從氣象災害預警信息發布數據看災害性天氣下城市居民出行行為變化規律

陳 瑾，郭俊萍，王佳禾，張永寧

（1.中國氣象局公共氣象服務中心，北京 100081；2.中國氣象局華風氣象傳媒集團，北京 100081）

城市居民出行行為是城市交通運行的關鍵影響因素，居民出行行為受多種因素影響，包括出行目的、出發地點、出行距離、信息、職業、年齡等方面，隨著極端天氣出現的頻率增加，天氣變化對于出行決策的影響也日益明顯。災害性天氣是對人民生命財產有嚴重威脅，對工農業和交通運輸會造成重大損失的天氣，如大風、暴雨等，可發生在不同季節，一般具有突發性。我國氣象災害預警主要包括臺風、暴雨、強對流、暴雪、寒潮、沙塵暴、干旱、霾等。

國內外研究者從20 世紀70 年代開始展開了災害性天氣對交通出行影響的相關研究，最早是Palutikof提出雨天是造成交通事故最嚴重的氣象因素，Sherretz和Farhar 以某城市的交通氣象數據為例，研究發現降雨量的大小和交通事故的嚴重程度之間呈正相關。分析了英格蘭和威爾士的有關天氣事故數據后，Edwards統計得出晴雨天的交通事故比率及其空間分布，這些研究都為后來分析特殊氣象條件對交通安全的影響奠定了良好的理論基礎。國內對于特殊氣象條件對交通安全的影響相對滯后，劉飛研究了暴雨極端天氣城市公共交通雙層復雜網絡脆弱性，模擬了常規公交-地鐵雙層復雜網絡在暴雨極端天氣下的級聯失效過程及脆弱性變化；李達標研究了降雨天氣下城市道路出行時間預測與路徑引導，從數據分析、降雨天氣下對道路通行影響、行程時間預測模型以及出行風險評價模型幾個方面對降雨天氣下城市路網出行引導與風險評估進行了分析，近幾年，因天氣狀況導致公眾出行行為發生變化的研究引起了廣大學者的高度關注，不同的研究者從各個角度開展了一些研究，博坤等研究了暴雨內澇下公交乘客的出行行為選擇，得到公交乘客出行選擇行為的影響因素（由強至弱）是步行時間、票價、車內時間和車內擁擠程度；張本森等研究了冰雪條件下居民出行方式選擇，基于出行決策理論構建了冰雪條件下居民出行方式選擇模型，根據對以往研究情況的分析，發現目前對于不同災害性天氣下城市居民的出行行為變化規律研究較少。

本文以氣象災害預警信息發布數據作為不同災害性天氣發生的反證，通過氣象災害預警信息發布后24小時內出行類APP 用戶使用行為的變化，得出了不同災害性天氣下不同城市居民出行行為變化規律。

1 數據來源和分析方法的選取

1.1 數據來源

本文氣象災害預警發布數據來源于2019 年國家預警信息發布中心發布的預警數據，出行行為數據來源于2019 年百度地圖、高德地圖、滴滴出行等交通出行類APP 用戶行為數據。

在城市選擇上，選取了北京、哈爾濱、西安、武漢、上海、重慶和廣州等7 個城市交通出行類APP用戶的數據。

為了區分不同出行行為，我們將使用滴滴出行APP 的用戶歸為以打車出行為主的人群，將使用百度地圖和高德地圖的用戶歸為自駕出行為主的人群。

1.2 分析方法的選取

本文主要采用了統計分析法，統計了有災害性天氣時和無災害性天氣時交通出行的特征變化，將發布氣象災害預警信息后24 小時視為有災害性天氣的時段，將未發布氣象災害預警信息的日期視為無災害性天氣的時段。

為考察不同程度災害性天氣對于城市居民出行行為變化的影響，本文綜合考慮我國東、南、西、北等不同地域城市的特點，分別選取了哈爾濱、北京、西安、武漢、重慶、上海以及廣州的預警發布數據及公眾出行行為數據作為研究樣本，以藍、黃、橙、紅不同級別預警信息分別代表不同程度的災害性天氣，針對不同城市災害性天氣特點，不同城市分別選取了易對當地交通出行中道路濕滑狀況、能見度大小等產生影響的暴雨、暴雪、沙塵、冰雹、沙塵、高溫、大霧、臺風、道路結冰等災害性天氣與用戶行為數據進行了統計比較分析。

同時，考慮到APP 用戶數量及行為受運營、市場等因素影響，用戶波動變化大且沒有規律性，為了研究結果相對客觀可信，本文APP 用戶變化數據以預警發布當天APP 的活躍用戶數與前一天及上周同樣時間進行比較分析，以北京一次沙塵天氣為例，北京市2019 年10 月28 日（周一）發布了沙塵藍色預警，APP 用戶行為變化情況就以10 月28 日當天APP 的用戶活躍數與前一天的數據以及上周一的數據進行比較分析。

2 研究結果與分析

本文采用統計分析法對2019 年全國災害性天氣預警信息與百度地圖、滴滴出行和高德地圖用戶數據進行了比對分析，計算了三個平臺以上7 個城市2019年全年的活躍用戶數及使用次數在災害性天氣預警時和無災害性天氣預警時的變化幅度，統計結果顯示有災害性天氣時對城市居民出行影響較大（見表1），總體上自駕出行需求人數減少，7 個城市平均下降3.94%，打車出行需求人數增加，7 個城市平均上漲4.44%。

表1 有災害性天氣預警時與無災害性天氣預警時用戶使用交通出行APP 次數變化幅度

為了考察不同的災害性天氣以及不同時間發生災害性天氣對城市居民出行的影響，本文挑選易影響交通出行能見度、道路濕滑、風力等主要因素相對應的災害性天氣包括暴雨、臺風、沙塵、臺風、高溫、道路結冰、暴雪等幾類。

研究文獻顯示暴雨內澇對交通出行影響最大，為此本文對7 個城市發布暴雨黃色預警時交通出行APP使用次數的變化進行了分析，并且挑選了易出現暴雨天氣的武漢，進一步分析了不同強度暴雨天氣下出行的變化。

數據分析發現，當7 個城市發布暴雨黃色預警時，打車出行和自駕出行均有一定的變化，總體來看打車出行人群增多，例如重慶、武漢、上海、廣州；而自駕出行人群比例呈現下降，7 個城市均有不同程度下降。

從區域來看，西南地區的重慶、華東地區的上海、西北的西安、東北地區的哈爾濱等城市出行狀況受到暴雨預警影響更為明顯。以重慶為例，2019 年5 月24日5 時12 分21 秒，重慶發出暴雨黃色預警，當天該城市滴滴出行用戶使用次數比前一天增加了7.2%，而百度地圖用戶使用次數減少了2.4%（見表2）。

表2 發生暴雨災害性天氣時用戶使用交通出行類APP 次數變化幅度

從不同強度暴雨對城市居民出行影響來看，橙色和紅色暴雨預警發出后城市居民出行變化很大，尤其是最高級別的紅色預警發布后，無論是打車出行還是自駕出行需求都出現大幅度的增加（見表3）。

表3 武漢市發布不同級別暴雨預警時用戶使用交通出行類APP 次數變化幅度

在其他災害性天氣對城市居民出行影響分析方面，考慮本文涉及的數據量過大，為方便統計，不同城市挑選出一次災害性天氣作為樣例進行了分析，挑選的日期同步考慮了周末及工作日時間上不一樣導致的出行變化，分別挑選了交通最易受影響的周末、周一和周五三個時間。

對于暴雪對交通出行的影響，選取了哈爾濱的數據作為代表。數據分析顯示，哈爾濱在2019 年12 月29 日發布暴雪黃色預警，自駕出行人數平均減少1%，打車出行人數增加6.2%。對于高溫對交通出行的影響，選取了重慶的數據作為代表。數據分析顯示，重慶在2019 年7 月27 日發布高溫橙色預警，自駕出行人數平均減少2.65%，打車出行人數增加0.6%。對于大霧對交通出行的影響，選取了武漢的數據作為代表。數據分析顯示，武漢在2019 年1 月12 日發布大霧橙色預警，自駕出行和打車出行人數均大幅減少。對于臺風對交通出行的影響，選取了上海的數據作為代表。數據分析顯示，上海在2019 年9 月6 日發布臺風藍色預警，自駕出行人數平均減少4.1%，打車出行人數增加2.5%。對于沙塵天氣對交通出行的影響，項目組選取了北京的數據作為代表。數據分析顯示，北京在2019 年10 月25 日發布沙塵藍色預警，自駕出行人數平均減少2.4%，打車出行人數增加2.6%。對于道路結冰天氣對交通出行的影響，選取了西安的數據作為代表。數據分析顯示，西安在2019 年2 月10 日發布道路結冰黃色預警，自駕出行人數平均減少2.3%，打車出行人數增加1.5%，如表4 所示。

表4 不同災害性天氣預警時各城市用戶使用交通出行APP 次數變化幅度

3 小結與建議

3.1 小結

本文基于大量的數據，針對災害性天氣對于城市居民出行的變化展開了研究，由于居民交通出行決策行為受多種因素影響，本文僅從發布災害性天氣預警作為災害性天氣出現的觸發點，并以幾個代表性城市為例，從一個角度驗證了災害性天氣下城市居民的出行需求變化，得出了一些較為明確的結論，主要結論如下：

（1）城市居民交通出行受天氣影響較大。

（2）不同城市、不同災害性天氣對城市居民交通出行的影響程度不一樣。

（3）交通出行還受早晚高峰、節假日等因素影響。

3.2 建議

由于數據有限，本文未能就災害性天氣對于城市公眾出行行為出現變化的原因做進一步深入的研究，建議進一步展開相關研究及應用工作。

（1）加強與城市交通運行管理部門合作，融合相關數據開展深入研究，進一步研究災害性天氣與城市交通公眾出行行為的變化規律性。

（2）氣象部門要進一步加強基于災害性天氣對交通的影響服務，提高服務能力和水平，與相關部門建立更順暢的溝通協同機制，提高交通氣象服務的有效性。