南充市城區傷亡交通事故的氣象概率模型

李 夢,盧德全,周子欽,孫雷果,劉書慧

(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害四川省重點實驗室，四川 成都 610072)

0 引言

隨著社會經濟的發展，公路交通網絡不斷完善的同時，交通事故案件也明顯增加，而氣象條件對道路安全的影響也日益明顯，據統計，公路交通事故有30%是由惡劣天氣引發的[1]，其中低能見度、道路結冰、高溫、降雨、大風天氣都可以導致公路交通事故、人員傷亡。

許多研究表明，不良天氣環境下更容易引發交通事故[2-3]；Cai等[4]研究者認為雨天可能是對交通安全造成重大負面影響的因素之一，并以此建立了雨天駕駛風險的定量模型；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關系；Anna K[6]等研究結果顯示，霜凍日數的減少將使因路面摩擦系數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致交通事故受傷率上升的效果明顯。由于全國地區跨度大，各地氣候不同，影響交通事故發生的氣象條件也不同。很多研究者研究并建立了國內相關交通氣象各種災害預警指標和預報模型：羅慧等[8]通過研究分析氣象因素對公路交通事故的影響，建立了合理有效的預警模型；吉廷艷等[9]研究并建立了貴州高等級公路交通氣象指數預報方法；袁成松等[10]建立滬寧高速公路的高溫預警指標和預報模型；白永清等[11]研究擬定了交通事故增長的臨界氣象指標。

不良天氣與交通事故的條件關系的研究較多[12-14]，但很少有研究者將涉及人員傷亡這類比較嚴重的交通事故從總交通事故中挑選出來并與不利天氣的關系進行研究。本文通過運用14類氣象要素進行因子分析，對南充市城區傷亡交通事故按照汛期和非汛期進行二元logistics回歸，通過向后LR法判斷因子是否通過顯著性水平進行因子取舍，進而建立氣象要素引發南充市城區傷亡交通事故的概率模型，通過氣象要素的變化預警發生傷亡交通事故的可能性，對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交通安全的影響，對于交通安全運營科學決策有深遠的指導意義。

1 數據處理

1.1 傷亡交通事故量

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

1.2 logistic回歸模型

線性回歸是統計分析方法中最常見的分析方法，但是它有很多重要的假設條件：自變量和因變量都是連續變量，而每日傷亡交通事故量并不是連續變量，并且影響傷亡交通事故的氣象因子中包含有定性分類數據，例如是否降水數據，因此，建立多元線性回歸模型[15]的方法并不適應。而本文采用的logistics回歸模型適用于這類數據的研究，同時避免了因變量不是連續變量的問題，并且該回歸模型對定性分類數據和連續變量的因子都適用。

二元logistic回歸模型是指對因變量二分類的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生，y=0表示傷亡交通事故未發生，通過logistic模型將問題轉化為多個氣象要素在一定時間內影響城區傷亡事故發生的概率，值處于[0，1] 之間，根據樣本數據使用最大似然估計法估計出各參數值。

logistic回歸模型的數學表達式為:

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

由于logistics回歸要求各自變量相互獨立，本文在構建模型之前要把氣象要素進行因子分析[16], 把多個氣象要素變量降維為幾個相互獨立的變量，用因子變量來替代原來的變量進行logistic回歸，數據處理主要應用IBM SPSS Statistics軟件進行處理。

1.3 樣本數據的分類

不同的季節影響交通事故的主要氣象因子不同，夏季高溫多雨、冬季低溫少雨，而南充的氣候特點主要表現為：5—10月氣候炎熱，降水較多，多短時強降水；11月—次年4月氣溫較低，降水較少，多陰雨綿綿天氣，本文根據南充氣候特點分為汛期和非汛期兩個時期，2010—2018年每年的5—10月，簡稱為汛期，每年的11月—次年4月，簡稱為非汛期，以此來分別分析研究，其中汛期共1 656個樣本，有784 d未發生傷亡事故，872 d發生傷亡事故，期間共發生1 409起傷亡交通事故；非汛期共1 631個樣本，舍去了6個缺少氣象數據的樣本，有873 d未發生傷亡事故，752 d發生傷亡事故，期間共發生1 187起傷亡交通事故，如圖1。

圖1 汛期和非汛期未發生傷亡事故和發生傷亡事故天數對比圖Fig.1 The comparison of the number of days without casualty accidents and casualty accidents in flood season and non-flood season

2 預報模型的建立

2.1 氣象因子的選擇

城區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交通事故。不利的氣象條件一般包括：強降水、高溫、低溫冰凍、大風、大霧等惡劣天氣。本文根據交通事故資料和氣象資料，對不利的氣象條件進行了統計分析。

結果表明，在汛期里，雨日的平均傷亡交通事故案例數比汛期總平均交通事故案例數高出23.2%，降雨可以致使路面摩擦系數減小，能見度減小，增大交通安全的隱患；潮濕天氣(最低相對濕度≥70%)的平均傷亡交通事故案例數也比汛期總平均高出了12.6%，相對濕度的增大會讓駕駛員體感不適，注意力難以集中，增大交通隱患的風險；而高溫日(最高氣溫>35 ℃)的平均傷亡交通事故案例數比汛期的總平均數反而低了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，進而減小傷亡交通事故發生的概率；而氣壓對交通安全沒有明顯的影響，無論低于平均氣壓還是高于該氣壓的天數里，各自的平均傷亡交通事故案例數都與汛期總平均相對持平。

在非汛期里，雨日的平均傷亡交通事故案例數明顯地比非汛期總平均高55.1%，降雨對于交通安全全年都有影響，之所以非汛期里降雨對交通安全的影響那么明顯，是因為汛期有較多短時強降水，很多人傾向于避雨，減少出行的機會，而非汛期多綿綿細雨天氣，司機不會減少出行的機會；潮濕天氣也是全年有影響，平均傷亡交通事故案例數高出了33.6%；而低溫(地面溫度≤0 ℃)天氣里，平均傷亡交通事故案例數比非汛期總平均高77.3%，影響那么明顯主要是因為兩方面，第一是夜間輻射降溫較大，引起霜凍天氣，造成路面摩擦系數減小；第二是冷空氣影響，氣溫驟降，引起冰凍，造成路面摩擦系數減小，并且冷空氣影響時多伴隨著降雨和大風天氣，道路情況和交通視線條件會更加不利；而大風天氣(極大風速>8 m/s)的平均傷亡交通事故案例數也是高出了19.8%，由于能見度資料中02時、14時、20時的能見度數據不完整，所以選用08時能見度數據，在能見度低于500 m的大霧天里，平均傷亡交通事故案例數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，能見度減小會增大傷亡交通事故發生的概率；氣壓則與汛期一樣，無論低于平均氣壓還是高于該氣壓的天數里，各自的平均傷亡交通事故案例數都與非汛期總平均相對持平。

2.2 因子分析

根據以上的數據統計結果，在對地面摩擦系數、交通視線以及人體素質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、日平均相對濕度、日最小相對濕度、日平均地溫、日最高地溫、日最低地溫、08時能見度、日極大風速、是否降雨、降雨量級、日照時數共14類氣象要素，其中，根據24 h降雨量(08—08時)，當降雨量<0.1 mm時，是否降雨和降雨量級這兩類要素賦值為0；當降雨量≥0.1 mm，是否降雨這類要素賦值為1；當0.1 mm≤降雨量≤9.9 mm時，降雨量級賦值為1；當10 mm≤降雨量≤24.9 mm時，降雨量級賦值為2；當25 mm≤降雨量≤49.9 mm時，降雨量級賦值為3；當50 mm≤降雨量≤99.9 mm時，降雨量級賦值為4；當降雨量≥100 mm時，降雨量級賦值為5。日照時數值為0時，賦值為0；將其余值不為0的日照時數4等分，當0 h<日照時數≤3.2 h時，賦值為1；當3.2 h<日照時數≤6.2 h，賦值為2；當6.2 h<日照時數≤9.2 h，賦值為3；當日照時數>9.2 h時，賦值為4；是否降雨、降雨量級以及日照時數這3類要素根據以上規則賦值，其余要素均根據文中給出的單位以數值形式進行因子分析，再通過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、日平均相對濕度、日最小相對濕度、是否降雨、降雨量級共8個要素，并將其轉變為有關溫度、濕度、降雨3個方面相互獨立的因子變量F1、F2、F3，其中KMO檢驗值為0.723，Bartlett球形檢驗Sig小于0.05，前3個主分量因子的累計方差貢獻率已達95.139%；非汛期選取日平均氣壓、日平均氣溫、日最低氣溫、日平均相對濕度、日最小相對濕度、日平均地溫、日最低地溫、08時能見度、日極大風速、是否降雨、降雨量級以及日照時數共12個要素，并將其轉變為有關氣壓、溫度、濕度、能見度、風力、降雨以及日照7個方面相互獨立的因子變量H1、H2、H3、H4、H5、H6、H7，其中KMO檢驗值為0.761，Bartlett球形檢驗Sig小于0.05，非汛期前7個主分量因子的累計方差貢獻率達98.277%。

汛期和非汛期各因子的方差貢獻率具體如表1。

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

2.3 因子得分系數

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

表2 汛期因子得分系數以及主要構成和名字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以及各因子的主要構成和名字Tab.3 The factor score coefficients and the main components and names of factors in non-flood season

2.4 概率模型

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

表4 logistics回歸模型分析結果Tab.4 The analysis results of logistics regression model

其中非汛期里常數項Sig大于0.05，但構建模型時舍去會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生的概率模型：

汛期概率模型：

非汛期概率模型：

3 檢驗

根據汛期、非汛期概率模型，分別計算了2010年1月—2018月12月期間汛期、非汛期逐日事故發生概率值，當發生計算結果值≥0.5時，判定傷亡事故發生，當值小于0.5時，判定未發生傷亡交通事故，將得到的數據與實際交通事故情況比較，若當日未發生事故，與之對應的概率值<0.5，或當日發生事故，與之對應的概率值≥0.5，則模型判斷正確；若當日未發生事故，但與之對應的概率值≥0.5，或當日發生事故，但與之對應的概率值<0.5時，則屬于模型錯判。

根據以上情況，得到汛期、非汛期的概率模型檢驗正確率(表5)：

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

通過檢驗可知, 非汛期的準確率為77.8%，要高于汛期的63.8%，降雨因子全年都有影響，無論在汛期還是非汛期的概率模型里，對引發交通事故的影響都是最大的，因為無論短時強降水或者綿綿細雨都可以致使路面摩擦系數減小，視野變差；在汛期里，相對濕度增大會讓司機體感不適，注意力難以集中，增大交通安全的風險；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，風力因子極易影響傷亡交通事故的發生，濕度因子次之，緊接著是能見度因子，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交通事故的影響。

4 小結

①根據從南充市交警支隊交通事故預防中心獲取的南充市城區傷亡交通事故案例，選取發生在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，根據南充氣候特點將其分為汛期和非汛期，分別將氣象信息降維成幾個相互獨立的因子，建立汛期和非汛期的概率模型。

②通過檢驗可知, 非汛期的準確率為77.8%，要高于汛期的63.8%，降雨因子全年都有影響，對引發交通事故的影響都是最大的，無論短時強降水或者綿綿細雨都可以致使路面摩擦系數減小，視野變差；在汛期里，相對濕度增大會讓司機體感不適，注意力難以集中，增大交通安全的風險；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生的概率；而在非汛期里，風力因子極易影響傷亡交通事故的發生，濕度因子次之，緊接著是能見度因子，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交通事故的影響。

③本文單純從氣象方面研究了對城區交通安全的影響，而交通方面，如車流量、車況以及司機的狀態等其他影響因素沒有進一步地研究分析, 今后還有必要對其他影響機制做進一步的研究。