從氣象災(zāi)害預(yù)警信息發(fā)布數(shù)據(jù)看災(zāi)害性天氣下城市居民出行行為變化規(guī)律

陳 瑾，郭俊萍，王佳禾，張永寧

（1.中國(guó)氣象局公共氣象服務(wù)中心，北京 100081；2.中國(guó)氣象局華風(fēng)氣象傳媒集團(tuán)，北京 100081）

城市居民出行行為是城市交通運(yùn)行的關(guān)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(fā)地點(diǎn)、出行距離、信息、職業(yè)、年齡等方面，隨著極端天氣出現(xiàn)的頻率增加，天氣變化對(duì)于出行決策的影響也日益明顯。災(zāi)害性天氣是對(duì)人民生命財(cái)產(chǎn)有嚴(yán)重威脅，對(duì)工農(nóng)業(yè)和交通運(yùn)輸會(huì)造成重大損失的天氣，如大風(fēng)、暴雨等，可發(fā)生在不同季節(jié)，一般具有突發(fā)性。我國(guó)氣象災(zāi)害預(yù)警主要包括臺(tái)風(fēng)、暴雨、強(qiáng)對(duì)流、暴雪、寒潮、沙塵暴、干旱、霾等。

國(guó)內(nèi)外研究者從20 世紀(jì)70 年代開始展開了災(zāi)害性天氣對(duì)交通出行影響的相關(guān)研究，最早是Palutikof提出雨天是造成交通事故最嚴(yán)重的氣象因素，Sherretz和Farhar 以某城市的交通氣象數(shù)據(jù)為例，研究發(fā)現(xiàn)降雨量的大小和交通事故的嚴(yán)重程度之間呈正相關(guān)。分析了英格蘭和威爾士的有關(guān)天氣事故數(shù)據(jù)后，Edwards統(tǒng)計(jì)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(lái)分析特殊氣象條件對(duì)交通安全的影響奠定了良好的理論基礎(chǔ)。國(guó)內(nèi)對(duì)于特殊氣象條件對(duì)交通安全的影響相對(duì)滯后，劉飛研究了暴雨極端天氣城市公共交通雙層復(fù)雜網(wǎng)絡(luò)脆弱性，模擬了常規(guī)公交-地鐵雙層復(fù)雜網(wǎng)絡(luò)在暴雨極端天氣下的級(jí)聯(lián)失效過(guò)程及脆弱性變化；李達(dá)標(biāo)研究了降雨天氣下城市道路出行時(shí)間預(yù)測(cè)與路徑引導(dǎo)，從數(shù)據(jù)分析、降雨天氣下對(duì)道路通行影響、行程時(shí)間預(yù)測(cè)模型以及出行風(fēng)險(xiǎn)評(píng)價(jià)模型幾個(gè)方面對(duì)降雨天氣下城市路網(wǎng)出行引導(dǎo)與風(fēng)險(xiǎn)評(píng)估進(jìn)行了分析，近幾年，因天氣狀況導(dǎo)致公眾出行行為發(fā)生變化的研究引起了廣大學(xué)者的高度關(guān)注，不同的研究者從各個(gè)角度開展了一些研究，博坤等研究了暴雨內(nèi)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(qiáng)至弱）是步行時(shí)間、票價(jià)、車內(nèi)時(shí)間和車內(nèi)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(gòu)建了冰雪條件下居民出行方式選擇模型，根據(jù)對(duì)以往研究情況的分析，發(fā)現(xiàn)目前對(duì)于不同災(zāi)害性天氣下城市居民的出行行為變化規(guī)律研究較少。

本文以氣象災(zāi)害預(yù)警信息發(fā)布數(shù)據(jù)作為不同災(zāi)害性天氣發(fā)生的反證，通過(guò)氣象災(zāi)害預(yù)警信息發(fā)布后24小時(shí)內(nèi)出行類APP 用戶使用行為的變化，得出了不同災(zāi)害性天氣下不同城市居民出行行為變化規(guī)律。

1 數(shù)據(jù)來(lái)源和分析方法的選取

1.1 數(shù)據(jù)來(lái)源

本文氣象災(zāi)害預(yù)警發(fā)布數(shù)據(jù)來(lái)源于2019 年國(guó)家預(yù)警信息發(fā)布中心發(fā)布的預(yù)警數(shù)據(jù)，出行行為數(shù)據(jù)來(lái)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(shù)據(jù)。

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(gè)城市交通出行類APP用戶的數(shù)據(jù)。

為了區(qū)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(tǒng)計(jì)分析法，統(tǒng)計(jì)了有災(zāi)害性天氣時(shí)和無(wú)災(zāi)害性天氣時(shí)交通出行的特征變化，將發(fā)布?xì)庀鬄?zāi)害預(yù)警信息后24 小時(shí)視為有災(zāi)害性天氣的時(shí)段，將未發(fā)布?xì)庀鬄?zāi)害預(yù)警信息的日期視為無(wú)災(zāi)害性天氣的時(shí)段。

為考察不同程度災(zāi)害性天氣對(duì)于城市居民出行行為變化的影響，本文綜合考慮我國(guó)東、南、西、北等不同地域城市的特點(diǎn)，分別選取了哈爾濱、北京、西安、武漢、重慶、上海以及廣州的預(yù)警發(fā)布數(shù)據(jù)及公眾出行行為數(shù)據(jù)作為研究樣本，以藍(lán)、黃、橙、紅不同級(jí)別預(yù)警信息分別代表不同程度的災(zāi)害性天氣，針對(duì)不同城市災(zāi)害性天氣特點(diǎn)，不同城市分別選取了易對(duì)當(dāng)?shù)亟煌ǔ鲂兄械缆窛窕瑺顩r、能見度大小等產(chǎn)生影響的暴雨、暴雪、沙塵、冰雹、沙塵、高溫、大霧、臺(tái)風(fēng)、道路結(jié)冰等災(zāi)害性天氣與用戶行為數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)比較分析。

同時(shí)，考慮到APP 用戶數(shù)量及行為受運(yùn)營(yíng)、市場(chǎng)等因素影響，用戶波動(dòng)變化大且沒(méi)有規(guī)律性，為了研究結(jié)果相對(duì)客觀可信，本文APP 用戶變化數(shù)據(jù)以預(yù)警發(fā)布當(dāng)天APP 的活躍用戶數(shù)與前一天及上周同樣時(shí)間進(jìn)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(fā)布了沙塵藍(lán)色預(yù)警，APP 用戶行為變化情況就以10 月28 日當(dāng)天APP 的用戶活躍數(shù)與前一天的數(shù)據(jù)以及上周一的數(shù)據(jù)進(jìn)行比較分析。

2 研究結(jié)果與分析

本文采用統(tǒng)計(jì)分析法對(duì)2019 年全國(guó)災(zāi)害性天氣預(yù)警信息與百度地圖、滴滴出行和高德地圖用戶數(shù)據(jù)進(jìn)行了比對(duì)分析，計(jì)算了三個(gè)平臺(tái)以上7 個(gè)城市2019年全年的活躍用戶數(shù)及使用次數(shù)在災(zāi)害性天氣預(yù)警時(shí)和無(wú)災(zāi)害性天氣預(yù)警時(shí)的變化幅度，統(tǒng)計(jì)結(jié)果顯示有災(zāi)害性天氣時(shí)對(duì)城市居民出行影響較大（見表1），總體上自駕出行需求人數(shù)減少，7 個(gè)城市平均下降3.94%，打車出行需求人數(shù)增加，7 個(gè)城市平均上漲4.44%。

表1 有災(zāi)害性天氣預(yù)警時(shí)與無(wú)災(zāi)害性天氣預(yù)警時(shí)用戶使用交通出行APP 次數(shù)變化幅度

為了考察不同的災(zāi)害性天氣以及不同時(shí)間發(fā)生災(zāi)害性天氣對(duì)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(fēng)力等主要因素相對(duì)應(yīng)的災(zāi)害性天氣包括暴雨、臺(tái)風(fēng)、沙塵、臺(tái)風(fēng)、高溫、道路結(jié)冰、暴雪等幾類。

研究文獻(xiàn)顯示暴雨內(nèi)澇對(duì)交通出行影響最大，為此本文對(duì)7 個(gè)城市發(fā)布暴雨黃色預(yù)警時(shí)交通出行APP使用次數(shù)的變化進(jìn)行了分析，并且挑選了易出現(xiàn)暴雨天氣的武漢，進(jìn)一步分析了不同強(qiáng)度暴雨天氣下出行的變化。

數(shù)據(jù)分析發(fā)現(xiàn)，當(dāng)7 個(gè)城市發(fā)布暴雨黃色預(yù)警時(shí)，打車出行和自駕出行均有一定的變化，總體來(lái)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(xiàn)下降，7 個(gè)城市均有不同程度下降。

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

表2 發(fā)生暴雨災(zāi)害性天氣時(shí)用戶使用交通出行類APP 次數(shù)變化幅度

從不同強(qiáng)度暴雨對(duì)城市居民出行影響來(lái)看，橙色和紅色暴雨預(yù)警發(fā)出后城市居民出行變化很大，尤其是最高級(jí)別的紅色預(yù)警發(fā)布后，無(wú)論是打車出行還是自駕出行需求都出現(xiàn)大幅度的增加（見表3）。

表3 武漢市發(fā)布不同級(jí)別暴雨預(yù)警時(shí)用戶使用交通出行類APP 次數(shù)變化幅度

在其他災(zāi)害性天氣對(duì)城市居民出行影響分析方面，考慮本文涉及的數(shù)據(jù)量過(guò)大，為方便統(tǒng)計(jì)，不同城市挑選出一次災(zāi)害性天氣作為樣例進(jìn)行了分析，挑選的日期同步考慮了周末及工作日時(shí)間上不一樣導(dǎo)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(gè)時(shí)間。

對(duì)于暴雪對(duì)交通出行的影響，選取了哈爾濱的數(shù)據(jù)作為代表。數(shù)據(jù)分析顯示，哈爾濱在2019 年12 月29 日發(fā)布暴雪黃色預(yù)警，自駕出行人數(shù)平均減少1%，打車出行人數(shù)增加6.2%。對(duì)于高溫對(duì)交通出行的影響，選取了重慶的數(shù)據(jù)作為代表。數(shù)據(jù)分析顯示，重慶在2019 年7 月27 日發(fā)布高溫橙色預(yù)警，自駕出行人數(shù)平均減少2.65%，打車出行人數(shù)增加0.6%。對(duì)于大霧對(duì)交通出行的影響，選取了武漢的數(shù)據(jù)作為代表。數(shù)據(jù)分析顯示，武漢在2019 年1 月12 日發(fā)布大霧橙色預(yù)警，自駕出行和打車出行人數(shù)均大幅減少。對(duì)于臺(tái)風(fēng)對(duì)交通出行的影響，選取了上海的數(shù)據(jù)作為代表。數(shù)據(jù)分析顯示，上海在2019 年9 月6 日發(fā)布臺(tái)風(fēng)藍(lán)色預(yù)警，自駕出行人數(shù)平均減少4.1%，打車出行人數(shù)增加2.5%。對(duì)于沙塵天氣對(duì)交通出行的影響，項(xiàng)目組選取了北京的數(shù)據(jù)作為代表。數(shù)據(jù)分析顯示，北京在2019 年10 月25 日發(fā)布沙塵藍(lán)色預(yù)警，自駕出行人數(shù)平均減少2.4%，打車出行人數(shù)增加2.6%。對(duì)于道路結(jié)冰天氣對(duì)交通出行的影響，選取了西安的數(shù)據(jù)作為代表。數(shù)據(jù)分析顯示，西安在2019 年2 月10 日發(fā)布道路結(jié)冰黃色預(yù)警，自駕出行人數(shù)平均減少2.3%，打車出行人數(shù)增加1.5%，如表4 所示。

表4 不同災(zāi)害性天氣預(yù)警時(shí)各城市用戶使用交通出行APP 次數(shù)變化幅度

3 小結(jié)與建議

3.1 小結(jié)

本文基于大量的數(shù)據(jù)，針對(duì)災(zāi)害性天氣對(duì)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(fā)布災(zāi)害性天氣預(yù)警作為災(zāi)害性天氣出現(xiàn)的觸發(fā)點(diǎn)，并以幾個(gè)代表性城市為例，從一個(gè)角度驗(yàn)證了災(zāi)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(jié)論，主要結(jié)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(zāi)害性天氣對(duì)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(jié)假日等因素影響。

3.2 建議

由于數(shù)據(jù)有限，本文未能就災(zāi)害性天氣對(duì)于城市公眾出行行為出現(xiàn)變化的原因做進(jìn)一步深入的研究，建議進(jìn)一步展開相關(guān)研究及應(yīng)用工作。

（1）加強(qiáng)與城市交通運(yùn)行管理部門合作，融合相關(guān)數(shù)據(jù)開展深入研究，進(jìn)一步研究災(zāi)害性天氣與城市交通公眾出行行為的變化規(guī)律性。

（2）氣象部門要進(jìn)一步加強(qiáng)基于災(zāi)害性天氣對(duì)交通的影響服務(wù)，提高服務(wù)能力和水平，與相關(guān)部門建立更順暢的溝通協(xié)同機(jī)制，提高交通氣象服務(wù)的有效性。