网约配送员典型危险骑行行为特性研究

刘 凯，姜 康

(合肥工业大学 汽车与交通工程学院，安徽 合肥 230009)

由于我国互联网经济和电子商务的快速发展，“叫外卖”已成为一种新的生活方式。与此同时，诞生了一批以送外卖为职业的“外卖小哥”，他们大多骑着电动自行车穿梭于城市，2020年人社部正式认定这一群体为网约配送员。网约配送员的出现虽然给人们的生活带来了便利，但由于电动自行车事故的易发性、严重性及职业特殊性，使得网约配送员发生危险骑行行为的概率远超普通电动车骑行者。数据显示，仅2019年上半年，上海市共发生涉及外卖行业的各类道路交通事故325起，造成5人死亡、324人受伤。2020年11月，深圳市交警共查处外卖行业交通违法1.7万宗。因此，探究网约配送员危险骑行行为及其影响因素，进而制定有针对性的措施来改善其骑行行为，对于保障我国特定职业群体的道路交通安全有着极其重要的意义。

与机动车相比，电动自行车因其较小的体积和较快的车速，以及缺乏保护的骑行状态，会大大增加事故的风险和严重性[1-2]。国内外学者对电动自行车骑行的相关安全问题进行了研究。Wu等[3]通过调查研究，指出我国骑行者的8个危险骑行行为，包括逆向骑行、占道骑行、使用手机等。Ma等[4]系统整理了以往研究，总结电动自行车的主要危险骑行行为，包括占道骑行、逆向骑行等。Gao等[5]在我国长沙市开展一项观察性研究，评估骑行者逆向骑行、双手不握把手和占道骑行等危险骑行行为的发生率，结果发现危险骑行行为的发生率相当惊人。Rusdi等[6]探究中低收入国家电动车骑行者危险骑行行为的发生率和影响因素，主要观察不佩戴头盔、使用手机等危险骑行行为及其他人口统计学信息和环境因素，研究表明危险骑行行为在中低收入国家普遍存在，且影响因素会因场景不同而不同。

相较于普通非机动车骑行者的骑行行为研究，关于网约配送员的研究却显得十分不足。赵永强等[7]和Vassilis等[8]通过问卷调查分别研究我国和希腊网约配送员的社会人口特征与危险骑行行为间的关系。张凡等[9]和Shen等[10]通过计划行为理论构建框架，使用结构方程模型研究网约配送员闯红灯行为，发现态度等因素与网约配送员红灯行为密切相关。

作为我国城市道路上新兴的电动自行车骑行群体，网约配送员与普通非机动车骑行者的骑行行为有较大不同。虽然国内外已经有一些关于危险骑行行为的研究，但现有研究主要针对非机动车骑行者的交通安全心理与行为[11-12]，对网约配送员群体的关注不够；且对网约配送员交通安全的研究主要通过问卷调查展开，数据收集存在一定的社会称许性，难以挖掘自然状态下的行为特征规律，对于网约配送员交通安全提升缺乏有效的理论支持和策略方法。因此，文中基于实地视频观察收集数据，通过二元Logistic回归模型分析网约配送员危险骑行行为，并探究其影响因素。

1 研究方法

在非机动车骑行行为数据收集方面，主要采用问卷调查法[13-15]和视频观察法[16-17]。问卷调查法主要通过收集骑行者骑行行为、安全态度、风险感知等信息进行研究。与问卷调查相比，视频观察法可收集骑行者在自然状态下的骑行行为，保证骑行者行为的真实性。此外，视频可反复观看，也确保了采集数据的准确性。基于上述优点，文中通过实地视频录制，收集网约配送员的危险骑行行为数据。

1.1 观察点选择

文中的观察点选在我国芜湖市，在道路中段选择4个位置进行观察。按机非分离类型分为标线分隔、栅栏分隔、绿化分隔和机非混行。为保证观察样本的普遍性和丰富性，观察点的选择应遵循以下标准：具有代表性；路侧有足够的空间架设相机，且不会影响交通；道路中段不设路边停车位。

1.2 视频数据采集与记录

使用Sony HDR-CX405高清数码摄像机记录职业需求骑行者的危险骑行行为，将摄像机放置在路侧不容易被骑行者观察到的地方，且视线无遮挡，确保可以准确记录到网约配送员行为。观察时间为2020年5月至6月，由于网约配送员主要在用餐时间工作，所以将每个观察点的录制时间定为午高峰(11:30—12:30)和晚高峰(17:30—18:30)，观察期间的天气均为晴天。观察点录制视频时长合计12 h，共观察到754位网约配送员。

综合考虑既有研究、我国道路交通安全法的有关规定和网约配送员骑行时的实际情况，文中选择了3种典型危险骑行行为进行研究，分别为占道骑行、逆向骑行和使用手机。对每位网约配送员分别记录其性别、估计的年龄分组及其危险骑行行为等。对估计的年龄进行分组，可分为3类：年轻组为目测30岁以下，中等组为目测30～45岁，年长组为目测45岁以上[18-19]。记录观测点非机动车道密度和机动车道密度，并将每分钟的平均交通密度作为观察点密度。通过观测，将机动车交通密度分为低密度(0～28 辆·km-1·lane-1)、高密度(>28 辆·km-1·lane-1)；同样,非机动车交通密度分为低密度(0～0.093 辆·m-2)、高密度(>0.093辆·m-2)[20]。速度则是通过视频中单位时间内经过的距离换算得出。

1.3 数据分析

考虑到危险骑行行为是否发生为二元变量，选择二元Logistic回归模型进行数据分析，以分析在不同道路场景下危险骑行行为的发生与性别、年龄、是否佩戴头盔、非机动车道密度、机动车道密度及速度之间的关系。

2 结 果

2.1 危险骑行行为统计

通过描述性统计对不同道路特征(机非分隔类型、车道密度)及754位网约配送员的人口统计学信息(性别、估计的年龄段)、骑行行为和特征进行分析，分析结果如表1所示。对网约配送员的骑行速度进行统计，结果如表2所示。

表1 危险骑行行为统计

表2 骑行速度统计

从表1可以看出，性别上男性网约配送员675人(89.52%)、女性79人(10.48%)，分布情况与相关报告[21]的数据相一致。男性占道骑行的百分率(45.63%)明显高于女性的百分率(39.24%)；男性(11.11%)逆向骑行的百分率与女性(12.66%)大致相同；男性使用手机的百分率(13.19%)则高于女性(10.13%)。

年龄分布也与报告的数据相吻合，超过一半的网约配送员处于30～45岁年龄段(50.53%)。年长组(53.68%)、中等组(43.57%)、年轻组(38.80%)的占道骑行百分率依次降低；3个年龄组逆向骑行的百分率大致相同(11.05%;11.29%；11.48%)；中等组(14.96%)使用手机的百分率明显高于年长组(10.53%)与年轻组(10.93%)。

超过一半的网约配送员(55.97%)会在骑行时佩戴头盔。佩戴头盔的网约配送员(41.23%)占道骑行百分率明显低于不佩戴头盔的网约配送员(49.70%)；佩戴头盔的配送员(14.22%)逆向骑行百分率是不佩戴头盔(7.53%)的2倍；佩戴头盔的配送员(11.14%)使用手机的百分率低于不佩戴头盔的配送员(15.06%)。

在栅栏分隔(55.11%)和混行(50.29%)条件下网约配送员占道骑行的百分率最大；在标线分隔(17.16%)和绿化分隔(16.45%)条件下，网约配送员逆向骑行百分率明显高于栅栏分隔(8.44%)和混行(3.47%)；在栅栏分隔(14.67%)、标线分隔(13.73%)、混行(11.56%)和绿化分隔(10.53%)条件下，网约配送员使用手机的百分率依次降低。

网约配送员在非机动车道低密度(45.88%)时的占道骑行百分率高于高密度(44.20%)时；在非机动车道高密度时，网约配送员的逆向骑行百分率更大(13.04%)，而在低密度时则会更多地使用手机(14.12%)。

机动车道处于低密度时，网约配送员的占道骑行百分率更大(55.82%)；高密度时逆向骑行的百分率更大(14.71%)；同时，在高密度时使用手机的百分率也更大(16.67%)。

从表2可以看出，网约配送员占道骑行时速度最快，高达30.37 km/h；使用手机时速度为22.62 km/h；逆向骑行时速度最慢，为19.52 km/h。

2.2 危险骑行行为影响因素

通过二元Logistic回归分析探究在各道路场景情况下网约配送员危险骑行行为的影响因素，分析结果如表3所示。

表3 二元Logistic回归分析结果

从表3可以看出，相比于男性网约配送员，女性会有更少的占道骑行(OR=0.770，95%CI：0.478～1.239)。年轻组(OR=0.547， 95%CI：0.362～0.826)和中等组(OR=0.666，95%CI：0.470～0.945)相比年长组发生占道骑行的概率更低。骑行时不佩戴头盔的网约配送员会有更多的占道骑行(OR=1.408，95%CI：1.054～1.881)。占道骑行也会受到机非分隔类型的影响，标线分隔类型的发生率最低，栅栏分隔(OR=2.625，95%CI：1.769～3.896)和混行(OR=2.163，95%CI：1.423～3.289)时的发生率最高。占道骑行的发生率与非机动车道密度呈正相关，密度越高网约配送员占道骑行的概率就越大(OR=2.019，95%CI：1.432～3.053)。此外，该行为还与机动车道密度呈负相关，在机动车低密度状态时发生率最高(OR=0.172，95%CI：0.108～0.274)。同时，速度也与占道骑行的发生密切相关，速度越大越可能发生占道骑行(OR=1.205，95%CI：1.167～1.245)。

女性网约配送员相比男性会有更少的逆向骑行(OR=0.469，95%CI：0.385～0.571)；骑行时不佩戴头盔的网约配送员会有更多的逆向骑行(OR=2.035，95%CI：1.246～3.325)；相比于标线分隔，网约配送员在栅栏分隔(OR=0.445，95%CI：0.246～0.807)和混行(OR=0.173，95%CI：0.071～0.423)时会有更少的逆行骑行；随着非机动车道密度的增大，逆向骑行的发生率会降低(OR=0.352，95%CI：0.117～1.062)。同时，逆向骑行的发生率会随着速度的增大而下降(OR=0.834，95%CI：0.797～0.871)。

相比男性网约配送员，女性在骑行时使用手机的概率会更低(OR=0.189，95%CI：0.038～0.931)。非机动车道密度对骑行时使用手机行为也有一定影响：非机动车道密度越高，网约配送员越不会在骑行时使用手机(OR=0.608，95%CI：0.386～0.957)。速度越低也越容易发生使用手机情况(OR=0.923，95%CI：0.893～0.953)。

3 讨 论

网约配送员的性别与危险骑行行为的发生关系密切，女性比男性有更少的危险骑行行为，这一结果与Bai等[22]的研究结果相似，男性比女性更容易发生危险骑行行为。

年龄因素同样也影响着危险骑行行为的发生。相比于年长组，年轻组会有更少的占道骑行行为，这与以往的研究结果有些不同：一般来说年长的非机动车骑行者会更加谨慎，会有更少的危险骑行行为。对于网约配送员，年长意味着经验更加丰富，骑行技能更加出色，他们认为自己能更好地控制车辆并处理意外情况[23]，所以相较于普通骑行者会有更多的危险骑行行为。

骑行时是否佩戴头盔也会影响网约配送员的骑行行为，不佩戴头盔的网约配送员发生占道骑行和逆向骑行的概率更大，这与不佩戴头盔的网约配送员本身安全意识不高相关，所以，安全意识不高也会导致更多的危险骑行行为。

机非分隔类型同样是非常重要的影响因素。在先前的研究中[24]，标线分隔道路中的占道骑行概率远高于栅栏分隔和绿化分隔道路，该结果与文中结果有较大不同。研究发现，相比于标线分隔类型，在栅栏分隔的道路上占道骑行概率更大，主要是由于在中小城市中，采用标线类型分隔的道路较窄，即使对于骑行经验和技术更加出色的网约配送员来说，也会选择在标线内骑行，以保证自己的骑行安全。

道路上非机动车道密度也与网约配送员的危险骑行行为密切相关。随着非机动车道密度的增加，占道骑行的行为会越来越多，而逆向骑行则随着非机动车道密度的增加而减少。随着非机动车道密度的减小，网约配送员使用手机的概率会增大，网约配送员更可能在非机动车较少的道路上使用手机查看自己的订单，并联系商家和客户。

机动车道密度也是影响网约配送员占道骑行的重要因素。网约配送员的占道骑行会随着机动车道密度的增加而减少，这与普通非机动车骑行者的行为相似。其他学者对于普通非机动车骑行者的研究[25]发现：随着机动车道密度的增加危险骑行行为会随之减少，在机动车道密度拥挤的道路上，即使经验更加丰富、骑行技能更加出色的网约配送员，也不会选择占道骑行。

在关于普通非机动车骑行者危险骑行行为的研究中[26-27]，速度也是十分重要的影响因素。本研究对网约配送员危险骑行行为进行分析发现，速度因素对于危险骑行行为也有重要影响。占道骑行会随着速度的增加而增加，这与网约配送员的职业性密切相关，他们需要在规定时间内完成相应的订单，因此，需要更快的速度。逆向骑行则会随着速度的增加而减少，一般情况下网约配送员在逆向骑行时会降低速度，以避免与正常行驶车辆发生冲突。使用手机的情况与逆向骑行相似，会随着速度的增加而减少，由于职业原因，网约配送员需要时常使用手机查看订单与路线，大多数情况下网约配送员会选择在速度较慢时使用手机。

文中的调查地点为我国典型中等城市，根据相关报告，80%的网约配送员集中在发达城市，因此，发达城市的网约配送员危险骑行行为更值得关注。由于不同城市对网约配送员的管理不相同，在未来的研究中需要重点关注不同城市网约配送员危险骑行行为的差异性。同时，由于本研究采用视频观察的方法开展，并未考虑网约配送员的收入、学历、家庭等社会人口特征因素，因此，无法确定危险骑行行为是否与这些因素有潜在关系，这也是未来的关注重点。

4 结 论

通过对路段典型危险骑行行为的视频观察，研究探讨了我国中等城市芜湖市网约配送员的危险骑行行为特性。分析结果表明：男性相比女性更有可能发生危险骑行行为；年长组危险骑行行为发生率则会高于年轻的网约配送员；不佩戴头盔的网约配送员会有更多的危险骑行行为；在道路的机非分隔类型中，网约配送员在栅栏分隔类型的道路上发生危险骑行行为的概率较大；非机动车道密度和机动车道密度则对不同危险骑行行为的影响各不相同；速度也与网约配送员的危险骑行行为密切相关，速度越快占道骑行的发生率越高，逆向骑行和使用手机的发生率则会越低。以上研究结果有利于交通管理部门以及相关平台企业针对网约配送员群体，制定相应的管理制度和安全培训措施。