关于城市道路危险驾驶行为影响因素的统计分析

陈文强，吴群琪，顾玉磊

（长安大学经济与管理学院，西安 710064）

关于城市道路危险驾驶行为影响因素的统计分析

陈文强，吴群琪，顾玉磊

（长安大学经济与管理学院，西安 710064）

文章首先建立研究路径模式和理论假设，基于此构建适合中国城市道路危险驾驶行为分析的危险驾驶行为量表、风险感知量表、驾驶能力自信量表和人格特性量表，以西安城市道路驾驶员为研究对象，获取110份有效样本，利用SPSS17.0和外挂AMOS20对样本进行信度和效度检验，采用LISREL的两阶段分析法进行模式验证与模式适配度分析。研究结果显示，研究城市的危险驾驶行为主要取决于人格特性（路径系数为.560），而影响人格特性程度最大的是无规范感（路径系数.633），其次是愤怒因素（路径系数.540），从这个层面来讲，加强管理和处罚力度，增强驾驶员行为规范、端正驾驶员心态对于减少城市道路危险驾驶行为有着重要的作用。

LISREL的两阶段分析法；风险感知；模式验证;能力自信；路径分析

0 引言

据统计，全球范围内，道路交通事故每年造成近130万人死亡，5000万人伤残，经济损失达5000多亿美元。正因如此，交通安全引起了各国政府和学术界的高度关注，已经成为一个快速发展的重要研究领域。根据2011年中国交通事故统计资料显示，在97000件道路交通事故中，与驾驶行为因素相关的就占了91.85%，道路交通事故的产生与驾驶行为有高度关联。理论研究也证实多种风险因素（道路、车辆、环境）诱发的交通冲突模型中的危险驾驶行为是交通事故的主要诱因。因此，从危险驾驶行为入手探讨交通事故发生成因，有可能抓住交通事故形成的主要环节。而找寻影响危险驾驶行为因素，分析其内在关联是问题的关键所在，也是有待我们深入研究的问题。因此有必要建立起一套适合于中国危险驾驶行为的测量工具，探讨影响中国道路交通危险驾驶行为因素及其影响路径，为交通事故预防与相关部门管理提供决策依据。

1 理论假设

经文献回顾发现，人格特质、风险感知、驾驶能力自信是影响危险驾驶行为的关键因素，因此本研究以Mathews等人（1986）和Machin and Sankey(2008)提出的驾驶决策行为模式为基础，提出假设的路径模式（图1）。由图1可知，人格特质会影响驾驶能力自信、风险感知和危险驾驶行为；驾驶能力自信影响风险感知和危险驾驶行为，风险感知影响危险驾驶行为。根据上述说明，本研究提出下列六项假设进行验证：

H1：“风险感知”对“危险驾驶行为”有负向关系；

H2：“人格特性”对“危险驾驶行为”有正向关系；

H3：“驾驶能力自信”对“危险驾驶行为”有正向关系；

H4：“人格特性”对“风险感知”有负向关系；

H5：“驾驶能力自信”对“风险感知”有负向关系；

H6：“人格特性”对“驾驶能力自信”有正相关系。

图1 路径模式

2 研究方法

本研究问卷通过长安大学车辆检验办公室向申请车辆检验的司机发放。共发放了问卷300份，回收问卷150份，剔除不规则填写和漏填等无效问卷，确定110份有效问卷。

研究中由于人格特质、风险感知、驾驶能力自信和危险驾驶行为是属于潜在变量，且无法直接测量，因此需要借助显性问题来进行衡量，需要构建相关量表问卷。

（1）人格特性量表。本研究人格特质包含寻求刺激、愤怒、焦虑和无规范感四个层面，前三个层面是基于Costa等人（1992）提出的的NEO-PI-R人格量表修正而得的，共12题；无规范感层面，则是以Kohn等人（1983）提出的无规范量表为基础，提取2个问题。因此人格特性部分共有14题，以Likert五点量表衡量。

（2）风险感知量表。本研究选择Noland（1995）提出的风险感知量表。量表分为四个层面，分别为：失误行为风险感知、错误行为风险感知、一般违规行为风险感知、严重违规行为的风险感知，共计12个问题，计量采用Likert五点量表。

（3）驾驶能力自信量表。本研究从Lajunen与Summala（1995）设计的驾驶能力量表（DSI）中选择15题，分为安全防卫能力、纯粹驾驶技术能力和情绪控制自信三个层面，作为评估驾驶员对于自身驾驶能力自信程度的高低评估试题。计量采用Likert五点量表。

（4）危险驾驶行为。本研究根据Reason等人（1990）提出的驾驶行为问卷（DBQ）作为研究危险驾驶行为评量范本，从中选取15题。计量采用Likert五点量表。

3 数据分析与讨论

3.1 量表信度分析

信度分析用来测试问卷的稳定性。本研究采用Cronbach’s α系数作为问卷量表的信度计量标准。利用SPSS17.0进行样本整体量表的信度分析，结果整理见表1。可以看出本研究所使用的量表样本具有很好的信度。

表1 各量表的信度检测结果

3.2 效度分析

本研究利用因素分析法进行效度分析。用KMO test加以测试。该法是对每个变量与全体变量，评估经抽取共同因素后变量间的偏相关比原来变量之间的相关性小多少的指标。一般而言，KMO大于0.8表示此组资料是适合作因素分析，小于0.5表示不适合。本文采用主轴因素法作为参数估计的方法，并根据Kaiser（1960）的建议，选取特征值大于1的因素。为获得较明显的因子负荷型态，本研究将以直交旋转中的最大变异法进行因子轴的旋转。

3 2.1 危险驾驶行为量表因素分析

KMO值为0.711（大于0.5），表示样本数据适合作因素分析。在共同因素的萃取上，以Ksiser’s rule判断，发现有4个共同因素其萃取特征值大于1，其解释变异量分别为23.221%、13.204%、11.290%与10.498%，累积解释变异量达到58.212%，各项与共同变数的loading值如表2所示。

表2 危险驾驶行为共同因素与loading

因素分析后，得到危险性驾驶行为的潜在共同因素，并且根据与该共同因素有高度相关的问项来对共同因素命名，因此共同因素1命名为严重违规驾驶行为，共7题；因素2，一般违规驾驶行为，3题；因素2：失误驾驶行为，3题；因素4：错误驾驶行为2题。

将因素分析后的四个共同因素进行Cronbanch’s α值的信度检测，发现除失误驾驶行为因素的α值较低外（0.533），总量表与其它因素的信度皆在0.65以上（详见表3），显示危险驾驶行为量表经因素分析后，共同因素层面上也符合统计信度。

表3 危险驾驶行为量表与各因素层面的信度分析结果

3.2.2 风险感知量表

KMO值为0.811（大于0.5），表示样本数据适合作因素分析。共有3个因素层面其萃取特征值大于1，其解释变异量分别为21.908%、18.405%、16.060%累积解释变异量达到56.373%，各项与共同变数的loading值如表4所示。

共同因素1命名为严重违规风险感知，共5题；因素2，错误行为风险感知，3题；因素3：一般违规风险感知，4题。

将因素分析后的3个共同因素进行Cronbanch’s α值的信度检测，见表5。可知共同因素层面上也符合统计信度。

3.2.3 驾驶能力自信

表4 风险感知共同因素与loading a

表5 风险感知量表与因素层面的信度分析结果

KMO值为0.822（大于0.5），表示样本数据适合作因素分析。共有3个因素层面其萃取特征值大于1，其解释变异量分别为31.857%、16.815%、14.099%累积解释变异量达到62.771%，各项与共同变数的loading值如表6所示。

表6 驾驶能力自信共同因素与loading

共同因素1命名为技术层面，8题；因素2，安全防卫，3题；因素3：情绪控制，4题。

将因素分析后的3个共同因素进行Cronbanch’s α值的信度检测，如表7所示，显示驾驶能力自信量表经因素分析后，共同因素层面上也符合统计信度。

表7 驾驶能力自信量表与因素面的信度分析结果

3.2.4 人格特性量表

KMO值为0.579（大于0.5），表示样本数据适合作因素分析。在共同因素的萃取上，以Ksiser’s rule判断，共有5个因素层面其萃取特征值大于1，其中因素五只含有一个变量(D12)，去除。作第二次因素分析，KMO值为0.579（大于0.5），表示修正样本数据适合作因素分析。二次因素分析中共有4个因素萃取特征值大于1，其解释变异量分别为17.240%、15.994%、13.401%与12.631%，累积解释变异量达到59.266%。各项与共同变数的loading值如表8所示。

表8 人格特性共同因素与loading

根据各因素包含之问项并参考Reason定义DBQ各因素的结果，本研究将其重新命名为：因素1：愤怒层面，4题；因素2：焦虑层面，3题；因素3：无规范感，2题；因素4，寻求刺激，2题。

将因素分析后的四个因素进行Cronbanch’s α值的信度检测，发现需求刺激（V14）因素Cronbanch’s α值只有0.168，信度不够，去除。重新作总量表与其它3个因素的信度分析，见表9。显示修正后的人格特性量表经因素分析后，因素层面上具有统计信度。

表9 人格特性量表与各构面之信度分析结果

4 模式验证与适配度分析

本部分利用LISREL的两阶段分析法进行模式验证与模式适配度分析。本部分首先进行确认性因素分析（CFA），剔除扰乱因果分析的干扰变量；其次，将以修正后的模式进行路径分析，研究潜在变量间的因果关系；最后，验证因果关系模式假设在研究区域危险驾驶行为相关影响变量中的适配程度。研究结构关系如图2所示，图中椭饼图案代表潜在变量，方形图案代表观察变量。

图2 线性结构关系模式

4.1 CFA分析

利用SPSS外挂AMOS 20版本进行整体确认性因素分析，获取模式的适配度指标值，见表11。

（1）初始模式

对初始模式进行CFA分析，结果如下：GFI值0.877、AGFI值0.811、RMR值0.02、NFI值0.689、NNFI值0.84、CFI值0.895，RMSEA值0.07，这几项模式适配度指标值仅部分达到可接受范围，说明本研究的初始模式假设不理想，此模式有修正的必要。由于人格特性与能力自信标准相关系数仅为-0.069，因此，去除能力自信＜---人格特性层面，修正模式。

（2）修正模式

再次进行CFA分析，结果如下：修正模式的GFI值0.92、AGFI值0.92、RMR值0.10、NFI值0.93、NNFI值0.99、CFI值0.97，RMSEA值0.06，所有指标均达到要求标准，因此论文将以修正模式作为LISREL路径分析的基础。

表10 整体确认性因素分析结果

4.2 路径分析

对修正模式进行结构模式分析，整体路径分析结果见表11。由表11知，所设定的18条路径，有1条路径分析结果为不显著（灰色标识），其他17条存在显著因果关系。全部路径关系如图3所示。

4.3 研究假设检验

（1）风险感知对于危险驾驶行为的路径系数为-.171，p值小于.05，显示风险感知对于危险驾驶行为有显著的负向关系，即风险感知态度越强，则发生危险驾驶行为的频率越小。故假设H1：“风险感知”对“危险驾驶行为”有负向关系成立。

（2）人格特性对于危险驾驶行为的路径系数为.560，p值为.002（＜.05），显示人格特性对于危险驾驶行为有显著的正向关系，即人格特性越强，危险驾驶行为的频率越大。故假设H2：“人格特性”对“危险驾驶行为”有正向关系成立。

表11 全部路径分析结果

图3 研究路径关系图

（3）驾驶能力自信对于危险驾驶行为的路径系数为-.116，p值小于.000，显示驾驶能力自信对危险驾驶行为有显著的负向关系，即驾驶能力自信越强，则发生危险驾驶行为的频率越小。故假设H3：“驾驶能力自信”对“危险驾驶行为”有正向关系成立。

（4）人格特性对于风险感知的路径系数为-.252，p值小于.000，显示人格特性对于风险感知有显著的负向关系，即人格特性越强，对于风险的态度越弱。假设H4：“人格特性”对“风险感知”有负向关系成立。

（5）能力自信对于风险感知的路径系数为.236，p值小于.000，显示能力自信对于风险感知有显著的正向关系，即人格特性越强，对于风险感知态度越强。假设H5：“驾驶能力自信”对“风险感知”有负向关系不成立。

5 研究结论

（1）影响危险驾驶行为程度最大的是人格特性层面（路径系数0.560）；而影响人格特性程度最大的是无规范感（V13）（路径系数0.633），其次是愤怒（V11）（路径系数0.540），从这个层面来讲，加强管理和处罚力度，增强驾驶员行为规范对于减少危险驾驶有着重要的作用；其次，驾驶员心态对于危险驾驶行为有着重要的影响。影响危险驾驶行为程度最小的则是能力自信层面（系数为-0.116），这表明驾驶员能力自信较于其他层面对于危险驾驶行为的影响较低。而且一般情况下，对于自身能力自信较低的驾驶员驾驶态度会越谨慎，发生危险驾驶行为的频率越低。

（2）影响道路风险感知程度最大的是人格特性层面（系数为-0.252），人格特质不仅直接影响危险驾驶行为，而且其通过风险感知层面间接影响危险驾驶行为（系数=-0.252*-.171=0.043）；其次为驾驶能力自信（系数为0.236），驾驶能力自信不仅直接影响危险驾驶行为，而且其通过风险感知层面间接的影响危险驾驶行为（系数=0.236*-.171=0.040）。可以推论出人格特质和驾驶能力自信是危险驾驶行为最源头的影响因素，如果想有效降低驾驶员危险驾驶行为，可在日常生活中加强对驾驶员教育，充分认识驾驶员自身驾驶技术和自信能力，端正驾驶员对于交通风险的观念和态度，提高驾驶员对于交通事故伤害的严重性认识。

[1]Cheol Oha,Seri Park,Stephen G.Ritchie.A Method for Ideantifying rear-end Collision Risks Using Inductive Loop Detectors[J].Accident Analysis and Prevention 2006,(38).

[2]国家统计局.2011中华人民共和国道路交通事故统计年报[M].北京：中国统计出版社,2011.

[3]Cheol Oh,Taejin Kim.Estimation of Rear-end Crash Potential Using vehicle Trajectory Data[J].Accident Analysis and Prevention,2010,(42).

[4]Jonah B A.Sensation Seeking and Risky Driving:a Review and Synthe⁃sisoftheliterature[J].AccidentAnalysisandPrevention,1997,29(5).

[5]Parker D,Lajunen T,Stradling S.Attitudinal Predictors of Interper⁃sonal Violations on the Road[J].Transportation Research,1998,(1).

[6]Ulleberg P,Rundmo T.Risk-taking Attitude among Young Drivers:the Psychometric Qualities and Dimensionality of an Instrument to Measure Young Drivers’Risk-taking Attitudes[J].Scandinavian Jour⁃nal of Psychology,2002,43(3).

[7]Warren A.Harrison.Investigation of the Driving Experince of a Sample of Victorian Learner Drivers[J].Accident Analysis and Prevention,2004,(36).

[8]庄明科，白海峰，谢晓非.驾驶人员风险驾驶行为分析及相关因素研究[J].北京大学学报(自然科学版)，2008，3(44)．

[9]丁靖艳,郑全全.侵犯驾驶行为的研究及其展望[J].人类工效学，2004，2(10)．

[10]骆勇.道路交通中攻击性驾驶行为分析与研究[D].西南交通大学博士论文，2009．

B846

A

1002-6487（2013）14-0107-04

国家社会科学基金西部项目资助项目（11XJY027）；中央高校基本科研业务费专项资金资助项目（CHDW2011JC022；CHDW2012ZD001；CHD2010JC105）；西安市社科基金资助项目（12J85）

陈文强(1981-)，男，安徽界首人，博士，讲师，研究方向：交通管理。

吴群琪(1956-)，男，广东大埔人，博士，教授，博士生导师，研究方向：交通管理。

顾玉磊(1982-)，女，安徽界首人，博士生，研究方向：交通运输、物流管理。

（责任编辑/浩 天）