吉林省高速公路交通事故與氣象要素的關系研究

李云峰 謝勇 金順梅 劉野軍

(1.吉林省氣象服務中心，吉林 長春 130062； 2.吉林省突發(fā)事件預警信息發(fā)布中心，吉林 長春 130062)

引言

隨著社會的進步,人們生活水平不斷提高，高速公路作為人們出行的重要方式已不可或缺。2009年底全國高速公路通車里程僅6.5×104km，吉林省為1850 km；到2019年底全國高速公路里程超過14×104km，吉林省也達到3582 km[1]，11 a間通車里程約翻一番。隨著高速公路建設加快、通車里程的增加，高速公路事故成因越來越復雜，行車安全問題也越來越突出，國內(nèi)外情況大致相同[2-3]，中國交通事故有近30%與天氣條件密切相關，如2008年中國南方19個省(區(qū)) 出現(xiàn)了歷史罕見的持續(xù)低溫雨雪冰凍天氣，導致道路交通運輸主要樞紐大面積癱瘓，環(huán)境變化和氣候災害是造成交通事故的主要原因之一[4-5]。

近年來，高速公路氣象服務領域的研究人員嘗試通過大量數(shù)據(jù)信息，評估事故發(fā)生原因，尋求降低事故發(fā)生率的方法，先后開展了冰凍災害風險區(qū)劃研究[6]以及道路結(jié)冰、濃霧等對交通事故的影響分析等方面的研究工作[7-8]。柳艷香等[9]選取了對高速公路交通運行影響最大的氣象因子：低能見度、降雨、冰凍雨雪和大風，通過模糊數(shù)學法和灰色關聯(lián)度等方法的客觀計算，對高速公路交通運行致災的氣象因子危險性進行了研究。張金滿等[10]通過了解河北省公路交通氣象災害風險和服務需求，采用問卷調(diào)查、實地觀察、專家評估和對比分析法，得到了高速公路的隱患路段和主要影響天氣要素；田華等[11]利用滬寧高速公路沿線梅村和仙人山站附近的逐分鐘路面溫度、氣溫、濕度、風向、風速、降水氣象資料,分析了梅村和仙人山不同季節(jié)和不同天氣狀況下路面溫度的日變化特征；馬曉剛等[12]利用同一車型，在同一種標準柏油公路上進行不同車速和不同降水條件制動效果的測試，建立了路面濕滑氣象等級；李蘭蘭等[13]對泰安交通站的天氣現(xiàn)象、路面狀況、防滑系數(shù)、路面溫度、氣溫和降水量等要素進行統(tǒng)計分析，建立了高速公路道路濕滑指數(shù)和結(jié)冰指數(shù)的分級預報方法，并給出分級標準。林毅等[14-15]、羅慧等[16]也分別對不良氣象條件下高速公路服務及預警模型進行了研究，取得了一些卓有成效的成果。上述研究內(nèi)容雖然氣象數(shù)據(jù)較為全面，但偏向于尋求一種或少數(shù)幾種氣象要素與交通事故間的關系，且對高速安全性影響分析較少。本文利用k-均值聚類分析法對高維氣象要素數(shù)據(jù)進行分類、聚類和特征選擇，不僅誤差更小，而且可解釋性更高，能很好的幫助分析交通事故與各氣象要素間的關系，通過此方法分析得出了吉林省近11 a來高速公路的時空分布特征。同時對事故比進行了定義，大大降低了由于事故本身發(fā)生的概率問題可能造成的研究結(jié)果與實際發(fā)生偏差較大的情況發(fā)生，計算得出了高速公路行車安全氣象等級。

1 資料與方法

1.1 資料

選取2009—2019年吉林省27條主要高速公路逐日發(fā)生的交通事故資料(由吉林省公安廳高速公路公安局提供)，包括簡易事故(未發(fā)生人員傷亡)和一般事故(有人員傷亡)發(fā)生的事故時間、地點、天氣現(xiàn)象和認定原因等計27504起。每起資料中均含有“天氣”表屬性且值唯一，選取高速公路事故路段臨近5 km內(nèi)的國家級氣象站觀測資料(圖1)，包括降雨量、降雪量、能見度、風力以及天氣現(xiàn)象(晴、陰、雨、雪、霧、霾、大風、沙塵、冰雹、其他)等進行資料修正。修正方法：兩者資料一致時“天氣”表屬性取相同值，不一致時“天氣”表屬性取氣象站觀測值。以“天氣”取值為代表的天氣現(xiàn)象作為事故分類依據(jù)，將修正后的近11 a高速公路事故資料中“天氣”取值為“晴”和“其他”的資料剔除，得到包括陰、雨、雪、霧、霾、大風、沙塵、冰雹等8類8253起資料作為研究樣本。依據(jù)氣候季節(jié)劃分標準[17]：春季(4—5月)、夏季(6—8月)、秋季(9—10月)、冬季(11月至次年3月)。

圖1 吉林省高速公路事故路段臨近氣象站點分布Fig.1 Distribution of meteorological stations near accident section of highway in Jilin province

1.2 方法

1.2.1k-均值聚類分析法

k-均值聚類分析法[18]是一種迭代求解的聚類分析算法，其步驟是：預將數(shù)據(jù)分為k組，則隨機選取k個對象作為初始的聚類中心，然后計算每個對象與各子聚類中心間的距離，把每個對象分配給距離它最近的聚類中心，聚類中心以及分配給它們的對象就代表一個聚類。本文引入k-均值聚類分析法，對數(shù)據(jù)樣本進行深度挖掘，主要用于氣象要素影響下交通事故的分析。由于高速公路上現(xiàn)有的交通氣象站點較少，本文選取臨近5 km內(nèi)交通事故點的24個具有代表性的氣象站點作為研究對象?；诮煌ㄊ鹿识嗯c突發(fā)或延續(xù)的天氣有關，且不同海拔周圍的植被分布不同，形成天氣現(xiàn)象的機理不同，對交通事故的影響程度和受災程度也存在差異，因此有必要將數(shù)據(jù)“降維”處理，使得類別內(nèi)數(shù)據(jù)的“差異”盡可能小，類別間“差異”盡可能大。

1.2.2 數(shù)據(jù)標準化

由于影響交通安全指數(shù)的氣象要素較多，且不同的氣象要素單位不同，影響程度也不同，為了消除量綱影響、變量自身變異和數(shù)值大小影響，將數(shù)據(jù)標準化，引入公式[19]如下：

(1)

式(1)中,Xi為某一因子第i年的標準化值；Xk為某一致災因子第i年的原始值；X為相應致災因子的i年平均值；i為年份；n為總年數(shù)。

1.2.3 事故比

對某一氣象要素影響下的交通事故進行分析時，如果直接將氣象站點觀測到的該氣象要素某段取值區(qū)間內(nèi)發(fā)生的事故數(shù)作為研究對象，而不考慮事故本身發(fā)生的概率問題，可能導致研究結(jié)果與實際發(fā)生偏差較大。采用事故比方法，設定計算公式如下：

(2)

式(2)中，m為氣象站點觀測到的該氣象要素某段取值區(qū)間內(nèi)發(fā)生的事故數(shù)；n為氣象站點觀測到的該氣象要素某段取值區(qū)間的總天數(shù)；k為用發(fā)生交通事故時出現(xiàn)的天氣現(xiàn)象次數(shù)與該站點出現(xiàn)此天氣現(xiàn)象出現(xiàn)的總天數(shù)比來確定各氣象要素的影響程度。

1.2.4 主成分分析法

主成分分析法旨在通過降維，將多個指標轉(zhuǎn)化為幾個綜合性指標，計算得出的主分成得分可以客觀反映樣本的好壞程度。本文在對雨、雪等天氣現(xiàn)象發(fā)生頻次的空間分布特征研究時引用此方法。通過整理吉林省近11 a高速公路事故資料，提取同一時段事故發(fā)生路段臨近24個氣象站點的雨、雪等氣象觀測數(shù)據(jù)，計算出高速公路事故發(fā)生路段與雨、雪等天氣現(xiàn)象影響因子間的成分矩陣和特征值，再利用矩陣乘法得到相應路段受雨、雪等天氣現(xiàn)象影響的主成分得分，最后按照得分高低進行分級，以此作為雨、雪等級劃分的依據(jù)。

1.2.5 氣象要素等級劃分方法

本文2.2.5中運用到此方法，按照吉林省公安廳高速公路公安局要求將高速公路行車安全氣象等級劃分為四級：極易引起事故、易引起事故、較易引起事故和不易引起事故。各氣象要素不同量級的等級劃分方法如下：首先，確定某氣象要素的量級“尺度”，如確定日降雨量的量級“尺度”為0.1 mm，則日降雨量劃分為0—0.1 mm、0.1—0.2 mm、0.2—0.3 mm等不同量級的取值區(qū)間；統(tǒng)計近11 a該氣象要素在不同取值區(qū)間發(fā)生的事故數(shù)和對應氣象站點的觀測日天數(shù)，并運用1.2.3方法計算出兩者的事故比；將事故比相似或相近的取值區(qū)間合并成4個等級；最后將4個等級對應的量級取值區(qū)間作為該氣象要素的等級劃分標準。

2 結(jié)果分析

2.1 交通事故時間分布特征

按照不同季節(jié)統(tǒng)計2009—2019年高速公路事故資料中“天氣”取值為“陰、雨、雪、霧、霾、大風、沙塵、冰雹” 8類樣本的事故率(表1)。

表1 2009—2019年吉林省各季節(jié)交通事故與天氣現(xiàn)象關系Table 1 Relationships between traffic accidents and weather phenomena in different seasons from 2009 to 2019 in Jilin province

由表1可知，雪、陰和雨是引起交通事故的主要天氣現(xiàn)象。雪對交通事故的影響最大，事故比占全年的46.69%；陰天在一年中對交通事故均有影響，占全年的25.85%，其中夏、冬兩季的影響較為明顯；雨的影響集中在夏季，雨中、陰天、雪中導致的能見度大幅降低以及雨后、雪后形成的路面濕滑是引起事故的主要原因，前者直接影響司乘人員視線，而后者會大幅降低車輛摩擦系數(shù)；近年來，大風、霧、霾、沙塵等對高速公路行車安全的影響越來越明顯，引起車輛側(cè)翻等大型事故時有發(fā)生，不容忽視。

表2是按月份對不同天氣現(xiàn)象的交通事故樣本數(shù)進行分類統(tǒng)計，從表2可知，事故發(fā)生最多的為11月和2月，11月為秋冬交替期，冷空氣異?；钴S，路面多冰水混合物不易清理，2月事故多發(fā)與春節(jié)期間客運量激增有關，節(jié)后迅速回落；對冬季樣本分析發(fā)現(xiàn)，冬季逐月事故次數(shù)與降雪引起的近似相關，降雪是冬季事故發(fā)生的主要原因；6月起降雨天氣增多，8月達到峰值，接著逐漸回落，汛期期間(每年6—9月)逐月事故次數(shù)與降雨引起的同樣近似相關，降雨是夏秋季事故發(fā)生的主要原因；事故發(fā)生最少的月份為5月，此時正值春季，天氣系統(tǒng)較少且氣候條件較為溫和，能見度較好，適宜出行；另外，將“天氣”取值為“雪”和“雨”的資料剔除后得到的逐月事故次數(shù)與陰天引起的也近似相關，可見陰天也是事故發(fā)生的主要原因之一。

表2 2009—2019年吉林省各月份交通事故與天氣現(xiàn)象關系Table 2 Relationships between traffic accidents and weather phenomena in different months from 2009 to 2019 in Jilin province

從圖2可知，冬季是事故高發(fā)季，事故率為62.12%，冰雪路面是主因；夏季是次高發(fā)季，事故率為18.07%，陰雨天能見度降低和雨后路面濕滑是主因；春秋季事故較少，聯(lián)合事故率為19.81%，春季雨夾雪天氣引起的路面積雪和春秋季陰雨天氣引起的路面濕滑是主因。

圖2 2009—2019年吉林省高速公路交通事故時間分布Fig.2 Temporal distribution of traffic accidents on expressways in Jilin province from 2009 to 2019

綜上所述，雪、陰和雨等天氣現(xiàn)象是引起交通事故的主要原因，降雪影響集中在冬季和初春，降雨影響在汛期比較明顯，陰天在全年均有影響。

2.2 氣象要素與交通事故的關系

2.2.1 降雨與交通事故的關系

提取2009—2019年逐日事故資料中“天氣”取值為“雨”的資料作為降雨日事故數(shù)，計1747起，統(tǒng)計圖1選取的24個氣象站近11 a日降雨量≥0.1 mm的降雨總天數(shù)作為降雨日站點數(shù)，累計21548起，將日降雨量作為衡量降雨影響程度的量化指標，用降雨日事故數(shù)與站點數(shù)的比率作為事故比，見表3。

從表3可知，降雨量級與交通事故的發(fā)生成正比。當日降雨量達到大雨及以上時，事故比最大，為29.53%，降水量的增加易造成路面積水，進而影響汽車行駛的穩(wěn)定性，造成汽車漂移、側(cè)滑等不受控制的情況時有發(fā)生。另外，降雨強度大(急)時能見度極差，容易影響駕駛員的視線，增加了出現(xiàn)交通事故的可能性。

表3 2009—2019年吉林省不同降雨量級的事故數(shù)、降水站點及事故比Table 3 Accident numbers,precipitation stations,and accident ratios for different rainfall intensities from 2009 to 2019 in Jilin province

2.2.2 降雪與交通事故的關系

提取2009—2019年逐日事故資料中“天氣”取值為“雪”的資料作為降雪日事故數(shù)，計4099起，統(tǒng)計臨近5 km內(nèi)24個氣象站近11 a降雪量≥0.1 mm的降雪天數(shù)作為降雪日站點數(shù)，累計14129起，將日降雪量作為衡量降雪影響程度的量化指標，沿用2.2.1方法得到事故比，見表4。

表4 2009—2019年吉林省不同降雪量級的事故數(shù)、降水站點及事故比Table 4 The number of accidents,the number of precipitation stations,and accident ratios for different snowfall intensities from 2009 to 2019 in Jilin province

從表4可知，降雪量級與交通事故的發(fā)生也成正比關系，當日降雪量達到大雪及以上時，事故比最大，為46.6%，易造成路面大面積結(jié)冰或積雪現(xiàn)象，出現(xiàn)交通事故的可能性大。

2.2.3 陰天與交通事故的關系

對2009—2019年逐日事故資料分析發(fā)現(xiàn)，簡易事故資料的原因認定中沒有對能見度的記錄，一般事故資料從2015年起對能見度開始記錄。因此，提取2015—2019年一般事故資料的樣本數(shù)作為站點數(shù)，計776起，其中“天氣”取值為“陰”的資料作為陰天日事故數(shù)，計66起，用陰天日事故數(shù)與站點數(shù)的比率作為事故比，見表5。

表5 2009—2019年吉林省不同能見度的事故數(shù)、站點數(shù)及事故比Table 5 The number of accidents,the number of stations,and accident ratios under different visibilities from 2009 to 2019 in Jilin province %

從表5可知，能見度在200 m以上時，陰天對交通事故的影響很小，可忽略不計；隨著能見度降低，陰天的影響程度在加強，基本成反比關系，能見度降到50 m以下時，事故比最大為30.77%，此時陰天影響最強，說明陰天能見度過低時會直接影響司乘人員視線。

2.2.4 大風與交通事故的關系

提取2009—2019年逐日事故資料中“天氣”取值為“大風”的資料作為大風日事故數(shù)，計32起，其中風力在6級以上(含6級)的大風日事故數(shù)21起，6級以下11起，提取臨近氣象站的大風天數(shù)作為大風日站點數(shù)，用大風日事故數(shù)與站點數(shù)的比率作為事故比(表略)。統(tǒng)計發(fā)現(xiàn)，6級以上(含6級)的大風日事故比是6級以下事故比的62.57倍，因此，風力在6級以下時對交通事故的影響很小，可忽略不計；在6級以上(含6級)時對交通事故的影響明顯。

2.2.5 高速公路行車安全氣象等級劃分

引入1.2.5計算方法，從2.2.1節(jié)至2.2.4節(jié)得出的各氣象要素與交通事故的關系可知，當日降雨量達到大雨及以上、或日降雨雪量達到大雪及以上、或能見度50 m以下、或風力等級達到6級及以上時，極易引起事故；當日降雨量為中雨、或日降雨雪量為中雪、或能見度在50—100 m間、風力等級小于6級時，易引起事故；當日無降雨、或當日無降雪、或能見度200 m以上、風力等級小于6級時，不易引起事故，見表6。

表6 高速公路行車安全氣象等級Table 6 Meteorological grade affecting highway traffic safety

2.3 交通事故空間分布特征

2.3.1 事故資料樣本選取

沿用2.1方法，提取近11 a逐日事故資料中包括陰、雨、雪、霧、霾、大風、沙塵、冰雹等8類事故資料作為研究樣本，分析天氣現(xiàn)象與事故路段之間的關系。

2.3.2 氣象要素影響下交通事故分析

對選取的24個氣象站點近11 a的氣象觀測數(shù)據(jù)進行k-均值聚類分析(圖略)，根據(jù)站點分布初步得出聚類結(jié)果，第1類事故站點主要分布在吉林省北部地區(qū)，影響較輕，屬于低危風險區(qū)域；第2、3類事故站點主要分布在吉林省東部和南部地區(qū)，影響一般，屬于中危風險區(qū)域；第4類事故站點主要分布在吉林省中部地區(qū)，影響嚴重，屬于高危風險區(qū)域。

根據(jù)聚類分析結(jié)果，進一步計算逐條高速公路氣象要素影響下的事故比例，見圖3。

圖3 2009—2019年吉林省不同高速公路路段受天氣條件影響的交通事故發(fā)生情況Fig.3 Accidents occurring on different sections of expressway affected by weather conditions from 2009 to 2019 in Jilin province

從圖3可知，降雪、陰天和降雨等天氣現(xiàn)象對事故路段的影響明顯，這與表1得出的結(jié)論基本一致。

2.3.3 交通事故空間分布特征

對雨、雪天氣現(xiàn)象發(fā)生頻次的空間線性分布進行研究，提取同時段事故路段臨近氣象站點的降雨量、降雪量等氣象觀測值，引入1.2.4主成分分析法(計算略)，將資料提供的易澇隱患點和易結(jié)冰隱患點代入，見圖4和圖5。

圖4 吉林省高速公路降雨交通事故空間分布Fig.4 Spatial distribution of traffic accidents caused by heavy rainfall on expressways in Jilin province

圖5 吉林省高速公路降雪交通事故空間分布Fig.5 Spatial distribution of traffic accidents caused by snowfall on expressways in Jilin province

從圖4可知，長春、公主嶺、德惠、永吉、蛟河站周邊路段主成分得分最高(圖中黑色線條所示)，上述路段降雨天氣影響嚴重，屬于易澇段；安圖、吉林、圖們、農(nóng)安、梨樹站周邊路段主成分得分較高(圖中灰色線條所示)，上述路段降雨天氣影響較嚴重，屬于較易澇段；其他路段主成分得分較低(圖中淺灰色線條所示)，上述路段降雨天氣影響不太嚴重。另外，統(tǒng)計出3處易澇隱患點(圖中三角標注)，分別為琿烏高速(456 km+500 m處)、琿烏高速(395 km+500 m處)、琿烏高速(72 km處)。

從圖5可知，長春、公主嶺、德惠、農(nóng)安、永吉、安圖、圖們等周邊路段主成分得分最高(圖中黑色線條所示)，上述路段降雪天氣影響嚴重，屬于冰雪易發(fā)生段；蛟河、敦化、梨樹、前郭等周邊路段主成分得分較高(圖中灰色線條所示)，上述路段降雪天氣影響較嚴重，屬于冰雪較易發(fā)生段；其他路段主成分得分較低(圖中淺灰色線條所示)，上述路段降雪天氣影響不太嚴重。另外，統(tǒng)計出9處易結(jié)冰隱患點(圖中三角標注)，大多集中在琿烏高速上，不逐一贅述。

結(jié)合降雨、降雪影響路段的分布情況，得到圖6。從圖6可知，一級高危路段(吉林省中部，事故比為65.1%)：琿烏高速、京哈高速，撫長高速、大廣高速、長春市繞城高速、鶴大高速、長深高速，其中琿烏高速是事故發(fā)生最多的路段；二級次高危路段(吉林省東部，事故比20.6%)：長長高速、吉林繞城高速、雙嫩高速、延蒲高速、延龍高速、吉黑高速；三級中危路段(吉林省南部，事故比10.1%)：沈吉高速、集雙高速、通南高速、伊遼高速、營東高速，通沈高速、輝臨高速、鐵科高速、延三高速、牡延高速；四級低危路段(吉林省北部，事故比4.2%)：白城繞城高速、白兆高速、輝白高速、松原繞城高速。

圖6 吉林省高速公路交通事故安全等級風險區(qū)劃Fig.6 Risk zoning of highway traffic accident safety grade in Jilin province

3 結(jié)論與討論

(1)通過分析吉林省高速公路交通事故時間分布特征可知，從季節(jié)上看，冬季是事故高發(fā)季節(jié)，冰雪路面是主因；夏季是次高發(fā)季節(jié)，陰雨天引起的能見度降低和雨后路面濕滑是主因，春秋季事故相對較少；從月份上看，事故發(fā)生最多的為11月和2月，事故發(fā)生最少的月份為5月。雪、陰和雨等天氣現(xiàn)象是引起交通事故的主要原因，降雪影響集中在冬季和初春，降雨影響在汛期比較明顯，陰天在全年均有影響。

(2)通過分析吉林省高速公路受氣象要素影響的交通事故空間分布特征可知，事故空間分布區(qū)域基本劃分為高危、次高危、中危、低危四個等級，中部地區(qū)是高危風險區(qū)域，東部次之，北部事故相對較少，是低危風險區(qū)域，琿烏線上的長春至蛟河、延邊東部是事故發(fā)生最多的路段。

(3)雨、雪天氣對高速公路行車安全影響比較明顯，降雨量級、降雪量級與交通事故的發(fā)生均成正比關系。當日降雨量達到大雨及以上時，降雨事故比達到最大，易造成路面大面積積水，汽車漂移、側(cè)滑等不受控制的情況時有發(fā)生，而且降雨強度大(急)時，能見度極差；當日降雪量達到大雪及以上時，降雪事故比達到最大，易造成路面大面積結(jié)冰或積雪現(xiàn)象。

(4)陰天對高速公路行車安全的影響可以用能見度作為量化指標，能見度在200 m以上時，陰天對交通事故的影響很小，可忽略不計；隨著能見度降低，陰天的影響程度在加強，基本成反比關系，能見度降到50 m以下時，事故比達到最大，此時陰天對交通事故的影響最強，說明陰天能見度過低時會直接影響司乘人員視線。

(5)風力在6級以下時對交通事故的影響很小，可忽略不計；風力在6級以上(含6級)時對交通事故的影響明顯，容易造成車輛側(cè)翻。

(6)非氣象要素對交通事故的影響越來越明顯，當春節(jié)、清明、國慶等節(jié)假日來臨時，車流量劇增，一般事故發(fā)生數(shù)據(jù)不多，但簡易事故發(fā)生數(shù)據(jù)較多，車輛間的剮蹭、追尾等事件時有發(fā)生；當暴雨、暴雪、沙塵暴以及臺風等惡劣天氣出現(xiàn)時，一般、簡易事故的發(fā)生數(shù)據(jù)都不高，出現(xiàn)上述情況時交管部門會采取道路緊急封閉措施，可避免大范圍交通事故的發(fā)生；除此之外，非氣象要素影響還與孕災環(huán)境敏感性(海撥高度、坡度、坡向、多年平均氣溫、多年平均降水等)、承災體暴露度(即客運量、貨運量、路網(wǎng)密度等)諸多要素以及人為主觀判斷等因素有關。一般來說，高速路段形成時間越長、客運量越大、表面路況越復雜，則越危險；反之，形成時間越短、客運量越小、表面路況越簡單則越安全。同時隨著筑路技術(shù)的提升、車輛性能的提高、路網(wǎng)擴建帶來的客運分流能力增強，尤其是人工智能行車技術(shù)的發(fā)展，其對高速公路交通的影響也會隨之改變，只有不斷將新數(shù)據(jù)、新方法運用到研究當中才能有效提高分析結(jié)果的時效性和準確性。