京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在中国传统文化里,人们受制于模糊思维,往往忽视数据,或感觉差不多、无所谓,一个普遍现实是:数据难以有效地指导行动。
文/涂子沛(微信公众号:涂子沛频道)
这个清明多风雨,高速路上不太平。
期间最重大的事故,当属沪宁高速常州段56车连环相撞,其主要原因被确定为雨天路滑和团雾,但我认为还另有原因。
再看数据,截止2015年底,中国高速公路里程突破12万公里,汽车1.72亿辆,而美国为9.2万公里、2.8亿辆。理论上,中国的路更多、车更少,交通应该比美国更安全。但2014年,美国因交通事故导致的死亡人数为32675人,我遍寻网络,中国官方数据缺失。而据世界卫生组织估计,中国每年因交通事故死亡的人数超过20万。
供给侧,我们的高速公路多于美国,需求侧,我们的汽车保有量低于美国,但我们的死亡人数,无论是绝对数量、还是相对比率,都高于美国!
问题,到底出在哪里?
高速路要学博物馆,控制流量
除了气候等客观原因,我认为,中国高速上的连环撞,事出“数据化管理”严重不足。
任何一条公路,容量都有限,因此存在一个“饱和流量”和“科学密度”。节假日期间,车辆骤然增多,中国的道路应该进行流量调控。这种调控并非限制特定车辆上高速,而是将相关的数据实时告诉驾驶员,然后用各种方式调控车流。
国内不少人流密度高的公共场所都做了类似尝试。今年春节期间,我带孩子到上海科技馆参观,发现科技馆售票处有一块显示“当前馆内人数”的电子牌,续而了解到,当馆内游客逼近1万人的“红线”时,馆方就暂停售票、放慢安检速度或分批放行。出馆人数增多后,限流措施随之解除。
流量调控电子屏实时显示馆内人数为9561人
就避免拥堵而言,高速公路和博物馆、游乐场道理相通。任何一条道路上,其流量都有一个“科学密度”,一旦超过,问题隐现。
行进之中的车辆如果靠得太近太紧,驾驶员会产生紧张感、不舒感,其本能反应就是刹车,每次刹车,对后面的车都会产生一股“负冲击波”,跟行的车也必须刹车,不可预见的频繁刹车,整个交通流就被扰乱了,人心随即被扰乱,抱怨、鸣笛、抢道,交通事故的巨大阴影开始蔓延。
在道路流量控制上,美国明尼苏达州的双子城堪称榜样。它们从1970年代开始就反复试点“匝道信号调控”(Ramp Metering):通过在匝道上设置信号灯,调控进入高速公路的车辆。
匝道是指引导车辆从支路进入主干线的一小段辅路、或称接驳路段
该市交通管理部门通过大数据调研,确定该市绕城高速上的饱和流量为“每小时3900辆”,即一旦超过3900的临界点,高速公路就会拥堵,通行速度就会下降。
交通部门因此开始监测,路段上的车辆只要一过3900,匝道上的信号灯就会打开,对进入的车流进行调控,即需要等待才能进入,一次绿灯亮,一台车进入,另一个探测头会监控匝道上的排队等待的车辆数量,当队伍太长、溢出匝道的时候,控制灯就加快放行的速度。
该市一共在430多个匝道上安装了信号调控灯。别小看这一个小小的措施,经过反复对比测试,专家最终发现,在没有匝道的流量控制的情况下,高峰期间撞车事故增加了26%、穿越全程高速的时间增加了22%、而公路的最大流量却下降9%、车辆平均行驶速度下降7%。
今天的信息技术,已经远非1970年代可比,通过云计算、传感器、摄像头,中国肯定可以构建更合理的数学模型和技术框架,实现更精准的预测和导流。对此,我很有信心。
尽快摒弃忽视数据的惯性思维
常州车祸当天,天气预报有大雨,为何还有这么多人选择出门?其中原因可能很多,如长假难得、情感纽带等等,但这里也涉及大众对天气数据的使用。我的感受是,虽然已经进入了信息社会,但中国社会很多人对数据视而不见、近乎无感,也就是不懂得怎样用数据分析现实、预测结果、管理指导自己的生活。
在中国传统文化里,人们受制于模糊思维,往往忽视数据、或感觉“数据大一点、小一点”差不多、无所谓,一个普遍现实是:数据难以有效地指导行动。
千千万的司机,亟待建立数据意识,用天气数据指导出行,主动规避风险。
在常州车祸中,倘若大部分司机能够及时掌握并使用天气数据、高速公路流量饱和数、实际行车数等数据,拥堵就可能缓解,悲剧或可避免。
当然,前提是这些数据本身要准。话说回来,中国大众使用数据的意识和习惯差,跟中国的天气数据服务欠佳也有关系,美国的预报精确到每个小时,还很准,国内以前的预报却常常不准,大家就不在乎了,养成了“无数据走天下”的思维定式。
但我发现,中国的天气预报最近几年一直在进步,准确率已大大提高,现在值得信赖。气象部门的下一个工作重点,应该多想办法改善服务,把数据更快更好的传递给大众。
数据是解决交通问题的终极办法
此外,还有人妄言,解决交通拥堵的根本方法是修路。对此,我还是不同意。
路要修,但要靠“修路”解决交通问题,只是一厢情愿。即使再修建新的高速,原来的公交出行者、错峰出行者、不上高速者,会重新调整自己的出行行为,蜂拥占领新的高速公路。这种“越修越堵”的窘状,已经在美国、日本、欧洲的大城市不断上演过了。
资源有限,总有一天,无论是在北京、还是在纽约,东京,我们会发现整个地表已经没有办法增加一条新的道路。
而人类智慧无限。交通,是一个可以完全量化的领域。我相信,通过不断的“数据优化”,可以最终实现人类、汽车与公路的有序相处,而不是碰撞、碾压、鲜血和死亡。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12