BRT驾驶员个人属性对行车速度的影响*

杨 东 马昌喜 刘鹏飞 杨雪雁

(兰州交通大学交通运输学院 兰州 730070)

0 引 言

快速公交(bus rapid transit, BRT)是一种介于快速轨道交通与常规公交之间的一种公共客运系统，是一种中运量交通方式。BRT系统由于其快速、大容量等优点，缩短了居民的平均出行时间。然而高速度伴随着一定的事故风险。而驾驶员的个人属性与行车速度之间可能存在相关关系。本文将通过研究BRT驾驶员个人属性对行车速度的影响，寻找两者之间的相关关系，寻找适合从事BRT驾驶员职业的个人属性，为选拔BRT职业驾驶员行业人员的提供一定的理论基础和参考。

国内外学者对公交车驾驶员的研究主要是从驾驶员的驾驶行为、个人属性、工作压力、公交车交通事故、行车速度等方面展开的。例如,Chung和Wu[1]利用具有可靠性的努力-奖励失衡(ERI)模型和ERI量表对公交车驾驶员的压力和健康问题进行了研究，结果发现，加班和紧张诱发的睡眠问题是公交车驾驶员的主要压力源。这极大地影响驾驶员的身心健康和行车的安全性。Feng等[2]通过分组分类问卷调查，研究了认知干预和宽恕干预对公交车驾驶员愤怒驾驶情绪的影响。发现认知和宽恕干预措施能显著地减少公交驾驶员的愤怒情绪，并且能够增加驾驶员愤怒的适应性和控制愤怒的能力，极大地改善了公交车驾驶员的驾驶环境，确保了公交车的安全行驶。Goh等[3]利用混合Logit模型，研究了公交车驾驶员在涉及公交车的交通事故中的作用。研究结果显示，公交车驾驶员在行车时遇到的路边空间问题与公交车在路边的交通刮擦相关，这表明公交车驾驶员所引发的交通事故与道路类型及交通条件相关，并且表明通过提供公交专用道可以减少这方面因素引起的交通事故。Mallia等[4]采用个人态度模型，通过获取310名公交车驾驶员的样本数据，来研究公交车驾驶员的交通安全态度与风险驾驶行为之间的关系。结果表明，利他主义、追求刺激和不正常行为等与情绪相关的个人属性会刺激公交车驾驶员产生异常驾驶行为。Feng等[5]为了提高公交车的安全性，利用有序逻辑模型估计，研究了美国不同类型驾驶员发生死亡交通事故的潜在危险因素。结果发现，潜在的风险因素主要包含公交车驾驶员的年龄、性别、行车速度、风险驾驶行为、碰撞方式以及雪和冰面状况等等，并且路段类型、每个方向的车道数量、道路情况、湿路面等因素对有交通违规记录的公交车驾驶员的影响最大。Shi和Zhang[6]通过问卷调查来探究个人属性与驾驶行为之间的关系。结果显示，利他主义与职业倦怠呈负相关，与异常驾驶行为(侵犯行为、普通违规行为、错误和失误)的4个子类别均呈负相关，职业倦怠完全介于利他行为与侵犯行为和过失行为之间的关系。这些发现可以应用于公交车驾驶员的选择和职业倦怠的干预，以提高公交的行车安全性。Huang等[7]通过331名台湾公交车和出租车驾驶员的问卷调查，研究了公交车驾驶员的公共自我意识和社会焦虑与超速、错误和违规等异常驾驶行为的关系，发现男性驾驶员的异常行为较女性驾驶员多，出租车驾驶员的异常驾驶行为较公交车驾驶员多，3年内发生过交通事故的驾驶员的公共自我意识较高,因此，对公交车驾驶员进行特殊训练，依此作为合格条件，以避异常风险驾驶行为，进而确保为乘客提供更好和更安全的服务。Salmon等[8]通过应用人体工程学方法的新颖框架，研究了澳大利亚公交车驾驶员分心的性质，研究结果表明，分心在驾驶过程中会分散公交车驾驶员的注意力，这极大地威胁了乘客的生命财产安全。Useche等[9]运用结构方程模型，研究了快速公交(BRT)驾驶员与工作压力和高风险驾驶行为之间的关系。结果发现，工作压力是BRT驾驶员风险驾驶的相关预测因素，工作压力更加容易引起BRT驾驶员进行冒险驾驶。Sang和Li[10]通过建立心理学疲劳测试系统，研究北京公交车驾驶员的心理疲劳的影响因素，结果发现，不同驾驶模式和运行时间下北京公交车驾驶员心理疲劳评估指标变化服从正态分布且独立，这说明疲劳指标的变化是由不同的公交车和运行时间引起的。陈晓婷[11]利用BP神经网络算法和Matlab软件，从生理和心理的角度对公交车驾驶员出站操纵品质特性进行建模。研究结果表明，优秀的公交车驾驶员对车辆运行周边环境的视觉掌控要好于一般的驾驶员；优秀的驾驶员对加速踏板的平均踩踏频率要多于一般驾驶员；并且不同驾驶员在进出站过程中的生理特性存在明显差异。

总体而言，国内外学者在公交车驾驶员驾驶行为、个人属性、工作压力、公交车交通事故以及行车速度等方面的研究较多，其研究成果较为丰富。但是，针对BRT驾驶员个人属性对行车速度影响的研究较少，而BRT作为道路公共交通的快速交通工具，其行车安全对道路交通和乘客有着至关重要的作用。鉴于此，笔者在前人在公交车驾驶员交通特性研究的基础上，对BRT驾驶员个人属性与行车速度之间的影响关系做进一步研究。

1 非集计模型

笔者应用非集计理论模型来分析BRT驾驶员的个人交通选择行为，并且均以现场抽样调查所得的BRT驾驶员的个人数据为依据进行模型的建立和标定。在道路交通领域中，非集计模型得到的广泛的应用，能够较为准确、全面的描述个人的决策行为，并且取得了较为丰富的研究成果[12-18]。该模型以效用最大化为理论依据，选择其最优方案来开展效用最优的决策行为活动。其效用函数又分为系统部分和随机部分，一般表示为

Uin=Vin+εin

(1)

(2)

式中：Uin为个人n选择方案i的效用函数；Vin为Uin的系统部分；εin为Uin的随机部分；k为变量个数；θk为待定系数；Xink为个人n选择方案i的第k个变量值。

2 速度选择行为模型的建立

2.1 数据的获取与处理

笔者通过设计BRT驾驶员个人属性与行车速度选择行为的调查问卷，问卷总共包含8个项目，调查内容涉及了BRT驾驶员的性别、年龄、受教育程度、驾龄、性格、是否矫正视力、单程载客量以及BRT车型。其中兰州市公交管理部门对BRT新驾驶员的学历要求是中专或大专及以上，但是其中有部分驾驶员是以前培训的学历较低的驾驶员，因此，对BRT驾驶员教育水平进行了分类，具体可见表2。从心理学的角度[22]，将驾驶员的性格分为抑郁质(敏感、易受挫、孤僻、寡断、疲劳恢复慢、反应慢)、多血质(平静、善于忍让、专注认真、耐心苦干，但不灵活、缺乏热情、守旧)、粘液质(热情、有能力、适应性强、机智灵活、不够专注、情绪易变、缺乏耐心)、胆汁质(易兴奋、脾气暴躁、直率、有热情，但精力耗尽时情绪较低落)；单程载客量大小的设定出于研究不同驾驶员在不同载客量(轴重)的情况下对行车速度区间选择行为的影响，以BRT公交车的可用空间(座位和站立空间)为依据，设定为4个区间，并且分别取值为小、较小、较大、大。

采用现场取样调查的方式获取数据，现场调查所选取路段避开了公交停靠站和交叉路口，确保其交通畅通无阻，以最大程度的减小其他交通因素对BRT驾驶员行车选择行为的影响。所选路线为机非分离车道，位置处于兰州市安宁区安宁路和合肥市包河区徽州大道。

随机调查了167名BRT驾驶员，问卷填写过程由于BRT驾驶员的某些个人干扰因素而引起的不完整和不合理数据，例如BRT驾驶员当时的情绪状态、填写问卷的时长或者不愿意填写真实信息等情形；并且结合样本各类数据散点图中离散数据的具体分布，剔除样本中不完整、离散度过高的数据，最终选取了156名(回收率为93.41%)BRT驾驶员为本次的研究对象。经统计，处于30～40岁之间的驾驶员人数最多，占所调查样本总数的56%，并且所有驾驶员的年龄在28～54岁之间；BRT驾驶员中，女性驾驶员较少，仅占到总驾驶员人数的16.35%，而男性驾驶员的比例高达83.65%；驾驶员的驾龄均在5年及以上，其中驾龄在10～20年的驾驶员最多；从调查数据来看，BRT驾驶员的教育水平多为初高中(中专)学历，大专及以上学历的驾驶员数量较少；兰州安宁区现有运行的BRT车型分为2种，其中加长版和普通公交的使用比例分别约为27.89%，72.11%；调查中发现，约有79.81%的BRT驾驶员的视力没有进行过矫正，只有20.19%的少数驾驶员佩戴眼镜。通过对调查数据的统计处理，得到BRT驾驶员个人属性的统计分布图，部分属性的数据统计见图1～6所示。

图1 BRT驾驶员的性别分布Fig.1 Gender distribution of BRT drivers

图2 BRT驾驶员的年龄分布Fig.2 Age distribution of BRT drivers

图3 BRT驾驶员的驾龄分布Fig.3 Age distribution of BRT drivers

图4 BRT驾驶员的教育程度分布Fig.4 Education degree distribution of BRT drivers

图5 BRT的车型分布Fig.5 Model distribution of BRT

图6 BRT驾驶员矫正视力的分布Fig.6 Distribution of corrected vision of BRT drivers

为了更加合理的利用调查数据来探究BRT驾驶员个人属性对行车速度的影响，根据《城市道路设计规范》中规定的城市道路机动车行车速度允许范围和实际现场路段安全行车的建议速度，将BRT的行车速度划分为40 km·h-1以下、40～45，45～50，50 km·h-1以上4个小区间，分别用A，B，C，D表示。并且根据调查数据分别统计每个速度区间的BRT驾驶员数量、行车平均速度和最大值。具体BRT驾驶员的行车速度选择行为数据见表1。

表1BRT的行车平均速度Tab. 1BRT driving speed

表1中呈现的是利用调查数据所得到的4个速度小区间对应的驾驶员的平均行车速度。下文中会对4个小区间对应的驾驶员个人属性的弹性值进行分析，得出每个BRT驾驶员对应的个人属性的弹性值较大的速度区间以及行车平均速度。对于不同属性的BRT驾驶员，所对应的行车速度选择区间不同，所以，为了保证乘客的安全出行，在行车过程中所要求BRT驾驶员选择的最高行车速度也不相同。

依据上述调查所得的BRT驾驶员个人属性的有效数据，采用非集计理论，对BRT驾驶员的行车速度区间选择行为进行研究，并且建立行车速度区间选择行为的非集计模型。

2.2 信度和效度检验

为了检验调查问卷的内部一致性，本文采用了Cronbach’sα系数。通过利用SPSS19.0进行可靠性分析，发现3个潜在变量(性别，驾龄和性格)的Cronbach’sα系数均大于0.7，并且调查问卷中8个变量(性别、年龄、受教育程度、驾龄、性格、是否矫正视力、单程载客量、BRT车型)的整体信度为0.716，这说明调查问卷的可靠性分析结果(信度)较好，即调查问卷设计合理。

图7 影响因子碎石图Fig.7 Impact factor gravel map

由图7可见，前3个公共因子的折线坡度较大，而后面其他影响因子的变化趋于平稳，因此，上述碎石图从侧面说明了取前3个公共因子(性格、驾龄、年龄)合理，能够较为清楚的表达原观测变量的信息。

在调查问卷的效度检验中，利用KMO抽样适度检验和Bartlett’s球型检验来判断问卷是否可以进行因子分析。检验结果KMO为0.613，大于0.50；Sig为0.00，小于0.05，说明调查问卷适合做因子分析。在问卷的因子分析中选用主成分分析方法来检验调查问卷的结构效度。在公共因子的提取中，特征根大于1的影响因子有3个，其解释变异量分别为30.630%，15.665%，13.428%；累积解释变异量为59.723%，说明经过检验得到的潜在变量有很好的结构效度。其中碎石图如下图7所示。

2.3 BRT行车速度选择行为模型的构建

由于传统的非集计模型存在重复选择的情况，所以，在建立BRT行车速度选择行为模型时选择改进的非集计模型——Mixed Logit模型。该模型能够很好地处理传统模型中对样本的重复选择，拥有着各种变量之间的所有随机混合分布，相对而言灵活度较高。根据Mixed Logit模型的基本形式[19-20]，随机部分εin服从二重指数分布，且εin和Vin相互独立，按照BRT驾驶员的行车速度选择行为方式，即可表达出第n位BRT驾驶员选择第i种行车速度选择行为的概率为

(3)

式中:f(θ)为密度函数;Lin(θ)为基于参数θ的概率见式(4)。

(4)

式中：In为当前可选择行为的总数。由于BRT驾驶员的个人属性存在差异，因此在选择行车速度区间时具有一定的喜好随机性的变化，与实际的选择行为更加吻合，因此，BRT驾驶员速度区间选择行为的概率为

(5)

根据BRT驾驶员行车速度区间选择行为的基本属性，建立BRT驾驶员行车速度选择行为影响度量模型的具体流程见图8，图8中t为各影响因素的t检验值，R2为可决系数。

图8 模型流程Fig.8 Model flow

2.4 选择肢与影响因素的确定

根据模型理论，分别选择BRT驾驶员的行车速度所对应的A，B，C，D 4个小区间作为所建模型的4个选择肢，取值为1，2，3，4；再根据BRT驾驶员个人属性对行车速度区间选择行为的影响，确定其影响因素[21-23]，见表2所示。

表2影响因素Tab. 2Influencial factors

3 计算结果及其分析

3.1 模型影响因素标定

选用SPSS标定模型的影响因素，见表3。由表3可知，t检验的最小值为5.105，其值大于1.960，表明选择的8个影响因素可以显著影响BRT驾驶员行车速度选择行为。

在SPSS的数据统计分析中，用R2判断所建模型拟合度，称R2为可决系数，其中R2∈(0,1)R2值越接近1，说明该线性回归关系越密切，所建模型与真实情况吻合度越高。这里可决系数R2等于0.691，调整后的可决系数R2等于0.646，说明建立的模型效果较好,具体见表4。

表3模型影响因素标定结果Tab. 3Calibration results of model influencing factors

表4标定模型的拟合度Tab. 4Fitting degree of calibration model

3.2 效用函数

在确定效用函数模型时，本文利用SPSS19.0统计分析软件，依据多个变量的取值性质，利用Logistic模型，将某个变量的最后一个类别作为参照类别，让前几个类别与其对比，拟合得到最终的模型。

根据上述方法，可分析得到4个区间上每个区间所应该对应的变量以及参数值(变量系数)，各个影响因素在4个区间上的参数值如表5所示。由表5可得，A，B，C，D 4个区间对应的效用函数V0，V1，V2，V3分别为

V0=-1.103X1-0.014X3+

3.046X5+0.248X6+2.001X8

V1=1.876X2-0.014X3-

2.364X4+3.046X5+2.925X7

V2=-4.289X3-2.364X4+

3.046X5+0.248X6+2.001X8

V3=-1.103X1+1.876X2+

3.046X5+2.925X7+2.001X8

为了得到各影响因素与BRT驾驶员行车速度之间的相关关系，对各个影响因素与行车速度进行敏感度分析。其敏感程度通常利用弹性值来表示。在非集计理论中，当某个影响因素发生变化时，方案i的选择概率变化的弹性值E可表示为

E=θkXink(1-Pin)

(6)

弹性值有正负之分，当2个变量呈正相关变化时，其值为正；否侧，其值为负。当4个选择区间所对应的弹性值的绝对值均大于1.000时，表明该影响因素对行车速度区间选择行为富有弹性，反之，则缺乏弹性。首先，根据BRT驾驶员个人属性与行车速度选择行为的调查数据，统计出各驾驶员个人属性所对应行车速度区间的平均值。其次，将表4中所得的参数值代入式(2)、(5)中，计算得到相应的BRT驾驶员行车速度区间选择行为的概率值；再通过弹性值的计算式(6)，即可求出各影响因素对驾驶员行车速度区间选择行为概率的弹性值。

表5影响因素与参数值Tab. 5Influence factors and parameter values

3.3 计算结果分析

3.3.1 性别与年龄

根据3.2中所述效用函数的计算方法，即可计算得到BRT驾驶员性别、年龄在不同选择区间上的选择概率、参数值、各影响因素在各区间上的样本平均值，以及弹性值。具体的计算结果如表6所示。同样，下文中各影响因素所对应的数值均用此方法依次计算得到。由表6可知，4个选择区间所对应驾驶员性别的平均值均大于0.500，其均值为0.804，说明从事BRT驾驶员职业的机动车拥有者中，男性驾驶员要多于女性驾驶员。概率选择区间中，D区间所对应的选择概率最大，其值为0.398，说明BRT驾驶员在驾驶过程中，选择D区间速度行车的概率最大。4个选择区间所对应的驾驶员性别的弹性值(绝对值)均小于1.000，说明BRT驾驶员的性别对于行车速度区间选择行为缺乏弹性，并且女性BRT驾驶员的行车速度总体要高于男性BRT驾驶员。其中，区间C对应的弹性值(绝对值)为0.884，其弹性值最大，说明性别变化对于选择C区间行车行为的影响程度最大，对其他行车速度区间选择行为并无显著影响。

表6性别与年龄计算结果Tab. 6Gender and age calculation results

注：表格中的参数值(parameter value)用PV表示，平均值(average value)用AV表示，弹性值(elastic value)用EV表示。

由上表可知，4个选择区间所对应年龄的平均值总体呈现增长趋势，其中区间A所对应的平均值最小，为1.000，说明BRT驾驶员年龄最小的群体趋向于选择40 km·h-1及以下的区间行车，并且D区间的平均值最大，为1.615，可见，BRT驾驶员随着年龄的增大，其选择行车的速度区间将会不断地增大。4个选择区间所对应的驾驶员年龄的弹性值(绝对值)均大于1.000，说明BRT驾驶员的年龄对于其行车速度区间选择行为富有弹性。其中，选择速度区间B和区间C的弹性值均大于2.000，说明BRT驾驶员选择40～50 km·h-1区间行车的弹性值最大。具体的BRT驾驶员个人属性与行车速度区间选择行为之间的关系如下图9所示。

图9 BRT驾驶员的年龄与行车速度的关系图Fig.9 The relationship between the age of BRT driver and driving speed

由图9可知，随着BRT驾驶员年龄的增长，其选择行车的速度区间也在不断地增大。这是因为由于BRT的行驶车道比较固定，通行条件较好，驾驶员随着年龄的增长，对其各时间段的交通状况和专用道的基础设施熟悉度较高，所以，在行驶过程中选择的速度区间会越来越高。

3.3.2 教育程度与驾龄

BRT驾驶员的教育程度与驾龄相关计算结果见表7。由表7可知，4个选择区间所对应的驾驶员的教育程度的平均值总体呈下降趋势，其均值为1.640，其中区间A所对应的平均值最大，说明BRT驾驶员的教育程度越高，行驶过程中，驾驶员选择的行车速度区间越小。4个速度选择区间所对应的驾驶员教育程度的弹性值(绝对值)均小于1.000，绝对值在0.012～0.022之间，说明教育程度对速度区间选择行为缺乏弹性。并且弹性值均为负值，说明随着BRT驾驶员的教育程度的提高，其安全意识在不断地增强，所以在行车时所选择的速度区间越低。其中区间B和区间C所对应的弹性值较其他区间而言较大，相对而言，说明教育程度的变化对BRT驾驶员选择40～50 km·h-1区间行车的影响程度最大，对其他速度区间选择行为无显著影响。

表7教育水平与驾龄计算结果Tab. 7Education degree and driving age calculation results

从表7中可知，BRT驾驶员的驾龄均大于5年，这是由于所调查的公交管理部门在选拔BRT驾驶员时所规定的。4个选择区间所对应的驾龄平均值均值为1.678，其中，区间B所对应的平均值最大，其值为1.893，说明随着驾驶员驾龄的不断增长，驾驶员行驶过程中所选择的速度区间较低，这与BRT驾驶员的安全意识密切相关。4个选择区间所对应的BRT驾驶员驾龄的弹性值(绝对值)均大于1.000，说明BRT驾驶员的驾龄对其行车速度区间选择行为富有弹性，且弹性值均为否值，表明驾龄越长的BRT驾驶员在驾驶过程中会选择速度较低的区间行车。其中，区间B和区间C所对应的弹性值(绝对值)较大，说明驾龄对驾驶员选40～50 km·h-1区间行车的影响最大。具体的BRT驾驶员个人属性与行车速度的关系如图10所示。

图10 BRT驾驶员的驾龄与行车速度的关系图Fig.10 The relationship between driving age and driving speed of BRT drivers

由图10可知，根据公交公司规定，驾龄取值区间为0的BRT驾驶员数量为0人，对于其他3个区间，随着驾龄的增高，BRT驾驶员行车速度的均值在不断的降低，可见，驾龄越高，驾驶员的安全意识和遵守交通规则的自觉性越好。这也与公交公司对BRT专用道公交车的监管力度较强、监管设备完善有关。

3.3.3 性格与是否矫正视力

表8所示为BRT驾驶员性格与是否矫正视力的相关计算结果。由表8可知，4个选择区间所对应驾驶员性格的平均值呈增长趋势。说明不同BRT驾驶员的性格由抑郁质往胆汁质变化的过程中，其选择的行车速度区间在依次升高，即性格越为外向的BRT驾驶员行车的速度越大，发生超速行车的可能性越大。4个选择区间所对应的驾驶员性格的弹性值均大于1.000，说明BRT驾驶员的性格对其行车速度区间选择行为富有弹性，其中，区间C所对应的弹性值最大，为4.695，表明性格对于BRT驾驶员选择45～50 km·h-1速度区间行车的影响程度最为显著。具体BRT驾驶员性格与行车速度之间的关系如下图11所示。

图11 BRT驾驶员性格与行车速度的关系图Fig.11 The relationship between BRT driver personality and driving speed

由于抑郁质性格的驾驶员不适合从事BRT驾驶员的职业，在一定程度上较为严重的威胁着驾驶员和乘客的人身安全，因此，本次信息采集中只有其他3种性格的驾驶员。由上图可知，BRT驾驶员的性格由粘液质、多血质、胆汁质变化的过程中，驾驶员行车速度的平均值也在不断地增大，说明BRT驾驶员的行车速度与其性格有直接的相关关系。

表8性格与矫正视力计算结果Tab. 8Personality and corrected visual acuity calculation results

驾驶员在行车过程中，对道路行车环境信息的获取主要是通过视觉来获取的，并且驾驶员会依次为依据对行车环境进行判断。矫正视力虽然能在一定程度上帮助驾驶员更加详细的获取部分动态的交通环境信息，但是与未矫正的正常视力相比，尚还存在一定的差异，尤其是当驾驶员的行车速度较快时，由于镜片存在一定的曲率，使得对行车控制的影响更为明显。

从表8中可以看出，4个选择区间所对应的驾驶员是否矫正视力的样本均值在0.165左右，其均值小于0.500，即未矫正视力的BRT驾驶员所占的比例大，说明是否矫正视力对BRT驾驶员行车速度区间选择行为并无显著影响。4个选择区间所对应的BRT驾驶员矫正视力的弹性值均小于1.000，说明BRT驾驶员是否矫正视力对其行车速度区间选择行为缺乏弹性，所以是否矫正视力对其行车速度选择行为影响较小。此外，随着速度区间的变大，驾驶员视力的弹性值在不断地增加，尤其是区间C和区间D，其弹性值均大于0.500，说明在选择45 km·h-1及其以上速度区间行车的BRT驾驶员中，矫正视力的驾驶员所占的比例要多于其他速度区间。这与驾驶员的心理状态紧密相关，通过视力矫正，驾驶员的视觉自信一定程度上有所增强，进而敢于选择较高的速度区间行车。

3.3.4 BRT车型与单程载客量

目前，投入使用的BRT车型有2种：普通款和加长款。不同的BRT车型所选配的驾驶员的个人属性也会有所不同。由表9可知，4个区间所对应的BRT车型的平均值均小于0.500，说明在所测路段上投入使用的普通款的BRT要多于加长款的BRT。其中区间C所对应的平均值最大，说明加长款的BRT公交车驾驶员更容易选择45～50 km·h-1的速度区间行驶。4个选择区间所对应的BRT车型的弹性值均小于1.000，说明车型对驾驶员行车速度区间选择行为缺乏弹性。其中，区间C所对应的弹性值最大，可见，加长款BRT车型的变化对驾驶员选择45～50 km·h-1的速度区间行车的影响最为显著，对其他速度区间并无显著影响。

表9BRT车型与单程载客量计算结果Tab. 9BRT model and single-pass passenger capacity calculation results

公交车作为允许超载的城市公共交通工具，不同交通时刻的载客数量不同，则公交车的负载不同，对于动力同等的公交车，其行车速度也会不同。有上表9可知，4个选择区间所对应的单程载客量的平均值总体呈稳定趋势，均值为2.012。其中区间D所对应的平均值最小，说明随着BRT公交车载重量的减少，其行车速度逐渐增大，这与BRT公交车的动力系统有关。4个选择区间所对应的单程载客量的弹性值均值为0.373，均小于1.000，说明单程载客量对BRT驾驶员的行车速度区间选择行为缺乏弹性。其中，区间C所对应的弹性值最大，其值为0.423，可见，单程载客量的变化对BRT驾驶员选择40～45 km·h-1区间行车的影响最显著，对其他速度选择区间并无显著影响。

3.4 BRT驾驶员开车时长与行车速度的关系

本次交通调查时间为09：00—11：10，BRT每天运营时间从06：00开始，因此，初始调查时，BRT驾驶员的开车时长为10 800 s，由于BRT的发车间隔为120 s，通过对每个BRT的发车间隔进行累加得到驾驶员的开车时长。

由于BRT的发车间隔较短，所以每个BRT驾驶员在公交专用线上运行的往返次数较多，其驾驶员每天的驾驶工作时间较长，但每当驾驶员连续驾驶超过4 h后，因驾驶员个人属性的差异性会出现不同程度的风险驾驶行为，例如占用非专用机动车道、超速行驶等等。鉴于此，可通过研究BRT驾驶员开车时长与行车速度的关系，得到在某种驾驶员个人属性下，BRT行车速度随开车时长的变化规律，以实现在实际的BRT运营中，对相应个人属性的驾驶员，在不同开车时长下进行行车速度的提示和引导，进而保证BRT公交车有较好的运行安全和效率。

由3.3可知，BRT驾驶员的年龄、驾龄和性格对行车速区间选择行为富有弹性，其中，对某单一的个人属性，找出其中对行车速度区间选择行为影响最大的区间值，将其作为固定量，研究在该个人属性区间值下行车速度与开车时长的敏感度。

3.4.1 年龄区间下

从上文3.3.1中得出，BRT驾驶员的年龄主要分布在30～50岁之间，所以可将该区间作为固变量，研究该区间值下，BRT驾驶员的行车速度与开车时长的关系，具体的关系如图12所示。

图12 年龄区间下开车时长与行车速度的关系图Fig.12 Relationship between driving time and driving speed in the age range

由上图12可知，在30～50岁的BRT驾驶员中，随着开车时长的不断增加，驾驶员的行车速度区间总体呈现上升趋势。说明当年龄区间一定，开车时长过长时，由于驾驶员的个人心理、生理特征发生了变化，如视觉和身体疲劳、心理急躁等等，使得BRT驾驶员在驾驶过程中的操作稳定性和速度平稳性发生变化，进而发生行车速度过高的现象。

3.4.2 驾龄区间下

根据3.3.2可得，BRT驾驶员的驾龄分布主要在5～20年之间，所以可将该区间作为固定量，研究该区间值下，BRT驾驶员的行车速度与开车时长的关系，具体的关系如图13所示。

图13 驾龄区间下开车时长与行车速度的关系图Fig.13 Relationship between driving time and driving speed in the driving age range

由图8可知，当BRT驾驶员的驾龄区间在5～20年之间时，随着BRT驾驶员每天开车时间的增加，其行车速度总体上也在不断地增大。说明行车速度与开车时长呈正相关。可见，过长、连续的行车不利于驾驶员对行车速度的控制，这很大程度上对BRT驾驶员和乘客的生命财产安全造成了威胁。

3.4.3 性格区间下

根据3.3.3可得，BRT驾驶员的性格主要有黏液质、多血质2种，所以可将该区间作为固变量，研究该区间值下，BRT驾驶员的行车速度与开车时长的关系，具体的关系如图14所示。

图14 性格区间下开车时长与行车速度的关系图Fig.14 Relationship between driving time and driving speed in the character range

由上图9可得，性格处于粘液质和多血质的BRT驾驶员，当其开车时长过长时，BRT的行车速度区间会随之增加。说明粘液质和多血质的驾驶员开车时间不宜过长，在行车时长达到一定程度时需进行适当的休息，补充心理、生理特征上产生的差异，以避免引发驾驶员在行车过程中发生超速驾驶、疲劳驾驶等不安全驾驶行为，进而确保乘客和驾驶员的行车安全。

总体而言，由3.4中分析可知，BRT驾驶员的行车速度与开车时长呈正相关关系。即当驾驶员的行车时间过长时，由于驾驶员的各种个人因素发生了变化(例如心理、生理特征等)，使得驾驶员对行车速度的感知和对BRT 车辆的操控产生的影响，这种影响总体呈现为驾驶员的行车速度的增高。鉴于此，在BRT正常运营过程中，累加统计每个驾驶员的开车时长，当其超过所预定的合理时长时，提醒并监督BRT驾驶员进行合理的休息调整(相关部门可以针对驾驶员的个人属性制定相应的休息调整方式)，使BRT驾驶员的心理、生理等个人属性恢复到行车的正常状态，进而确保行车安全。

4 结束语

本文首先建立了BRT驾驶员个人属性对行车速度的影响因素度量模型，经过t检验表明，所建模型与实际情况基本吻合，具有较强的适用性和实用性，并且能够量化BRT驾驶员个人属性与行车速度选择之间的相关关系。其次，运用弹性值理论，分析了各影响因素与BRT驾驶员行车速度选择行为的敏感度。最后，通过分析BRT驾驶员个人属性对行车速度区间选择行为的影响得出结论。结果表明，BRT驾驶员的年龄、驾龄和性格等3个影响因素所对应的驾驶员的弹性值均大于1.000，说明对其行车速度区间选择行为富有弹性，即这3个影响因素与行车速度选择行为之间的敏感度较高。此外，通过数据统计分析BRT驾驶员开车时长和行车速度之间的关系，发现驾驶员的开车时长与行车速度呈正相关关系。

在实际的调查中，由于获取样本数据的局限性，使得针对BRT驾驶员在行驶过程中车流饱和度对行车速度影响的研究受到限制，因此，在后期的研究中，可从此方面开展更为深入的探究。此外，还可通过不断修正模型中各影响因素的参数值，使得敏感度分析的结果更加准确，更加的符合真实的道路行车情况。