高速公路是国家、地区经济发展的大动脉,事关物资运输、人民出行等诸多方面,其安全性至关重要。气象条件对高速公路管理、安全运营均有着重要的影响(刘聪等,2009;Keay and Simmonds, 2005;邓长菊等,2012),暴雨、大雾、雨雪冰冻等恶劣天气易引发交通事故,造成经济财产损失,严重者甚至造成人员伤亡。国内外许多学者针对影响高速公路的不利天气形成机理及其对公路交通安全的影响特征等方面开展了大量的研究,取得了不少研究成果(Eisenberg,2004;严明良等,2011;尤凤春等,2013;田华等,2019)。王博妮等(2016)分析了江苏沿海高速公路的浓雾气候特征及环流形势背景,指出“象鼻型”先期振荡现象对低能见度稳定维持有很好的预警作用。李迅等(2012)探讨了北京市高速公路道面结冰特征及气象条件,发现路面温度和气温均低于0 ℃,且路面温度略高于气温,环境风速较小时,易出现降雪结冰。林毅等(2018)分析了辽宁省高速公路交通事故发生特征,指出冬季因天气诱发的高速事故数量最多,相对湿度、降雨量与冬季交通事故关系最为密切。张金满等(2016)统计分析了河北省高速公路雪天交通事故分布特征,建立了冰雪天气公路通行条件预警指标。Brijs等(2009)考虑了日尺度上的交通事故量的自相关性影响,并建立了交通事故量预报模型。以往研究发现,不同地域的天气、气候背景有着显著的差异,其对公路交通安全的影响也不尽相同。因此,开展不同研究区域公路交通安全的气象影响因子研究,对保障该地区的交通安全运营具有非常重要的现实意义。
杭金衢高速公路是浙江省高速公路路网的重要组成部分,全长290.5 km,沿线经过杭州、绍兴、金华和衢州4个地市,是浙江省连接中南、西南诸省,接轨上海的交通主动脉,也是浙江省最繁忙、最易拥堵的高速公路之一。本文利用杭金衢高速公路长时间序列的交通事故资料和周边气象观测站点资料,深入分析了公路交通事故与气象条件的关系,并基于主要气象影响因子,建立日事故指数预报模型,以期为公路运营管理和防灾减灾提供参考依据。
1 资料与方法使用的气象资料为2006—2016年逐日的气温、降雨、能见度、风速、相对湿度等观测数据,来源于浙江省气象局。交通事故资料为同期杭金衢高速公路逐日交通事故数据,包含事故起数、经济损失、伤亡人数等,来源于浙江省公路管理局。图 1给出杭金衢高速公路沿线的常规气象站分布(1 km范围内),从中可见,站点沿线分布较为均匀,可代表高速公路的平均天气状况。
根据我国公安部颁布的《关于修订道路交通事故等级划分标准的通知》,交通事故依据经济损失、伤亡人数等划分为4个等级,分别为轻微事故、一般事故、重大事故及特大事故。本文为了考虑不同等级交通事故发生频次的综合影响,定义了综合事故指数,即对各个等级的交通事故频次进行加权求和,具体公式如下
$ T r=\sum\limits_{i=1}^{4} F_{i} \times W_{i} $ | (1) |
式中,Tr为综合事故指数,表征各等级交通事故的影响程度;Fi为第i等级交通事故的发生频次;Wi为第i等级交通事故权重系数;i为交通事故等级,取值为1、2、3、4。这里不同等级交通事故权重Wi的确定,通过收集10名专家的调查意见,利用层次分析法(AHP) (樊运晓等,2001),计算得到第1—4等级的权重系数分别为0.159、0.204、0.266、0.371。
2 杭金衢高速公路交通事故分布特征统计2006—2016年杭金衢高速公路逐日交通事故资料,年平均交通事故为4 192起,不同等级的交通事故分布差异较大,其中一般事故发生频率最高,占事故总数的81.1%,轻微事故、重大事故、特大事故分别占事故总数的15.0%、3.0%、0.9%。图 2给出杭金衢高速公路交通事故的月变化。从中可见,一年各个月份中,10月、1月、2月为交通事故的多发月份,分别占全年总交通事故的12.0%、10.8%、12.0%,3月、6月、7月交通事故发生较少,各月交通事故百分比均低于6.5%。从季节分布特征来看,秋冬季的交通事故发生频率总体较春夏季偏高,其中,冬季(12月—次年2月)所占事故百分比最高,为30.7%,其次为秋季(9—11月),占27. 9%,春季(3—5月)占21.6%,夏季(6—8月)最低,占19.9%。
进一步分析春夏秋冬四个季节交通事故发生频率的差异及其原因,可能与浙江省各季节的气候特点密切相关。冬季冷空气活动频繁,带来的雨(雪)、冰冻天气,对交通安全造成非常不利的影响。另外,浙江省秋冬季常出现区域性大雾天气,也是诱发高速公路交通事故的重要因素之一。春季浙西地区受暖湿气流活跃或地形特征影响,强对流天气频发,而夏季多高温少雨天气,这或是导致春季交通事故量高于夏季的原因。
3 杭金衢高速公路交通事故与气象条件关系分析 3.1 不利天气条件下的交通事故发生特征统计大雾、降雪、冰冻、降雨、大风5种主要不利天气下的杭金衢高速公路交通事故分布特征,为了量化对比各种不利天气对交通事故的影响程度,定义S为交通事故易发指数,具体公式如下
$ S_{k}=\frac{V_{k} / D_{k}}{P / N} $ | (2) |
其中,k=1,2,…,5分别表示大雾、降雪、冰冻、降雨、大风5种不利天气。Vk为某种不利天气下事故发生起数;Dk为某种不利天气的发生日数;P为除了5种不利天气外的其它天气(简称非不利天气)的事故发生起数,P=1 098起·a-1;N为非不利天气的发生日数,N=210 d·a-1;P/N=5.2起·d-1,为非不利天气下每日发生的起数;Sk表示某种不利天气下的事故易发指数,其值越大表明该不利天气下的事故发生频次较非不利天气下的频次越高,即该不利天气下越容易发生交通事故。
表 1给出2006—2016年杭金衢高速公路不同不利天气下的交通事故统计。从中可见,降雨天气下交通事故发生最多,年平均为2 214起,占事故总数的52.7%。冰冻、大雾、降雪天气下交通事故发生起数分别占总事故数的10.6%、5.8%、5.7%,而大风天气诱发的交通事故起数最少,仅占事故总数的0.8%。冰冻、大雾、降雪、降雨不利天气下的事故易发指数均大于1,说明这几种不利天气下事故发生的频次均高于非不利天气的事故发生频次。其中,降雪天气下最易导致交通事故发生,日交通事故发生频次平均达15.5起·d-1,事故易发指数达3.0,即降雪天气的交通事故频次为非不利天气下的3倍。其次分别为冰冻、降雨及大雾天气,事故易发指数分别为2.2、2.0及1.5。大风天气下事故易发指数1.0,即交通事故发生频次和非不利天气下的较为接近,这可能是因为杭金衢高速公路位于浙江西部内陆地区,大风天气少有发生,对交通安全影响相对较小。
图 3给出杭金衢高速公路不利天气下的逐月交通事故分布。从中可见,不同天气下的交通事故发生频次具有明显的月季变化特征。大雾天气下的交通事故在各个月份均有发生,主要集中在11月到次年2月,占大雾天气下事故总数的75.0%。降雨天气下的交通事故起数在各月变化比较平稳,其中,1月、2月因降雨诱发的交通事故最多,月平均事故为268起,7月因降雨引起的交通事故最少,月平均事故为126起,这也说明低温和降雨的联合效应对公路交通安全有较大影响。降雪和冰冻天气仅发生在11月到次年的3月,且主要集中在12月到次年的2月,期间这两种天气下的月平均交通事故分别为78起和141起。大风诱发的交通事故主要集中在春夏季,这是由于受强对流天气或台风的影响。
根据以上分析可知,不利天气的发生具有明显的季节特征,且对交通事故的影响也会随之变化。表 2给出杭金衢高速公路各季节综合事故指数与气象因子的相关系数。从中可见,在一年四季中,各气象因子对综合事故指数的影响具有显著差异。在春季,降雨和风速与综合事故指数呈显著的正相关,而平均气温、最高气温、最低气温和相对湿度与事故指数也呈正相关,但相关并不显著,这也说明春季的强对流天气对杭金衢高速公路的交通安全有较大影响。夏季降雨和相对湿度与事故指数呈正相关,且相关系数均通过了显著性水平为0.01的检验,平均气温和最高气温与事故指数呈负相关,其他气象因子的相关系数均较小,因而降雨是夏季引发杭金衢高速公路交通事故的主要影响天气,同时闷热高温也对公路交通安全产生不利影响。秋季仅有降雨与综合事故指数显著相关,其他气象因子与事故指数的相关性较小,相关系数均没有通过显著性水平检验,这是因为这个季节浙江省气候总体较为适宜,气象灾害较少发生,因而交通事故受气象条件影响较小。在冬季,气象因子对交通事故影响最为显著,其中,相对湿度、降雨量、平均风速与事故指数呈正相关,平均气温、最高气温、最低气温、能见度均呈负相关,且除最低气温外,其他气象因子的相关系数均通过了显著性水平检验。最低气温与事故指数相关性较低可能是因为最低气温一般出现在夜间,此时段车流量较小,因而其对交通事故影响较平均气温偏小。另外,当出现低温雨雪冰冻的极端天气时,交通管理部门会采取封路等交通管制措施,从而降低了交通事故的发生。总之,降雨量与事故指数在一年四季中均呈显著正相关,冬季是交通事故对气象因子响应最敏感的季节,秋季交通事故受气象因子影响最小。
研究发现,交通事故量之间存在自相关性(Ulfarsson and Shankar, 2003;夏敏洁等,2014)。由杭金衢高速公路当日交通事故指数和前期事故指数的相关系数(表略)可知,当日综合事故指数与前一天的事故指数相关最为显著,相关系数达0.63。因此,选取2010—2014年主要气象影响因子及前一天的综合事故指数,采用多元线性回归方法分别建立了各个季节的日事故指数预报模型,并以2015—2016年作为模型的验证期。
表 3给出各个季节的日事故指数拟合方程及统计检验结果。从中可见,各个季节回归方程检验的F统计量的P值均很小(< 0.01),因此,各个季节的拟合方程检验均是显著的。从拟合效果来看,冬季事故指数预报值和实际值相关系数最高,为0.76,夏季最低,为0.48。由于秋冬季的事故指数波动较大,其均方根误差较春夏季偏大,其中,夏季均方根误差最小,为1.49,秋季最大,为5.82。
为了加强业务应用效果,采用经验概率密度分级将事故指数划分为低风险、中风险、较高风险、高风险,即事故等级为低风险,交通事故指数的概率密度为25%;事故等级为中风险,交通事故指数的概率密度为50%;事故等级为较高风险,交通事故指数的概率密度为15%;事故等级为高风险,交通事故指数的概率密度为10%。图 4给出事故指数日预报模型对各等级事故指数的预报准确率。从中可见,模型对中等及以上风险的事故指数预报效果较好,其中,对中风险的事故指数预报准确率最高,达66.1%,其次为高风险等级50.3%,低风险等级的预报准确率较低,为20.7%。总体来看,日事故指数预报模型预报效果较理想,可为交通安全出行提供一定的参考,具有较好的业务应用价值。
利用2006—2016年杭金衢高速公路交通事故资料和周边气象观测站点资料,统计分析了杭金衢高速公路交通事故分布特征及与气象条件的相关关系,构建了交通事故指数气象预报模型,得出以下结论:
(1) 2006—2016年杭金衢高速公路年平均交通事故起数逐年呈显著增加的趋势,秋冬季交通事故发生频率总体较春夏季偏高,10月、1月、2月为交通事故的多发月份。
(2) 降雨天气下公路交通事故发生最多,占事故总数的52.7%。降雪天气下最易导致交通事故发生,日交通事故频次为非不利天气下的3倍。不同气象因子对交通事故的影响在各季节具有显著差异,降雨因子在各季节均与事故指数呈显著正相关,气温和能见度因子仅在冬季对交通事故有明显影响,且呈显著负相关,相对湿度的影响主要出现在夏季和冬季,风的影响主要在春季和冬季。总体来看,冬季是气象因子对交通事故影响最为显著的季节,秋季气象因子的影响较小。
(3) 考虑主要气象影响因子及交通事故量的自相关性,分别建立各个季节的日事故指数预报模型,冬季事故指数预报值和实际值相关系数最高,为0.76,夏季最低,为0.48。模型对中等及以上风险的事故指数预报效果较好,其中,对中、高风险等级的事故指数预报准确率分别达66.1%和50.3%。
本文定量分析了气象因子对杭金衢高速公路交通事故的影响,并建立了事故指数预报模型,丰富了交通气象服务产品。但文中尚未细致考虑交通事故的空间变化特征,如高架、隧道等特殊形态的高速路段,其交通事故分布与局地小气候的响应关系,今后可结合更精细的高速公路基础信息和交通灾情信息进行更深入细致的研究。
邓长菊, 甘璐, 尤焕苓, 等. 2012. 北京城市浓雾特征及其与交通预报服务的关系[J]. 暴雨灾害, 31(2): 188-192. |
樊运晓, 罗云, 陈庆寿. 2001. 区域承灾体脆弱性综合评价指标权重的确定[J]. 灾害学, 16(1): 85-87. |
李迅, 尹志聪, 丁德平, 等. 2012. 北京地区高速公路道面结冰特征及气象条件[J]. 应用气象学报, 23(5): 578-584. |
林毅, 李倩, 张凯, 等. 2018. 气象条件对辽宁省高速公路交通安全的影响研究[J]. 气象与环境学报, 34(3): 106-111. |
刘聪, 卞光辉, 黎健, 等. 2009. 交通气象灾害[M]. 北京: 气象出版社, 0-48.
|
田华, 郜婧婧, 李蔼恂, 等. 2019. 江苏高速公路局地团雾气象特征分析[J]. 沙漠与绿洲气象, 13(6): 39-46. |
王博妮, 濮梅娟, 田力, 等. 2016. 江苏沿海高速公路低能见度浓雾的气候特征和影响因子研究[J]. 气象, 42(2): 192-202. |
夏敏洁, 曹杰, 周文君. 2014. 气象条件与南京地区道路交通事故量的分析[J]. 气象科学, 34(3): 305-309. |
严明良, 缪启龙, 袁成松, 等. 2011. 沪宁高速公路一次大雾过程的数值模拟及诊断分析[J]. 高原气象, 30(2): 428-436. |
尤凤春, 扈海波, 郭丽霞. 2013. 北京市暴雨积涝风险等级预警方法及应用[J]. 暴雨灾害, 32(3): 263-267. |
张金满, 谭桂容, 李飞, 等. 2016. 冰雪天气公路通行条件预警指标[J]. 气象科技, 44(2): 331-335. |
Brijs T, Karlis D, Wets G. 2009. Studying the effect of weather conditions on daily crash counts using a discrete time-series mode[J]. Accid Anal Prev, 40(3): 1180-1190. |
Eisenberg D. 2004. The mixed effects of precipitation on traffic crashes[J]. Accid Anal Prev, 36(4): 637-647. |
Keay K, Simmonds I. 2005. The association of rainfall and other weather variables with road traffic volume in Melbourne, Australia[J]. Accident Analysis & Prevention, 37(1): 109-124. |
Ulfarsson G, Shankar V. 2003. Accident count model based on multiyear cross-sectional roadway data with serial correlation[J]. Transportation Research Record Journal of the Transportation Research Board, 1840(1): 193-197. |