事故處理延時

回顧過去文獻事故延時(incident duration)可透過許多模式進行預 測，早期多為利用歷史事故資料分析及專家調查，而過去相關研究則 重於透過歷史資料分析；近年來，研究事故延時的發展上，迴歸模式

與存活理論兩種方法已成為主要的選擇。而迴歸模式提供了更容易被 理解與解釋的優勢；存活理論模式的優勢則在於可以明確研究延時的 影響。另外迴歸模式最為常用是因事故延時是一連續變數；存活理論 則是因可以假設事故具有增加或減少風險函數(hazard function)。除了 上述常見的方法外，還有其他相關理論之應用。

2.5.1 歷史事故資料分析

DeRose (1964) 根據紐約運輸部執行之 John Lodge Freeway 計劃 針對事故延時之研究，以 CCTV 蒐集以 1962 年 6 月開始之一年事故 延時資料，共有 927 個因事故產生之事故延時事件，透過歷史事故資 料分析，其研究發現車輛因意外事件停留在車道上，無法移動之平均 時間為 6.14 分鐘。

Goolsby (1971)利用警察蒐集事故延時資料，發現非傷害事故之 平均延時為 45 分鐘，車輛失速則為 18 分鐘。此延時計算是從偵測到 的時間至事故清除完畢。事故發生之標準差為 19 分鐘，而車輛失速 為 15 分鐘。此研究發現天氣條件、事故嚴重度及警察工作量為影響 事故延時重要因素。

Juge, Kennedy & Wang (1974) 透過影像紀錄，蒐集加州運輸部門 1973 年-1974 年 17 個月共 196 筆事故延時資料，並將事故延時定義 為事故發生時至事故清除完畢，其所有資料平均延時為 42 分鐘。

Sullivan (1997)主要是使用對數正態分布呈現高速公路事件的延 時時間，並利用統計相關方法，產生一實證模型估計高速公路事故數 量及其相關延滯，且利用資料庫中的事故清除時間的加權平均數計算 事故延時。事故延時機率分配是由事故類型、現有的事故管理和事故 發生地點所決定。此外，預測每件事故延時之平均值與標準差可呈現 整個事故延時機率分配的特性。其中，模型使用第 20、第 55、第 80 和第 95 百分位的延時去對應每件事故情況以估計整體的延時。結果 顯示，第 20 百分位值的範圍從 4 到 20 分鐘，第 95 百分位值的範圍 從 60 至 130 分鐘。

2.5.2 事故延時之相關迴歸模式

Giuliano (1989) 使用加州公路員警調度日誌的數據依據事故特 性的統計模型來估計事故延時。但由於數據的侷限，其無法發展通用 的模型以預測事故延時，因此發展出兩個單獨的模型。其中一個是針 對所有事件(incidents)，另一個是單純針對意外事故(accidents)。研究 發現，事故對高速公路的影響取決於其頻率、地點、嚴重性、事故發 生 時 間 以及 對該設 施 的 使用 程度。 在 這 兩個 模型中 ， 定 性類 別 (qualitative categories)使用事件(incidents)類型、封閉車道數、事故發 生時間、事故(accidents)類型與卡車等作為自變數。結果顯示，卡車 對於事故延時有顯著的影響，這表示事故延時模型應考慮卡車為自變 數。

Golob et al. (1987) 接續 Giuliano 的研究，在高速公路事故延時 中，納入卡車變數，事故延時成對數常態分配，並推論事故延時有程 序性，每階段都有可能受到前一階段的活動影響。在傳統等候理論中 讓事故延時為一隨機變數，並用已知的機率密度函數做一模型。卡車 數據之 K-S 檢定(Kolmogorov-Smirnov test)的結果顯示對數常態分配 可以用來描述所有事故或特定事故類型的假設。另外，依據傷亡人數、

事故延時與車道封閉的數量，發現事故結果會依碰撞的類型有所不同。

於同年，Golob et al. (1987)對傷亡人數、事故延時與車道封閉的數量 去評估，指出事故的結果會根據碰撞的類型有所不同。

Khattak et al. (1991)針對發生在芝加哥地區的 121 件事故清除數 據進行研究。發現幾個顯著的變數：有重傷者、重車的數量，是否有 重物，高速公路設施損壞、極端天氣情況與有無其他機構協助等。另 外回應時間和事故呈報兩個變數似乎有影響，但統計上並不顯著。

Khattak et al. (1995)利用迴歸模式，使用 1989 年和 1990 年芝加 哥地區收集之事故數據，研究結果發現，若減少首部救援車輛的回應 時間一分鐘，則可減少事故延時約超過一分半。另外考慮平均回應時 間為 7.5 分鐘，事故延時平均為 71.6 分鐘，因此透過減少回應時間以 降低延時的潛力是有限的，然而回應時間對傷者來說仍然是關鍵。

Hall (2000)著重於回應與調度時間對擁塞與延滯所帶來的影響。

完全清除時間(T)包含事故被發現的時間(I)、從事故被發現直到處理 事故的車輛開始調度的等待時間(W)、車輛調度直到抵達現場的時間 (R)與完全清除事故的時間(S)(T = I + W + R +S)。並利用處理事故的 車輛到達事故地點的距離函數建立了事故回應時間的模型，並隨行駛 的相對方向、交會處的位置與出現擁塞時，都可能使事故的回應時間 變長。

2.5.3 事故延時之相關存活分析模式

Jones et al. (1991)對事故頻率和延時預測建立了多變量統計模型。

他們主要使用風險函數(hazard function)作為估算事故延時的方法。例 如，他們根據資料庫指出，事故發生和警察到達現場平均有 9 分鐘的 延遲。

Jones et al. (1991)於同年也收集華盛頓州的事故紀錄與特殊事件 的資料以研究事故頻率與延時影響因素。為了說明不同的情況，路線 被分為 6 個大致同性質的區域。他們蒐集發生在這 6 個區域中，某段 時間發生的一切事故，資料庫中共有 5,637 件事故報告。事故延時的 數據主要來源為州巡警的調度紀錄。由於事故延時的分析需要從事故 報告與調度數據中得到資訊，因此作者認為有必要使兩個資料庫互相 對應與匹配。5,637 件事故報告中，僅約有 50%的數據可與調度數據 相應匹配。從匹配後的數據發現其較為偏向嚴重事故，因其事故報告 更為詳細，且結論之一為事故資料庫固有的數據品質問題。

Nam & Mannering (2000) 利用存活延時模式進行統計評估，包括 事故紀錄時間、反應時間及清除時間，主要論證存活分析法適合評估 事件管理方案及確定事故延時的影響因素。研究資料來自華盛頓高速 公路事故數據，期間為 1994 年至 1995 年，由於在這期間，華盛頓州 事故小組(IRTS)針對數據庫修改，因此有些資料只有 1995 年(小貨車、

事故發生在內側或外側)。研究並將事故延時分為三個部分，包括事 故紀錄時間(事故發生時間至 IRT 接收資訊時間)、回覆時間(IRT 接收 資訊時間至 IRT 人員到現場時間)及清除時間(IRT 人員到現場時間至

事故清除完畢)，並將考慮異質性與時間穩定性之影響。研究結果顯 示事故紀錄時間最佳模式為具有伽瑪異質性之韋伯函式(Weibull Model with Gamma heterogeneity)；事故反應時間最佳模式 1994 年與 1995 年各為韋伯函式，1994 年與 1995 年合併之模式為具有伽瑪異質 性之韋伯函式，事故清除時間為不具有伽瑪異質性之對數羅吉斯函式 (Log-logistic Model without Gamma heterogeneity)。研究結果顯示，事 故發生月份、雨天、地理資訊及事故型態變數為事故延時變數顯著變 數。事故通報模式中，時間特性及地理資訊為顯著影響變數；在事故 清除模式中，負責清除事故單位影響事故延時時間。敏感度分析中發 現某一變數在某一模式為顯著時，在其他模式不會顯著或係數值符號 相反，最後針對 1994 年與 1995 年模式係數值測試時間穩定性，結果 顯示此資料並不具有穩定性。

Qi and Teng (2008) 利用即時資訊進行事故延時預測，並依據特 定資訊用途將事故管理過程分為三個階段，三個階段分別有不同模式，

每個模式皆為存活延時迴歸，並以不同變數代表各別可使用的資訊，

模式中的參數描述事故延時的機率分布，變數之係數則為事故相關資 訊。根據預測的參數及係數，可以利用事故延時的 truncated 中位數 即時預測剩餘的事故延時。模式第一階段，始於事故紀錄時間，目的 是預測剩餘的事故延時，考慮變數有事故發生地點、時間、天氣及地 理資訊；第二階段，始於事故被確認，更多的變數被納入，事故型態 及事故車輛類型；第三階段，始於事故清除時間，需要更多資訊並重 新預測剩餘時間，變數有負責清除事故單位及清除事故之設備。結果 顯示，模式第一階段中，影響事故延時的變數有雪、上午尖峰及夜間，

這三個變數之係數為正，表示對於事故延時有不利之影響。其中地理 資訊中觀察 11 條道路，但在模式中只有十個變數，因為 CBE 這條道 路在這個模式中是參考用，在模式中只有 FDR 減少事故延時，其餘 則增加事故延時時間；在第二階段中則增加事故特性及事故車輛特性，

可以發現事故若是有傷者、死亡、碎片或事故車輛數多，會增加事故 延時時間，在車輛特性部分小客車及貨車會比大車的事故延時短，另 外道路維修將會封鎖道路，道路數增加，事故延時時間即會增加；第 三階段則再增加負責清理事故單位及設備，若是需要 NYCDOT 及拖

車設備，事故延時時間會增加。預測事故延時則以三種不同方法評估，

首先評估預測的準確度是否會隨不同資訊的使用在不同階段增加，第 二是固定資訊的使用，預測準確度是否會隨時間改變，最後根據 truncated 中位數預測是否會比 truncated 平均數好。由以上評估結果 顯示，當資訊提供越完整，模式預測的準確度越高；利用 truncated 中位數預測會比 truncated 平均數佳；依據資訊的可用性來決定使用 何種模式，這些特性使得預測程序更具有彈性。

Qi et al. (2009) 認為事故頻次、事故延時及事故占用車道數為影 響交通延遲之重要變數，因此進一步探討此三個變數的影響因素，並 針對不同變數分別建構不同影響因素模式。事故頻次主要是利用決策

Qi et al. (2009) 認為事故頻次、事故延時及事故占用車道數為影 響交通延遲之重要變數，因此進一步探討此三個變數的影響因素，並 針對不同變數分別建構不同影響因素模式。事故頻次主要是利用決策