基于强化敏感性理论的电动自行车风险骑行行为影响因素*

汤天培 陈 丰 郭赟韬 朱森来

（1.南通大学交通与土木工程学院 江苏 南通226019；2.同济大学道路与交通工程教育部重点实验室 上海201804）

0 引 言

电动自行车已经成为我国大部分城市的主要出行方式之一。电动自行车给居民出行提供便捷的同时，对道路交通安全产生了不可忽视的影响。根据公安部交通管理局的数据显示，2013—2017年期间，全国涉及电动自行车的交通事故总量为56 200起，其中导致8 431人死亡，63 400人受伤，直接经济损失高达1.11亿元[1]。相较于普通自行车，电动自行车引发的交通事故数量更多，且事故后果更严重[2]。相关研究表明，电动自行车骑行人的风险骑行行为（闯红灯[3]、超速[3]、酒后骑行[4]、逆行[4]、占用机动车道[5]、戴耳机听音乐[6]、使用手机[6]等）是导致电动自行车相关交通事故的主要原因之一。现有研究主要从交通运行信息（骑行人数量[7]、等待位置[7]、机动车交通量[8]等）、交通设施条件（交叉口类型[9]、交叉口规模[9]、遮雨棚[10]、交通信号灯[11]等）等方面，研究其对电动自行车骑行人闯红灯行为的影响。Yao等[12]首次研究了个人心理因素对电动自行车骑行人风险骑行行为（急刹车、随意变道等）的影响，采用结构方程模型分析指出骑行人的态度、风险感知对风险骑行行为有显著影响。在此基础上，Yang等[13]基于扩展计划行为理论，新增了道德规范、风险感知、从众倾向、自我认知和示范性规范作为扩展变量，研究心理因素对电动自行车骑行人闯红灯行为意向的影响，研究表明态度、知觉行为控制、道德规范、自我认知是影响闯红灯行为意向的主要因素。现有研究探究了交通运行信息、交通设施条件和个人心理因素对电动自行车骑行人风险骑行行为的影响机理，为相关政策和措施的制定提供了有益参考。

Gray[14]于1970年提出了初始强化敏感性理论（original reinforcement sensitivity theory,o-RST）。该理论基于动物学习和神经生理机制，认为个体对惩罚和奖励的刺激信号敏感，并通过强化效应调节个体的行为和动机。强化敏感性是指个体在呈现强化刺激物时的反应性，即所引发的行为、情绪以及动机的改变趋势和改变程度，具体包括惩罚敏感性和奖励敏感性。o-RST认为行为趋近系统（behavioral approach system,BAS）和行为抑制系统（behavioral inhibition system,BIS）是调节个体行为动机的2个潜在动机系统。其中，BAS是1个积极的反馈回路，可促进个人向预期目标靠近，反应奖励敏感性；BIS是1个负向反馈回路，可避免厌恶刺激，反应惩罚敏感性。o-RST自提出以来，已经被应用于解释机动车驾驶人的奖惩反应性对其风险驾驶行为（超速[15]、酒后驾车[16]、驾车使用手机[17]等）的影响。随着动物学习和神经生理机制的发展，2000年Gray和McNaughton[18]提出了改进强化敏感性理论（revised reinforcement sensitivity theory,r-RST），进一步提出调节个体行为的3个潜在动机系统。其中，BAS改进为可调节动机以接近任何奖励刺激，而不仅仅是条件下刺激；BIS被调整为1种比较系统，用于评估是接近奖励刺激还是避免厌恶刺激；新增的第3个动机系统为对抗/逃离/僵化系统（fight/flight/freeze system,FFFS），是1个负向反馈回路，可解决威胁与预期目标之间的不一致，并负责逃避恐惧，反应惩罚敏感性。

综上，电动自行车骑行人对奖惩的敏感性是影响其风险骑行行为的可能潜在因素，鲜有研究从交通管理的奖惩机制角度，研究骑行人的奖惩反应性对其风险骑行行为的影响。改进后的r-RST进一步丰富、拓展了强化敏感性理论，但未有研究通过道路使用者风险行为分析，验证该改进理论的适用性。因此，本研究基于r-RST理论构建电动自行车骑行人风险骑行行为的心理认知模型，探究惩罚敏感性和奖励敏感性对风险骑行行为的影响，验证r-RST解释道路使用者风险行为的适用性。由于BIS在r-RST中属于1种比较系统，且需要BAS和FFFS的仿真激活，本研究仅引入BAS和FFFS进行讨论。

1 模型构建

相关研究[4,12,15,17]指出：导致风险行为的心理认知过程包括4步：①识别风险；②评估风险水平；③确定可接受的风险水平；④产生风险行为意向。通常采用风险感知变量反应前3步。由此，在r-RST框架下，新增风险感知和风险骑行意向，同时考虑个人社会属性（性别、年龄、骑行次数）的影响，构建电动自行车骑行人风险骑行行为的心理认知模型。研究惩罚敏感性、奖励敏感性、风险感知、风险骑行意向，以及个人社会属性对风险骑行行为的影响。

采用AMOS 24.0构建模型，模型路径关系假设如下：惩罚敏感性正向影响风险感知、风险骑行意向和风险骑行行为，分别记为H1、H2、H3；奖励敏感性正向影响风险感知、风险骑行意向和风险骑行行为，分别记为H4、H5、H6；风险感知正向影响风险骑行意向和风险骑行行为，分别记为H7、H8；风险骑行意向正向影响风险骑行行为，记为H9；性别正向影响惩罚敏感性、奖励敏感性、风险感知、风险骑行意向和风险骑行行为，分别记为H10、H11、H12、H13、H14；年龄正向影响惩罚敏感性、奖励敏感性、风险感知、风险骑行意向和风险骑行行为，分别记为H15、H16、H17、H18、H19；骑行次数正向影响惩罚敏感性、奖励敏感性、风险感知、风险骑行意向和风险骑行行为，分别记为H20、H21、H22、H23、H24。基于假设模型，采用结构方程模型分析法，对模型结构进行修正与优化，评估路径影响关系。

2 问卷设计与数据采集

2.1 问卷设计

借鉴相关研究[19-22]，进行各变量对应量表的修订与改编，本次调查问卷共计75个题项。

2.1.1 强化敏感性

根据Corr等[19]提出的强化敏感性人格问卷（reinforcement sensitivity theory-personality questionnaire，RST-PQ），进行量表的中文版修订与改编。该量表包括奖励敏感性量表和惩罚敏感性量表。奖励敏感性是指骑行人对奖励信号或撤销惩罚信号的反应性。采用BAS进行度量，从奖赏兴趣、驱力、奖赏反应、冲动性这4个方面设计奖励敏感性对应的题项，例如“当我因做得很好而受到称赞时，我会感到特别兴奋。”。共计32个题项，采用Likert 4级计分：从不=1、偶尔=2、经常=3、总是=4，并通过求均值量化奖励敏感性，分值越大表示对奖励越敏感。惩罚敏感性是指骑行人对惩罚信号或撤销奖励信号的反应性。采用FFFS进行度量，例如“从很高的地方往下看，让我不寒而栗。”。共计10个题项，采用Likert 4级计分：从不=1、偶尔=2、经常=3、总是=4，并通过求均值量化惩罚敏感性，分值越大表示对惩罚越敏感。

2.1.2 风险感知

风险感知是指骑行人对某种风险骑行行为的危险程度认知。借鉴机动车驾驶人风险感知量表[20]，分别针对不同的风险骑行行为进行题项设计，例如“您认为骑电动自行车闯红灯危险吗？”。共计8个题项，采用Likert 5级计分：完全不危险=1、有点危险=2、一般=3、危险=4、非常危险=5，并通过求均值量化风险感知，分值越大表示认为风险越高。

2.1.3 风险骑行意向

风险骑行意向是指骑行人选择风险骑行行为的倾向量度。借鉴Ajzen[21]提出的计划行为理论中的行为意向量表，针对不同的风险骑行行为进行题项设计，例如“在条件允许的情况下，我会倾向于闯红灯”。共计8个题项，采用Likert 5级计分：完全不同意=1、基本不同意=2、一般=3、基本同意=4、完全同意=5，并通过求均值量化风险骑行意向，分值越大表示越倾向于风险骑行。

2.1.4 风险骑行行为

风险骑行行为是指骑行人过去选择风险骑行行为的频率。借鉴Scott-Parker等[22]提出的机动车驾驶人驾驶行为量表，选择与风险骑行行为相关的瞬时违章（transient violations）和固定违章（fixed violations）2个子量表，进行中文版修订与改编，例如“在过去的12个月内，在没有交警执法的地方，您会骑电动自行车超速行驶吗？”。共计14个题项，采用Likert 5级计分：从不=1、偶尔=2、有时候=3、经常=4、总是=5，并通过求均值量化风险骑行行为，分值越大表示风险骑行行为越多。

2.1.5 个人社会属性

本次考虑的个人社会属性包括性别、年龄和骑行次数。其中，性别分为：男=1，女=2；年龄分为：19～25岁=1，26～35岁=2，36～45岁=3，46～59岁=4，≥60岁=5。骑行次数分为：1次/d=1，2次/d=2，3次/d=3，3次以上/d=4。

2.2 数据采集

通过问卷星平台（www.wjx.cn）设计和发布问卷，面向该平台的全国样本库进行随机发布。调查对象为具备电动自行车骑行资格（16周岁以上），且骑行经历达3年及以上的骑行人。共计439个调查对象完成问卷调查。剔除无效问卷37份（包括答题分值逻辑不一致、问卷完成时长过短、分值异常等无效问卷），有效问卷数为402份。其他相关研究采用的有效样本量为165～643个[16,17,20,23]，有效样本量满足研究要求。

经统计，有效样本中男性占比为64.9%（N=261），各年龄组占比分别为21.1%（19～25岁）、25.4%（26～35岁）、34.1%（36～45岁）、15.9%（46～59岁）、3.5%（≥60岁），平均每天骑行2次以上（含2次）的占比为87.3%（N=351）。

3 模型结果分析

3.1 描述性统计

各变量的均值、方差、Cronbach'α系数，以及两两之间的相关性系数，见表1。Cronbach'α系数的范围为0.794～0.911，表明变量题项设计均具备较高的内部一致性，说明问卷题项设计合理。相关性系数表明，在0.01显著性水平下，性别与惩罚敏感性正显著相关，与奖励敏感性负显著相关；惩罚敏感性与奖励敏感性负显著相关，与风险感知正显著相关，与风险骑行行为负显著相关；奖励敏感性与风险骑行意向正显著相关，与风险骑行行为正显著相关；风险感知与风险骑行意向、风险骑行行为负显著相关；风险骑行意向与风险骑行行为正显著相关；年龄、骑行次数与各变量之间相关性均不显著。说明模型变量选取基本合理。

表1 变量描述性统计与相关关系Tab.1 Descriptive statistics and correlation coefficient for variables

3.2 模型适配性检验与修正

采用极大似然估计法，对模型进行适配性检验。适配指标包括相对卡方值（χ2/df）、近似误差均方根（RMSEA）、拟合优度指数（GFI）、标准拟合指数（NFI）、增值适配指数（IFI）、比较适配指数（CFI）、Tucker-Lewis指数（TLI）和调整的拟合优度指数（AGFI）。由表2可知，初始模型的适配指标除GFI以外均不符合参考标准，即初始模型对数据的适配性低。根据模型拟合输出的修正指标（modification indices,MI）值，对模型路径进行修正。剔除4条路径，分别为：性别→风险骑行意向（H13）、性别→风险骑行行为（H14）、年龄→惩罚敏感性（H15）、骑行次数→惩罚敏感性（H20）；新增1条路径：奖励敏感性→惩罚敏感性，记为H25。修正后模型的各适配指标均符合参考标准，即修正后模型对数据的适配性良好，见表2。修正后模型拟合结果见图1。

图1 修正后模型拟合结果Fig.1 Fitting results of the modified model

表2 模型修正前后的适配指标Tab.2 Degree-of-fit indices for original and modified models

3.3 模型路径分析

修正后模型路径检验结果见表3。修正后模型能解释电动自行车骑行人风险骑行行为48%的变异，表明基于r-RST的心理认知模型有较好的解释力。模型路径显著性检验结果如下。

表3 修正后模型路径检验Tab.3 Path-testing results for the modified model

模型路径假设H1、H3、H5、H6、H7、H8、H9、H10、H11、H25被验证成立。惩罚敏感性对风险感知、风险骑行行为有显著影响（标准化路径系数分别为0.168，-0.118）；奖励敏感性对风险骑行意向、风险骑行行为有显著影响（标准化路径系数分别为0.163，0.202）；风险感知对风险骑行意向、风险骑行行为有显著影响（标准化路径系数分别为-0.266，-0.251）；风险骑行意向对风险骑行行为有显著影响（标准化路径系数为0.508）；性别对惩罚敏感性、奖励敏感性有显著影响（标准化路径系数分别为0.149，-0.148）；奖励敏感性对惩罚敏感性有显著影响（标准化路径系数为-0.501）。

4 影响因素分析

4.1 惩罚敏感性

惩罚敏感性直接负向影响风险骑行行为，且通过风险感知、风险骑行意向间接影响风险骑行行为，即对惩罚越敏感的骑行人越不容易发生风险骑行行为。在机动车驾驶人的相关研究中，针对全年龄段驾驶人的研究认为，惩罚敏感性对驾驶人的风险驾驶行为有显著影响[16]；而针对青年（17～25岁）驾驶人的研究认为，惩罚敏感性对青年驾驶人的风险驾驶行为没有显著影响[15,17,23]，即使采取更严格的驾照管理制度依然对青年驾驶人的风险驾驶行为影响很小。因此，本研究结论适用于全年龄段骑行人，不同年龄组的惩罚敏感性影响差异有待进一步研究。由表3可知，惩罚敏感性对风险骑行行为的影响程度明显小于奖励敏感性。主要原因有2个：①骑行人发生风险骑行行为后产生的便捷性、省时性等感知效益是即刻的，而针对风险骑行行为的惩罚则是有不确定性和滞后性的；②现阶段针对骑行人风险骑行行为的惩罚成本偏低，且仅限于经济成本的处罚，对骑行人未能形成有效威慑力。结合威慑理论相关研究可知，通过提高惩罚的严重性、确定性和即刻性，可显著提高执法的威慑力，从而减少相应的风险或违法行为[24-25]。因此，重点通过新技术、新手段，提高对风险骑行行为的监督力度，并能实时或及时反馈惩罚结果和信息，以提高惩罚的确定性和即刻性；引入经济处罚以外的手段，提高惩罚的严重性。具体而言，建议进一步规范电动自行车的购车人信息与车辆信息登记制度，将射频识别技术应用于电动自行车车牌内，结合交通监控摄像头，实现对骑行人风险骑行行为的自动检测与识别，并通过个人移动设备等实时或及时反馈惩罚结果和信息。同时，建议将风险骑行行为纳入个人征信系统，使社会信用内化于个体的交通出行中，提高对风险骑行行为惩罚的严重性。由此，通过引入自动化执法技术和社会征信系统，从严重性、确定性和即刻性这3个方面全面提升惩罚的有效威慑力，从而减少电动自行车骑行人的风险骑行行为。

4.2 奖励敏感性

奖励敏感性直接正向影响风险骑行行为，且通过风险骑行意向间接影响风险骑行行为，即对奖励越敏感的骑行人越容易发生风险骑行行为。机动车驾驶人的相关研究认为，对奖励越敏感的驾驶人更容易发生风险驾驶行为和交通事故[15-17,20]。基于保护动机理论的研究同样认为，奖励机制相关的干预对策可有效减少高风险群体的风险行为[26]。由表3可知，奖励敏感性对风险骑行行为的影响大于惩罚敏感性。因此，转变以惩罚措施治理风险骑行行为的单一思路，在惩罚相关措施优化的基础上，从奖励机制角度，设计干预措施，通过奖惩措施并举，形成管制合力。具体而言，建议通过宣传、培训、教育等，明确告知骑行人选择风险骑行行为可能产生的时间成本、经济成本和生命安全损失，从而减少对风险骑行行为的感知效益；建议借鉴机动车保险制度，鼓励骑行人为所购电动自行车购买保险，如在保险年度未有风险骑行行为记录，次年保险费可进行折减，从而减少风险骑行行为产生的实际利益。由此，通过宣传、培训、教育，以及保险制度，降低风险骑行行为产生的感知效益和实际利益，从而减少电动自行车骑行人的风险骑行行为。

4.3 风险感知

风险感知直接负向影响风险骑行行为，且通过风险骑行意向间接影响风险骑行行为。Yang等[13]研究指出风险感知对电动自行车骑行人闯红灯行为意向的影响不显著。然而，行人闯红灯行为意向的研究认为，风险感知是影响行人闯红灯行为意向的显著因素，但影响程度较小[27-28]。Chorlton等[29]的研究进一步论述了风险感知影响偏弱的原因，指出人们通常会对疾病或是危险有不切实际的乐观态度，即认为自己不会生重大疾病或是不会遇到重大事故等，从而得出风险感知对某种风险行为意向影响偏弱的结论，而实际上风险感知的影响不容忽视。基于视频数据的研究指出，电动自行车骑行人在交叉口的等待位置是影响其闯红灯行为的显著因素，等待位置能一定程度反映骑行人对风险的认知，即间接证明了风险感知对风险骑行行为有显著影响[7,11]。相较于现有研究，本研究验证并支持了风险感知对风险行为的强影响作用。具体而言，建议借鉴日本交通安全教育中的事故再现教育，即通过现场“真人、真车、真事故”的事故再现表演[30]，让骑行人现场感受风险骑行行为导致的交通事故，从而深刻意识到风险骑行行为的危险性和后果的严重性。

4.4 风险骑行意向

风险骑行意向直接正向影响风险骑行行为，是影响风险骑行行为程度最大的路径。Yang等[13]的研究未构建电动自行车骑行人风险骑行行为意向与实际行为之间的路径关系。而机动车驾驶人风险驾驶行为的研究指出，驾驶人的风险驾驶行为（超速、酒后驾车、不系安全带、驾车使用手机、违反交通标志标线、未保持安全车距等）意向均直接正向影响实际的风险驾驶行为[31-32]。本研究以骑行人为研究对象，进一步支持了道路使用者风险行为意向对实际风险行为的正向影响作用。

4.5 个人社会属性

性别直接正向影响惩罚敏感性，直接负向影响奖励敏感性，且通过惩罚敏感性和奖励敏感性间接负向影响风险骑行行为。研究结果表明，女性骑行人相较于男性对惩罚越敏感，即女性对罚款、现场教育等惩罚更为敏感，越不容易发生风险骑行行为。男性骑行人相较于女性骑行人对奖励越敏感，即男性对闯红灯、超速、逆行等风险骑行行为产生的便利性、省时性更为敏感，越容易发生风险骑行行为。基于视频数据的实证研究同样认为，男性骑行人更倾向于闯红灯、超速等风险骑行行为，且更容易发生交通事故[3,7,8-11]。性别对风险感知没有显著影响，相关研究也同样认为男性与女性骑行人对骑行风险的感知差异不显著[13]。

年龄对风险感知、风险骑行意向和风险骑行行为均无显著影响。以心理学理论和问卷数据为基础的研究指出，越年轻的骑行人的闯红灯行为意向越大[13]。而以实际行为数据为基础的研究指出，骑行人的年龄对其闯红灯行为没有显著影响[7]。现有研究结果存在差异的可能原因是，行为意向与实际行为并不完全一致，而实际观测数据的研究结论进一步支持了本次研究结论。

骑行次数对风险感知、风险骑行意向和风险骑行行为均无显著影响。可能原因是，样本中87.3%的骑行人平均每天骑行2次以上（含2次），也就是大部分骑行人的骑行经验丰富，个体骑行经验差异并不明显，从而导致骑行次数的影响并不显著。

5 结束语

1）修正后的心理认知模型对数据的适配性良好（χ2/df=1.343，RMSEA=0.029），能解释电动自行车骑行人风险骑行行为48%的变异，r-RST框架对电动自行车骑行人风险骑行行为有良好的解释力。

2）惩罚敏感性和奖励敏感性是影响风险骑行行为的主要因素，且奖励敏感性对风险骑行行为的影响程度明显大于惩罚敏感性；风险感知和风险骑行意向也是影响风险骑行行为的主要因素；性别显著影响惩罚敏感性和奖励敏感性，且通过二者间接显著影响风险骑行行为；年龄、骑行次数对各变量的影响均不显著。研究结论可以为电动自行车管理措施的制定提供理论依据。

3）下一步研究中，将从个人社会属性和风险骑行行为角度，研究不同性别、年龄段等骑行人风险骑行行为的影响因素差异，以及不同风险骑行行为的影响因素差异，为针对不同骑行人群体和不同风险骑行行为的交通管理措施精细化设计提供理论依据。同时，本研究采用的是问卷调查法，该行为自我报告的方法存在一定的主观偏见性。下一步研究中，将基于骑行模拟试验，结合心率检测、脑电波检测、皮肤电检测等方法检验变量数据，以获取更精确的心理数据。