路段人行横道处机动车让行行为及其影响因素研究

时亚群，邓建华

(苏州科技大学 土木工程学院，江苏 苏州 215000)

据公安部交通管理局统计，近三年全国在人行横道上发生机动车与行人的交通事故共1.4万起，造成3 898人死亡。从统计情况看，机动车未按规定让行而导致的交通事故占全国事故的90%。

《中华人民共和国道路交通安全法》第四十七条规定：机动车行经人行横道时，应当减速行驶；遇行人正在通过人行横道，应当停车让行；机动车行经没有交通信号的道路时，遇行人横过道路，应当避让。通过实际观察可知，在无信号灯控制路段人行横道处，只有极少数机动车可以做到完全主动避让行人，多数驾驶员以自我为中心，自身驾驶行为不符合法律规定，甚至有的驾驶员看到行人即将到达人行横道处却加速强行抢先通过，造成交通事故。因此，研究机动车在路段人行横道处的让行行为，找出影响机动车让行决策的主要因素，对提高行人过街安全性具有重要现实意义。

Piff[1]等人对不同阶层的驾驶员进行调查后指出，上流阶层的驾驶员在驾车通过人行横道时选择不让行的可能性更大。Rosenbloom[2]等人对人行横道处的让行行为进行研究后发现，驾驶员的年龄与性别均会对其让行决策行为产生影响。Schroeder[3]等人经过研究认为，驾驶员在面对多个行人同时过街时，选择让行的可能性更大。Kadali[4]等人通过观察统计混合交通流下行人及驾驶员的决策行为后得出结论：相较于大型车辆而言，小型车辆在通过人行横道时表现出更少的让行行为。

赵亮[11]等人选择驾驶员综合能力测试系统研究被试者的反应，认为驾驶员个人特征与其行为表现之间存在内在关系。白云[12]编制DBQ问卷对北京市驾驶员进行调查，认为不同特征的驾驶员对抢行的倾向性不同。

机动车让行决策与多种因素有关，但上述研究普遍只考虑某一方面因素对让行决策的影响，缺乏系统性，并不能完整地揭示机动车让行决策规律。本文综合过街行人行为、过街交通设施、驾驶员及车辆特性等方面进行研究，较为全面地揭示了机动车让行决策规律。

1 让行决策调查

1.1 让行行为的定义

机动车驾驶员作为交通参与者的一方，在通过无信号灯控制的人行横道时，主要有以下四类行为：

1)停车让行，是指车辆必须在停止线以外停车，确认行人安全通过后才能继续行驶。当机动车即将行驶到无信号斑马线时，驾驶员发现前方有欲过街或正在过街的行人，且认为行人具有优先通行权，或判断等待行人将先于自己到达人行横道时，而采取的停车让行行为。

2)减速让行，是指机动车到达人行横道前，驾驶员为保证行人安全过街，采取制动措施减速，保证前方行人优先通过人行横道。

3)“抢行”通过，是指机动车驾驶员违反交通法规争抢道路通行权的行为，即机动车驾驶员在明知继续行驶有可能会对行人造成事故的情况下，依然选择不停车，不给行人让行，或者加速抢在行人到达之前通过人行横道，迫使行人避让机动车。

4)无冲突通过，是指机动车在通过人行横道时并没有遇到行人，从而快速通过。

本文研究的机动车让行是指机动车在通过无信号灯控制人行横道时的停车让行行为。

1.2 调查内容

通过大量的现场观察可知，机动车在路段人行横道处的决策选择受众多因素的影响，机动车让行不仅与驾驶员自身特性有关，同时也会受到外界交通环境及过街交通设施的干扰。因此，在进行驾驶员决策选择影响因素研究时(见图1)，应重点分析上述三个方面。

图1 驾驶员决策影响因素

1.2.1 过街行人行为

驾驶员驾车通过无信号灯控制的人行横道处时，会受到各种干扰因素的影响。过街行人作为交通冲突参与方中的弱势群体，对驾驶员决策产生的干扰最大，这其中的主要影响因素有：行人性别、年龄、过街人群数、等待位置、距前车距离、面部朝向、是否做出过街手势等因素。

1.2.2 过街交通设施

道路设施对驾驶员驾驶车辆具有引导、提示作用，其设计和规划对驾驶员的决策选择有很大影响，相对于动态的行人行为而言，道路设施及环境比较固定，属于固有特征。其中，影响机动车让行的因素包括：有无菱形预告标识、有无地面“车让人”文字、有无减速丘。

1.2.3 驾驶员特征因素及车辆特性

驾驶员作为过街交通参与者中的一方，在性别、年龄、驾龄、学历、认知、态度等方面存在的差别将直接导致驾驶员的心理和生理都各有不同，继而对其过街决策选择产生较大影响。机动车特性包括车辆类型和车辆价格。

1.3 调查方法

1.3.1 现场调查

本研究选取苏州市9处无信号灯控制的人行横道进行调查，通过现场观测(见图2)与视频拍摄相结合的方式，记录过街行人行为和机动车决策行为。

1.3.2 问卷调查

调查问卷分为三部分：第一部分主要是被调查者的个人基本信息，包括性别、学历、驾驶年限；第二部分主要调查驾驶员是否认识人行横道预告标线、是否了解让行规定；第三部分则是对态度进行调查，包括是否同意行人优先的观点、是否赞同对不让行车辆进行罚款和扣分。本次调查最终收集驾驶员问卷738份。

图2 现场观测

2 数据统计与分析

2.1 现场观测数据分析

2.1.1 调查结果统计

本次现场观测累计获得样本量为4 786个，其中未按照规定让行的样本占4 475个，总体让行率较低，仅为6.5%，同时，也证实了在路段无信号灯控制处的人行横道前，机动车不能做到主动让行，因此，现状亟待改善(见表1)。

表1 各调查地点让行率统计

注：让行率是指行经无信号灯控制的人行横道处的、采取了让行行为的机动车总的数量与按照规定应该让行的机动车辆总数之比。

2.1.2 现场让行决策指标体系

通过现场观测，本文提取了较多的潜在影响因素，但这些潜在影响因素之间可能存在着相关性，如果用它们直接建立logistic模型，将会对模型的稳健性造成不良影响，且不利于模型分析。为避免上述问题，接下来需要对各影响因素进行因子分析，提取主要的影响因素，从而为接下来的模型建立奠定基础。

因子分析是一种将多变量化简的方法，其目的是用较少的相互独立的变量代替原来变量的大部分信息。因子分析的基本思想是根据相关性的大小把变量分组，使得同组内的变量相关性较高，而不同组内的变量相关性较低，可用数学模型表示为

Fj=βj1x1+βj2x2+，…，+βjpxp.

(1)

式中：Fj为提取出的公共因子；βjp为原始变量的得分系数;xi为原有变量,如行人性别、年龄、等待人数、等待位置、距前车距离、过街手势、行人面部朝向等。

使用SPSS20.0统计分析软件，分别计算车辆特性、过街行人行为、过街交通设施三个方面因素的KMO值和巴特莱特球形检验值，如表2所示。

表2 KMO和Bartlett的检验

其中，过街行人行为因素的KMO统计量为0.625>0.5，适合做因子分析；Bartlett球形检验结果显示，应拒绝单位相关矩阵的原假设，P<0.001，适合做因子分析。

通过方差最大化正交旋转法得到以下因子荷载矩阵，如表3、表4所示。

表3 旋转成份矩阵

从表3、表4可以看出，等待过街的人群、行人等待的位置、行人距前车距离三个变量在因子1上有较大荷载，所以，将因子1命名为行人外部特征因子，用符号w表示；行人面部朝向在因子2上有较大荷载，且因子2为单指标因子，故直接命名为行人面部朝向因子，用符号m表示；行人年龄和行人是否做出手势在因子3上有较大荷载，将因子3命名为行人个体特征因子,用符号t表示。

因此，可以将这三个因子表示为如下组合：

w=0.483w1-0.444w2+0.442w3-0.104α1+

0.094α2+0.093α3+0.006α4 .

(2)

m=0.711m1-0.402α1+0.38α2-0.284α3+

0.084α4+0.019α5-0.171α6.

(3)

t=0.852t1+0.437t2-0.12α1-0.05α2-

0.047α3+0.04α4-0.039α5.

(4)

综上所述，可知在路段无信号控制人行横道处的机动车让行决策影响指标体系如图3所示。

图3动车让行决策影响指标体系

2.2 自变量筛选

在现场调查的样本数据和问卷调查的样本数据中，均包含了多个因素，这些因素的选择具有一定的主观色彩，在实际情况中，并不能确定上述所有因素都会对驾驶员让行选择产生影响，如果错误地将对让行选择无影响的因素带入到模型中，很容易导致模型标定错误。所以，在建立模型之前需要对自变量进行筛选，剔除那些对驾驶员过街决策选择影响较弱的因素。

本文选择最常用的卡方检验来评价两个分类变量的相关性，通过SPSS软件计算各自变量与驾驶员决策选择之间的系数(见表5)。

表5 现场调查决策模型各影响因素的Pearson卡方检验结果

由表5可知，机动车价格、车型两个因素的P值分别为0.309、0.650，均大于0.05，因此，车辆价格、车型对驾驶员过街让行选择不存在显著影响，故不能将此变量带入到模型中(见表6)。

表6 问卷调查决策模型各影响因素的Pearson卡方检验结果

通过卡方检验，最终确定5个因素变量与驾驶员决策选择之间存在显著影响，它们分别是学历、驾车年限、人行横道预告标线认知、法规认知、礼让行人态度。

3 模型的建立

二元logistic回归模型作为概率型非线性模型，是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法[13-15]。模型的数学形式为

(5)

式中:α为常数项，βk为各个自变量的回归系数。

其中pi=P(yi=1|x1i，x2i，x3i，…，xki)为在给定系列自变量x1i，x2i，x3i，…，xki的值时，事件的发生概率。

在本文建立的模型中，将驾驶员过街决策选择行为作为因变量，这就表示驾驶员所面临的只有让行和不让行两种选择：如果选择让行，因变量编码为y=1，其概率为p1=p；如果驾驶员选择不让行，因变量编码为y=0，选择概率为p0=1-p1。

采用SPSS20.0统计分析软件作为分析工具，选择二元logistic回归中的向前法，建立各自变量与驾驶员决策选择的回归模型

3.1 现场观测数据模型

详细结果如表7所示。

表7 机动车让行决策模型

这是最终拟合的结果，四个变量入选，P值均<0.05。根据上表输出的结果，建立机动车让行选择行为预测模型

(6)

式中：P(y)为在相应情况下机动车选择让行的概率，0≤P(y)≤1；W为行人外部特征因子；T为行人个体特性因子；X1为地面是否有车让人提示(0为无，1为有)；X2为人行道前是否设有减速丘(0为无，1为有)。

用该方程可以做预测，预测值大于0.5说明机动车可能会选择让行，小于0.5说明可能不会选择让行。

3.2 模型结果分析

模型标定的结果中自变量系数的大小反应出各自变量对驾驶决策选择的影响程度。行人外部特征因子、行人个体特性因子、地面是否有车让人提示的显著性水平P值均接近为0，且wald统计量分别为175.939、29.870和14.454，表明它们对驾驶员让行选择的作用很大，四个变量的重要性如下：行人外部特征因子>行人个体特性因子>地面是否有车让人提示>人行道前是否设有减速丘。

1)行人外部特征因子，包含人行横道前行人等待人数、等待位置、距离前车距离。且该因子的系数为正值，表明随着这个变量值的增加，驾驶员选择让行的概率也随之增加。可知，等待过街的人群数量越多，行人等待时距离机动车距离越小时，驾驶员选择让行的可能性也越大。

2)行人个体特性因子，包含行人年龄和过街手势。大部分驾驶员在过街时，对于越大年龄的等待过街行人，驾驶员选择让行的概率越大；另外，过街行人做出相关手势也会提高驾驶员让行的可能性。

3)在人行横道前是否设置“车让人”地面文字在模型中对应的系数也较大，具体表现为：在设有“车让人”地面文字的人行横道前驾驶员更容易选择让行。在其他条件均相同的情况下，驾驶员在设有“车让人”地面文字的人行横道前选择让行的发生比是不设“车让人”人行横道的2.720倍。

4)减速丘的设置对驾驶员决策选择也有较大影响。在其他因素不变的情况下，与没有减速丘的人行横道相比，设有减速丘的横道前驾驶员让行的发生比要增大2.42倍。

3.3 问卷调查数据模型

Logistic模型结果如表8所示。

根据表8的输出结果，建立的驾驶员让行意愿logistic方程为

(7)

式中：X1为驾驶年限，X2为驾驶员是否认识人行横道预告标识(“是”为1，“否”为0)，X3为驾驶员是否了解让行规定(“是”为1，“否”为0)，X4为驾驶员是否认同“行人优先”的观点(“是”为1，“否”为0)，X5为驾驶员是否为初中及以下学历学历(“是”为1，“否”为0)，X6为驾驶员是否为高中或中专学历(“是”为1，“否”为0)，X7为驾驶员是否为大专或本科学历(“是”为1，“否”为0)。

该方程的结果p值大于0.5说明驾驶员可能会选择让行，小于0.5说明驾驶员可能不会选择让行。

表8 驾驶员让行意愿模型

3.4 模型结果分析

在其他因素不变的情况下，学历(1)驾驶员选择让行的发生比是学历(4)驾驶员的0.029倍，学历(2)驾驶员选择让行的发生比是学历(4)驾驶员的0.056倍，学历(3)驾驶员选择让行的发生比是学历(4)驾驶员的0.249倍。

驾驶车辆的年限越长，驾驶员有关交通事故的阅历越多，其安全意识也就越强，因此，在驾驶过程中就会更加谨慎。开车年限每增加1年，则驾驶员选择礼让行人的发生比相应增大1.434倍。

相较于不了解道路交通安全法的驾驶员而言，了解道路交通安全法的驾驶员在人行横道前选择让行的概率是其1.79倍。

认识人行横道预告标线的驾驶员在人行横道前做出让行选择的发生比是不认识人行横道预告标线驾驶员的3.176倍。

赞同行人优先观点的驾驶员在日常驾驶中做出让行选择的概率要比反对此观点的驶员高出12.5倍。

4 结 论

1)基于二元logistic回归方法构建出路段无信号控制人行横道处机动车让行行为模型，验证了过街行人行为、过街交通设施两方面因素对机动车让行行为的影响。同时，明确机动车车型及车辆价格与机动车让行行为的决策无关，其中，过街行人行为对机动车让行决策影响最为显著，等待过街行人的人数、行人等待时所处位置及行人距离前车距离等因素均会对机动车让行决策产生影响[16]。在面对不同年龄的行人时，机动车为老年行人让行的可能性最大，行人使用过街手势也可以提高机动车让行的可能性。在过街交通设施方面，地面“车让人”文字对机动车让行决策的影响最为显著，减速丘次之，菱形预告标识未能进入最终模型，说明其对机动车让行决策的影响最小。

2)以问卷调查数据为基础，运用相同原理建立驾驶员让行意愿模型，验证了学历、驾驶年限、认知及态度情况对驾驶员让行的影响。