彭志鹏, 潘恒彦, 王永岗
长安大学 运输工程学院，陕西 西安 710064
收稿日期：2021-11-25
基金项目：国家社会科学基金资助项目(19BGL239)。
作者简介：彭志鹏(1991-)，男，湖北武汉人，长安大学博士研究生;
王永岗(1977-)，男，山东青州人，长安大学教授，博士生导师。

摘要：为了缓解网约车交通事故，以网约车驾驶员为研究对象，探究网约车交通事故致因机理.通过调查问卷收集了2 458名网约车驾驶员个体属性、工作强度、工作压力、不良驾驶行为和交通事故经历的相关信息.对数据进行分类处理后，通过贝叶斯网络建立网约车事故频率预测模型.基于十折交叉验证法，使用混淆矩阵与接收者操作特征曲线校验模型精度.结果表明，模型预测能力较好，模型分析了11种与事故频率直接相关的影响因素，识别了16类导致高频率事故发生概率增加的不利状态，且发现多种不利状态组合对事故频率产生的非线性扩增效应和叠加效应.研究结论有助于管理部门制定相应预防对策以减少网约车交通事故频率.
关键词：交通安全网约车事故贝叶斯网络交互作用事故致因机理
Analyzing the Causes of Traffic Accidents of Online Ride-Hailing Cars Using the Bayesian Network
PENG Zhi-peng, PAN Heng-yan, WANG Yong-gang
College of Transportation Engineering, Chang'an University, Xi'an 710064, China
Corresponding author: PENG Zhi-peng, E-mail: pengzhipengcdlw@163.com.

Abstract: To mitigate the traffic accidents of online ride-hailing cars, the accident causes were studied by taking the ride-hailing drivers as the research object. A self-reported questionnaire survey was conducted to collect information about self characteristics, work intensity, work stress, risky driving behaviors, and accident history for 2 458 ride-hailing drivers. After sorting of data, the Bayesian network method was used to establish the prediction model of accident frequency. The accuracy of the model was calibrated using the confusion matrix and receiver operating characteristic curve based on the ten-fold cross-validation. The results show that the model has a good prediction ability. The model found 11 influencing factors directly related to accident frequency and identified 16 categories of unfavorable states leading to an increased probability of high-frequency accidents. Also, nonlinear amplification and superposition effects of the combination of multiple unfavorable states on accident frequency were confirmed. The conclusions of the study help the management department to make prevention countermeasures to reduce the accident frequency of online ride-hailing cars.
Key words: traffic safetyonline ride-hailing car accidentsBayesian network (BN)interactionsaccident causal mechanism
网约车凭借服务良好、价格低廉、等待时间短等优势，已成为人们青睐的出行方式.截至2020年底，网约车已覆盖我国400多个城市，用户规模超过3亿人次，日均订单量达到2 100万单^[1].然而，网约车的快速发展也带来了一定的交通安全问题.2017年，深圳市交警通报网约车相关交通事故达到3 879起，网约车事故率高达7.15%^[2].类似情况亦在上海、广州、南京等多个城市发生.目前，我国已发放网约车驾驶证250余万张，面对这一数量庞大的职业群体，亟需掌握其交通事故致因机理，以便提出针对性预防措施.
鉴于网约车的迅速扩张，一些****研究了网约车引入城市后对交通事故数量的影响，但得到的结论不一^[3-4].Kirk等^[5]认为，造成这个现象的原因可能是不同城市对网约车的管理策略存在差异.网约车是一种新的交通出行方式，管理其交通安全问题时需要考虑行业特点.一方面，网约车的经营模式与传统运输服务业不同，主要依靠手机平台联系驾驶员和乘客；另一方面，很多兼职工作者加入网约车行业，而这些驾驶员原本不会经常参与运输.因此，许多研究者认为聚焦于驾驶员进行网约车事故治理研究可取得较好的成效^[6].
目前，国外已有一些****开展了以网约车驾驶员为核心的交通安全研究.考虑到网约车驾驶员需要使用手机接收订单，这可能会成为潜在的交通事故风险，Truong等^[6]对比了出租车和网约车驾驶员的手机使用情况，发现后者手机使用频率和事故频率均高于前者.Rayle等^[7]发现网约车驾驶员普遍工作强度大，尤其是兼职驾驶员，易引发不良驾驶行为，安全隐患显著.美国睡眠学会的研究^[8]表明，较大比例的网约车驾驶员长期处于疲劳状态，且存在睡眠问题，发生交通事故的风险较高.Mao等^[9]指出部分兼职驾驶员为了尽可能在短时间内增加收入，倾向于在上下班高峰期出行揽客，这会导致严重的交通拥堵并增加引发交通事故的概率.Christie等^[10]调查发现，疲劳、经济压力等因素会显著影响网约车驾驶员的超速行为，约75%的被调查驾驶员在开网约车时有过事故经历；Nguyen-Phuoc等^[11]指出手机使用、闯红灯、超速等不良驾驶行为是导致网约车交通事故的主要原因，其后续研究中还报道吸烟和饮酒行为与网约车交通事故存在显著关联^[12].
在上述研究中，针对网约车交通安全的研究方法集中于通过问卷获取数据后使用广义线性模型建模分析.然而，这些模型的建立受到假设条件限制(如平行线假设、多重共线性假设等)，且忽略了变量间的交互作用^[13].贝叶斯网络作为一种没有假设条件约束的机器学习算法，不仅能够对研究目标进行预测与概率推断，还可以识别输入变量的相关关系和交互作用，已在近期的交通安全研究中大量应用^[14-16].
目前，我国网约车发展时间较短，相关研究集中于发展政策等方面^[17]，缺乏对网约车交通安全问题的研究，故本研究通过调查问卷收集网约车驾驶员个体属性、工作强度、工作压力、不良驾驶行为和交通事故经历的相关数据，考虑风险因素间的交互作用，运用贝叶斯网络建立网约车事故预测模型，以期识别各因素对事故频率的影响，为制定网约车交通事故预防政策提供理论依据.
1 数据获取与处理1.1 数据获取问卷通过网络平台发布，研究团队与问卷星公司达成合作，由该公司负责将问卷随机发放至国内完成注册的网约车驾驶员，以确保数据来源的多样性.首先，网约车驾驶员会在微信群中收到问卷链接，驾驶员可自愿选择是否参与调查；其次，开始填写问卷前，参与者会收到电子版同意书，内容包括调查目的、参与者权力以及隐私保护申明，并告知参与者调查结果仅用于学术研究；此外，为确保参与者是网约车驾驶员，设置3道预答问题，内容包括职业调查和网约车常识，全部答对的参与者方可进入正式问卷.所有网约车驾驶员均匿名参与调查，问卷填写最短时长为15 min，完成后会获得12元补偿.调查时间为2020年10月10日至11月13日及2021年4月12日至5月16日，每个采集周期内按多个时间段分批获取数据，以确保数据的时间稳定性.最终课题组共收集2 656份初始问卷，移除198份填写不全、答题时间过短(小于10 min)、答案选项相同或呈规律性(如按顺序选择1，2，3，4…)等问题问卷后，得到2 458份有效问卷作为研究样本，问卷有效率为92.5%.
本研究在课题组出租车事故研究的基础上进行^[18]，结合网约车驾驶员实际情况改进了文献[11-12]的问卷.问卷设置24个问题，个体属性方面，调查了驾驶员性别(GEND)、年龄(AGE)、受教育程度(EDU)和工作情况(STAT)；工作压力方面，调查了驾驶员的日均收入(ICOM)、平台提成比例(MFEE)和收入满意度(DCOM)；工作强度方面，调查了驾驶员日均工作时间(HOUD)、连续驾驶时间(CDRV)、工作疲劳程度(FATI)和睡眠问题(SLEE)；驾驶行为方面，调查了包括超速(SPEE)、闯红灯(REDL)、鸣笛催促(HONK)、违章停车(PARK)、强行合流(MERG)、频繁加速/减速(AGGR)、危险超车(OVTA)、转弯忘打转向灯(LAMP)以及单手开车(HAND)共九类常见不良驾驶行为.同时，鉴于网约车驾驶员对手机的依赖性，设置了驾驶时使用手机的相关问题，包括接听电话(PCON)、手机导航(PNAV)和浏览信息(PHON).以上4个方面中，疲劳程度、睡眠问题及12类驾驶行为使用五分李克特量表衡量.最后，调查了过去两年内驾驶员开网约车时引发的交通事故次数(PDO).
1.2 数据处理为了拟合贝叶斯网络模型，需对原始数据进行一定的处理^[19].首先，进行变量降维，假设违法行为包括闯红灯、超速和违章停车，激进行为包括鸣笛催促、危险超车、频繁加速/减速，错误行为包括转弯忘打转向灯、单手开车和强行合流，手机使用包括手机导航、接听电话和浏览信息；然后，通过验证性因子分析(confirmatory factor analysis, CFA)判断降维的合理性，结果如表 1所示.
表 1(Table 1)

表 1 行为变量验证性因子分析Table 1 CFA for behavioral variables 因子 变量 系数 标准差 T值 P值 克朗巴哈系数 PARK 1 — — — 违法行为(Violation) SPEE 0.73 0.050 14.60 < 0.001 0.61 REDL 0.91 0.048 18.96 < 0.001 HONK 1 — — — 激进行为(Aggressive) OVTA 0.92 0.062 14.84 < 0.001 0.64 AGGR 0.85 0.055 14.42 < 0.001 HAND 1 — — — 错误行为(Error) LAMP 0.54 0.048 11.25 < 0.001 0.65 MERG 0.57 0.033 17.28 < 0.001 PCON 1 — — — 手机使用(Phone_use) PNAV 0.58 0.050 11.60 < 0.001 0.72 PHON 0.89 0.071 12.53 < 0.001

表 1 行为变量验证性因子分析 Table 1 CFA for behavioral variables

结果表明，CFA模型(CFI=0.93, NFI=0.92, TLI=0.90, RMSE=0.61)各项拟合精度指标满足要求^[20]，所有变量的系数均大于0.5，4个因子的克朗巴哈系数均大于0.6，说明各因子内部一致性良好^[21]，可将12种行为变量降维成四因子.
为避免模型过于复杂而难以计算条件概率，应尽可能在保留变量有序性的同时简化变量类别^[19].例如，调查的网约车驾驶员年龄分布在20~60岁之间，可将年龄划分为“20~30岁”、“31~50岁”和“50岁以上”三类；五分李克特量表衡量的数据可转化为三分^[22]，如将“从未”和“很少”合并为“很少”，将“经常”和“总是”合并为“经常”，中间值“有时”保持不变.处理后的数据如表 2所示.
表 2(Table 2)

表 2 研究变量描述性统计Table 2 Descriptive statistics of study variables 变量 类别描述 人数 占比/% 变量 类别描述 人数 占比/% GEND 男性 1 930 78.5 STAT 兼职 1 003 40.8 女性 528 21.5 全职 1 455 59.2 EDU 小学 24 1.0 AGE 20~30岁 687 28.0 初中 249 10.1 31~50岁 1 444 58.7 高中 574 23.4 50岁以上 327 13.3 高中以上 1 611 65.5 HOUD 小于4 h 785 31.9 CDRV 较短(2 h) 1 332 54.2 5~8 h 237 9.6 中等(2~4 h) 644 26.2 9~10 h 719 29.3 较长(>4 h) 482 19.6 10 h以上 717 29.2 MFEE 较低(< 10%) 1 541 62.7 ICOM 较低(< 200元) 949 38.6 中等(10%~20%) 692 28.2 中等(200~400元) 1 121 45.6 较高(>20%) 225 9.1 较高(>400元) 388 15.8 FATI 很少 1 086 44.2 DCOM Violation 不满意 709 28.9 有时 872 35.5 中立 1 237 50.3 经常 500 20.3 满意 512 20.8 Violation 很少 1 569 63.8 SLEE Error 很少 1 197 48.7 有时 539 21.9 有时 760 30.9 经常 350 14.3 经常 501 20.4 Aggressive 很少 1 502 61.1 Error 很少 1 574 64.0 有时 630 25.6 有时 581 23.6 经常 326 13.3 经常 303 12.4 Phone_use 很少 351 14.3 PDO 无事故 1 258 51.2 有时 1 001 40.7 1~2次 645 26.2 经常 1 106 45.0 2次以上 555 22.6

表 2 研究变量描述性统计 Table 2 Descriptive statistics of study variables

2 事故预测模型构建2.1 贝叶斯网络模型贝叶斯网络(Bayesian network, BN)是由节点、弧线及概率组成的有向无环图模型.节点由输入模型的变量表示，通过有向弧线连接并从父节点指向子节点，代表变量间的依赖关系.设变量集合V={X₁, X₂, …, X_n}，Parent(X_i)为变量X_i父节点的集合，则X_i的条件概率为

(1)

其中，节点由表 2中的16个变量表示，变量类别代表“节点状态”，不同节点状态间的关系用条件概率P(V)联系.通过调整变量某类别的概率更新对应节点的状态信息E，利用贝叶斯理论可推断其他节点的概率变化：

(2)

2.2 贝叶斯网络结构与参数学习本文使用PC(Peter-Clerk)算法学习网络结构，再通过最大期望(expectation maximization，EM)算法学习模型参数，得到各节点状态间的条件概率分布.PC算法是基于约束的网络结构学习算法，使用条件独立性检验确定研究变量间的独立性后推断贝叶斯网络结构^[15].确定贝叶斯网络结构后，EM算法可求解参数极大似然估计，得到各节点状态的条件概率.模型的测试集为网约车问卷数据，假设变量集合V，当前模型参数θ，所有变量的联合概率P(V, Z|θ)，条件概率P(Z, V|θ)，令Z为问卷未观测到的数据，取最大迭代次数n=1 000次，开始迭代EM算法.
E步：使用式(3)和式(4)计算联合分布的条件概率期望：

(3)

(4)

式中: Q_i(Z_i)为未知变量Z_i服从的某个分布，满足∑Z_iQ_i(Z_i)=1;P(Z_i|X_i, θ_n)为变量X_i在模型参数为θ_n时的条件概率；P(X_i, Z_i|θ)为变量X_i在当前模型参数θ下的联合概率；m为研究变量个数；L(θ，θ_n)为对数似然函数.
M步：极大化L(θ, θ_n)的值，计算得到θ_n+1,

(5)

若θ_n+1已收敛，则算法结束，输出模型参数θ=θ_n+1，否则回到E步继续迭代.
3 模型拟合与校验3.1 变量关系分析通过PC算法得到的网约车事故贝叶斯网络结构后，由图 1可知，与事故频率直接相关的因素有11个，分别为受教育程度、年龄、工作情况、日均工作时间、日均收入、平台提成比例、收入满意度、睡眠问题、工作疲劳程度、激进行为和违法行为.部分因素会间接影响事故频率，例如，驾驶员年龄可能影响连续驾驶时间长短，进而与激进行为或违法行为产生关联，最终导致驾驶员事故频率上升.该网络结构证明了事故影响因素间存在复杂的交互作用，且存在“个体属性→工作压力→工作强度→不良驾驶行为→事故频率”的事故链，大部分变量均可通过影响其他变量状态的方式间接影响事故频率.
图 1(Fig. 1)

图 1 事故模型初次预测结果Fig.1 The initial prediction results of the accident model

得到BN模型的网络结构后，运用EM算法完成参数学习，当L(θ, θ_k)=-25 762.1时模型拟合，对应初始预测结果如图 1所示.模型包含16个节点，节点内部由该节点各状态的概率分布组成，概率之和均为100%，目标节点为事故频率，三类事故频率初始概率分布分别为39.6%，31.1%和29.3%.
3.2 模型精度校验初步得到事故预测模型后，需检验其预测精度以保证后续分析的可靠性.表 3给出了经十折交叉验证后得到的分类混淆矩阵，可知模型对应验证集中无事故、引发1~2次事故以及引发2次以上事故三类事故频率的预测准确率分别为96.9%, 71.7%和75.5%，总体预测准确率达到86.5%，证明模型具备较好的分类预测能力.
表 3(Table 3)

表 3 验证集分类混淆矩阵结果Table 3 The results of the classification confusion matrix for the testing dataset 事故频率分类 预测 无事故 1~2次事故 2次以上事故 总计 实际 无事故 124 3 1 128 1~2次事故 15 38 0 53 2次以上事故 11 1 37 49 准确率/% 96.9 71.7 75.5 86.5

表 3 验证集分类混淆矩阵结果 Table 3 The results of the classification confusion matrix for the testing dataset

为进一步验证预测精度，运用接收者操作特征(receiver operating characteristic, ROC)曲线衡量模型总体预测能力.该曲线纵坐标代表真阳率(true positive rate, TPR)，横坐标代表假阳率(false positive rate, FPR)，曲线下方面积(area under curve, AUC)是判断模型分类正确率的重要指标，取值在0~1之间.AUC＞0.85代表模型预测能力很好，其值越接近1表示模型的预测能力越好^[23].所建模型利用验证集数据预测的三类不同频率事故ROC曲线如图 2所示，按事故频率从低到高对应AUC分别为0.96, 0.95和0.97，同样证明模型具备较好的分类预测能力.
图 2(Fig. 2)

图 2 验证集中不同频率事故的ROC曲线Fig.2 ROC curves for different frequency accidents based on the testing dataset (a)—无事故，AUC=0.96；(b)—1~2次事故，AUC=0.95；(c)—2次以上事故，AUC=0.97.

4 网约车事故致因机理分析4.1 不利状态识别确保模型预测精度后，将新信息输入到BN模型后可更新目标节点的概率分布，从而进行单因素和多因素敏感性分析.通常，输入新信息的方法为：保持其他变量状态不变，将模型中一个节点的某一状态发生概率更新至100%^[24].故在本研究得到的事故预测模型中，通过改变事故影响因素的状态来观测事故初始概率的变化，可定量得出各节点状态变化对不同频率事故发生概率的影响，为制定事故预防对策提供依据.
单因素敏感性分析每次选择一个事故影响因素并更新其一种状态的概率，以观测事故频率的概率分布变化情况.例如，变量“睡眠问题”有“很少”、“偶尔”和“经常”三个状态，将状态“经常”的概率从25.8%更新到100%后，事故频率的概率分布变为36.1%, 32.0%和31.9%，与初始概率分布相比(39.6%，31.1%和29.3%)，驾驶员无事故的概率下降3.5%，发生1~2次事故和2次以上事故的概率分别上升0.9%和2.6%.逐一更新各节点状态信息，得到单因素敏感性分析结果如表 4所示.
表 4(Table 4)

表 4 单因素敏感性分析统计结果Table 4 Statistical results of single-factor sensitivity analysis 变量 状态概率=100% 概率变化/% 无事故 1~2次事故 2次以上事故 平台提成 较高 -6.97 -0.29 7.25 工作时间 5~8 h -4.92 0.32 4.60 日均收入 较高 -3.32 -0.96 4.28 教育程度 小学 -5.76 1.32 4.44 违法行为 经常 -3.97 -0.26 4.23 激进行为 经常 -4.28 0.14 4.14 教育程度 初中 -5.11 1.67 3.44 年龄 50岁以上 -3.93 0.72 3.21 手机使用 经常 -3.44 0.42 3.02 连续驾驶 较长 -3.17 0.23 2.93 睡眠问题 经常 -3.46 0.89 2.57 激进行为 有时 -3.78 1.40 2.38 疲劳程度 经常 -2.12 -0.06 2.18 违法行为 有时 -3.80 1.67 2.13 疲劳程度 有时 -3.16 1.08 2.08 平台提成 中等 -1.26 -0.80 2.06 注：移除了引发概率变化小于2%的状态.

表 4 单因素敏感性分析统计结果 Table 4 Statistical results of single-factor sensitivity analysis

由表 4可知，共有16种不利状态会导致网约车驾驶员引发2次以上事故的概率显著增加.以往研究确定了职业驾驶员日均收入及工作时长与事故频率间的正相关关系^{[11, 18]}，但本研究发现较高的平台提成、工作5~8 h及追求较高收入是导致网约车驾驶员多次引发事故三大主要原因.这些结果证明了网约车驾驶员区别于其他职业驾驶员的工作特点.一方面，若网约车驾驶员经济负担较重，他们会采取“多拉快跑”的方式赚取更多报酬，这无疑会增加其引发事故的概率；另一方面，网约车群体中存在大量兼职驾驶员，尽管他们的驾驶时间相对较短，考虑其本职工作，这类驾驶员实际承受了本职工作和兼职驾驶共同产生的疲劳，因而存在较大的交通安全隐患.
此外，本研究还发现个体属性变量如教育程度较低(小学和初中)、年龄大于50岁，工作强度变量如连续驾驶时间较长、经常遭遇睡眠问题、常感到疲劳，以及驾驶行为变量如经常进行违法、激进行为、使用手机等因素均会导致网约车驾驶员多次引发事故的概率显著增加，这些结果与Newnam等和Vahedi等的研究结论一致^[25-26]，但性别、工作情况、收入满意度及错误行为对网约车事故频率的影响不大.
4.2 事故致因机理单因素敏感性分析识别了导致驾驶员引发多次事故的不利状态，结合BN模型的网络结构可知，网约车事故频率还可能受多种因素的共同影响，故还应使用多因素敏感性分析深入探究驾驶员引发事故的致因机理，找出潜在事故隐患最大的驾驶员群体.进行多因素敏感性分析的方法是同时更新多个因素的状态信息并观察目标变量的改变情况.例如，将“平台提成较高”、“连续驾驶时间较长”以及“经常感到疲劳”的状态概率同时调至100%，此时事故频率的概率分布由初始分布变为27.7%, 26.0%和46.3%，表明驾驶员无事故和发生1~2次事故的概率分别下降11.9%和5.1%，同时2次以上事故发生的概率上升17.0%.类似地，以BN模型网络结构为基准，结合“个体属性→工作压力→工作强度→不良驾驶行为→事故频率”事故链，求得各类因素的不利状态组合对2次以上事故发生概率的影响结果，如图 3(仅展示了引发概率变化较大的组合)所示.
图 3(Fig. 3)

图 3 多因素影响下事故频率概率分布变化情况Fig.3 Changes in the probability distribution of accident frequency under the influence of multiple factors 注：图中表格最后三行表示不同数量因素的不利状态组合后，“无事故”、“1~2次事故”及“2次以上事故”的概率分布情况(%)，其中每一列的“1”表示选中该状态；折线图表示2次以上事故的概率增加情况.

多因素敏感性分析的结果更加深入地揭示了网约车事故的致因机理.首先，多因素组合引发的事故概率往往大于组合内各单因素引发事故概率之和，表明这些不利状态组合对事故频率产生了非线性扩增效应.以往研究也通过结构方程等方法识别了多因素与事故的关系^[17]，但线性模型的限制使得这些研究难以准确量化各因素组合对事故的影响程度.鉴于网约车驾驶员经常处于多种不利状态条件下工作，相较其他驾驶员，这类驾驶员事故风险往往更高^[12]，利用本研究的成果能够识别对网约车事故造成非线性扩增效应的因素，以便后续施政控制，从而有效缓解事故频率.
其次，部分不利状态的叠加会导致事故发生概率显著提升，尤其是驾驶员疲劳与睡眠问题的相关因素.以往研究证明了驾驶疲劳对驾驶表现的影响，如决策能力变差、反应迟钝、精神恍惚、操作迟误等，而睡眠问题亦被认为与注意力不集中和警觉性降低密切相关^{[6, 18]}，二者均与交通事故存在显著关联.本研究在此基础上进一步探究了网约车驾驶员产生疲劳或睡眠问题的原因，以及两类因素可能引发的严重后果，例如，较高的平台提成或追求更高收入会促使网约车驾驶员倾向于连续驾驶或延长工作时间，进而造成驾驶员处于疲劳状态并引发严重睡眠问题，最终导致事故频率显著上升.同时，驾驶疲劳及睡眠问题带来的负面影响会导致驾驶员更加频繁地发生违法行为或激进行为，若此时驾驶员年龄偏大，则其所受影响往往更加严重，事故概率还会进一步提升.这些结果提示相关管理部门制定事故治理政策时应注意切断事故影响因素间的相互联系，如因连续驾驶引发过度疲劳或因提成过高及延长工时导致睡眠问题愈发严重等，可显著增强事故治理效果.
最后，多因素敏感性分析的结果还揭示了部分因素组合间产生较强交互作用的规律.在三因素至六因素组合中，平台提成过高、年龄大于50岁及违法行为频繁的相关组合所引发的事故概率均较高；同时，追求较高收入也会促成多因素组合造成更高事故概率，这可能与网约车驾驶员频繁通过超速、违规停车等行为节约行车时间，或者经常使用手机获得更多订单有关^[11]，说明网约车行业中较大的工作压力和工作强度是导致频繁不良驾驶行为的主要原因，已严重影响到业内驾驶员的交通安全表现.此外，研究还发现并非所有因素均能与其他因素产生较强交互作用，例如，教育程度较低的驾驶员虽存在一定安全隐患，但并不意味着这类驾驶员的工作强度较大或会频繁触发不良驾驶行为，该因素与其他因素的交互作用没有引起事故概率的大幅变化.
5 结语本研究通过问卷调查收集了网约车驾驶员个体属性、工作强度、工作压力、不良驾驶行为和交通事故经历的相关信息，使用PC算法和EM算法完成了BN模型的结构与参数学习，建立了预测能力较好的网约车事故频率预测模型.随后，结合预测模型的网络结构判定了11种与事故频率直接相关的因素，并推断出部分变量与事故频率间的间接影响关系，证实了输入变量间复杂的相关关系与交互作用.通过单因素敏感性识别出16种可能引发高频率事故的不利状态，以此为基础利用多因素敏感性分析研究了导致多次事故发生概率大幅增加的不利状态组合，确认了这些组合的非线性扩增效应及叠加效应，深入研究了网约车事故的致因机理.相关结果提示管理部门制定网约车事故预防政策不仅要考虑单个因素可能造成的影响，还要从切断多种因素相互联系的角度出发，进而获得更好的事故治理效果.
参考文献

[1]	中国互联网络信息中心. 第48次中国互联网络发展状况统计报告[EB/OL]. (2021-09-15)[2021-11-20]. http://www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/202109/P020210915523670981527.pdf. (China Internet Network Information Center. The 48 th statistical report on the development of the Internet in China[EB/OL]. (2021-09-15)[2021-11-20]. http://www.cnnic.cn/hlwfzyj/hlwtjbg/hlwtjbg/202109/P020210915523670981527.pdf. )
[2]	Shi J, Hussain M, Peng D D. Aberrant driving behaviours among ride-hailing drivers: direct and indirect effects of personal attributes and work-condition factors[J]. International Journal of Crashworthiness, 2020, 27(3): 868-878.
[3]	Dills A K, Mulholland S E. Ride-sharing, fatal crashes, and crime[J]. Southern Economic Journal, 2018, 84(4): 965-991. DOI:10.1002/soej.12255
[4]	Barrios J M, Hochberg Y V, Yi H. The cost of convenience: ridesharing and traffic fatalities[EB/OL]. (2018-10-23)[2021-11-20]. http://dx.doi.org/10.2139/ssrn.3259965.
[5]	Kirk D S, Cavalli N, Brazil N. The implications of ride-hailing for risky driving and road accident injuries and fatalities[J]. Social Science & Medicine, 2020, 250: 112793.
[6]	Truong L T, Nguyen H T T. Mobile phone related crashes among motorcycle taxi drivers[J]. Accident Analysis & Prevention, 2019, 132: 105288.
[7]	Rayle L, Shaheen S, Chan N, et al. App-based, on-demand ride services: comparing taxi and ridesourcing trips and user characteristics in San Francisco[C]//TRB 94th Annual Meeting Compendium of Papers. Washington D C: Transportation Research Board, 2015: 15-4633.
[8]	Berneking M, Rosen I M, Kirsch D B, et al. The risk of fatigue and sleepiness in the ridesharing industry: an American academy of sleep medicine position statement[J]. Journal of Clinical Sleep Medicine, 2018, 14(4): 683-685. DOI:10.5664/jcsm.7072
[9]	Mao H, Deng X, Jiang H, et al. Driving safety assessment for ride-hailing drivers[J]. Accident Analysis & Prevention, 2020, 149: 105574.
[10]	Christie N, Ward H. The health and safety risks for people who drive for work in the gig economy[J]. Journal of Transport & Health, 2019, 13: 115-127.
[11]	Nguyen-phuoc D Q, de Gruyter C, Nguyen H A, et al. Risky behaviours associated with traffic crashes among app-based motorcycle taxi drivers in Vietnam[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2020, 70: 249-259. DOI:10.1016/j.trf.2020.03.010
[12]	Nguyen-phuoc D Q, Oviedo-trespalacios O, Nguyen T, et al. The effects of unhealthy lifestyle behaviours on risky riding behaviours—a study on app-based motorcycle taxi riders in Vietnam[J]. Journal of Transport & Health, 2020, 16: 100666.
[13]	唐立, 周厚庆, 张学军. 基于量表型选择集的出行信息需求有序选择模型[J]. 交通运输工程学报, 2019, 19(4): 151-160. (Tang Li, Zhou Hou-qing, Zhang Xue-jun. Ordered choice model of travel information demand based on scale choice set[J]. Journal of Traffic and Transportation Engineering, 2019, 19(4): 151-160. DOI:10.3969/j.issn.1671-1637.2019.04.014)
[14]	Chen C, Zhang G, Tarefder R, et al. A multinomial logit model-Bayesian network hybrid approach for driver injury severity analyses in rear-end crashes[J]. Accident Analysis & Prevention, 2015, 80: 76-88.
[15]	Hwang S, Boyle L N, Banerjee A G. Identifying characteristics that impact motor carrier safety using Bayesian networks[J]. Accident Analysis & Prevention, 2019, 128: 40-45.
[16]	陈文瑛, 王影, 李启华. 危险化学品道路运输风险预测模型研究[J]. 安全与环境学报, 2020, 20(5): 1683-1689. (Chen Wen-ying, Wang Ying, Li Qi-hua. Risk forecast and prediction model with the hazardous chemical road transportation[J]. Journal of Safety and Environment, 2020, 20(5): 1683-1689.)
[17]	陈雨, 王颖, 聂琼, 等. 基于SEM模型的网约车乘客安全感知建模与分析[J]. 交通信息与安全, 2017, 35(6): 85-92. (Chen Yu, Wang Ying, Nie Qiong, et al. Modeling and analysis of online taxi passenger safety perception based on SEM model[J]. Transportation Information and Safety, 2017, 35(6): 85-92.)
[18]	Wang Y G, Li L C, Prato C G. The relation between working conditions, aberrant driving behaviour and crash propensity among taxi drivers in China[J]. Accident Analysis & Prevention, 2019, 126: 17-24.
[19]	Jitwasinkul B, Hadikusumo B H W, Memon A Q. A Bayesian belief network model of organizational factors for improving safe work behaviors in Thai construction industry[J]. Safety Science, 2016, 82: 264-273. DOI:10.1016/j.ssci.2015.09.027
[20]	Hair J F, Anderson R, Tatham R. Multivariate data analysis with readings[M]. New York: Macmillan, 1987.
[21]	Nunnally J. Psychometric methods[M]. New York: McGraw-Hill, 1978.
[22]	Zhou Q, Fang D P, Wang X M. A method to identify strategies for the improvement of human safety behavior by considering safety climate and personal experience[J]. Safety Science, 2008, 46: 1406-1419.
[23]	Chawla N V, Bowyer K W, Hall L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16(2): 321-357.
[24]	Chan A P C, Wong F K W, Hon C K H, et al. Construction of a Bayesian network model for improving the safety performance of electrical and mechanical (E & M) works in repair, maintenance, alteration and addition (RMAA) projects[J]. Safety Science, 2020, 131: 104893.
[25]	Newnam S, Mamo W G, Tulu G S. Exploring differences in driving behaviour across age and years of education of taxi drivers in Addis Ababa, Ethiopia[J]. Safety Science, 2014, 68: 1-5.
[26]	Vahedi J, Mohaymany S A, Tabibi Z, et al. Aberrant driving behaviour, risk involvement, and their related factors among taxi drivers[J]. International Journal of Environmental Research and Public Health, 2018, 15(8): 1626.