謝 勇 張 健 楊立鋒 劉野軍

（1.吉林省突發(fā)事件預警信息發(fā)布中心，吉林長春 130062；2.吉林省公安廳高速公路公安局，吉林長春 130000；3.吉林省氣象服務(wù)中心，吉林長春 130062）

1 引言

2020年底全國高速公路里程達到16 萬公里，繼續(xù)穩(wěn)居世界第一位，吉林省高速公路總里程達到4 306 公里[1]。 據(jù)交管部門統(tǒng)計，近30%的交通事故與氣象條件有關(guān)[2]。 暴雨、暴雪等極端天氣的頻發(fā)給道路交通和行車安全帶來了巨大隱患[3]，如2020年4月東北地區(qū)出現(xiàn)的罕見暴雪天氣，黑龍江、內(nèi)蒙古、吉林多地組織大型機械清除道路積雪；2021年7—8月河南出現(xiàn)的罕見強降水天氣，致使當?shù)囟鄺l高速公路和收費站入口關(guān)閉。

近年來， 氣象部門與公安、 交通部門合作緊密， 從事交通氣象服務(wù)領(lǐng)域的專家通過模糊數(shù)學法、 灰色關(guān)聯(lián)度以及概率統(tǒng)計等方法制作發(fā)布的高速公路霧災（低能見度）[4]、路面結(jié)冰災害[5]、強降雨災害[6]以及基于氣象條件的高速公路站口通風風險等級預報預警[7]等。 保廣裕等[8]以強降雪致災因子為基礎(chǔ)，加上承災體、孕災環(huán)境權(quán)重系數(shù)，研究建立了青海省公路沿線強降雪災害性天氣風險等級區(qū)劃模型；杜建華等[9]以年累計降雨日數(shù)、最大日降雨量、 最大小時降雨量作為致災因子危險性指標，結(jié)合風險普查得到強降雨致災隱患路段；馬蕾等[10]選取不同等級的大風日數(shù)、車流量、道路密度、地形高度等多個評價指標，開展高速公路大風災害風險評價；楊軍等[11]運用層次分析法和模糊綜合評價法，構(gòu)建高速公路大霧災害評估模型。上述研究方法新穎， 但偏重于分析一類或少數(shù)幾類氣象要素，且對行車安全的影響性分析較少。本文利用k-均值聚類算法對氣溫、降水量、大風、能見度多類氣象要素數(shù)據(jù)進行分類篩選、 特征選擇和聚類分析， 找出吉林省高速公路交通事故時空分布特征， 彌補了分析單一氣象要素對整體高速公路交通事故解釋性不高的缺陷。 同時引入事故比， 得出多氣象要素下高速公路交通事故特征的評估表，指標客觀且全面。

2 資料與方法

2.1 資料

2011—2020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，累計交通事故案例31 426 起。

高速公路交通事故點臨近5 km 內(nèi)的國家級氣象站觀測資料，包括最高氣溫、最低氣溫、降水量、降雪量、風速、能見度以及天氣現(xiàn)象（結(jié)冰、積雪、露、霜、霧霾、強降水、大風、雷暴、閃電、其他）等。 依據(jù)氣候季節(jié)劃分標準[12]：春季為4—5月，夏季為6—8月，秋季為9—10月，冬季為11月—次年3月。

2.2 方法

2.2.1 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， 而不考慮事故本身的概率問題， 會導致研究結(jié)果與實際發(fā)生偏差較大。 采用事故比方法，計算公式如下：

式中，m 為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)象的總天數(shù)比來確定各氣象要素的影響程度。

2.2.2 聚類分析和k-均值聚類分析法

基于交通事故多與突發(fā)或延續(xù)的災害性天氣有關(guān)，本文借鑒相關(guān)研究[13]，引入目前在數(shù)據(jù)挖掘領(lǐng)域比較熱門的矢量量化方法：k-均值聚類分析法，將統(tǒng)計數(shù)據(jù)按照季節(jié)不同進行分組，再將分組數(shù)據(jù)進行聚類分析確定樣本集。

3 交通事故時間分布特征

3.1 不同季節(jié)分布特征

提取2011—2020年事故資料中天氣現(xiàn)象為“結(jié)冰、積雪、露（霜）、霧霾、大風、強降水、雷暴、其他”的案例樣本34 426 個，按照不同季節(jié)、不同天氣現(xiàn)象計算事故比，得到表1。

表1第2 列給出了不同天氣現(xiàn)象引起的交通事故比， 降雪引起的道路結(jié)冰、 強降水天氣和露（霜）是引發(fā)事故的三大主因，占比達76.36%。 三者共同點在于均造成了高速公路路面濕滑， 大大降低了路面摩擦系數(shù)。 其中雪后的積雪路面并沒有預計的影響大， 可能與高速公路完備的清雪設(shè)備和大、暴雪期間公路及時封停等有關(guān)。 近年來，大風、 霧霾對高速公路行車安全的影響越來越明顯，能見度的降低直接影響司乘人員的行車視線，甚至會引起車輛側(cè)翻等大型交通事故。

表1第3—第6 列給出了不同季節(jié)下各天氣現(xiàn)象引起的交通事故情況。 冬季是事故的高發(fā)季節(jié)，事故貢獻率達33.21%，降雪引起道路結(jié)冰和雪后的積雪路面是引發(fā)交通事故的主要原因；秋季是次高發(fā)季節(jié)，事故貢獻率為30.59%，秋末的霜凍路面和初雪引起的道路結(jié)冰是主要原因；春、夏兩季事故發(fā)生相對較少，聯(lián)合貢獻率36.2%，強降水以及春季的融雪路面、 大風是引發(fā)交通事故的主要原因。

表1 不同天氣現(xiàn)象引發(fā)的交通事故比 %

3.2 不同月份分布特征

從圖1 可知，事故最多的月份在11月，次之是12月，秋末冬初冷空氣異?；钴S，路面多冰水混合物不易清理。事故第二個峰值出現(xiàn)在10月和8月，10月前期受到長假、霜凍影響，后期受初雪影響， 天氣形勢復雜；8月正值吉林省主汛期，強對流天氣和臺風相對活躍， 事故多發(fā)生在濕滑路段，臺風活動一般會持續(xù)到9月上旬。事故最少的月份在5月，此時天氣系統(tǒng)較少，且氣候條件較為溫和，能見度較好，適宜出行。 2—3月有一個小波峰，為春運期間客流量激增所致。

圖1 不同月份交通事故與天氣現(xiàn)象關(guān)系

4 交通事故空間分布特征

4.1 交通事故路段初分及原因分析

對2011—2020年吉林省27 條高速公路的交通事故進行排序可知： 排在前三位的易發(fā)生事故路段為琿烏高速、京哈高速，撫長高速，排在后三的事故路段為通沈高速、延三高速、輝臨高速。 對事故案例認定原因進一步分析， 非氣象要素影響下（明顯人為因素造成的，如酒后駕車、追尾等）事故發(fā)生數(shù)約占樣本總數(shù)的70.36%，氣象要素影響下（天氣現(xiàn)象造成的能見度下降、大風側(cè)翻等）事故發(fā)生數(shù)僅占29.64%，兩者間頻次比為2.37。 說明交通事故發(fā)生主要受非氣象要素影響， 逐條計算27 條高速公路的事故發(fā)生頻次比，得到圖2。

從圖2 可知，27 條主要高速公路中事故發(fā)生頻次比超過3%的有9 條， 上述路段建設(shè)時間較長，路面情況相對復雜，其中頻次比最高的為雙嫩高速，達到8.64%；事故發(fā)生頻次比低于1%的路段沒有， 說明研究對象交通事故的發(fā)生均以非氣象要素影響為主；事故發(fā)生頻次比為1%的路段有4 條，白洮高速、牡延高速、通沈高速、延三高速，位于吉林省西部和中東部邊緣地區(qū)， 此類路段建設(shè)時間相對較晚，路面情況較為簡單。

圖2 非氣象要素與氣象要素影響下27 條高速公路事故發(fā)生頻次比

4.2 氣象要素影響下交通事故分析

根據(jù)3.1 得出的冬季事故高發(fā)結(jié)論，排除4.1中非氣象要素影響下的交通事故案例， 得到冬季3 096 起氣象要素影響下的交通事故案例作為樣本集， 調(diào)取24 個臨近氣象站點2011—2020年的氣象觀測數(shù)據(jù)作為樣本集的因變量進行k-均值聚類分析。 本著類別內(nèi)樣本集的影響盡可能趨于一致，類別間樣本集的影響“差異”盡可能大的原則，當24 個樣本聚為4 類時，聚類的目標函數(shù)誤差平方和最小，得到圖3。

從圖3 可知： 第一類事故站點主要分布在吉林省西部，站點平均發(fā)生事故數(shù)偏少，屬于低風險區(qū)；第四類事故站點主要分布在吉林省中部地區(qū)，事故數(shù)偏多，屬于高風險區(qū)；第二、三類事故站點主要分布在吉林省東部和南部地區(qū)，事故數(shù)居中，屬于中風險區(qū)。

圖3 冬季高速公路聚類分析樹狀圖

對其他季節(jié)的分析同上， 得出的結(jié)論基本一致。 綜述可知：高危路段位于吉林省的中部地區(qū)，琿烏高速、京哈高速、撫長高速、大廣高速、長春繞城高速、鶴大高速、長深高速等7 條路段的事故數(shù)占樣本集的46.3%，上述路段的陰雨、降雪天氣影響占天氣事故數(shù)的75.87%；中危路段位于吉林省的東部地區(qū)和南部山區(qū)， 分別占樣本集的27.8%和21.4%，兩個地區(qū)的陰雨、降雪天氣事故數(shù)占比分別為76.72%和82.31%；低危路段位于吉林省西部地區(qū)和新建路段， 占樣本總數(shù)不超過4.5%，但陰雨、降雪天氣事故數(shù)占比卻高達89.74%。 由此可以得出，建成時間越長、客運量越大、路況基礎(chǔ)越復雜的路段，明顯人為事路數(shù)越多，天氣事故數(shù)的比例越低；而建成時間越短、客運量越小、路況基礎(chǔ)越簡單的路段，明顯人為事路數(shù)越少，天氣事故數(shù)的比例越高。但無論哪類路段，陰雨天氣和降雪天氣占天氣事故數(shù)的比例均超過了75%。

4.3 交通事故空間分布特征

圖4是吉林省高速公路交通事故空間分布圖。從圖4 可知，一級高危路段（吉林省中部，圖中紅色陰影部分）：琿烏高速、京哈高速，撫長高速、大廣高速、長春繞城高速、鶴大高速、長深高速；二級中危路段（吉林省東部和南部地區(qū)，圖中橙色陰影部分和藍色陰影部分）：長長高速、沈吉高速、集雙高速、吉林繞城高速、雙嫩高速、通南高速、延蒲高速、延龍高速、伊遼高速、營東高速、吉黑高速；三級低危路段（吉林省西部，圖中綠色陰影部分）：白城繞城高速、白洮高速、輝白高速、松原繞城高速、鐵科高速；未分級路段（圖中空白部分）：事故量過少或新建高速，通沈高速、延三高速、輝臨高速、牡延高速。

圖4 吉林省高速公路交通事故空間分布

5 交通事故與氣象要素的關(guān)系

結(jié)合上文交通事故時空分布分析結(jié)論， 提取吉林省2011—2020年高速公路沿線國家級氣象站觀測到的8 類氣象要素數(shù)據(jù)（最小能見度、平均氣溫、最高氣溫、最低氣溫、當日降水量、前一日降水量、極大風速、平均風速）作為樣本數(shù)據(jù)。按照不同季節(jié)將分類數(shù)取值為4 進一步聚類分析， 并計算4 個簇中各分量標準分數(shù)的均值（代表樣本數(shù)據(jù)與平均值之間的距離，高于平均值為正，低于平均值為負），計算后分類結(jié)果如圖5 所示。

從圖5 可知，簇1（綠色折線）中當日降水量、前一日降水量、極大風速、平均風速分數(shù)較高，說明春季出現(xiàn)降水、大風易發(fā)生事故，其中極大風速分數(shù)在4 個簇群中分數(shù)最高， 說明大風天氣在春季影響特別嚴重。 簇2（紅色折線）最高氣溫、當日降水量和平均風速分數(shù)較高，說明夏季出現(xiàn)降水、高溫天氣易發(fā)生事故， 其中最高氣溫分數(shù)在4 個簇群中分數(shù)最高， 說明高溫天氣在夏季影響特別嚴重。 簇3（橙色折線）中最低氣溫、當日降水量、前一日降水量分數(shù)較高，說明秋季在降水（雪）后易發(fā)生事故，其中最小能見度、平均氣溫分數(shù)在4個簇群中分數(shù)最高，說明秋季極端天氣事件較少。簇4（白色折線）中最低氣溫、當日降水量、前一日降水量分數(shù)較高，說明冬季在連續(xù)性降雪、降雪后和低溫天氣均易發(fā)生事故，其中最低氣溫、前一日降水量分數(shù)在4 個簇群中分數(shù)最高， 說明降雪天氣造成的低溫冰凍路面在冬季影響特別嚴重。

圖5 各簇特征變量的標準分數(shù)

結(jié)合上述分析，統(tǒng)計2011—2020年各氣象要素下各氣象站觀測出現(xiàn)的次數(shù)和交通事故發(fā)生的次數(shù)，并按照分類進行事故比計算，得到表2。

從表2 可知：氣溫適中、無降水（或微量）、風力不大、能見度較好時，交通事故不易發(fā)生；出現(xiàn)極端氣溫、大雨或大雪及以上、風力6 級及以上、能見度低于50 m 時，交通事故極易發(fā)生。

表2 多氣象要素下高速公路交通事故特征評估

6 結(jié)語

（1）冬季是事故高發(fā)季節(jié)，事故多由降雪后的積雪路面和路面結(jié)冰引起，春、夏兩季事故相對較少；事故最多的月份為11月，次之是12月，秋末冬初冷空氣異?；钴S， 路面多冰水混合物不易清理，主汛期強對流天氣和臺風等極端天氣頻發(fā)，對交通的影響不容忽視。

（2）吉林省高速公路事故空間分布分為高危、中危、低危、未分級4 個區(qū)域。降雨、降雪天氣是氣象要素影響下事故發(fā)生的主要原因； 非氣象要素影響與孕災環(huán)境敏感性（海撥高度、坡度、坡向、多年平均氣溫等）、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有關(guān)，同時隨著技術(shù)發(fā)展，影響也會隨之變化。

（3）大風天氣在春季影響最大，氣溫過高在夏季影響最大， 降雪天氣造成的低溫冰凍路面在冬季影響最大，秋季天氣相對平和，影響適中。 能見度、最高氣溫、最低氣溫、降水（雪）量、極大風速對于高速公路影響較為明顯。 分析得出的多氣象要素下高速公路交通事故特征評估指標， 對省內(nèi)高速公路出行具有一定指導意義。