危险化学品的公路运输是整个化工供应链中的关键环节。它在运输化学品方面发挥着重要作用，类似于毛细血管输送营养物质。从事大宗运输的危险化学品车辆经常在各种道路上行驶。统计数据显示，危险化学品运输环节的受伤和死亡率以及财产损失仅次于生产阶段[1]。因此，鉴于危险化学品的固有风险和运输过程的复杂性，预防危险化学品公路运输事故的策略至关重要[2,3]。
事故报告的文本分析长期以来一直是危险化学品安全研究的基本工具，主要用于深入分析根本原因并制定相应的预防措施[[4], [5], [6]]。目前，流行的数据驱动分析框架侧重于从事故数据中提取和建模因果事故路径，以模拟现实世界运输系统的复杂性[7]。代表性应用采用贝叶斯网络或逻辑回归等统计建模方法来预测危险化学品事故的概率[[8], [9], [10], [11], [12]]。然而，这些方法受到获取可靠先验概率的难度限制，导致预测目标相对单一，限制了进一步推断信息的能力[13]。这些信息不仅需要估计事故的可能性，还需要涵盖更广泛的相关见解。这对于控制事态升级和防止次生灾难至关重要[14]。例如，在2024年中国南绍高速公路上发生了一起危险化学品车辆追尾事故，由于驾驶员跟车过近且超速，导致三辆重型半挂卡车相撞，造成两人死亡，并且运输的危险化学品二乙胺发生爆炸。该事故案例涵盖了事件的初始物理形态（碰撞）、其升级（爆炸）以及后续后果（两人死亡）。对于相关从业者和决策者来说，这些元素是他们积极寻求预测的关键信息。
因此，基于机器学习的特征分析和预测已被应用于危险化学品安全领域[15]。一方面，风险特征的重要性分析本质上是事故原因的诊断。通过直观反映特征与结果之间的相关程度，它可以识别出最关键的风险影响因素[[16], [17], [18], [19], [20]]。另一方面，研究人员利用机器学习方法构建了危险化学品事故的严重性预测模型，或为特定类型的事故开发了精细的预测模型。这些研究为可操作的风险评估任务提供了更关键的信息[21,22]。因此，本研究的重点从挖掘根本原因转向分析和预测危险化学品运输事故的初始物理形态。
尽管之前的研究已经对某些特定的初始物理形态（如碰撞或翻车[23,24]）进行了建模，但缺乏一个综合评估框架，能够涵盖运输过程中的所有潜在初始物理形态。事故形态是多维的（例如，翻车、碰撞、追尾等）。单独预测这些形态的模型无法捕捉到它们的共同因果驱动因素，导致见解碎片化。因此，本研究旨在对这些事件进行建模，分析各种风险因素如何导致不同的事故形态。这种方法有助于有效比较不同事故形态之间的差异和共性，从而实现有针对性的干预，防止事态升级。
此外，本研究的另一个贡献在于将危险化学品事故中的因果关系纳入机器学习模型的开发中。在分析危险化学品事故时，将因果关系纳入建模已被证明是加深风险理解的有效方法[25]。如果没有明确构建因果路径，一些间接但关键的影响因素可能会被忽略，导致模型的内部作用机制与现实偏离[26]。为了解决这个问题，本研究构建了一个因果路径图，说明了危险化学品运输事故中风险因素的影响。所有特征变量被分为上游外生变量和下游可干预变量。随后，计算每个外生变量的因果权重并将其纳入模型训练过程[27]。总之，这些局限性突显了建立能够量化因果路径中结构关系的框架的必要性，同时共同建模多个相互关联的事故形态。
为了进一步阐明危险化学品运输中的风险机制并减少事故后果，本文研究了基于因果关系的机器学习算法在分类和预测危险化学品运输过程中事故初始状态中的应用。进一步使用SHapley Additive exPlanations技术分析模型，以检查各种风险因素与初始事故状态之间的耦合关系[28]。这种研究方法为事故风险分析提供了一种新的方法。此外，分析结果可以为相关运营管理部门提供基于风险的决策支持。
本研究的结构如下：第2节提供文献综述，第3节详细介绍了本文的方法论原则，第4节涵盖数据库构建和相关性分析，第5节展示了模型结果的评估以及风险因素与事故状态之间的耦合分析。
