APP下载

电动自行车风险驾驶行为因子分析及相关因素研究

2019-11-14黎文皓谢思红

关键词:驾驶者机动车电动

王 涛,黎文皓,谢思红,陈 峻

(1. 桂林电子科技大学 建筑与交通工程学院,广西 桂林 541004; 2. 东南大学 交通学院,江苏 南京 210096)

0 引 言

在国内很多城市,电动自行车已经成为城市居民出行最主要的交通工具以及短距离出行的首选交通方式[1]。与此同时,电动自行车的安全问题也随之逐渐显现出来,这使得城市的交通管理以及交通安全保障面临了新的挑战与巨大的压力[2]。根据国外的研究数据显示,因为驾驶人因素而直接导致的交通事故约占65%,而与驾驶人因素相关的交通事故约占95%[3]。2013年我国电动自行车事故数据分析表明,造成电动自行车事故的原因主要有:未按规定让行、违法占道行驶、违反交通信号、超速行驶、逆向行驶[4]。导致交通事故发生的诱因复杂多样,解决其问题也应从各个方面着手,但其核心要素肯定是人的因素[5],交通事故始终以驾驶者的行为作为决定因素和作用载体,因此最有效并且最具有价值的研究,是如何对人在事故风险中的“风险驾驶行为”这一环的作用规律进行揭示[5-6]。

“风险驾驶行为”指的是跟预期中正常且合理的驾驶行为轨迹相偏离的一种行为[7],电动自行车驾驶者因为对系统的安全教育和技术培训等方面知识匮乏,交通安全意识薄弱,在驾驶过程中引起的风险驾驶行为问题也更加突出。因此研究电动自行车的风险驾驶行为,是解析电动自行车交通事故机理的重要环节,对改善电动自行车交通安全环境具有重要的现实意义。

为了解开风险驾驶行为背后的诱因,J. REASON等[7]最早构建了机动车驾驶员风险驾驶行为量表DBQ(driving behavior questionnaire),此后国内外学者在DBQ的基础上,对于驾驶行为分类和拓展风险驾驶行为量表开展了大量的研究,根据研究对象的差异性设计出了相应的问卷,如卡车[8]、摩托车[9]、自行车[10]。近年来风险驾驶行为研究焦点在不同年龄、性别、经验、生理状态等因素下的驾驶行为差异[11]。张卫华等[12]构建了低能见度条件下驾驶人安全驾驶量表,结果表明低能见度对驾驶员风险感知和违规行为有显著影响;汪益纯等[13]引入社会经济特征和日常驾驶行为指标,研究不同初驾者的行为差异;郑东鹏[14]在驾驶经验的基础上,研究驾驶人的危险感知影响因素;姚文等[15]分析驾驶员人格特质与多发交通事故的影响因素,得出驾驶员的个性、认知、行为与交通事故的多发有关。

目前已经形成比较严谨和完善的机动车及摩托车驾驶员风险行为研究,但国内外对于电动自行车风险驾驶行为的相关研究较少。与机动车相比,电动自行车的交通环境以及物理特性存在非常大的差异。例如,由于没有法规要求电动自行车驾驶者在驾驶之前进行严格的培训,对骑行者违反交通规则的违章缺乏处罚手段,因而对于安全态度和风险感知方面会呈现出更加多样化的形式;此外,因其具有较小的体积且可进行灵活的转向的特点,驾驶者经常会以成群的方式行驶,其驾驶行为也随之多样化。因而直接用机动车驾驶行为问卷,来进行电动自行车驾驶者的行为特征测量显然不合适。

笔者主要对电动自行车风险驾驶行为量表进行设计,基于驾驶者的问卷调查结果,对电动自行车风险驾驶行为的潜在因子结构以及各因子得分在驾驶者基本信息上的差异进行分析,为制定电动自行车安全管理办法,降低电动自行车事故,改善电动自行车交通秩序提供参考依据。

1 问卷及调查

1.1 问 卷

参考机动车风险驾驶行为量表DBQ[7],将其与电动自行车驾驶者特性、电动自行车行为观测结果、机动车风险驾驶行为影响因素相结合,进行了电动自行车风险驾驶行为量表ERBQ(E-bike rider behavior questionnaire)的编制,共包含风险驾驶行为、驾驶信心、风险感知、安全态度,以及事故经历和基本信息6个部分。具体如下:

1)风险感知量表由T. RUNDOM等[16]提出的基于情感担忧的“担心及忧虑”量表和M. A. MACHIN等[17]提出的基于认识评估的“危险认知”量表构成,包含11个问项。其中“担心及忧虑”量表1~5分别代表极不同意、不同意、普通、同意、非常同意;“危险认知”量表1~5分别代表极不危险、不危险、普通、危险以及非常危险。分数越高,表明被试者对关于驾驶行为中可能引起的风险表现出越担心、焦虑的情绪,对风险行为的危险度有更高的主观知觉性,同时对事故可能引起的后果也会产生更高的知觉。

2)驾驶信心量表在J. T. WONG等[18]提出的驾驶自信量表的基础上,增加至8个问项,用以评估电动自行车驾驶者对技术能力信心和判断能力信心,1~5分别指代的是极不同意、不同意、部分同意、同意和非常同意。分值越高,表示调查对象对于自身的驾驶水平持有越高的信心,越相信自己的驾驶技术能力,越相信自己判断能力的正确性。

3)安全态度量表改编自P. ULLEBERG等[19]的研究,总共包括14个项目,用以评估电动自行车驾驶者对交通安全及个人责任的态度、交通规则的态度和从众心理。1~5分别代表极不同意、不同意、部分同意、同意、非常同意。分值越大表示安全态度越好,即对待安全持有越正面的态度,有更大的意愿去遵守交通规则,其从众心理也更低。

4)风险驾驶行为量表是在参考国内外机动车、摩托车、自行车以及L. YAO等[20]编制的量表基础上,结合对电动自行车实际驾驶行为观测结果编制的,用以测量违规行为、疏忽行为、侵略行为、追求领先行为,包含24个题项。5个计分点对应测验中的5个等级选项,1~5分别代表从来没有、基本没有、偶然、有时候以及总是有。分值越高,表明其电动自行车的风险驾驶行为发生的次数越高。

5)事故经历包括被采访者在近3年内,出现交通事故的频率及其因事故造成后果的严重程度,1~3由低到高分别是仅造成财产损失、造成人员受伤、造成人员就医。

6)基本信息主要由以下3方面构成:人口统计学信息(性别与年龄),驾驶背景(驾龄、驾驶频率以及是否有机动车驾驶经验)和社会经济特性(受教育程度与电动自行车类型)。

1.2 调 查

在桂林市公安局交通警察支队选择5名经验丰富的交警进行访谈,根据访谈的结果修改问卷,形成预调查量表问卷。再根据此问卷,对桂林市的60名正在非机动车教育点以及机动车驾校进行学习的人员开展预调查,检验问卷题目的含义和叙述方式是否能够被受测者正确的解读。预调查后,首先对个别问项的陈述方式是否可靠进行测验,再对不合适的问项修正并删除之后,设计出了正式的调查问卷。

笔者所使用的调查方法包括跟踪调查和随机调查。为了进行驾驶行为与道路条件、环境等因素的协同作用研究,对部分电动自行车事故当事者展开跟踪调查。在交警的协助下,总共抽取400名左右的当事者实施了电话预约调查,历时3个月,顺利对198名当事人进行了回访,经筛选一共得到有效问卷数量为192份,包括严重受伤事故12份、轻伤事故134份以及财产损失事故46份。

另外针对南宁、桂林两地的电动自行车驾驶人开展随机调查。由于本次问卷内容的中所包含的问题较多,且涵盖测验的问题,预估被调查人员需耗时5~8 min对初步问卷填答,因此在调查过程中采取一对一的方式进行,以防止出现被调查者对问卷的内容不明白,或是错误理解问题等情况,进而保证问卷调查结果的精确性。随机调查共计回收问卷434份,经删除答题不完整、漏缺之后共回收有效问卷381份。

跟踪调查与随机调查共获取有效问卷573份,样本分布情况如表1,表中:驾驶时间均值=3.8 a,标准差=2.9,范围=0.5~17 a。结果显示样本男女比例接近1∶1,年龄分布以年轻人为主,初、中、高受教育程度人群基本各占33%,样本差异性分布符合预期。

表1 样本基本信息分布情况Table 1 Basic information distribution of samples

注:①均值=29.7岁,标准差=10.1, 范围=14~63岁;②均值=4.78次/周,标准差=2.0,范围=1~7次/周;③=12.2 km,标准差=10.7,范围=1~4 km

2 因子分析

2.1 因子分析法

因子分析(factor analysis)的主要功能是从量表的全部变量(问项)中提取一些公因子,各公因子分别于某一群特定变量高度关联,这些公因子即代表了量表的基本结构,被认为是获得观察变量(observed variable)背后潜在变量(latent variable)的最典型方法和最有效的效度分析手段[21]。

其基本原理是通过对变量间的相互关联的程度进行探究,进而分析潜在的关系结构,再根据此关系结构提炼出少数几个潜变量以解释一组变量[22]。将观测变量变异分解为公共因子、独特性(unique factor)两个部分,假设有p个观测变量分别为x1,x2,…,xp,原有p个观测变量用m(m

(1)

式中:xip为个体i在变量p上的值;apm为第p个变量在第m个因子上的荷载;fm为各观测变量共有的因子;dj为独特性因子的权重;uij为独特性因子权重。

为了简化起见,经常将式(1)写成矩阵形式,作为因子分析的基本方程:

X=F·A′

(2)

式中:X为观测变量矩阵;A′为荷载矩阵;F为因子矩阵。

从数据X能够得到观测变量之间的相关矩阵R为:

(3)

式中:R为原始变量相关矩阵;K为样本量。

R=A·A′

(4)

经过因子荷载矩阵,原始变量的相关矩阵得到了复制,因子和原始变量之间的方向以及关系强度,通过因子荷载矩阵进行了描述。一般,通过方差最大的正交旋转法计算矩阵A的各列,文献[21]给出了荷载矩阵的具体计算方法。

2.2 结果与分析

样本是否适合进行因子分析,需要进行KMO检验和Bartlett球形检验[23]。调查获取的573份样本安全态度、风险感知、驾驶信心、风险驾驶行为4个构面的KMO值分别为0.853、0.817、0.823、0.862,均大于0.8,说明其满足因子分析的条件。Bartlett检验结果V2分别是4 878.08、2 594.74、2 953.99、4 406.12,相伴概率均小于0.01,说明问项间有共享公因子的可能性。

同时利用克伦巴赫α信度系数法(Cronbach’s α)对量表的信度进行检验,当Cronbach’s α>0.7时表明量表具有相当的信度[24-25]。根据检验结果风险感知、安全态度、驾驶信心和风险驾驶行为4个构面的Cronbach’s a系数分别为0.83、0.84、0.82以及0.75,认为4个构面的因子结构具有良好的稳定性和内部一致性。

在满足信度检验的基础上,对样本的风险感知、安全态度、驾驶信心和风险驾驶行为4个构面采用最大方差法对因子进行正交旋转。取特征值(eigenvalue)大于1的因子作为可以抽取的因子数,并根据因子的可解释性,最后确定各构面可以抽取的公共因子。删除载荷小于0.5并出现双负载的问项,形成最后的电动自行车风险驾驶行为量表。

风险感知获取了3个因子,包含11个问项,3个因子共解释了总方差的64.49%,分别为“危险程度”、“担忧程度”、“机率评估”;驾驶信心获取了2个因子,包含8个问项,2个因子解释了总方差的76.33%,分别为“技术能力”、“判断能力”;安全态度获取了3个因子,共14个问项,3个因子解释了总方差的70.54%,分别为“交通规则”、“安全责任”、“从众心理”;风险驾驶行为获取了4个因子,共20个问项,4个因子解释了总方差的68.43%。各构面的每个项目的载荷都在0.577以上,并且每个问项与最大载荷所在因子在内容上都较为相似,但却不同于其他因子,见表2。

表2 因子提取一览Table 2 List of factor extraction

3 驾驶者特征与风险驾驶行为相关性

进一步分析电动自行车驾驶者的基本信息(人口统计学信息、驾驶背景以及社会经济状况)在各个不同因子上的差异性。传统的差异性比较是将问项的平均值作为比较对象,这种方法必然会导致特定的信息(如不同受访者及问项之间表达的信息)的丢失[26]。因此相较于传统的平均值,笔者提出了以因子得分为基础进行差异性进行分析,因子得分的计算如式(5):

L=X·A·(A′·A)-1

(5)

式中:L为因子得分矩阵;X为观测变量矩阵;A为荷载矩阵。

笔者根据上述公式计算出因子得分矩阵,并通过方差分析对不同因子上的基本信息变量的差异进行了衡量,结果见表3。

表3 驾驶者基本信息变量在不同因子上的差异(F)Table 3 Differences of drivers’ basic information variables on different factors

注:**表示相应F值下的概率p值<0.01,*表示相应F值下的概率p值<0.05,概率p值取值见正文

由表3可知,驾驶信心(F=3.95,P<0.05)和风险感知(F=10.09,P<0.01)的因子得分在不同性别上存在显著的差异。女性驾驶者对于风险感知的敏感程度明显要比男性高,但相反的男性在驾驶过程中的驾驶信心方面较之女性有更大的优势。男性驾驶者与女性相比,其发生违规行为(F=3.21,P<0.05)、追求优先和奋力超前的驾驶行为(F=1.47,P<0.01)以及侵略性的驾驶行为(F=3.84,P<0.05)的频次更高,但是男性和女性电动自行车驾驶员在疏忽及失误驾驶行为行为上没有显现出显著的差异(F=0.34,p>0.05)。国内电动自行车交通事故的严重程度分析也发现,男性电动自行车驾驶者更倾向于发生严重事故[1],这可能是由于男性电动自行车驾驶者发生违规等高风险的风险驾驶行为更加频繁。

年龄对于驾驶信心(F=8.06,P<0.01)和风险感知(F=5.25,P<0.01)存在显著影响。与青年组(P=0.012)和老年组(P=0.007)相比,中年组电动自行车驾驶者的风险感知明显要高,而其在驾驶信心上所得的分数明显低于青年组(P=0.000)和老年组(P=0.007)。此外,老年组电动自行车驾驶者发生违规行为的次数较中年组(P=0.000)以及青年组(P=0.000)高,而在获取领先行为中,青年组则较中年组(P=0.001)和老年组(P=0.044)表现得更频繁。与电动自行车驾驶者不同年龄段在风险行为上的差异表现一致,T. WANG等[27]的研究结果表明,年龄小于25岁及年龄大于65岁相的电动自行车驾驶者发生死亡事故的可能性分别增加32.1%和55.2%。而P. ULLEBERG 等[19]研究结果显示机动车驾驶者对可能发生事故有较高的风险感知,对发生事故的担心程度也较高。

接受教育程度的高度并没有对风险感知产生显著影响,但是对安全态度(F=5.84,P<0.01)以及驾驶信心(F=3.47,P<0.05)构面存在显著的影响。随着受教育程度的增加,电动自行车驾驶者的驾驶信心增强,对于安全的态度也更加积极。在各风险驾驶行为因子上,违规行为(F=6.03,P<0.01)、获取领先(F=15.47,P<0.01)以及侵略行为(F=3.85,P<0.05)3个因子在教育程度上也表现出显著的差异。高学历者在违规和获取领先的行为方面发生的次数更频繁,而学历较低的驾驶人则更容易在驾驶过程中有侵略性的风险行为出现。与之类似,D. SHINAR等[28]对摩托车的研究发现,教育程度大专以上对于安全的态度明显高于低学历的驾驶员,较高的教育程度的驾驶者较容易有超速行为发生。

驾驶不同车型的驾驶者在风险感知(F=7.03,P<0.01)和侵略行为(F=4.75,P<0.05)上存在显著差异。在风险感知方面,脚踏式电动自行车驾驶者得分更高,而摩托式电动自行车驾驶者发生侵略行为的频率更高。

风险感知、驾驶信心、安全态度3个构面上驾驶年龄均无显著差异,但是违规行为因子(F=7.02,P<0.01)与驾龄显著相关。利用LSD(least significant difference)进行多重比较,结果表明驾驶时间在3年以上的驾驶者明显比驾驶时间低于1年(P=0.000)和1~3年(P=0.024)的驾驶者发生违规行为的可能性更高,表明驾驶时间越久越容易产生违规行为。除违规行为外驾龄在其他风险行为上没有显著差异,这与我们的直觉有点矛盾,因为以往关于机动车驾驶安全的研究显示随着驾驶经验的增加,个体的驾驶技能会更加熟练,其发生事故的可能性也越小[29]。这可能是由于电动自行车操作相对简单,不要求有太高的驾驶技术。

风险感知(F=5.47,P<0.01)及安全态度(F=5.75,P<0.01)构面的因子得分在电动自行车的使用频率上存在显著的差异性。驾驶电动自行车的次数越多对风险的感知程度越低,然而在对待安全态度上却越趋于正向。并且使用频率对于违规行为(F=15.18,P<0.01)、获取领先行为(F=3.84,P<0.05)、疏忽及失误行为(F=4.31,P<0.05)因子的影响也较显著。经过多重比较结果发现,发生违规行为和获取领先行为的次数较高的是周驾驶频率在6次以上的驾驶者,而发生疏忽及失误行为的次数高的是驾驶频率低于2次的驾驶者。与之类似,C. F. CHEN等[30]对台湾地区机车驾驶员的研究表明,使用频率越高的机车驾驶者对安全的态度越积极,而高速驾驶行为的频率更高。

尽管机动车驾驶技能培训和交通安全教育,使有机动车驾驶经验的电动自行车驾驶者对交通规则有更深入的了解,但是数据分析结果显示,在风险感知、安全态度和驾驶信心3个构面上是否有机动车驾驶经验均没有体现出明显的差异性。同样在侵略行为、违规行为和疏忽及失误行为上是否有机动车驾驶经验也不存在显著的差异。电动自行车事故研究结论也表明是否具有机动车驾照对事故的严重程度没有显著影响[1],但机动车驾驶者,其更倾向于领先的驾驶行为 (F=12.60,P<0.01)的追求,其原因也许是这些驾驶者有机动车驾驶经验,更习惯于以更快的车速行驶。

4 结 论

笔者设计了电动自行车的风险驾驶行为量表,通过调查获取有效样本,对其驾驶者的驾驶信心、安全态度、风险感知以及风险驾驶行为的构面开展了探索性因子分析。风险感知得到危险程度、担忧程度、机率评估3个因子,驾驶信心得到技术能力、判断能力2个因子,安全态度得到从众心理、交通规则态度以及安全责任态度3个因子,风险驾驶行为得到疏忽及失误行为、违规行为、侵略行为、获取领先4个因子。

通过研究电动自行车驾驶者特征与各构面的关系,发现女性驾驶者相比男性的风险感知程度更高,而在驾驶信心方面男性驾驶者的分数却远比女性高。与女性驾驶者相比,男性驾驶者在发生违规行为以及获取领先驾驶行为方面的频率要高;具有丰富驾驶经验的电动自行车驾驶者更倾向于发生违规的行为;在电动自行车驾驶者违规行为上,老年组发生的频率相较于其他组显著偏高,在领先骑行行为的表现上,青年组发生的次数明显偏高,在领先骑行行为上伴随年龄的增长呈现出下降的趋势,而故意违规行为却跟随年龄的增加而有增长的趋势;随着受教育程度的增加,电动自行车驾驶者的驾驶信心增强,安全态度也变得更加积极,其中电动自行车驾驶者发生违规行为以及获取领先行为次数更多的是高学历人员,而发生侵略性的风险驾驶行为次数更多的是低学历人员;有机动车驾驶经验的电动自行车驾驶者追求领先的驾驶行为频率更高;对风险的感知随着使用频率的增高而降低,而对安全态度的积极性随着使用频率的增高而增加,据调查,有6次以上的频率的驾驶者有更高的获取领先行为以及发生违规行为的可能,而有2次以下驾驶频率者则在存在疏忽及失误行为方面有更大的可能性。

了解电动自行车驾驶者各构面的内在结构以及差异性,便可针对驾驶者特性进行不同的交通管理和教育措施,藉此降低电动自行车驾驶者可能发生风险性驾驶行为的概率。比如,电动自行车对风险的感知除一般认为的危险程度和担忧程度外还包括有机率评估因子,而在进行安全教育时,应在传统的危险性警示教育的基础上,加强对事故因果的教育,提高“这种危险可能发生在自己身上”的警示,从而达到真正提高电动自行车驾驶者风险感知的目的。而差异分析的结果显示,在进行电动自行车交通管理和安全教育时,受教育水平的高低、驾龄以及机动车驾驶经验不能简单作为判断驾驶者风险程度的标准,而应该制定更加细化的措施。例如,随着年龄的增加在追求优先行为上,电动自行车驾驶者有下降的趋势,而故意违规行为则呈现增长的趋势,所以在探究风险驾驶行为之时,应对它在年龄方面的差异性投入更多的关注度。

笔者用于分析的数据来源于自答式的调查问卷,受访者出于自身考虑,一些研究者认为如果采取自我评估的量表数据会导致产生一定的期望偏差。但相关研究可证实,对于被试者的回答而言,这样的社会期望偏差所带来的影响效应十分小。

在进行相关性分析时仅考虑了驾驶者特征这一类因素,在未来能够获得更丰富的数据条情况下可以对其他因素进行分析。同时采用单因素分析方法限制其他变量的影响进行相关性分析具有一定的局限性,在进一步的研究中可以采用其他方法矫正其他因素的影响,并对间接的关系进行详细分析。

猜你喜欢

驾驶者机动车电动
让机动车交通安全统筹更
由一起厂内机动车事故引发的思考
电动自行车
铁路机动车管理信息系统
纯电动重卡展会遇冷
MINI 电动概念车
发明电波感应器防止开车瞌睡
基于Cruise的纯电动客车动力系统匹配
美国最差司机在哪里
福特推出全新智能车速控制系统