基于有序Logistic回歸的駕駛人危險辨識影響因素分析

王辛巖， 李天嬌

(西藏大學工學院， 拉薩 850000)

危險辨識(hazard perception, HP)是駕駛人對客觀交通環境中危險信息識別、預測與評估能力的體現，又稱為危險感知、風險感知、危險知覺、危險認知、危險感受等。由駕駛人相關因素導致交通事故的占比很顯著，駕駛人危險辨識是其中一項重要因素。中國臺灣地區和國外較多國家均將危險辨識作為學員獲取機動車駕駛證的重要考核內容。結合危險辨識的研究現狀，就危險辨識的影響因素、動靜態測試與能力提升三方面進行分析。

駕駛人危險辨識的影響因素是多方面的。吳初娜等[1]在對駕駛人危險辨識過程進行梳理的基礎上，分析了駕駛人危險搜尋能力、危險決策能力和危險處置能力的影響因素，認為危險搜尋能力主要受視覺搜索策略和危險特征的影響，危險決策能力和危險處置能力主要受駕駛經驗、年齡、性格、性別等的影響。基于英國駕駛人危險辨識能力測評軟件(hazard perception test，HPT)，余泰初等[2]分析了性別、年齡、駕齡以及場景特征對危險感知得分的影響，發現駕齡對得分的影響較年齡更顯著，男性危險感知能力較女性更好，行人相關場景的得分最低。楊京帥等[3-5]針對駕駛人危險感知開展了較多研究，包括駕駛人危險感知模型的構建、基于交通場景的危險識別與反應測試，以及道路交通碰撞事故的致因分析，認為交通場景危險程度對駕駛人危險感知的總反應時間和識別時間有影響，駕駛經驗對駕駛人危險識別時間沒有顯著影響，對反應時間有影響，且熟練駕駛人的危險感知水平較非熟練駕駛人更好，體現在更好的判斷力和更高的自信程度。

同時，針對駕駛人危險辨識能力動靜態測試場景的選擇，吳初娜等[6]認為危險情境主觀風險度與客觀風險度之間的一致性會影響測評結果的可靠性，動態情境和靜態情境在測試中各有利弊。靜態場景有助于規避評估結果的模糊性，改善駕駛人測試過程中的心理感受，而動態場景則貼近實際駕駛活動中的危險辨識機制。Scialfa等[7-9]結合駕駛行為自我報告數據和危險辨識表現探討了采用動態情境和靜態情境進行駕駛人危險感知測試的效果，認為兩種方式均能得到可信結果。

在提升駕駛人危險辨識能力的研究中，Castro等[10]分析了危險辨識培訓視頻對駕駛人危險辨識的改善效果，結果顯示培訓能夠改善駕駛人發現突發危險(abrupt hazards)的能力，且對駕駛人發現漸進性危險(gradual hazards)的培訓效果更好。華珺等[11]探討了不同訓練頻次及不同豐富度的培訓方式對提升新手危險辨識能力的影響，發現反復的訓練能夠提高駕駛人危險辨識能力并維持在一定水平，尤其是有針對性的教育指導。

以往駕駛人危險辨識影響因素研究中，較多采用單因素分析方法，且鮮有研究討論駕駛人的交通經歷對其危險感知能力的影響。然而，影響因素之間存在相互作用，駕駛人的交通經歷對其危險辨識也可能存在一定影響。對此，進一步考慮駕駛人的交通經歷及其中秩序情況，采用有序Logistic回歸模型探討駕駛人危險辨識的影響因素及其顯著性。本文的創新點有：理論方面，在考慮多個人口社會學因素的基礎上，基于多因素Logistic回歸模型研究了其他交通工具的駕駛經歷、以往駕駛經歷中交通秩序情況以及交通情境特征對駕駛人危險辨識時間的影響，進一步豐富了駕駛人危險辨識的影響因素。應用方面，研究結果顯示以往駕駛經歷和交通情境特征對駕駛人危險辨識的影響是顯著的，而駕齡和駕駛里程對危險辨識的影響并不顯著。基于此，可在駕駛人管理中關注駕駛人危險辨識的真實水平，有針對性地進行相應的能力評估與安全教育。

1 試驗與數據準備

1.1 試驗設計

1.1.1 危險辨識平臺的設計

為了開展試驗，結合以往研究[5,9,12]設計了危險辨識數據采集平臺。該平臺不僅能夠以圖片形式展示交通情境，還能夠記錄被試的危險辨識數據。當被試認為某情境中存在對行車安全構成威脅的危險源時，可用鼠標單擊危險源，該平臺實時記錄被試識別出危險源所需的時間，即作為“危險辨識時間”。該時間段為某情境出現至被試點擊危險源。交通情境未被點擊時，將相應的危險辨識時間標注為0，便于后期的數據處理。開發的危險辨識平臺在筆記本電腦上運行，電腦為Win10系統，i5處理器，8 G內存，顯示器大小為15.6 in(1 in=25.4 mm)。

原始情境通過車載錄像采集，內容涉及行人過馬路、前車切入、路口駛出車輛等。試驗過程中，首先挑選兩個交通情境供工作人員指導被試開展試驗，進而挑選36個交通情境開展正式的試驗。

1.1.2 被試自我報告數據

試驗過程中，共有償邀請了40名駕駛人作為被試參加危險辨識試驗，并統計了被試的基本信息，如表1所示。被試的年齡在21～30歲，視力(含矯正視力)良好，均持有合法機動車駕駛證，擁有一定的駕駛經驗。

同時，邀請被試開展評估工作。評估任務包括：①對危險辨識試驗過程中所涉及交通情境的危險程度和混亂程度分別進行評估[9,12]，用整數1～5來量化，數值越大代表相應的危險程度或混亂越高；②對其他交通工具的駕駛經歷進行評估，涉及電動車/摩托車和自行車兩方面，用整數1～3來量化，所賦數值越大代表相應的駕駛經歷越豐富；③對個人以往駕駛經歷中交通秩序進行評估，同樣用整數1～3來量化，所賦數值越大代表相應的交通

表1 被試基本信息

秩序越不理想。

1.1.3 試驗過程

試驗過程中，首先由工作人員介紹試驗任務，并開展預試驗。當確認被試了解試驗內容后，開展正式的試驗。試驗過程可分為3項任務：①交通情境的危險辨識；②交通情境的危險程度和混亂程度評估；③被試個人信息、其他交通工具駕駛經歷和交通秩序的自我報告。其中，規定任務②只能在任務①完成后開展，對任務③的順序不作要求。

1.2 試驗數據

1.2.1 數據預處理

數據預處理中發現，交通情境危險辨識數據中包含較多的“未點擊”數據(143項)，即某些情境被部分被試認為不存在危險源，即“未識別”。對此，為開展下一步分析，參考文獻[9]中方法對其進行篩選。針對未識別次數較多的交通情境數據進行刪除，且剩余交通情境中未識別數據也不納入模型的估計。圖1顯示未識別次數較多地集中在4次及以下，占比為66.667%，其他未識別次數的占比明顯偏小。基于此，剔除未識別次數大于4次的危險辨識時間數據，即刪除了12組試驗數據，包含97項未識別數據。

圖1 交通情境未識別數量分布

被試的自我報告數據方面，對交通情境危險程度和混亂程度評估數據求取均值，得到每個交通情境在危險程度和混亂程度兩方面的特征。對于被試其他3項的自我報告數據僅予以量化，不進行其他處理。

1.2.2 危險辨識數據類別劃分

在實際中，無法對駕駛人的危險辨識能力進行精確評估，僅能了解大致水平。基于此，對被試危險辨識時間數據進行類別劃分，進而納入因素分析模型。k-means是一種應用范圍廣泛的聚類分析方法。借助該算法對被試危險辨識時間數據進行分類。危險辨識時間數據被組織為長度為914(40×24-143+97)的一維向量。k-means聚類分析算法需要將數據對象組織為類別集合C={ci,i=1,2,…，k}，每個類別代表一類數據(簇)，每個類別都有一個類別中心ci。由于k-means聚類算法需要先確定類別數量k，取k=3，即將危險辨識時間劃分為3類，包括辨識時間短、辨識時間一般和辨識時間長。k-means聚類分析的具體步驟為[13]如下。

步驟1隨機選擇向量中3個數據對象作為初始聚類中心。

步驟2計算空間中數據對象到不同聚類中心的歐式距離d(x,ci)，如式(1)所示，進而將數據分配到與其距離最近的聚類中心所在的簇。

(1)

式(1)中：x為數據對象；ci為第i個聚類中心；J為數據維度；xj、cij分別表示x和ci的第j個屬性值。

步驟3計算每個簇中數據均值，將其作為新的聚類中心。進一步計算所有簇的誤差平方和(sum of squared error，SSE)為

(2)

步驟4返回步驟2，直到SSE不發生變化，即各類總的距離平方和達到最小。

研究中基于MATLAB軟件開展k-means聚類分析，得到屬于辨識時間短、辨識時間一般和辨識時間長3類數據的數量分別為702、192和20，對應的聚類中心分別為2.094、4.688和11.752 s。

2 模型準備

在將危險辨識時間類別數據作為有序多分類的因變量時，需要通過擬合因變量數量(3個)減1個logit回歸模型開展影響因素分析。考慮到不同影響因素對因變量影響的不同且類別變量較多，采用有序多分類Logistic回歸模型進行分析。以具有3水平的因變量為例，定義等級概率p1、p2和p3，效應參數β，常數項α，則對于由n個自變量擬合的2個模型如式(3)和式(4)所示，相應參數可由SPSS軟件直接估計[14]。

(3)

β1x1+…+βnxn

(4)

根據式(3)和式(4)可得到p1、p2和p3，即

(5)

(6)

p3=1-p1-p2

(7)

相比等級概率p與常數項α，更關心效應參數β，用以分析不同因素對被試危險辨識時間的影響。

3 影響因素分析

3.1 模型估計結果

在模型的建立過程中，根據顯著性大小對模型中納入的自變量進行了調整。最初的參數估計結果如表2所示。涉及的自變量有交通情境的混亂程度v1、交通情境的危險程度v2，被試的性別v3、駕齡v4、駕駛里程v5、摩托/電動車駕駛經歷v6、自行車駕駛經歷v7、以往交通秩序混亂程度v8。同時，軟件輸出的模型擬合優度Pearson統計量和Deviance統計量均接近1，偽R2系數Cox and Snell、Nagelkerke和McFadden分別為0.075、0.106、0.063，說明該模型擬合程度較好[14]。

表2結果包含較多不顯著的自變量。對此，將這些不顯著的變量予以剔除并進一步估計，最終的參數估計結果如表3所示。

此時，涉及的自變量均處于較高的顯著性水平(P<0.05)，包含交通情境的混亂程度v1、交通情境的危險程度v2、性別v3、摩托/電動車駕駛經歷v6和以往交通秩序混亂程度v8。同時，模型的擬合優度Pearson統計量和Deviance統計量分別為0.494和0.999，偽R2系數Cox and Snell、Nagelkerke和

表2 最初參數估計

表3 最終參數估計

McFadden分別為0.062、0.088、0.052，說明模型的擬合程度理想。

由表3可得以下回歸模型：

0.393v1-0.593v2-0.662v3-1.233v6-0.545v6+0.531v8+0.602v8

(8)

2.849+0.393v1-0.593v2-0.662v3-1.233v6-0.545v6+0.531v8+0.602v8

(9)

根據表3或式(8)和式(9)可知，在交通情境的特征方面，交通情境越混亂，辨識危險所需的時間越長；交通情境越危險，危險辨識時間相對越短。在被試特征方面，相比女性被試，男性被試危險辨識時間相對較短；摩托、電動車駕駛經歷對危險辨識時間有影響，表現為經歷越豐富，危險辨識時間相對越短；以往交通秩序混亂程度對危險辨識時間有影響，表現為以往所經歷交通秩序越混亂，危險辨識時間相對越長。同時，駕齡、駕駛里程、自行車駕駛經歷對其危險辨識時間并無顯著的影響。

3.2 模型結果分析

(1)交通情境越混亂，辨識危險所需的時間越長。這是符合常理的，在混亂的信息中尋找危險信息相對簡單背景下的危險信息搜尋更為困難。交通秩序越差的環境中，駕駛人工作負荷越大，反應能力越差，越容易誘發交通事故[15]。

(2)交通情境越危險，危險辨識時間相對越短。之所以出現該現象可能是由于危險程度越高，信息越突出，越容易被識別與判斷。同時，采用圖像展示交通情境，所包含的動態信息相對較少，危險源的位置更容易被確定。

(3)男性被試的危險辨識時間較女性更短。以往研究顯示，性別對駕駛人的情境意識有影響，且女性駕駛人的辨識能力相對較差[2,16-17]，本文結果與之類似。這可能與女性被試在危險判斷過程中表現更為謹慎有關。

(4)摩托、電動車駕駛經歷越豐富，危險辨識時間相對越短，但自行車駕駛經歷對危險辨識時間并無顯著影響。摩托、電動車的駕駛經歷有助于駕駛人提高危險辨識能力，這可能是由于這些駕駛經歷中存在較多與機動車駕駛經歷類似的情境，而自行車的駕駛模式與摩托、電動車的駕駛模式存在著速度、動力、行駛條件等多方面的差異。

(5)以往交通秩序越混亂，危險辨識時間相對越長。以往駕駛經歷中交通秩序越混亂意味著被試經歷的危險交通情境越多，之所以導致被試危險辨識時間的增大，很可能是由于以往類似經歷使其更加重視來自交通秩序的影響，進而在危險辨識中更為謹慎。

(6)駕齡、駕駛里程對危險辨識時間并無顯著影響。以往研究顯示，駕駛經驗對駕駛人危險識別時間沒有顯著影響[3]，本文結果與之類似。這可能是由于本文中被試者均為有合法機動車駕駛證的年輕駕駛人，即均具備一定的駕駛經驗。同時，所建立模型還考慮了交通經歷、情境特征等其他因素，這些因素的納入使得駕齡與駕駛里程對危險辨識時間未能產生實質影響。針對危險辨識的培訓能夠提升并保持駕駛人的危險辨識能力[10-11]，也從側面支持了這一設想。

4 結論

駕駛人對危險的辨識關乎道路交通安全，分析駕駛人危險辨識時間影響因素有助于交通環境和駕駛人管理工作的開展。

道路交通環境和人口社會學因素對駕駛人危險辨識的影響的多方面的。交通情境的危險程度和混亂程度對的駕駛人危險辨識的影響是顯著的。駕駛人性別及其以往駕駛經歷對其危險辨識有影響。營造良好的交通氛圍有助于降低駕駛人的工作負荷，有利于駕駛人的危險辨識與駕駛安全。

限于樣本量和所考慮的指標數量，很多其他因素并未考慮。下一步的研究將嘗試分析駕駛人及交通情境的其他指標，以及它們之間的交互作用對駕駛人危險辨識時間及危險辨識能力的影響。