聚类依据时，在两个模型计算结果中的聚类后雷达图趋势中，均可发现明显不同：通过观察图10 中各待评单元距离原点的聚集程度，传统密切值法的评价结果显示，基本路段（含HOV）和隧道区域的综合交通安全水平，明显高于普通主路（无HOV）和潮汐快速通道区域；
改进密切值法的评价结果显示，基本路段（含HOV）和桥梁区域的综合交通安全水平，明显高于基本路段（无HOV）和潮汐快速通道区域.
图10 评价结果的路段类型聚类示意Fig.10 Regional type clustering of the evaluation results
根据4.2 和4.3 节的计算结果可知：
1）采用信息熵权重理论对传统密切值模型实施改进可有效避免各评价指标在评价过程中被等权重处理的情况发生，其计算所得结果与传统密切值模型存在明显差异.
2）针对本文选取的算例，基本路段（含HOV）、桥梁区域高速公路、隧道区域高速公路的综合交通安全水平相对较好，基本路段（无HOV）和高速公路潮汐快速通道区域的综合交通安全水平相对较差；
可以看出各区域类型高速公路的综合交通安全水平评价结果差异较大.
3）针对选取的算例进行交通安全水平评价时，季节因素并非是主要影响条件，在此类研究中，应重点考虑高速公路的区域类型差异.
1）改进密切值法和传统密切值法的评价结果存在明显差异；
传统模型未考量各指标的重要程度，为避免误差，有必要对传统模型进行权重优化改进.
2）选取的5 个不同区域类型高速公路的综合交通安全水平，在年度视角下和按季度划分视角下的评价结果都各有不同，因此在进行综合交通安全水平评价时，应充分考虑空间和时间层面的差异性.
3）基于年度视角，重要度最高的3 个指标为：事故造成的人员伤亡、事故造成的财产损失和工程造价.基于在季度差异视角下，事故造成的人员伤亡和财产损失于4 个季度中均为重要度最高的2 项指标；
在交通安全提升工作中，全年的4 个季度中都应重点考虑该2 项指标.
4）在高速公路综合交通安全水平评价中，季节并非主要影响条件因素，但各待评区域的选择对最终结果影响较为明显.实例分析显示，基本路段（含HOV）、桥梁区域、隧道区域的评价结果，总体上优于基本路段（无HOV）和潮汐快速通道区域的评价结果.
5）总体上看：单纯的财产损失绝对值或事故频率等事故后果维度的指标，无法全面地反映高速公路的综合交通安全水平，多维度指标的综合评价体系将是解决此类问题时更为科学的思路；
此外，评价指标在不同季节中显示出的权重量化值差异化分布情况，提示在进行高速公路安全提升工作时，在不同季节中需对各因素采取差异化的重视程度.
6）评价结果会随待评高速公路的选取以及时空维度划分方式的不同而有所不同；
基于所构建的评价体系，可实现对算例中的美国高速公路乃至我国高速公路的综合交通安全水平进行定量研判；
但受限于我国现阶段相关领域的信息开源程度低、数据可达性差等问题，无法精确获得所有指标的量化值，但我国的智慧高速公路技术发展迅猛，未来当所构建矩阵中的指标数据具备可达性时，本研究所提出的思路和方法，可作为在充分考虑时空维度因素的前提下，面向不同区域类型高速公路的综合交通安全水平评价研究时的一种行之有效的手段.
