基于復(fù)回歸分析的電動自行車風(fēng)險駕駛行為研究 *

周 旦，常夢瑩，顧國斌，李文勇

(桂林電子科技大學(xué) 建筑與交通工程學(xué)院，廣西 桂林 541004)

0 引 言

電動自行車以其方便、快捷、環(huán)保、可達(dá)性高等優(yōu)點日益成為居民傾向選擇的出行方式[1]，但電動自行車的大幅增加給城市管理和道路安全帶來了巨大挑戰(zhàn)[2]。據(jù)統(tǒng)計，2018年全國交通事故發(fā)生數(shù)總計244 937起，其中電動自行車交通事故數(shù)23 716起，造成3 741人死亡。電動自行車事故主要原因是車速過快、制動性能差等。同時，因電動自行車駕駛員安全意識淡薄、違反交通規(guī)則、變道搶道以及相關(guān)部門缺乏監(jiān)督、法律法規(guī)不完善也是導(dǎo)致事故發(fā)生的原因。從交通事故分析來看，人是交通事故發(fā)生的重要因素[3]，且其中95%左右的事故都與駕駛員風(fēng)險駕駛行為有關(guān)[4]。因此，有必要對駕駛員的“風(fēng)險駕駛行為”進(jìn)行研究。

J.REASON等[5]最早構(gòu)建了機(jī)動車駕駛員風(fēng)險駕駛行為量表DBQ(driving behavior questionnaire)，為之后相關(guān)方面研究提供了參考；因生理和心理特征差異，不同駕駛員風(fēng)險駕駛行為存在一定差異性[6]，比如性別和汽車駕駛經(jīng)驗都與交通事故相關(guān)，男性比女性更有可能發(fā)生過失事故，擁有機(jī)動車駕駛證的駕駛員比沒有駕駛證的更不可能發(fā)生事故[7]，年輕駕駛員因不夠成熟穩(wěn)重，再加上駕駛經(jīng)驗相對有限，更易導(dǎo)致風(fēng)險駕駛行為[8]；鄭東鵬[9]利用問卷調(diào)查和駕駛仿真法研究發(fā)現(xiàn)事故記錄、駕駛里程、駕照持有時間、違規(guī)記錄等對駕駛員的危險感知有影響；M.A.MACHIN等[10]研究認(rèn)為，風(fēng)險感知可分為自我意識和情感認(rèn)知，自我意識是駕駛員對未來道路交通事故可能性、駕駛信心及駕駛行為的看法，而情感認(rèn)知是駕駛情緒風(fēng)險感知，例如對各種駕駛情況(例如速度、逆行等)的關(guān)注程度。

目前關(guān)于機(jī)動車和摩托車駕駛員風(fēng)險駕駛行為的研究較為充分，國內(nèi)一些學(xué)者也開始針對電動自行車駕駛員的駕駛行為進(jìn)行研究。如：王濤[11]提出了風(fēng)險駕駛行為與電動自行車駕駛員安全態(tài)度及風(fēng)險感知有關(guān)，同時駕駛自信又可通過安全態(tài)度和風(fēng)險感知間接影響駕駛行為。筆者對安全知識、安全態(tài)度、風(fēng)險感知等因素對駕駛行為的影響程度進(jìn)行探討。

1 研究方法

1.1 樣 本

截至2016年底，桂林市電動自行車數(shù)量已達(dá)到70萬輛，根據(jù)統(tǒng)計數(shù)據(jù)：2011—2018年，因電動自行車引起的交通事故共計2 999件，其中因交通事故導(dǎo)致的死亡事件341起，受傷事件2 294起，財產(chǎn)損失364起，具體數(shù)據(jù)如圖1。

圖1 2011—2018年桂林市交通事故概況Fig. 1 Overview of traffic accidents in Guilin from 2011 to 2018

筆者在研究中，將可研究母體近似為無窮大，故其樣本量計算如式(1)：

(1)

式中：n為樣本個數(shù)；e為抽樣誤差所能容許范圍；z為置信區(qū)間在1-α下的標(biāo)準(zhǔn)常態(tài)分配的查表值；p為母體事件出現(xiàn)幾率。

在95%置信區(qū)間下，z=1.96，e在[-5%,+5%]范圍內(nèi)，按照誤差最大值計算(即p=0.5)，可知所需調(diào)查樣本數(shù)最少要385份。

筆者隨機(jī)對桂林市4個主城區(qū)的500名電動自行車駕駛員開展問卷調(diào)查，回收有效問卷411份，其樣本基本信息情況如表1。

表1 樣本基本信息情況Table 1 Basic information of samples

1.2 研究工具

本研究中的量表共包含個人信息量表、駕駛安全知識量表、交通安全態(tài)度量表、風(fēng)險感知量表和風(fēng)險駕駛行為量表這5個部分。

1.2.1 個人信息量表

基本信息主要由以下幾部分組成：年齡、性別、受教育程度、是否具有機(jī)動車駕駛證、駕齡、職業(yè)、駕駛頻率、每天駕駛距離、是否發(fā)生過交通事故及事故類型電動自行車類型。

1.2.2 駕駛安全知識量表

筆者參考中國公安部發(fā)布的《機(jī)動車駕駛證申領(lǐng)和使用規(guī)定》，共設(shè)計8道單選題，從法規(guī)標(biāo)志與路權(quán)概念、防衛(wèi)性與禮貌性駕駛觀念兩個方面考察受訪者的知識儲備。受訪者根據(jù)自己知識儲備選出自己心中的正確答案。答對1題則積1分，所得分?jǐn)?shù)越高，表明受訪者駕駛知識越充裕。

1.2.3 交通安全態(tài)度量表

參考文獻(xiàn)[12]，筆者共設(shè)計11題，包含3個方面：責(zé)任態(tài)度、違規(guī)態(tài)度、群體行為態(tài)度。采用Likert的五級評分法來衡量，受訪者根據(jù)自己平時駕駛經(jīng)驗進(jìn)行等級選擇。責(zé)任態(tài)度分?jǐn)?shù)越高表示受訪者責(zé)任感越強(qiáng)，違規(guī)態(tài)度分?jǐn)?shù)越高表示受訪者越傾向于違規(guī)，群體行為態(tài)度分?jǐn)?shù)越高表示受訪者越傾向于冒險。

1.2.4 風(fēng)險感知量表

所量測的風(fēng)險感知包含兩個子構(gòu)面：第1個子構(gòu)面選擇由文獻(xiàn)[13]發(fā)展出的擔(dān)憂與關(guān)心量表，該量表包含3個問題，從“非常不同意”“比較不同意”“不確定”“比較同意”到“非常同意”依次記為1、2、3、4、5分；第2個子構(gòu)面是借鑒文獻(xiàn)[10]提出的危險認(rèn)知量表，該量表包含對危險行為認(rèn)同程度的判斷，從“非常不同意”“比較不同意”“不確定”“比較同意”到“非常同意”依次記為1、2、3、4、5分。分值越高，表明受訪者越擔(dān)心和關(guān)注交通風(fēng)險，同時對于危險認(rèn)知程度越高[14]。

1.2.5 風(fēng)險駕駛行為量表

筆者以駕駛行為問卷(DBQ)為主要范本，參考國內(nèi)外文獻(xiàn)設(shè)計修改，引入侵略行為，共分為侵略行為、疏忽行為、違規(guī)行為3個構(gòu)面。本量表以Likert的五級評分法來衡量每個問題的發(fā)生頻率，其中：“1分”表示從不如此，“2分”表示很少如此，“3分”表示有時如此，“4分”表示經(jīng)常如此，“5分”表示總是如此；分值越高代表會有以上行為的頻率越高。

1.3 調(diào)查和統(tǒng)計處理

通過統(tǒng)計分析可知：駕駛安全知識量表、交通安全態(tài)度量表、風(fēng)險感知量表、風(fēng)險駕駛行為量表的各Cronbach’sα值均大于0.5，表明數(shù)據(jù)信度較好；各KMO值(Kaiser-Mayer-Olkin)均大于0.6，表明能充分反映考察的內(nèi)容[15-16]。各因素Cronbach’sα值和KMO值如表2。

表2 各因素的Cronbach’s α值和KMO值Table 2 Cronbach’s α value and KMO value of each factor

1.4 分析方法

復(fù)回歸分析目的在于將多個有用的預(yù)測變量納入回歸方程式中，以減少殘差并增加解釋變量對被解釋變量的解釋能力。筆者采用逐步回歸分析法，先設(shè)定自變量的Fmax及Fmin值，然后交叉運(yùn)用順向選擇法及逆向淘汰法，最后留下自變量Fmin≤F≤Fmax。

在復(fù)回歸分析中，為確保結(jié)果的穩(wěn)定度與可信度，首先需進(jìn)行復(fù)回歸模式參數(shù)估計值的方差膨脹系數(shù)檢驗，以確定自變量之間是否存在線性重合，并采用Durbin-Watson方法(DW值)檢驗自變量之間的自相關(guān)性；在通過假設(shè)檢驗后，以F統(tǒng)計量檢驗整體回歸模型是否成立；再通過修正后的判定系數(shù)確定能夠解釋因變量變異的比例；最后通過t檢驗來檢測主要影響因素的解釋力及顯著程度。復(fù)回歸分析模型檢驗準(zhǔn)則如表3。

表3 復(fù)回歸模型檢驗準(zhǔn)則Table 3 Test criteria of multiple regression model

2 結(jié)果分析

根據(jù)上述檢驗準(zhǔn)則篩選出安全知識、安全態(tài)度(3個因子)、風(fēng)險感知(2個因子)、受訪者年齡共7個主要影響因素作為自變量；風(fēng)險駕駛行為中的侵略行為、疏忽行為、違規(guī)行為共3個因子作為因變量。

2.1 建立模型

在回歸模型中，風(fēng)險駕駛行為Y(Y=y1,y2,y3)為被解釋變量，其中：y1為侵略行為，y2為疏忽行為，y3為違規(guī)行為；安全知識x1、責(zé)任態(tài)度x2、違規(guī)態(tài)度x3、群體行為態(tài)度x4、擔(dān)憂與關(guān)心尺度x5、風(fēng)險感知尺度x6、受訪者年齡x7這7個變量作為解釋變量，采用復(fù)回歸分析方法分別分析這7個變量對侵略行為、疏忽行為、違規(guī)行為的影響程度。利用SPSS軟件建立風(fēng)險駕駛行為Y的復(fù)回歸模型，假設(shè)Y與x1、x2、…、x7有如式(2)的關(guān)系：

Y=β1x1+β2x2+β3x3+β4x4+β5x5+β6x6+β7x7+c

(2)

式中：c為隨機(jī)擾動項；β1、β2、…、β7分別為回歸系數(shù)，其絕對值大小表示相應(yīng)變量對Y的解釋程度，其正負(fù)情況表示相應(yīng)變量對Y的影響方向。

2.2 侵略行為復(fù)回歸分析

以侵略行為為因變量，進(jìn)行逐步回歸分析。模型中選入自變量分別為責(zé)任態(tài)度x2、群體行為態(tài)度x4、擔(dān)憂與關(guān)心尺度x5。

F=23.858，P=0.000，即該回歸方程是顯著的。最大VIF統(tǒng)計量為1.138，表示無線性重合現(xiàn)象；DW值為1.500，表示在可接受范圍內(nèi)無自我相關(guān)問題；R2=0.601，表示責(zé)任態(tài)度、群體行為態(tài)度及擔(dān)憂與關(guān)心尺度可解釋侵略行為的60.1%變異，如式(3)，計算結(jié)果如表4。

y1=-0.105x2+ 0.368x4- 0.128x5+ 3.965

(3)

表4 侵略行為復(fù)回歸分析結(jié)果Table 4 The multiple regression analysis results of aggressive behavior

2.3 疏忽行為復(fù)回歸分析

以疏忽行為為因變量，進(jìn)行逐步回歸分析，結(jié)果模式選入3個自變量，分別為安全知識x1、責(zé)任態(tài)度x2及年齡x7。

F=21.218，P=0.000，即該回歸方程是顯著的。最大VIF統(tǒng)計量為1.102，表示無線性重合現(xiàn)象；DW值為1.542，表示在可接受范圍內(nèi)無自我相關(guān)問題；R2=0.485，表示疏忽行為48.5%的變異是由于年齡、安全知識及責(zé)任態(tài)度的變異引起的，如式(4)，計算結(jié)果如表5。

y2=-0.108x1- 0.148x2- 0.229x7+ 2.237

(4)

表5 疏忽行為復(fù)回歸分析結(jié)果Table 5 The multiple regression analysis results of negligent behavior

2.4 違規(guī)行為復(fù)回歸分析

以違規(guī)行為為因變量，進(jìn)行逐步回歸分析，結(jié)果模式選入4個自變量，分別是違規(guī)態(tài)度x3、群體行為態(tài)度x4、擔(dān)憂與關(guān)心尺度x5及年齡x7。

F=42.795，P=0.000，即該回歸方程是顯著的。最大VIF統(tǒng)計量為1.500，表示無線性重合現(xiàn)象；DW值為1.846，表示在可接受范圍內(nèi)無自我相關(guān)問題；R2=0.55，表示違規(guī)行為55%的變異是由于年齡，違規(guī)態(tài)度群體行為態(tài)度和擔(dān)憂與關(guān)心尺度的變異引起的，如式(5)，其結(jié)果如表6。

y3=0.180x3+ 0.112x4- 0.142x5- 0.116x7+1.555

(5)

表6 違規(guī)行為復(fù)回歸分析結(jié)果Table 6 The multiple regression analysis results of violations

3 討 論

筆者主要分析了安全知識、安全態(tài)度、風(fēng)險感知等構(gòu)面對駕駛行為影響程度。

關(guān)于侵略行為，研究結(jié)果顯示責(zé)任態(tài)度、擔(dān)憂與關(guān)心尺度與侵略行為呈負(fù)向影響，即隨著責(zé)任態(tài)度認(rèn)同程度以及擔(dān)憂與關(guān)心尺度的增加，侵略行為的發(fā)生頻率以及下降；群體行為態(tài)度與侵略行為呈正相關(guān)，即群體行為態(tài)度認(rèn)同程度的增加，侵略行為的發(fā)生頻率增加，其中群體行為態(tài)度的β估計值系數(shù)為0.368，表示群體行為態(tài)度為所有自變量中影響最大的變量，因此筆者推測侵略行為發(fā)生是因為電動自行車駕駛員明顯的群體行為態(tài)度，并非是因為風(fēng)險感知等其他因子造成的電動自行車駕駛員蓄意侵略。

關(guān)于疏忽行為，研究結(jié)果表明：年齡、安全知識、責(zé)任態(tài)度均與疏忽行為呈負(fù)向影響，即年齡和安全知識以及責(zé)任態(tài)度認(rèn)同程度增加可減少疏忽行為的發(fā)生頻率，其中疏忽行為與安全知識、安全態(tài)度的負(fù)向關(guān)系與國內(nèi)一些學(xué)者研究結(jié)果一致。

關(guān)于違規(guī)行為，研究結(jié)果顯示：年齡、擔(dān)憂與關(guān)心尺度與違規(guī)行為呈負(fù)向影響，即隨著年齡和擔(dān)憂與關(guān)心尺度的增加，違規(guī)行為發(fā)生頻率大大減少；違規(guī)態(tài)度和群體行為態(tài)度與違規(guī)行為呈正向影響，即違規(guī)態(tài)度和群體行為態(tài)度的認(rèn)同程度越高，違規(guī)行為發(fā)生的頻率也就越高。

安全知識對于非蓄意疏忽行為呈顯著負(fù)向影響，但對蓄意違規(guī)行為及侵略行為沒有顯著影響，表示若想有效地降低電動自行車駕駛員疏忽行為的發(fā)生頻率，可從加強(qiáng)電動自行車駕駛員的安全知識方面入手[17]，應(yīng)結(jié)合差異性分析尋找出安全知識能力較低的族群，例如年齡較大、駕駛經(jīng)驗豐富的電動自行車駕駛員，可能由于其自以為經(jīng)驗豐富或許久未接受最新的安全知識而出現(xiàn)疏忽行為。對于蓄意危險駕駛行為，可從電動自行車駕駛員的安全態(tài)度和風(fēng)險感知等方面著手進(jìn)行防范。

4 結(jié) 語

筆者采用復(fù)回歸分析法，從安全知識、安全態(tài)度、風(fēng)險感知這3個尺度對風(fēng)險駕駛行為的影響程度進(jìn)行了研究。研究結(jié)果表明：侵略行為發(fā)生是因為電動自行車駕駛員明顯的“群體行為態(tài)度”；提高安全知識掌握程度可有效減少電動自行車駕駛員因疏忽而產(chǎn)生的風(fēng)險行為。