李 夢(mèng),盧德全,周子欽,孫雷果,劉書(shū)慧

(1.四川省南充市氣象局，四川 南充 637000；2.高原與盆地暴雨旱澇災(zāi)害四川省重點(diǎn)實(shí)驗(yàn)室，四川 成都 610072)

0 引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，公路交通網(wǎng)絡(luò)不斷完善的同時(shí)，交通事故案件也明顯增加，而氣象條件對(duì)道路安全的影響也日益明顯，據(jù)統(tǒng)計(jì)，公路交通事故有30%是由惡劣天氣引發(fā)的[1]，其中低能見(jiàn)度、道路結(jié)冰、高溫、降雨、大風(fēng)天氣都可以導(dǎo)致公路交通事故、人員傷亡。

許多研究表明，不良天氣環(huán)境下更容易引發(fā)交通事故[2-3]；Cai等[4]研究者認(rèn)為雨天可能是對(duì)交通安全造成重大負(fù)面影響的因素之一，并以此建立了雨天駕駛風(fēng)險(xiǎn)的定量模型；Moses等[5]研究表明道路交通事故總量與降雨量和氣溫存在函數(shù)關(guān)系；Anna K[6]等研究結(jié)果顯示，霜凍日數(shù)的減少將使因路面摩擦系數(shù)小而引起的交通事故明顯減少；Won-Kyung Lee等[7]研究表明低溫冰凍天氣導(dǎo)致交通事故受傷率上升的效果明顯。由于全國(guó)地區(qū)跨度大，各地氣候不同，影響交通事故發(fā)生的氣象條件也不同。很多研究者研究并建立了國(guó)內(nèi)相關(guān)交通氣象各種災(zāi)害預(yù)警指標(biāo)和預(yù)報(bào)模型：羅慧等[8]通過(guò)研究分析氣象因素對(duì)公路交通事故的影響，建立了合理有效的預(yù)警模型；吉廷艷等[9]研究并建立了貴州高等級(jí)公路交通氣象指數(shù)預(yù)報(bào)方法；袁成松等[10]建立滬寧高速公路的高溫預(yù)警指標(biāo)和預(yù)報(bào)模型；白永清等[11]研究擬定了交通事故增長(zhǎng)的臨界氣象指標(biāo)。

不良天氣與交通事故的條件關(guān)系的研究較多[12-14]，但很少有研究者將涉及人員傷亡這類比較嚴(yán)重的交通事故從總交通事故中挑選出來(lái)并與不利天氣的關(guān)系進(jìn)行研究。本文通過(guò)運(yùn)用14類氣象要素進(jìn)行因子分析，對(duì)南充市城區(qū)傷亡交通事故按照汛期和非汛期進(jìn)行二元logistics回歸，通過(guò)向后LR法判斷因子是否通過(guò)顯著性水平進(jìn)行因子取舍，進(jìn)而建立氣象要素引發(fā)南充市城區(qū)傷亡交通事故的概率模型，通過(guò)氣象要素的變化預(yù)警發(fā)生傷亡交通事故的可能性，對(duì)交通氣象安全情況有著更為清晰明確的判斷，防范和減少不利天氣對(duì)交通安全的影響，對(duì)于交通安全運(yùn)營(yíng)科學(xué)決策有深遠(yuǎn)的指導(dǎo)意義。

1 數(shù)據(jù)處理

1.1 傷亡交通事故量

根據(jù)從南充市交警支隊(duì)交通事故預(yù)防中心獲取的南充市城區(qū)傷亡交通事故案例資料，本文選取了發(fā)生在2010年1月—2018年12月期間共3 287 d的2 602起傷亡交通事故，其中沒(méi)有發(fā)生傷亡交通事故有1 660 d，占總天數(shù)的50.5%，發(fā)生了傷亡交通事故共有1 627 d，占總天數(shù)的49.5%。

1.2 logistic回歸模型

線性回歸是統(tǒng)計(jì)分析方法中最常見(jiàn)的分析方法，但是它有很多重要的假設(shè)條件：自變量和因變量都是連續(xù)變量，而每日傷亡交通事故量并不是連續(xù)變量，并且影響傷亡交通事故的氣象因子中包含有定性分類數(shù)據(jù)，例如是否降水?dāng)?shù)據(jù)，因此，建立多元線性回歸模型[15]的方法并不適應(yīng)。而本文采用的logistics回歸模型適用于這類數(shù)據(jù)的研究，同時(shí)避免了因變量不是連續(xù)變量的問(wèn)題，并且該回歸模型對(duì)定性分類數(shù)據(jù)和連續(xù)變量的因子都適用。

二元logistic回歸模型是指對(duì)因變量二分類的logistic回歸模型，便于使用也易于解釋。在本文中，y=1表示傷亡交通事故發(fā)生，y=0表示傷亡交通事故未發(fā)生，通過(guò)logistic模型將問(wèn)題轉(zhuǎn)化為多個(gè)氣象要素在一定時(shí)間內(nèi)影響城區(qū)傷亡事故發(fā)生的概率，值處于[0，1] 之間，根據(jù)樣本數(shù)據(jù)使用最大似然估計(jì)法估計(jì)出各參數(shù)值。

logistic回歸模型的數(shù)學(xué)表達(dá)式為:

其中P(y =1)表示事件發(fā)生的概率，ai為待估參數(shù)，xi為氣象要素，i=1，…，n。

由于logistics回歸要求各自變量相互獨(dú)立，本文在構(gòu)建模型之前要把氣象要素進(jìn)行因子分析[16], 把多個(gè)氣象要素變量降維為幾個(gè)相互獨(dú)立的變量，用因子變量來(lái)替代原來(lái)的變量進(jìn)行l(wèi)ogistic回歸，數(shù)據(jù)處理主要應(yīng)用IBM SPSS Statistics軟件進(jìn)行處理。

1.3 樣本數(shù)據(jù)的分類

不同的季節(jié)影響交通事故的主要?dú)庀笠蜃硬煌募靖邷囟嘤?、冬季低溫少雨，而南充的氣候特點(diǎn)主要表現(xiàn)為：5—10月氣候炎熱，降水較多，多短時(shí)強(qiáng)降水；11月—次年4月氣溫較低，降水較少，多陰雨綿綿天氣，本文根據(jù)南充氣候特點(diǎn)分為汛期和非汛期兩個(gè)時(shí)期，2010—2018年每年的5—10月，簡(jiǎn)稱為汛期，每年的11月—次年4月，簡(jiǎn)稱為非汛期，以此來(lái)分別分析研究，其中汛期共1 656個(gè)樣本，有784 d未發(fā)生傷亡事故，872 d發(fā)生傷亡事故，期間共發(fā)生1 409起傷亡交通事故；非汛期共1 631個(gè)樣本，舍去了6個(gè)缺少氣象數(shù)據(jù)的樣本，有873 d未發(fā)生傷亡事故，752 d發(fā)生傷亡事故，期間共發(fā)生1 187起傷亡交通事故，如圖1。

圖1 汛期和非汛期未發(fā)生傷亡事故和發(fā)生傷亡事故天數(shù)對(duì)比圖Fig.1 The comparison of the number of days without casualty accidents and casualty accidents in flood season and non-flood season

2 預(yù)報(bào)模型的建立

2.1 氣象因子的選擇

城區(qū)交通事故受很多因素影響，目前大量研究表明：不利的氣象條件更容易引發(fā)交通事故。不利的氣象條件一般包括：強(qiáng)降水、高溫、低溫冰凍、大風(fēng)、大霧等惡劣天氣。本文根據(jù)交通事故資料和氣象資料，對(duì)不利的氣象條件進(jìn)行了統(tǒng)計(jì)分析。

結(jié)果表明，在汛期里，雨日的平均傷亡交通事故案例數(shù)比汛期總平均交通事故案例數(shù)高出23.2%，降雨可以致使路面摩擦系數(shù)減小，能見(jiàn)度減小，增大交通安全的隱患；潮濕天氣(最低相對(duì)濕度≥70%)的平均傷亡交通事故案例數(shù)也比汛期總平均高出了12.6%，相對(duì)濕度的增大會(huì)讓駕駛員體感不適，注意力難以集中，增大交通隱患的風(fēng)險(xiǎn)；而高溫日(最高氣溫>35 ℃)的平均傷亡交通事故案例數(shù)比汛期的總平均數(shù)反而低了18.1%，其原因在于高溫炎熱天氣促使外出人員減少，出行車輛也隨之減少，進(jìn)而減小傷亡交通事故發(fā)生的概率；而氣壓對(duì)交通安全沒(méi)有明顯的影響，無(wú)論低于平均氣壓還是高于該氣壓的天數(shù)里，各自的平均傷亡交通事故案例數(shù)都與汛期總平均相對(duì)持平。

在非汛期里，雨日的平均傷亡交通事故案例數(shù)明顯地比非汛期總平均高55.1%，降雨對(duì)于交通安全全年都有影響，之所以非汛期里降雨對(duì)交通安全的影響那么明顯，是因?yàn)檠雌谟休^多短時(shí)強(qiáng)降水，很多人傾向于避雨，減少出行的機(jī)會(huì)，而非汛期多綿綿細(xì)雨天氣，司機(jī)不會(huì)減少出行的機(jī)會(huì)；潮濕天氣也是全年有影響，平均傷亡交通事故案例數(shù)高出了33.6%；而低溫(地面溫度≤0 ℃)天氣里，平均傷亡交通事故案例數(shù)比非汛期總平均高77.3%，影響那么明顯主要是因?yàn)閮煞矫妫谝皇且归g輻射降溫較大，引起霜凍天氣，造成路面摩擦系數(shù)減?。坏诙抢淇諝庥绊?，氣溫驟降，引起冰凍，造成路面摩擦系數(shù)減小，并且冷空氣影響時(shí)多伴隨著降雨和大風(fēng)天氣，道路情況和交通視線條件會(huì)更加不利；而大風(fēng)天氣(極大風(fēng)速>8 m/s)的平均傷亡交通事故案例數(shù)也是高出了19.8%，由于能見(jiàn)度資料中02時(shí)、14時(shí)、20時(shí)的能見(jiàn)度數(shù)據(jù)不完整，所以選用08時(shí)能見(jiàn)度數(shù)據(jù)，在能見(jiàn)度低于500 m的大霧天里，平均傷亡交通事故案例數(shù)比非汛期總平均高出了46.5%，主要原因是秋冬季多大霧天氣，能見(jiàn)度減小會(huì)增大傷亡交通事故發(fā)生的概率；氣壓則與汛期一樣，無(wú)論低于平均氣壓還是高于該氣壓的天數(shù)里，各自的平均傷亡交通事故案例數(shù)都與非汛期總平均相對(duì)持平。

2.2 因子分析

根據(jù)以上的數(shù)據(jù)統(tǒng)計(jì)結(jié)果，在對(duì)地面摩擦系數(shù)、交通視線以及人體素質(zhì)有影響的氣象要素中，選取了14類氣象要素，分別是日平均氣壓、日平均氣溫、日最高氣溫、日最低氣溫、日平均相對(duì)濕度、日最小相對(duì)濕度、日平均地溫、日最高地溫、日最低地溫、08時(shí)能見(jiàn)度、日極大風(fēng)速、是否降雨、降雨量級(jí)、日照時(shí)數(shù)共14類氣象要素，其中，根據(jù)24 h降雨量(08—08時(shí))，當(dāng)降雨量<0.1 mm時(shí)，是否降雨和降雨量級(jí)這兩類要素賦值為0；當(dāng)降雨量≥0.1 mm，是否降雨這類要素賦值為1；當(dāng)0.1 mm≤降雨量≤9.9 mm時(shí)，降雨量級(jí)賦值為1；當(dāng)10 mm≤降雨量≤24.9 mm時(shí)，降雨量級(jí)賦值為2；當(dāng)25 mm≤降雨量≤49.9 mm時(shí)，降雨量級(jí)賦值為3；當(dāng)50 mm≤降雨量≤99.9 mm時(shí)，降雨量級(jí)賦值為4；當(dāng)降雨量≥100 mm時(shí)，降雨量級(jí)賦值為5。日照時(shí)數(shù)值為0時(shí)，賦值為0；將其余值不為0的日照時(shí)數(shù)4等分，當(dāng)0 h<日照時(shí)數(shù)≤3.2 h時(shí)，賦值為1；當(dāng)3.2 h<日照時(shí)數(shù)≤6.2 h，賦值為2；當(dāng)6.2 h<日照時(shí)數(shù)≤9.2 h，賦值為3；當(dāng)日照時(shí)數(shù)>9.2 h時(shí)，賦值為4；是否降雨、降雨量級(jí)以及日照時(shí)數(shù)這3類要素根據(jù)以上規(guī)則賦值，其余要素均根據(jù)文中給出的單位以數(shù)值形式進(jìn)行因子分析，再通過(guò)logistics回歸的向后LR法剔除Sig大于0.05的因子，最后建立概率模型，其中汛期選取日平均氣溫、日最高氣溫、日平均地溫、日最高地溫、日平均相對(duì)濕度、日最小相對(duì)濕度、是否降雨、降雨量級(jí)共8個(gè)要素，并將其轉(zhuǎn)變?yōu)橛嘘P(guān)溫度、濕度、降雨3個(gè)方面相互獨(dú)立的因子變量F1、F2、F3，其中KMO檢驗(yàn)值為0.723，Bartlett球形檢驗(yàn)Sig小于0.05，前3個(gè)主分量因子的累計(jì)方差貢獻(xiàn)率已達(dá)95.139%；非汛期選取日平均氣壓、日平均氣溫、日最低氣溫、日平均相對(duì)濕度、日最小相對(duì)濕度、日平均地溫、日最低地溫、08時(shí)能見(jiàn)度、日極大風(fēng)速、是否降雨、降雨量級(jí)以及日照時(shí)數(shù)共12個(gè)要素，并將其轉(zhuǎn)變?yōu)橛嘘P(guān)氣壓、溫度、濕度、能見(jiàn)度、風(fēng)力、降雨以及日照7個(gè)方面相互獨(dú)立的因子變量H1、H2、H3、H4、H5、H6、H7，其中KMO檢驗(yàn)值為0.761，Bartlett球形檢驗(yàn)Sig小于0.05，非汛期前7個(gè)主分量因子的累計(jì)方差貢獻(xiàn)率達(dá)98.277%。

汛期和非汛期各因子的方差貢獻(xiàn)率具體如表1。

表1 汛期、非汛期各因子的方差貢獻(xiàn)率Tab.1 The variance contribution rate of each factor in flood season and non-flood season

2.3 因子得分系數(shù)

表2、表3為汛期和非汛期因子得分系數(shù)矩陣以及與各因子有主要相關(guān)性的氣象要素，并根據(jù)這些氣象要素給因子列出一個(gè)適合的名稱。

表2 汛期因子得分系數(shù)以及主要構(gòu)成和名字Tab.2 The factor score coefficients and the main components and names of factors of flood season

表3 非汛期因子得分系數(shù)以及各因子的主要構(gòu)成和名字Tab.3 The factor score coefficients and the main components and names of factors in non-flood season

2.4 概率模型

按照發(fā)生在2010年1月—2018年12月共3 287 d南充市城區(qū)的2 602起交通傷亡事故，其中汛期里，有784 d未發(fā)生傷亡事故，賦值為0，872 d發(fā)生傷亡事故，賦值為1；非汛期共1 625個(gè)樣本，有873 d未發(fā)生傷亡事故，賦值為0，752 d發(fā)生傷亡事故，賦值為1。將因子分析中得到的汛期的3個(gè)因子和非汛期的7個(gè)因子作為自變量, 分別對(duì)樣本進(jìn)行 Logistic回歸分析，對(duì)自變量選擇向后LR方法剔除了非汛期里Sig大于0.05的H6因子，結(jié)果如表4。

表4 logistics回歸模型分析結(jié)果Tab.4 The analysis results of logistics regression model

其中非汛期里常數(shù)項(xiàng)Sig大于0.05，但構(gòu)建模型時(shí)舍去會(huì)影響模型的正確率的判斷，因此不能舍去，得到汛期(P1)和非汛期(P2)氣象要素影響傷亡交通事故發(fā)生的概率模型：

汛期概率模型：

非汛期概率模型：

3 檢驗(yàn)

根據(jù)汛期、非汛期概率模型，分別計(jì)算了2010年1月—2018月12月期間汛期、非汛期逐日事故發(fā)生概率值，當(dāng)發(fā)生計(jì)算結(jié)果值≥0.5時(shí)，判定傷亡事故發(fā)生，當(dāng)值小于0.5時(shí)，判定未發(fā)生傷亡交通事故，將得到的數(shù)據(jù)與實(shí)際交通事故情況比較，若當(dāng)日未發(fā)生事故，與之對(duì)應(yīng)的概率值<0.5，或當(dāng)日發(fā)生事故，與之對(duì)應(yīng)的概率值≥0.5，則模型判斷正確；若當(dāng)日未發(fā)生事故，但與之對(duì)應(yīng)的概率值≥0.5，或當(dāng)日發(fā)生事故，但與之對(duì)應(yīng)的概率值<0.5時(shí)，則屬于模型錯(cuò)判。

根據(jù)以上情況，得到汛期、非汛期的概率模型檢驗(yàn)正確率(表5)：

表5 汛期、非汛期的概率模型檢驗(yàn)正確率Tab.5 The test accuracy of probability models in flood season and non-flood season

通過(guò)檢驗(yàn)可知, 非汛期的準(zhǔn)確率為77.8%，要高于汛期的63.8%，降雨因子全年都有影響，無(wú)論在汛期還是非汛期的概率模型里，對(duì)引發(fā)交通事故的影響都是最大的，因?yàn)闊o(wú)論短時(shí)強(qiáng)降水或者綿綿細(xì)雨都可以致使路面摩擦系數(shù)減小，視野變差；在汛期里，相對(duì)濕度增大會(huì)讓司機(jī)體感不適，注意力難以集中，增大交通安全的風(fēng)險(xiǎn)；高溫天氣促使外出車輛減少，溫度因子減小交通事故傷亡的概率。而在非汛期里，風(fēng)力因子極易影響傷亡交通事故的發(fā)生，濕度因子次之，緊接著是能見(jiàn)度因子，日照因子，最后是溫度因子。

相較于汛期，非汛期的氣象要素對(duì)傷亡交通事故的影響非常顯著的原因在于秋、冬季有低溫冰凍天氣和大霧天氣對(duì)交通事故的影響。

4 小結(jié)

①根據(jù)從南充市交警支隊(duì)交通事故預(yù)防中心獲取的南充市城區(qū)傷亡交通事故案例，選取發(fā)生在2010年1月—2018年12月共3 287 d的2 602起傷亡交通事故作為分析樣本，根據(jù)南充氣候特點(diǎn)將其分為汛期和非汛期，分別將氣象信息降維成幾個(gè)相互獨(dú)立的因子，建立汛期和非汛期的概率模型。

②通過(guò)檢驗(yàn)可知, 非汛期的準(zhǔn)確率為77.8%，要高于汛期的63.8%，降雨因子全年都有影響，對(duì)引發(fā)交通事故的影響都是最大的，無(wú)論短時(shí)強(qiáng)降水或者綿綿細(xì)雨都可以致使路面摩擦系數(shù)減小，視野變差；在汛期里，相對(duì)濕度增大會(huì)讓司機(jī)體感不適，注意力難以集中，增大交通安全的風(fēng)險(xiǎn)；高溫天氣促使外出車輛減少，溫度因子減小傷亡交通事故發(fā)生的概率；而在非汛期里，風(fēng)力因子極易影響傷亡交通事故的發(fā)生，濕度因子次之，緊接著是能見(jiàn)度因子，日照因子，最后是溫度因子。

相較于汛期，非汛期的氣象要素對(duì)傷亡交通事故的影響非常顯著的原因在于秋、冬季有低溫冰凍天氣和大霧天氣對(duì)交通事故的影響。

③本文單純從氣象方面研究了對(duì)城區(qū)交通安全的影響，而交通方面，如車流量、車況以及司機(jī)的狀態(tài)等其他影響因素沒(méi)有進(jìn)一步地研究分析, 今后還有必要對(duì)其他影響機(jī)制做進(jìn)一步的研究。