Giáo trình An toàn giao thông đường ô tô - Bùi Xuân Cậy

bao gồm cả người đi bộ) xuất hiện “nhìn thấy 
nhau” tiến gần đến phạm vi xung đột, tại thời điểm quan sát t 
5.1.2 Thời gian tai nạn “Time-to-Accident” 
Xuất phát từ những định nghĩa ban đầu của PERKINS and HARRIS (1967), giới hạn của 
sự xung đột sẽ được xác định tại thời điểm (theo không gian và thời gian) khi đó xuất hiện 
hành động đầu tiên của người tham gia giao thông điều khiển xe để tránh va chạm. Từ đó, 
hình thành khái niệm về: Thời gian dẫn đến tai nạn “Time-to-Accident” (TA) 
Thời gian dẫn đến tai nạn (TA) tính từ thời điểm người lái xe thực hiện hành động tránh xe 
cho đến vị trí xung đột, và tai nạn sẽ xảy ra nếu như người lái vẫn giữ nguyên tốc độ và 
hướng chuyển động. Thời gian TA được xác định thông qua việc ước tính tốc độ (kể từ khi 
người lái phát hiện điểm xung đột và thực hiện hành động tránh xe) và khoảng cách dẫn 
đến điểm tai nạn. 
doToc
nantaidendancachKhoang
TA =)(AccidenttoTime 
Bộ môn đường bộ - ĐHGTVT Hà nội 122 
Các tình huống xung đột được phân biệt 
thành 2 loại, đó là: xung đột nguy hiểm 
(Serious Conflicts) và xung đột không nguy 
hiểm (Non-Serious Conflicts). Các tình 
huống này có mối quan hệ với sự thay đổi 
tốc độ để tránh xung đột. 
Kết quả thực nghiệm cho thấy, đường giới 
hạn giữa hai tình huống xung đột (nguy 
hiểm và không nguy hiểm) là một hàm phi 
tuyến trong mối quan hệ giữa tốc độ và thời 
gian tiến đến tai nạn “Time-to-Accident”. 
Biên giới giữa tình huống xung đột nguy 
hiểm (Serious Conflicts) và xung đột không 
nguy hiểm (Non-Serious Conflicts) theo 
phương pháp Kỹ thuật xung đột (TCT) 
Ví dụ mô phỏng dưới đây thể hiện tình huống tai nạn xảy ra tại vùng xung đột của nút giao 
thông ngã tư không có đèn tín hiệu (nút giao thông đường chính và đường phụ). Trong ví 
dụ này: xe ưu tiên tại đường chính (right-of-way vehicle) bắt đầu hãm phanh để tránh xung 
đột với xe đường phụ (Duty-to-Yield Vehicle). Mặc dù vậy, tai nạn đã xảy ra. Trong tình 
huống tai nạn này, thái độ xử lý và hành động của người điều khiển xe đã được giả định 
trước. Kết quả của thời gian dẫn đến tai nạn “Time-to-Accident” (TA) = 
[ ]
][56,10
11
s
m
m
= 
1,04 [s]; Trong khi đó thời gian để chiếc xe của dòng phụ thoát qua vùng xung đột là 1,05 
[s]. 
Bộ môn đường bộ - ĐHGTVT Hà nội 123 
5.1.3 Mối quan hệ giữa xung đột và tai nạn 
HYDEN (1987) đưa ra mối quan hệ giữa 
trạng thái chuyển động an toàn (safe 
passages), xung đột tiềm năng (potential 
conflicts), xung đột nhẹ (slight conflicts) và 
tai nạn (xung đột nghiêm trọng- serious 
conflicts) là một hình chóp 3 cạnh (hình vẽ 
bên). 
Hình chóp tai nạn theo HYDEN (1987) 
HYDEN (1987) tiếp tục xây dựng mối quan hệ giữa vùng nguy hiểm của xung đột 
(Severity Zone) và tần suất (%) xuất hiện tai nạn trên vùng nguy hiểm (Accident relative 
frequencies per severity zone). Đường màu xanh thể hiện tần suất xuất hiện xung đột 
(Conflicts). Đường màu đỏ thể hiện tần suất xuất hiện tai nạn (Accidents), trong đó phần 
đuôi (tô đậm màu đỏ) là vùng diện tích xuất hiện tai nạn (5 %). Kết quả quan sát xung đột 
cho thấy: Trung bình chỉ có 1 vu tai nạn xuất hiện trong khoảng thời gian 5.000 giờ quan 
sát. Do vậy, việc xác định chính xác vùng xuất hiện tai nạn (phần đuôi của đường cong) sẽ 
rất khó khăn. Kết quả nghiên cứu là cơ sở để dự đoán con số tai nạn dựa trên các xung đột 
được quan sát và tần suất xuất hiện xung đột nguy hiểm trong điều kiện giao thông khác 
nhau. 
HYDEN (1996) đã sử dụng phần mềm phân tích giao thông (VIVA-traffic video-analysis 
software) trong việc nghiên cứu mối quan hệ giữa mức độ hãm phanh (braking rate) với 
mức độ nguy hiểm (hay sự giảm mức độ an toàn- Deceleration-to-Safety). Kết quả phân 
Bộ môn đường bộ - ĐHGTVT Hà nội 124 
biệt 4 mức độ xung đột (trong đó mức độ xung đột 3 và xung đột 4 là những xung đột trầm 
trọng- serious conflicts- với mức hãm phanh “Braking Rate” từ 4  6 [m/s2] và 6  8 
[m/s2]). Việc tăng mức hãm phanh thể hiện sự mất an toàn tăng lên. Đường cong màu đỏ 
thể hiện đường giới hạn giữa xung đột không nguy hiểm và xung đột nguy hiểm. 
Mức độ xung đột (Conflict Level) trong mối quan hệ giữa tốc 
độ (Speed [km/h]) và mức hãm phanh (Braking Rate [m/s2]) 
 Conflict Level 1 = Braking 
rate 1  2 [m/s2] 
 Conflict Level 2 = Braking 
rate 2  4 [m/s2] 
 Conflict Level 3 = Braking 
rate 4  6 [m/s2] 
 Conflict Level 4 = Braking 
rate 6  8 [m/s2] 
Tuy nhiên, một số nghiên cứu của (HAUER and GARDER, 1986) đã nêu ra nhược điểm 
của phương pháp kỹ thuật xung đột là chỉ dựa trên tốc độ và khoảng cách trong quá trình 
quan sát. Quá trình quan sát từ các nhóm xung đột của những tình huống riêng lẻ dẫn đến 
thiếu những kịch bản xung đột phức tạp, chưa xét đến sự mệt mỏi của người tham gia giao 
thông 
Để khắc phục nhược điểm này (CHIN and QUEK, 1997) đã sử dụng kỹ thuật phân tích 
video và phương pháp đo quang (photometric measurement) để ghi lại những tình huống 
xung đột phức tạp, đồng thời định nghĩa lại sự phù hợp giữa thời gian và không gian gần 
với tình huống tai nạn. Kết quả nghiên cứu của (CHIN and QUEK, 1997) liên quan đến mối 
quan hệ giữa tần suất xuất hiện xung đột (Conflict Frequency) và mức độ xung đột 
(Conflict Severity) được thể hiện hình vẽ phía dưới. Trong đó, vùng diện tích xuất hiện tai 
nạn (Serious Conflicts) được thể hiện bằng màu đỏ trên hình vẽ và đường thẳng nét đứt thể 
hiện giá trị giới hạn (Threshold Value) giữa xung đột có khả năng tránh (Non-Serious 
Conflicts) và xung đột xuất hiện tai nạn (Serious Conflicts). 
Bộ môn đường bộ - ĐHGTVT Hà nội 125 
CHIN and QUEK (1997) đề xuất sử dụng hàm mật độ xác suất Weibull (Weibull 
Probability Density Function) để phản ánh sự phù hợp của phân bố liên quan đến xác suất 
xuất hiện mức độ xung đột. Sự phát triển tiếp theo có thể áp dụng phương pháp Bayesian 
để phân tích phân bố Weibull với hai đại lượng. Mô hình phân tích này còn được gọi là: 
“Weibull-Bayesian Model” hay “Weibull ++” 
5.1.4 Các kết quả nghiên cứu ứng dụng kỹ thuật xung đột 
Bộ môn đường bộ - ĐHGTVT Hà nội 126 
Ví dụ: Kết quả nghiên cứu 
của Viện GDV CHLB 
Đức, liên quan đến giá trị 
rủi ro từ các xung đột và 
mật độ tai nạn (UD) trong 
thời gian quan sát 4 năm. 
5.2 PHƯƠNG PHÁP BAYES 
5.2.1 Khái niệm về phương pháp BAYES (Bayes method) 
Phương pháp BAYES được đặt theo tên của Thomas Bayes 
(1702—1761), một tín đồ giáo hội đáng tôn kính “The 
Reverend”, đồng thời là nhà nghiên cứu về xác suất toán học. 
Năm 1719 ông đăng ký vào trường Đại học “University of 
Edinburgh” thuộc Scotland để khám phá logic học và thuyết 
thần học “theology”. Sau này, ông nổi tiếng với lý thuyết 
Bayers và được công bố sau khi qua đời. 
Thomas Bayes born in 
London, England 
Lý thuyết Bayes cho phép tính xác suất xảy ra của một sự kiện ngẫu nhiên A khi biết sự 
kiện liên quan B đã xảy ra. Xác suất này được ký hiệu là P(A|B), và đọc là "xác suất của A 
nếu có B". Đại lượng này được gọi xác suất “có điều kiện-conditional probability” hay xác 
suất “hậu nghiệm-posterior probability” vì nó được rút ra từ giá trị được cho của B hoặc 
phụ thuộc vào giá trị của B. 
Theo định lí Bayes, xác suất xảy ra A khi biết B sẽ phụ thuộc vào 3 yếu tố: 
 Xác suất xảy ra A của riêng nó, không quan tâm đến B. Kí hiệu là P(A) và đọc là xác suất 
của A. Đây được gọi là xác suất “biên duyên-marginal probability” hay xác suất “tiên 
nghiệm-prior probability”, nó là "tiên nghiệm" theo nghĩa rằng nó không quan tâm đến 
bất kỳ thông tin nào về B. 
Bộ môn đường bộ - ĐHGTVT Hà nội 127 
 Xác suất xảy ra B của riêng nó, không quan tâm đến A. Kí hiệu là P(B) và đọc là "xác 
suất của B". Đại lượng này còn gọi là “hằng số chuẩn hóa- normalising constant”, vì nó 
luôn giống nhau, không phụ thuộc vào sự kiện A đang muốn biết. 
 Xác suất xảy ra B khi biết A xảy ra. Kí hiệu là P(B|A) và đọc là "xác suất của B nếu có 
A". Đại lượng này gọi là “có khả năng-likelihood” xảy ra B khi biết A đã xảy ra. 
Khi biết ba đại lượng này, xác suất sự kiện A dưới điều kiện B xác định bởi công thức: 
Từ đó dẫn tới một hệ quả trực tiếp của định nghĩa xác suất có điều kiện là công thức tính 
sau đây: 
Ví dụ: Theo số liệu thống kê của Mỹ năm 2007, tai nạn giao thông chết người do nguyên 
nhân say rượu chiếm khoảng 40% tổng số các vụ tai nạn. Nếu tỷ lệ số người say rượu khi 
lái xe chiếm 4%, việc say rượu khi lái xe sẽ làm tăng khả năng gây tai nạn chết người lên 
bao nhiêu lần? 
Gọi A là sự kiện “lái xe xảy ra tai nạn chết người”. 
B là điều kiện “người lái xe say rượu khi lái xe”. 
Khi đó: 
P(A) là xác suất xảy ra tai nạn chết người (sự kiện A) 
P(B) là xác suất người lái xe say rượu khi lái xe (sự kiện B) 
P(A\B) là xác suất xảy ra tai nạn chết người (sự kiện A) do người lái xe bị say rượu (điều 
kiện B). 
P(B\A) là xác suất người lái say rượu (sự kiện B) xuất hiện trong tổng số các vụ tai nạn 
chết người (điều kiện A). 
Khi đó: xác suất xảy ra tai nạn chết người do người lái xe bị say rượu P(A\B) sẽ được tính 
theo công thức sau: 
)(10=
%4
)(%40
=
tan_
*
=
)(
)()(
=)( AP
AP
tconsgnormalizin
priorlikelihood
BP
APABP
BAP 
Kết luận: Việc say rượu khi lái xe có thể làm tăng khả năng gây tai nạn xe cộ chết người lên 
khoảng 10 lần. 
Bộ môn đường bộ - ĐHGTVT Hà nội 128 
5.2.2 Phương pháp BAYES thực nghiệm (empirical Bayes methods) 
Trong thống kê, phương pháp Bayes thực nghiệm (Empirical Bayes methods) có sự khác 
biệt với phương pháp Bayes sơ khai (true Bayesian methods), được đề cập ở mục 5.2.1, đó 
là: Sự khác nhau cơ bản trong cấu trúc phân bố của xác suất tiên nghiệm “prior 
probability”. Theo phương pháp Bayes thực nghiệm xác suất tiên nghiệm được xác định 
từ các dữ liệu, trong khi đó phương pháp Bayes sơ khai không phụ thuộc bất kỳ thông tin 
nào của cơ sở dữ liệu được quan sát. 
Phương pháp Bayes thực nghiệm (Empirical Bayes methods) gần đúng với mô hình Bayes 
bậc II (The two-stage hierarchical Bayesian model) và được ứng dụng trong các nghiên cứu 
lựa chọn và xếp loại các vị trí điểm đen tai nạn trên mạng lưới đường. 
Theo kết quả nghiên cứu của (POWERS/ CARSON, 2004) phương pháp thực nghiệm 
Bayses (Empirical Bayes) được viện nghiên cứu giao thông của Mỹ áp dụng để ước tính lợi 
ích liên quan đến an toàn giao thông trước và sau khi đề ra giải pháp. Ngoài ra “Empirical 
Bayes Method” còn được áp dụng trong các mô hình thiết kế an toàn giao thông (Highway 
Safety Design Model) và trong các phần mềm phân tích dữ liệu tai nạn (ví dụ như: 
LIMDEP Version 7.0) để dự đoán sự cải thiện về mức độ an toàn giao thông trên các đoạn 
đường trong quá trình duy tu và bảo dưỡng. 
Hướng dẫn áp dụng phương pháp thực nghiệm Bayes dành cho việc phân tích dữ liệu tai 
nạn trước và sau khi có giải pháp (POWERS/ CARSON, 2004), được tiến hành theo 5 bước 
sau đây: 
Bước 1: Xác định hàm miêu tả mức độ an toàn giao thông (Determination of the Safety 
Performance Function- SPF). 
Hàm này là một mô hình toán để dự đoán sự xuất hiện của các vụ tai nạn trên một đoạn 
đường xác định (với các đặc trưng hình học như: Lưu lượng xe trung bình ngày đêm-
AADT, chiều dài đoạn đường, bề rộng mặt đường và lề đường, số các làn xe, tốc độ giới 
hạn). Các nghiên cứu chỉ ra rằng, cách miêu tả tốt nhất là sử dụng hàm hồi quy tuyến tính 
nhiều biến với số lượng các vụ tai nạn trước khi đề xuất giải pháp tối thiểu là 3 năm. 
SPFi = 0 + 1 Xi,1 + 2 Xi,2 + 3 Xi,3 + . + p-1 Xi,p-1 + i 
SPFi = là biến phụ thuộc “dependant variable”, chính là số vụ tai nạn trong 3 năm trước khi 
đề xuất giải pháp 
Bộ môn đường bộ - ĐHGTVT Hà nội 129 
Xi,1 đến Xi,p-1= là các biến không phụ thuộc “independent variables”, bao gồm: Lưu lượng 
xe trung bình ngày đêm-AADT, chiều dài đoạn đường, bề rộng mặt đường và lề đường, số 
các làn xe, tốc độ giới hạn) 
0 đến p-1 là các hệ số của phương trình hồi quy (được xác định theo các phần mềm tính 
toán hồi quy hoặc tính dựa trên các công thức nghịch đảo và chuyển chí ma trận) 
i là hệ số miêu tả lỗi ngẫu nhiên mà chưa tính đến trong tính toán mô hình. 
Trong các yếu tố trên, thì lưu lượng xe bình quân ngày đêm trong 3 năm (AADTi) và chiều 
dài đoạn đường (Li) là hai yếu tố quan trọng ảnh hưởng đến số vụ tai nạn (SPFi). Độ tin cây 
của phương trình thể hiện mối quan hệ: SPFi = 0 + 1 (Li)+ 2 (AADTi) đạt 95%. 
Bước 2: Xác định đại lượng phân tán  (Determination of the Overdispersion 
Parameter, ) 
Một số nghiên cứu quan niệm sự xuất hiện của tai nạn phân phối theo quy luật Poisson. 
Tuy nhiên cũng có nhiều nghiên cứu tìm thấy mâu thuẫn khác biệt giữa sự xuất hiện của tai 
nạn và mô hình dự đoán dựa trên phân phối Poisson (xem phụ lục). Vì vậy, các nhà nghiên 
cứu thông thường đề xuất phân phối nhị thức âm “the negative binomial distribution (xem 
phụ lục)” để thể hiện sự phân bố của xác suất xuất hiện tai nạn. Khi đó, đại lượng phân tán, 
, là một trong những đại lượng được sử dụng để xác nhận việc lựa chọn phân phối nhị 
thức âm có đúng hay không. Dữ liệu được coi là phân tán, nếu như phương sai “Variance-
i
2” của xác suất xuất hiện tai nạn (SPFi) vượt quá giá trị trung bình ứng với 95% độ tin 
cậy. 
Chiều dài mỗi đoạn đường là yếu tố ảnh hưởng quyết định “a primary determined 
affecting” đến các giá trị đại lượng phân tán, . Để ước tính tốt hơn số lượng các vụ tai nạn 
được dự báo trên mỗi đoạn đường, đại lượng phân tán có thể được điều chỉnh dựa trên 
chiều dài của mỗi đoạn đường (Li): i = . Li 
Trong đó: 
i là đại lượng phân tán đã được điều chỉnh trên đoạn đường i 
 là đại lượng phân tán trên toàn bộ các đoạn đường 
Li là chiều dài của đoạn đường thứ i 
 là hệ số 0 hoặc 1 ( = 0 hoặc 1), nó thể hiện sự khác biệt trong đặc tính hình học và lưu 
lượng giao thông giữa các đoạn đường. Nếu đặc tính về yếu tố hình học và giao thông giữa 
các đoạn đường không giống nhau, sẽ lựa chọn  = 0. Ngược lại, nếu như toàn bộ các đoạn 
đường có sự giống nhau về yếu tố hình học và thành phần giao thông thì lựa chọn  = 1. 
Bộ môn đường bộ - ĐHGTVT Hà nội 130 
Ngoài ra, đại lượng phân tán, i của đoạn đường thứ i, có thể được tính toán theo phân phối 
gamma, theo công thức sau: i = . SPFi 
Trong đó: 
 là hệ số 0 hoặc 1 ( = 0 hoặc 1). Nếu  = 0 khi đó ta có mô hình “ the standard negative 
binomial model”. Nếu  = 1, thì “Variance” của phân bố gamma giảm khi xác suất xuất 
hiện tai nạn SPFi tăng lên. 
Bước 3: Xác định trọng lượng tương đối,  (Determination of the Relative Weight, ) 
Khái niệm trọng lượng tương đối () được đề xuất, để điều chỉnh phù hợp đối với các mức 
độ biến đổi của đại lượng phân tán i , và được tính theo công thức sau đây: 
i
i
i
φ
SPFα
+1
1
= 
Bước 4: Dự đoán số vụ tai nạn,  (Determination of Estimated Expected Crashes, ) 
i = (i). (SPFi) + (1-i) (i) 
i là số vụ tai nạn được dự đoán trên đoạn đường i 
i là số vụ tai nạn thực tế trong 3 năm trên đoạn đường i 
Bước 5: Xác định chỉ số hiệu quả,  (Determination of the Index of Effectiveness, ) 
Bước cuối cùng của quá trình này là xác định tính hiệu quả của việc thực hiện các giải pháp 
an toàn giao thông. Khái niệm: chỉ số hiệu quả “The Indes of Effectiveness” là một hàm 
của các đại lượng sau:
2
2
+1
=
i
i
i
i
i
π
σ
π
λ
θ 
Trong đó: 
i
2 là phương sai “The Variance” được tính theo công thức sau: i2 = (1 - i) i 
hoặc phương sai cũng có thể được tính toán theo công thức sau: )
.
+1(=2
ii
i
ii Lφ
SPF
SPFσ 
Cuối cùng, sự khác nhau tương đối của sự xuất hiện tai nạn thực tế và tai nạn được dự đoán 
là: 100(1 - i) 
Bộ môn đường bộ - ĐHGTVT Hà nội 131 
5.3 ĐƯỜNG CONG PHÂN BỐ LORENZ 
5.3.1 Khái niệm 
Đường cong phân bố Lorenz được một 
nhà kinh tế học người Mỹ (Max Otto 
Lorenz) phát triển vào năm 1905 trong 
quá trình miêu tả phân bố mức độ thu 
nhập khác nhau giữa các hộ gia đình và 
những phương pháp để xác định mức 
độ tập trung của những hộ gia đình 
giàu có “Method of Measuring the 
Concentration of Wealth”. 
Sau đó, đường cong Lorenz “Lorenz curve” được giới thiệu trong cuốn sách “The Elements 
of Statistical Method” xuất bản năm 1912 của tác giả Willford Isbell King. 
Có thể nói, đường cong Lorenz là một loại đồ thị dùng để biểu diễn mức độ bất bình đẳng 
trong phân phối. Trục tung và trục hoành đều thể hiện tỷ lệ phần trăm tích lũy của các giá 
trị cần thể hiện. 
Không những vậy, đường cong Lorenz còn được ứng dụng trong nghiên cứu tai nạn giao 
thông. Các kết quả nghiên cứu của (MAIER/ DUNG, 2008) đã sử dụng đường cong 
LORENZ trong việc nghiên cứu phân bố mức độ tập trung tai nạn và tiềm năng an toàn 
(SIPO) trên mạng lưới đường tại CHLB Đức. 
Ví dụ: Nếu nghiên cứu sự phân bố của tai nạn trên mạng lưới đường, khi đó: Trục hoành 
thể hiện tỷ lệ phần trăm cộng dồn trong tổng số chiều dài mạng lưới đường nghiên cứu; 
Trục tung thể hiện tỷ lệ phần trăm cộng dồn trong tổng số tai nạn có trong mạng lưới. 
Đường thẳng nối 2 điểm có tọa độ (0,0) và (1,1) tạo với trục hoành một góc 450, gọi là 
đường bình đẳng tuyệt đối. Mỗi điểm trên đường này thể hiện tỷ lệ phần trăm số tai nạn 
đúng bằng tỷ lệ phần trăm chiều dài mạng lưới. Đường cong lõm thể hiện trực quan sự bất 
bình đẳng trong phân bố tai nạn, nó càng lõm thì mức độ bất bình đẳng trong phân bố tai 
nạn giữa các đoạn đường càng cao. 
Bộ môn đường bộ - ĐHGTVT Hà nội 132 
5.3.2 Hệ số Gini (Gini index) 
Khi các đường Lorenz không cắt nhau thì đường nào lõm hơn sẽ thể hiện mức độ bất bình 
đẳng lớn hơn. Tuy nhiên khi các đường cong cắt nhau thì chưa thể đưa ra kết luận được. Đó 
chính là hạn chế trong việc sử dụng đường cong Lorenz để đánh giá định lượng về sự bất 
bình đẳng trong phân bố. 
Để khắc phục nhược điểm này, người ta thường sử dụng hệ số Gini. Hệ số này được phát 
triển bởi nhà thống kê học người Ý Corrado Gini (1884- 1965) và được chính thức công bố 
trong bài viết năm 1912 của ông mang tên "Variabilità e mutabilità". Chỉ số Gini (Gini-
Index) hay còn gọi là hệ số Gini được thể hiện dưới dạng tỷ lệ phần trăm, được tính bằng 
hệ số Gini nhân với 100. Hệ số Gini (G) được xác định theo công thức sau: 
BA
A
=G
+
Trong đó: 
A: là diện tích của vùng nằm giữa đường thẳng (đường bình đẳng tuyệt đối) và đường cong 
Lorenz (đường bất bình đẳng tuyệt đối). 
B: là diện tích của vùng nằm phía dưới đường cong Lorenz (đường bất bình đẳng tuyệt đối) 
phần được gạch trên hình vẽ. 
Vì A+B = 0,5 (do đường bình đẳng tuyệt đối hợp với trục hoành một góc 45°), nên hệ số 
Gini: G = A/(0,5) = 2A = 1-2B. 
Trong trường hợp đường cong Lorenz được biểu diễn bằng hàm số y = L(x), khi đó giá trị 
của phần diện tích B là hàm tích phân ç10 )( dxxL 
Và hệ số Gini (G) được xác định theo công thức sau: 
Bộ môn đường bộ - ĐHGTVT Hà nội 133 
Giá trị của hệ số Gini nằm trong khoảng từ 0 đến 1, giá trị càng cao thì mức độ bất bình 
đẳng trong phân bố càng lớn. Hệ số Gini từ 0,5 trở lên thì được coi là có mức độ bất bình 
đẳng cao; Còn trong khoảng từ 0,2 đến 0,35 thì phân bố tương đối cân bằng. Số 0 tượng 
trưng cho sự bình đẳng tuyệt đối (có cùng một mức độ phân bố), và số 1 tượng trưng cho sự 
bất bình đẳng tuyệt đối. 
5.4 HÀM HỒI QUY TUYẾN TÍNH ĐA BIẾN 
Trong nghiên cứu tai nạn giao thông và các đặc trưng tai nạn (như mật độ tai nạn, chi phí 
tai nạn và rủi ro tai nạn), có thể nhận thấy: Xuất hiện nhiều yếu tố tác động đến đặc trưng 
tai nạn và con số tai nạn đó là: Lưu lượng giao thông, bề rộng mặt đường, độ dốc dọc, bán 
kính đường cong, số lượng góc ngoặt, chiều dài tầm nhìn Do đó hàm hồi quy tuyến tính 
đa biến sẽ được lựa chọn để biểu diễn mối quan hệ của sự tác động 
này.
Bộ môn đường bộ - ĐHGTVT Hà nội 134 
Hình vẽ minh họa sự tác động đa biến lên rủi ro tai nạn (UR) 
5.5 KỊCH BẢN DỰ ĐOÁN SỰ PHÁT TRIỂN CỦA TAI NẠN 
Các kịch bản dự đoán được xây dựng dựa trên xu hướng phát triển theo thời gian của các số 
liệu thực nghiệm trong quá khứ và hiện tại. Xu hướng phát triển tai nạn thông thường là 
những đường hồi quy tuyến tính, hay đường cong Logarith và sẽ bị tác động của các 
nhân tố ảnh hưởng.