W3-6 前面没有事故，车流为什么还会堵住？

车流突然慢下来，你跟着停住，又缓缓向前。等终于驶过拥堵区域，前面却没有事故、施工，也没有明显的车道收窄。刚才究竟是什么堵住了路？

有时，答案并不是某个固定障碍，而是车流自身形成的一片低速区域。车辆不断进入和离开它，它却可以持续存在。要理解这种现象，需要把一辆车怎样跟随前车，与整支车队怎样变化放在一起。

没有瓶颈，也能做出一个堵车实验

2008 年，Sugiyama 等人在《New Journal of Physics》发表了一项环形路实验。研究者让 22 辆车在周长 230 米的单车道路线上行驶，起初间距近似均匀，要求驾驶者尽量保持约 30 千米每小时，并安全跟随前车。

路线没有出入口或车道收窄。开始时车队能大致平稳行驶，随后间距的小波动逐渐增大，最终出现部分车辆短暂停下的走停车流。原论文及实验记录展示了这段演变。

这项实验说明，在其密度和跟驰条件下，即使没有固定瓶颈，也能形成拥堵。它并不意味着真实道路上的事故、匝道或坡度不重要；这些因素仍可能改变局部车流，触发或维持拥堵。

驾驶者并不只看自己的速度，还要观察与前车的距离，以及这个距离正在怎样改变。若前车先减速，后车还维持原速，间距就会继续缩小；后车随后调整时，面对的已经是一个发生变化的局面。

用一个纯教学算例说明：如果后车比前车每秒快 1 米，且这个速度差维持 2 秒，车头之间的距离就会减少 2 米。这里暂时忽略加减速过程，数字不是实测数据，也不表示合适的行车间距。它只说明，短暂的速度差会积累成位置差。

后车为了恢复间距，可能需要一段时间低于前车的速度；再后面的车又要应对这次变化。每个人都在根据眼前情况调整，但这些调整连接起来后，扰动可能逐车扩大，最终变成明显的减速和停车。

智能驾驶员模型的原作者说明用自身速度、与前车的净间距和相对速度来决定加速度。这是描述跟驰的一种模型，并不是说每位驾驶者都在脑中求同一个公式。它帮助我们看见：只用“大家都想保持匀速”，还不足以确定整个车队会怎样运行。

关键还在于扰动经过车队后，是缩小了，还是放大了。如果后续调整能让速度变化逐渐减弱，车流就可能恢复平稳；若变化越来越大，均匀行驶便难以维持。

MIT 交通建模研究组的说明讨论了一类交通流模型：在较低密度下，均匀车流可以稳定；密度足够高时，小扰动可能放大为移动的高密度区域。模型中的临界条件取决于参数，包含驾驶者对新情况的调整过程。

这里的“调整时间”不能简单等同于某个人的反应慢。车辆加减速本身需要时间，驾驶者对速度与间距的权衡也会影响结果；不同模型把这些过程写入方程的方式不同。把所有自发拥堵都归结为同一个反应时间数字，会丢掉重要条件。

因此，不存在从这个环形路实验就能直接读出的、适用于所有道路的统一堵车密度。真实路段还涉及车型、车道、出入口和驾驶行为。实验隔离了一种机制，没有包办所有解释。

想象车队前端的一辆车开始加速，离开低速区域；与此同时，后面另一辆车减速，加入队尾。过了一会儿，区域里的车已经换了一批，但“车集中慢下来的地方”仍然存在。

这就像人群排队时，等待状态可以从一个人传到另一个人。传播的是状态，不是同一批车辆整体倒退。判断拥堵波怎样移动，必须把它的位置变化与单辆车的行驶轨迹分开。

在前述环形路实验中，研究者观察到拥堵簇沿车辆行驶的相反方向传播。驾驶者驶出低速区时看到前方畅通，并不矛盾：他穿过的是一个持续由其他车辆接替的移动结构。

这也解释了为什么仅回看自己刚才那几十秒，可能找不到一个明确的“事故点”。不过，看到前方畅通本身还不能证明一定发生了这种机制；对具体道路作判断，仍需要连续的车速、位置和道路条件记录。

如果扰动能够通过跟驰关系传播，那么改变局部车辆的速度调整方式，也可能影响后面的车，而不只是影响它自己。

Stern 等人的环形路实车研究提供了一项例子。论文预印本于 2017 年公开，期刊版发表于 2018 年；研究在二十多辆车的环形车流中，通过控制其中一辆车的速度，减弱了自然形成的走停波。

这项结果支持的是：在所测试的车流与控制条件下，少量受控车辆能够影响整体波动。它不能推出“随便一辆车保持某个速度就能消除拥堵”，也不能代表所有商业驾驶辅助系统或复杂城市路网都有同样效果。

理解这类堵车，不能只找谁最先减了一次速，还要看那次变化经过整个车队后发生了什么。一个局部合理的动作，会怎样影响下一辆车、再下一辆车？当许多调整相互连接时，结果可能需要在更大的范围内才能看清。