事故排除時間定義

Nam 和 Mannering(2000)研究中以存活理論模式(hazard-survival model)分析華 盛頓區 1994 年到 1995 年兩年故事件反應小組所記載的各階事故持續時間資料，

並蒐集事故各項肇事變數如地點、發生時間、天候、道路幾何條件、車道數等以 預測各變數對於事故持續時間影響。經由統計後發現各階處理時間有期不同適用 之分配模型，偵測時間、反應時間等較適合韋伯分配(Weibull)模型，而清除時間 較適合對數羅吉特分配，並指出高速公路事件管理最主要的目的是在排除事件並 且盡速恢復正常的車流，其處理程序可分為以下三個部分(如圖 2-1 所示)，分別為 事件偵測時間、事件反應時間及清除時間，各程序定義及功能如下：

事件持續時間 事故

偵測時間

準備

時間 旅行時間

清除時間 事件排除 事故應變小組抵達

事件發生 獲報事件 事故應變小組派遣

事故反應時間

圖 2-1 事故排除處理時間流程圖(a) (1) 事故偵測時間：

指事故發生後到事故被偵測出之時間，目前雖有許多的偵測方式，但仍必須 靠人為經驗的累積會較有效判別事件的發生與否。事件偵測乃是對交通異常狀態 辨識的一種判別，一般常會設定異常現象警告之門檻。偵測方式由低成本的人工 偵測方式到複雜精確的自動監視技術，雖先進技術較能反應事故狀態、但偵測技

術與方式的選擇會受到經費的限制。事故確認是將事故正確位置、事故類型及嚴 重度等資訊傳遞給適當單位，並有防止誤報或謊報作用。

(2) 事故反應時間(準備時間以及旅行時間)：

即事故應變小組(Incident Response Team ,IRT)發現事故到抵達事故現場之時 間。為反應及指示必要的資源到事故現場，提供傷患救護及恢復道路正常運作的 過程。在救援過程中，涉及許多單位，除常設組織外，還包括臨時救難人員及合 約廠商及醫院，因此，救援人員需有足夠的訓練及經驗，才能準確的判斷事故等 級，同時並整合有限的資源到事故現場。

(3) 清除時間：

指事故應變小組到達事故現場的時間到事故完全清除之時間。由於事故應變 小組屬於臨時任務編組，現場的指揮與各單位間聯繫的工作即面臨的考驗，所以 救援指揮官需整合現場資源，以求各救援單位能清楚定位，才是降低交通衝擊與 事故處理效率的主要關鍵。以國內高速公路救援體系為例，事故現場處理職權以 現場官階最高者為指揮官，總指揮及協調權仍然是由高公局負責，對於特殊事故 (如危險物品事故)需由專業知識人員處理，在目前國內指揮體系中尚未明確劃分 的指揮權。且其中也包含了事故清理時間：包括事故調查與事故清理兩階段，事 故調查指警察單位對於事故責任鑑定的調查工作;事故清除一般是在事故調查工 作後方能展開清除，將干擾正常車流之車輛及散落物清除，使得道路恢復到正常 車流運作情況之容量。故迅速的清除時間能明顯的降低事故持續時間更能避免二 次事故的發生。

Knibbe(2006)等學者則是將事故排除處理程序分為四個階段如下圖(圖 2-2)所示 分別為事故偵測時間、到場時間、清除時間以及回復正常車流時間。與 Nam 和 Mannering(2000)不同之處為最後多了第四階段車流恢復時間，但由於本研究為探 討事故排除時間也就是從接獲通報到清除完畢所需的時間指的就是第二與第三階 段的時間和，故車流恢復時間並不在本研究範圍內。

圖 2-2 事故排除處理時間流程圖(b)

2.1.1 影響事故排除時間因子

經由前述對事故排除時間相關背景回顧後，本小節將介紹以往文獻中所提過 之高速公路事故排除時間影響因素並結合目前國內的記錄進行變因的取捨，有關 事故排除時間之因子如下：

Nam 和 Mannering(2000)研究中將事故排除時間因子分為

(1) Temporal characteristics：如早上、晚上、尖峰、離峰。星期別。月份。

(2) Environmental characteristics：晴天、陰天、雨天。

(3) Geographicin formation：公路別。

(4) Incident characteristics：單一車輛車禍、受傷車禍、死亡車禍。

Knibbe(2006)等人研究中，將有關事故排除時間可能相關之因子如下表 2-1

Younshik Chung(2010)收集 2006、2007 年在韓國的高速公路事故資料並利用 log-logister modle 來處理事故資料，其中此研究將各項因素分類為：

(1) 事故類型：車輛故障、車輛相撞、車輛著火。

(2) 事故發生的位置：主線，匝道，隧道，橋樑，收費站，休息區。

(3) 涉及的車輛類型：轎車，SUV（Sport Utility Vehicle），小型貨車，中型貨車

（或中型巴士），公車，小卡車，中型卡車，大卡車，拖吊車。

(4) 事故的嚴重程度：死亡數，受傷數，涉及的車輛數。

(5) 路面條件：乾燥，潮濕，下雪，結冰。

2.1.2 事故排除時間研究方法

Indrajit Ghosh(2012) 等 學 者 使 用 Michigan Department of Transportation Freeway Courtesy Patrol 所提供的資料，結果發現跟其他的參數模式相比使 generalized F distribution 提供事故排除時間資料是最適合的，並且得到的結論為在 周末跟早上時事故排除時間較短而在冬季時事故排除時間較長。 析方法中的加速失敗時間(accelerated failure time,AFT)模型，來分析影響事故排除 時間的因素，結果顯示在離峰的時候事故排除時間較長，但在有人員受傷時，事 故清除時間較短。

Garib(1997)等學者，收集在 Alameda County, Oakland 高速公路上共兩個月的 事故資料並建構兩種模型預測事故排除時間，其對事件持續時間預測模型結果做

Abhijit Dharia(2003)指出高速公路旅行時間可以合理準確地估計是先進的出 行者信息系統（ATIS）中的智慧型運輸系統（ITS）的實施成功。一個 ATIS 包括 最推薦、適合的路線，根據旅客的要求，使用從各種渠道收集到的信息，如檢測 器和探測車的路線引導系統。在此研究中，神經網絡模型，提出了使用 counter propagation 神經網絡（CPN）的高速公路路段行駛時間預測。和 back propagation

（BP）神經網絡算法相比其模型的性能。其結果表明，該模型基於 CPN 網絡，

和 Adeliand Park 所提出的學習係數，速度比 BP 網絡是近兩倍的。因此，此研究 提出的高速公路路段出行預測模型特別適合於即時交通信息管理系統。

Ahmad Tavassoli Hojatia(2013)指出美國研究顯示，非經常性的壅塞佔了美國 高速公路上 40%~60%。其中交通事故是最大的非經常性壅塞，共佔了全美高速公 路的 25%。此研究的目的是提供一個有效的和實用的高速公路上事故排除時間的 預測方法和確定關鍵的變數，以促進跟改善和事故發生時處理的策略。收集在 Queensland Department of Transport and MainRoads’ STREAMS Incident Management System(SIMS) for South East Queensland(SEQ) urban road networks 2009 年 11 月~2010 年 11 月的資料共 4926 筆。整體資料的 99.6%可分為 Crash, Hazard, Stationary vehicle 三種，剩下為 alerts, floods 這兩種(排除)。使用事故類型 跟嚴重程度、牽涉的車輛數、環境影響因子、時間特性、幾何特性等這些可能的 影響變數。使用存活分析的加速失敗時間模型來分析並調適 3 種分配，並用最大 概似估計法了分析三種分配。最後發現 Weibull 分配最適合來處理資料的型態。

結果可供交通事故管理機構實施策略，以減少事故的持續時間，導致二次事故的 發生，減少擁塞，及相關的人力和經濟損失。

Indrajit Ghosh(2012)指出交通事故被定義為非經常性的事件若事故的持續時 間越長則二次事故發生的機會越大。事故的持續時間被分為：偵測時間、反應時 間、清除時間、恢復時間等四種。並收集在底特律的 75 號州際公路（I-75），94 號州際公路（I-95），275 號州際公路（I-275）和州際公路 696（I-696）上 2009 年的事故資料，共 32574 件事故資料，平均事故排除時間為 9.81 分鐘。並使用存 活分析法。因其為使用一般的事故資料所以討論的變數不多其研究結果也建議後 續的研究可可再考慮其他相關因素，如光照條件，氣候條件，路面條件，損傷程 度，施工區，附近特殊的事件或旅遊活動等。