氣象因素對城市公路交通通勤效率的影響研究

夏丹妮， 余蜀豫， 許偉， 白瑩瑩， 覃彬全

(1.重慶農村商業銀行， 重慶 401120；2.重慶市雷電災害鑒定與防御工程技術研究中心， 重慶 401147；3.重慶市氣候中心， 重慶 401147；4.重慶市氣象安全技術中心， 重慶 401147)

0 引言

氣象因素是對城市交通系統影響最大且最頻繁的因素之一，這些影響包括對交通設施的影響，對交通工具運行狀態的影響，對交通工具運行效率的影響等[1]。城市交通工具，包含公路交通、軌道交通、水運交通等,對氣象因素敏感程度不同，比如軌道交通對雷電的敏感程度很高，雷電電磁脈沖甚至會導致地鐵非計劃停運。氣象因素對城市交通的影響集中體現在交通事故或者交通故障上。目前，大多數研究集中在不同氣象因素對交通安全的影響機理以及如何防御交通氣象災害等方向上[2-4]。

對大部分人而言，工作日的通勤通常是日復一日地沿著相同的路徑進行，氣象因素不僅可以直接影響通勤交通工具的運行效率，而且可以影響人們的通勤習慣和偏好從而間接影響交通效率。本文從公路交通通勤時間出發，分析溫度、濕度、風速、天氣狀況、舒適度等氣象因素對同一通勤路段的影響，探尋氣象因素對交通效率的影響程度，進而為提升城市交通效率和提高道路流動性提供技術支撐。

1 數據來源

通勤數據來源于2016—2018年連續記錄，固定A點到B點同一通勤路徑且距離為7.1公里城市道路的早高峰通行時長(出發時間保持在同一時間段)，氣象因素來源于該區域同時段的實時監測數據，包含溫度、濕度、風速、天氣狀況四大主要氣象數據以及一個人體舒適度指標——修正人體舒適度指數(Kssd)[5]，該指數表征人體在大氣環境中舒適與否，屬于人體對環境氣象感覺的定量化指標，能更加直觀地評價大氣環境對人體的影響。氣象和通勤特征數據統計如表1所示。

表1 氣象和通勤特征數據統計表

因為惡劣天氣一直是影響道路交通安全的主要因素，表1根據天氣狀況的類型進行編碼，數字從小到大分別為晴、多云、陰天、陣雨、小雨等，數字越大代表天氣狀況越惡劣。

2 灰色關聯分析

灰色關聯分析法是一種定性與定量相結合的方法，基本思想是用點在縱軸上的接近程度來描繪因素間的關聯度，兩條曲線的形狀越相似，他們的關聯度就越大[6]。由于其對樣本量的低要求以及在短期預測中所表現出來的準確性，使其具有廣泛的實用性。但實際應用中，灰色關聯分析仍有一些局限性，這時就需要與實際相結合[7],多計算幾種灰色關聯度綜合評判。本文采用鄧氏灰色關聯分析法和灰色相對關聯度分析法，對五種氣象因素與通勤時間的相互影響關系進行定性比較。

設早高峰通行時長X0=(x0(1)，x0(1)，…，x0(n))為系統特征行為序列，且溫度、濕度、風速、天氣狀況和人體舒適度分別為：

X1=(x1(1)，x1(1)，…，x1(n))

X2=(x2(1)，x2(1)，…，x2(n))

X3=(x3(1)，x3(1)，…，x3(n))

X4=(x4(1)，x4(1)，…，x4(n))

X5=(x5(1)，x5(1)，…，x5(n))

2.1 鄧氏灰色關聯度

按照灰色關聯公理[8]，鄧氏灰色關聯度計算分五步進行。

第一步，求各序列的初值象(或均值象)，如式(1)。

(1)

第二步，求X0與Xi的初值象對應分量之差的絕對值序列，如式(2)。

(2)

第三步，求絕對值序列中的最大值與最小值，分別記為：

第四步，計算關聯系數，如式(3)。

(3)

第五步，計算關聯度，如式(4)。

(4)

帶入公式計算，溫度、濕度、風速、天氣狀況、人體舒適度與早高峰通行時間的鄧氏灰色關聯度,結果如表2所示。

表2 五種氣象因素與早高峰通勤時長的鄧氏灰色關聯度

由表2可知，人體舒適度與早高峰通行時長的關聯度最大，其次是溫度，天氣狀況關聯度最小。

2.2 灰色相對關聯度

(5)

(6)

(7)

(8)

帶入公式計算，溫度、濕度、風速、天氣狀況、人體舒適度與早高峰通行時間的灰色相對關聯度,結果如表3所示。

表3 五種氣象因素與早高峰通勤時長的相對灰色關聯度

由表3可知，人體舒適度與早高峰通行時長的關聯度最大，其次是溫度，這兩個因素相較于其他三個因素來說，關聯度明顯高出很多。

2.3 灰色關聯分析結論

灰色關聯分析法的核心是對比兩條曲線的相似程度，兩條曲線的形狀越相似，他們的關聯度就越大，鄧氏灰色關聯度更多是從絕對量的關系著眼考慮，相對灰色關聯度更多是從變化速率著眼考慮。綜合來說，人體舒適度和溫度是五種氣象因素中與早高峰通行時長關聯度最大的兩個因子。通常情況下，惡劣天氣是影響交通安全的主要因素，通過灰色關聯分析發現，天氣狀況與早高峰通勤效率的相關性很低，說明通勤交通不同于傳統的貨運、客運交通，天氣的惡劣程度對早高峰出行的影響不大，反而是溫度和人體舒適度更能影響早高峰的通勤時長。

3 相關系數分析

事物之間的統計關系普遍存在，卻不像函數關系那樣直接，繪制散點圖和計算相關系數是相關分析最常用的工具[9]。散點圖能夠直觀展現變量之間的統計關系，但不夠精確。這里采用最常用的相關系數——Pearson皮爾遜相關系數，也稱為皮爾遜積距相關系數，它是對兩個連續型隨機變量之間線性關系的標準化測量，如式(9)。

(9)

式中，n表示樣本量;xi和yi分別表示兩個變量的值。

利用Pearson皮爾遜相關系數進行變量間線性分析通常有兩步。

第一步，計算樣本相關系數r。

第二步，對樣本來自的兩總體是否存在顯著的線性關系進行推斷。

將溫度、濕度、風速、天氣狀況、人體舒適度、早高峰通行時間數據按照上述步驟和公式進行處理計算后，Pearson相關性計算結果的數值如表4所示。

表4 五種氣象因素與早高峰通勤時長的相關性

由表4可知，濕度、人體舒適度與早高峰通行時間有著顯著線性關系，風速與早高峰通行時間無顯著線性關系。濕度的相關系數r2=|0.021|<0.3，天氣狀況的相關系數r4=|-0.143|<0.3，說明濕度、天氣狀況與早高峰通行時間之間的線性相關關系較弱。溫度的相關系數r1=|0.795|≈0.8，人體舒適度的相關系數r5=|0.799|≈0.8，說明溫度、人體舒適度這兩個指標與早高峰通行時間之間具有高度線性相關關系，且是正相關。相關系數分析結果表明溫度和人體舒適度是影響早高峰通勤時長的重要因素，溫度越低，通勤時間更短。同時，天氣狀況的惡劣程度對通勤時間的影響程度很低，進一步說明惡劣天氣并不是影響通勤效率的主要因素，這點和傳統交通有所差別。

4 回歸分析

通過上面的計算和分析，可以看出溫度、人體舒適度與早高峰通行時長之間有著很高的關聯度和線性相關性，接下來通過回歸方程的形式來描述和反映這種關系。因為修正人體舒適度指數是綜合多項氣象因素計算出的二級氣象服務產品，包含風速這個與早高峰通行時間無顯著線性關系的因素，所以這里只針對溫度進行線性回歸分析。同時，為了更加直觀地展現溫度對城市公路交通通勤效率的影響，用早高峰該路段的通勤平均速度進行分析，即平均速度=距離/早高峰通行時長。

利用樣本數據獲得回歸線通常可以采取函數擬合的方式，根據一定的統計擬合準則[10]，對模型的各個參數進行估計，這里采用最小二乘法作為統計擬合準則。設平均速度為因變量，溫度為自變量，首先進行線性回歸分析，通過計算后，溫度與速度的回歸線性函數如式(10)。

v=17.687-0.316T

(10)

通過回歸方程的統計檢驗，均滿足相關要求，式(10)在一定情況下可以反映該城市路段溫度對通勤速度的影響。

接下來，通過曲線擬合進一步分析樣本數據中溫度和通勤速度的相關性，通過多種曲線模型擬合后發現，冪函數更能表征樣本數據，通過殘差分析排除異常值后擬合曲線，如圖1所示。

圖1 多種函數的擬合曲線

回歸冪函數如式(11)。

v=36×T-0.4

(11)

分別計算冪函數和線性函數的擬合優度，冪函數的擬合優度高于線性函數，說明式(11)能更好地描述溫度和通勤效率的關系。可以看出，溫度和通勤速度間有較為顯著的負相關關系，溫度越低，早高峰通勤速度越快，通勤時間越短；反之溫度越高，早高峰通勤速度越慢，通勤時間越長。

5 總結

(1) 同一個行為人群中的個體具有相似的習慣，也具有相似的生活方式和相似的職業路徑[11]，比如旅游出行的時間、交通工具的選擇、出行的目的地，相同行為人群有著高度的一致性。重慶市區交通路線集中度很高，非市區核心道路占絕大部分比例，僅利用某一時刻的通行速度進行分析，不能很好地反映通勤這個行為特征，也不能很好地分析氣象因素對城市通勤效率的影響。從上面分析可以看出，影響交通安全的主要氣象因素——天氣狀況與通勤效率的相關性很低，說明與廣義的交通運輸不同，城市通勤交通受惡劣氣象的影響程度低，氣象因素只是影響了人們的行為習慣或者偏好，從而在出行的數量、交通選擇、出行集中度等方面間接影響了市區通勤效率，最終表明溫度越低，早高峰通勤效率越高。

(2) 對回歸函數DW檢驗，結果發現回歸函數存在一定自相關，說明回歸函數的擬合還需要進一步提高，說明仍有一些潛在規律沒有反映出來。未來如果利用導航軟件的大數據平臺，結合市區更大范圍的實時數據，可以進一步研究氣象因素與交通效率之間的相關性，從而更加深入地研究氣象與行為習慣之間的影響關系。