南充市城区伤亡交通事故的气象概率模型

李 梦,卢德全,周子钦,孙雷果,刘书慧

(1.四川省南充市气象局，四川 南充 637000；2.高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072)

0 引言

随着社会经济的发展，公路交通网络不断完善的同时，交通事故案件也明显增加，而气象条件对道路安全的影响也日益明显，据统计，公路交通事故有30%是由恶劣天气引发的[1]，其中低能见度、道路结冰、高温、降雨、大风天气都可以导致公路交通事故、人员伤亡。

许多研究表明，不良天气环境下更容易引发交通事故[2-3]；Cai等[4]研究者认为雨天可能是对交通安全造成重大负面影响的因素之一，并以此建立了雨天驾驶风险的定量模型；Moses等[5]研究表明道路交通事故总量与降雨量和气温存在函数关系；Anna K[6]等研究结果显示，霜冻日数的减少将使因路面摩擦系数小而引起的交通事故明显减少；Won-Kyung Lee等[7]研究表明低温冰冻天气导致交通事故受伤率上升的效果明显。由于全国地区跨度大，各地气候不同，影响交通事故发生的气象条件也不同。很多研究者研究并建立了国内相关交通气象各种灾害预警指标和预报模型：罗慧等[8]通过研究分析气象因素对公路交通事故的影响，建立了合理有效的预警模型；吉廷艳等[9]研究并建立了贵州高等级公路交通气象指数预报方法；袁成松等[10]建立沪宁高速公路的高温预警指标和预报模型；白永清等[11]研究拟定了交通事故增长的临界气象指标。

不良天气与交通事故的条件关系的研究较多[12-14]，但很少有研究者将涉及人员伤亡这类比较严重的交通事故从总交通事故中挑选出来并与不利天气的关系进行研究。本文通过运用14类气象要素进行因子分析，对南充市城区伤亡交通事故按照汛期和非汛期进行二元logistics回归，通过向后LR法判断因子是否通过显著性水平进行因子取舍，进而建立气象要素引发南充市城区伤亡交通事故的概率模型，通过气象要素的变化预警发生伤亡交通事故的可能性，对交通气象安全情况有着更为清晰明确的判断，防范和减少不利天气对交通安全的影响，对于交通安全运营科学决策有深远的指导意义。

1 数据处理

1.1 伤亡交通事故量

根据从南充市交警支队交通事故预防中心获取的南充市城区伤亡交通事故案例资料，本文选取了发生在2010年1月—2018年12月期间共3 287 d的2 602起伤亡交通事故，其中没有发生伤亡交通事故有1 660 d，占总天数的50.5%，发生了伤亡交通事故共有1 627 d，占总天数的49.5%。

1.2 logistic回归模型

线性回归是统计分析方法中最常见的分析方法，但是它有很多重要的假设条件：自变量和因变量都是连续变量，而每日伤亡交通事故量并不是连续变量，并且影响伤亡交通事故的气象因子中包含有定性分类数据，例如是否降水数据，因此，建立多元线性回归模型[15]的方法并不适应。而本文采用的logistics回归模型适用于这类数据的研究，同时避免了因变量不是连续变量的问题，并且该回归模型对定性分类数据和连续变量的因子都适用。

二元logistic回归模型是指对因变量二分类的logistic回归模型，便于使用也易于解释。在本文中，y=1表示伤亡交通事故发生，y=0表示伤亡交通事故未发生，通过logistic模型将问题转化为多个气象要素在一定时间内影响城区伤亡事故发生的概率，值处于[0，1] 之间，根据样本数据使用最大似然估计法估计出各参数值。

logistic回归模型的数学表达式为:

其中P(y =1)表示事件发生的概率，ai为待估参数，xi为气象要素，i=1，…，n。

由于logistics回归要求各自变量相互独立，本文在构建模型之前要把气象要素进行因子分析[16], 把多个气象要素变量降维为几个相互独立的变量，用因子变量来替代原来的变量进行logistic回归，数据处理主要应用IBM SPSS Statistics软件进行处理。

1.3 样本数据的分类

不同的季节影响交通事故的主要气象因子不同，夏季高温多雨、冬季低温少雨，而南充的气候特点主要表现为：5—10月气候炎热，降水较多，多短时强降水；11月—次年4月气温较低，降水较少，多阴雨绵绵天气，本文根据南充气候特点分为汛期和非汛期两个时期，2010—2018年每年的5—10月，简称为汛期，每年的11月—次年4月，简称为非汛期，以此来分别分析研究，其中汛期共1 656个样本，有784 d未发生伤亡事故，872 d发生伤亡事故，期间共发生1 409起伤亡交通事故；非汛期共1 631个样本，舍去了6个缺少气象数据的样本，有873 d未发生伤亡事故，752 d发生伤亡事故，期间共发生1 187起伤亡交通事故，如图1。

图1 汛期和非汛期未发生伤亡事故和发生伤亡事故天数对比图Fig.1 The comparison of the number of days without casualty accidents and casualty accidents in flood season and non-flood season

2 预报模型的建立

2.1 气象因子的选择

城区交通事故受很多因素影响，目前大量研究表明：不利的气象条件更容易引发交通事故。不利的气象条件一般包括：强降水、高温、低温冰冻、大风、大雾等恶劣天气。本文根据交通事故资料和气象资料，对不利的气象条件进行了统计分析。

结果表明，在汛期里，雨日的平均伤亡交通事故案例数比汛期总平均交通事故案例数高出23.2%，降雨可以致使路面摩擦系数减小，能见度减小，增大交通安全的隐患；潮湿天气(最低相对湿度≥70%)的平均伤亡交通事故案例数也比汛期总平均高出了12.6%，相对湿度的增大会让驾驶员体感不适，注意力难以集中，增大交通隐患的风险；而高温日(最高气温>35 ℃)的平均伤亡交通事故案例数比汛期的总平均数反而低了18.1%，其原因在于高温炎热天气促使外出人员减少，出行车辆也随之减少，进而减小伤亡交通事故发生的概率；而气压对交通安全没有明显的影响，无论低于平均气压还是高于该气压的天数里，各自的平均伤亡交通事故案例数都与汛期总平均相对持平。

在非汛期里，雨日的平均伤亡交通事故案例数明显地比非汛期总平均高55.1%，降雨对于交通安全全年都有影响，之所以非汛期里降雨对交通安全的影响那么明显，是因为汛期有较多短时强降水，很多人倾向于避雨，减少出行的机会，而非汛期多绵绵细雨天气，司机不会减少出行的机会；潮湿天气也是全年有影响，平均伤亡交通事故案例数高出了33.6%；而低温(地面温度≤0 ℃)天气里，平均伤亡交通事故案例数比非汛期总平均高77.3%，影响那么明显主要是因为两方面，第一是夜间辐射降温较大，引起霜冻天气，造成路面摩擦系数减小；第二是冷空气影响，气温骤降，引起冰冻，造成路面摩擦系数减小，并且冷空气影响时多伴随着降雨和大风天气，道路情况和交通视线条件会更加不利；而大风天气(极大风速>8 m/s)的平均伤亡交通事故案例数也是高出了19.8%，由于能见度资料中02时、14时、20时的能见度数据不完整，所以选用08时能见度数据，在能见度低于500 m的大雾天里，平均伤亡交通事故案例数比非汛期总平均高出了46.5%，主要原因是秋冬季多大雾天气，能见度减小会增大伤亡交通事故发生的概率；气压则与汛期一样，无论低于平均气压还是高于该气压的天数里，各自的平均伤亡交通事故案例数都与非汛期总平均相对持平。

2.2 因子分析

根据以上的数据统计结果，在对地面摩擦系数、交通视线以及人体素质有影响的气象要素中，选取了14类气象要素，分别是日平均气压、日平均气温、日最高气温、日最低气温、日平均相对湿度、日最小相对湿度、日平均地温、日最高地温、日最低地温、08时能见度、日极大风速、是否降雨、降雨量级、日照时数共14类气象要素，其中，根据24 h降雨量(08—08时)，当降雨量<0.1 mm时，是否降雨和降雨量级这两类要素赋值为0；当降雨量≥0.1 mm，是否降雨这类要素赋值为1；当0.1 mm≤降雨量≤9.9 mm时，降雨量级赋值为1；当10 mm≤降雨量≤24.9 mm时，降雨量级赋值为2；当25 mm≤降雨量≤49.9 mm时，降雨量级赋值为3；当50 mm≤降雨量≤99.9 mm时，降雨量级赋值为4；当降雨量≥100 mm时，降雨量级赋值为5。日照时数值为0时，赋值为0；将其余值不为0的日照时数4等分，当0 h<日照时数≤3.2 h时，赋值为1；当3.2 h<日照时数≤6.2 h，赋值为2；当6.2 h<日照时数≤9.2 h，赋值为3；当日照时数>9.2 h时，赋值为4；是否降雨、降雨量级以及日照时数这3类要素根据以上规则赋值，其余要素均根据文中给出的单位以数值形式进行因子分析，再通过logistics回归的向后LR法剔除Sig大于0.05的因子，最后建立概率模型，其中汛期选取日平均气温、日最高气温、日平均地温、日最高地温、日平均相对湿度、日最小相对湿度、是否降雨、降雨量级共8个要素，并将其转变为有关温度、湿度、降雨3个方面相互独立的因子变量F1、F2、F3，其中KMO检验值为0.723，Bartlett球形检验Sig小于0.05，前3个主分量因子的累计方差贡献率已达95.139%；非汛期选取日平均气压、日平均气温、日最低气温、日平均相对湿度、日最小相对湿度、日平均地温、日最低地温、08时能见度、日极大风速、是否降雨、降雨量级以及日照时数共12个要素，并将其转变为有关气压、温度、湿度、能见度、风力、降雨以及日照7个方面相互独立的因子变量H1、H2、H3、H4、H5、H6、H7，其中KMO检验值为0.761，Bartlett球形检验Sig小于0.05，非汛期前7个主分量因子的累计方差贡献率达98.277%。

汛期和非汛期各因子的方差贡献率具体如表1。

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

2.3 因子得分系数

表2、表3为汛期和非汛期因子得分系数矩阵以及与各因子有主要相关性的气象要素，并根据这些气象要素给因子列出一个适合的名称。

表2 汛期因子得分系数以及主要构成和名字Tab.2 The factor score coefficients and the main components and names of factors of flood season

表3 非汛期因子得分系数以及各因子的主要构成和名字Tab.3 The factor score coefficients and the main components and names of factors in non-flood season

2.4 概率模型

按照发生在2010年1月—2018年12月共3 287 d南充市城区的2 602起交通伤亡事故，其中汛期里，有784 d未发生伤亡事故，赋值为0，872 d发生伤亡事故，赋值为1；非汛期共1 625个样本，有873 d未发生伤亡事故，赋值为0，752 d发生伤亡事故，赋值为1。将因子分析中得到的汛期的3个因子和非汛期的7个因子作为自变量, 分别对样本进行 Logistic回归分析，对自变量选择向后LR方法剔除了非汛期里Sig大于0.05的H6因子，结果如表4。

表4 logistics回归模型分析结果Tab.4 The analysis results of logistics regression model

其中非汛期里常数项Sig大于0.05，但构建模型时舍去会影响模型的正确率的判断，因此不能舍去，得到汛期(P1)和非汛期(P2)气象要素影响伤亡交通事故发生的概率模型：

汛期概率模型：

非汛期概率模型：

3 检验

根据汛期、非汛期概率模型，分别计算了2010年1月—2018月12月期间汛期、非汛期逐日事故发生概率值，当发生计算结果值≥0.5时，判定伤亡事故发生，当值小于0.5时，判定未发生伤亡交通事故，将得到的数据与实际交通事故情况比较，若当日未发生事故，与之对应的概率值<0.5，或当日发生事故，与之对应的概率值≥0.5，则模型判断正确；若当日未发生事故，但与之对应的概率值≥0.5，或当日发生事故，但与之对应的概率值<0.5时，则属于模型错判。

根据以上情况，得到汛期、非汛期的概率模型检验正确率(表5)：

表5 汛期、非汛期的概率模型检验正确率Tab.5 The test accuracy of probability models in flood season and non-flood season

通过检验可知, 非汛期的准确率为77.8%，要高于汛期的63.8%，降雨因子全年都有影响，无论在汛期还是非汛期的概率模型里，对引发交通事故的影响都是最大的，因为无论短时强降水或者绵绵细雨都可以致使路面摩擦系数减小，视野变差；在汛期里，相对湿度增大会让司机体感不适，注意力难以集中，增大交通安全的风险；高温天气促使外出车辆减少，温度因子减小交通事故伤亡的概率。而在非汛期里，风力因子极易影响伤亡交通事故的发生，湿度因子次之，紧接着是能见度因子，日照因子，最后是温度因子。

相较于汛期，非汛期的气象要素对伤亡交通事故的影响非常显著的原因在于秋、冬季有低温冰冻天气和大雾天气对交通事故的影响。

4 小结

①根据从南充市交警支队交通事故预防中心获取的南充市城区伤亡交通事故案例，选取发生在2010年1月—2018年12月共3 287 d的2 602起伤亡交通事故作为分析样本，根据南充气候特点将其分为汛期和非汛期，分别将气象信息降维成几个相互独立的因子，建立汛期和非汛期的概率模型。

②通过检验可知, 非汛期的准确率为77.8%，要高于汛期的63.8%，降雨因子全年都有影响，对引发交通事故的影响都是最大的，无论短时强降水或者绵绵细雨都可以致使路面摩擦系数减小，视野变差；在汛期里，相对湿度增大会让司机体感不适，注意力难以集中，增大交通安全的风险；高温天气促使外出车辆减少，温度因子减小伤亡交通事故发生的概率；而在非汛期里，风力因子极易影响伤亡交通事故的发生，湿度因子次之，紧接着是能见度因子，日照因子，最后是温度因子。

相较于汛期，非汛期的气象要素对伤亡交通事故的影响非常显著的原因在于秋、冬季有低温冰冻天气和大雾天气对交通事故的影响。

③本文单纯从气象方面研究了对城区交通安全的影响，而交通方面，如车流量、车况以及司机的状态等其他影响因素没有进一步地研究分析, 今后还有必要对其他影响机制做进一步的研究。