货车驾驶员在公路隧道的换道行为分析

高冠梅

徐州市公路事业发展中心 江苏 徐州 221002

公路隧道在解决陆路交通障碍，减少陆路距离方面具有发挥着的作用。然而，隧道的特殊结构使得隧道内车辆行驶环境较为复杂，导致公路隧道通行能力降低，成为陆路交通的通行瓶颈。已有研究主要探索了驾驶员在常规路段上自由随机换道和强制性换道机理。如张可琨等等基于博弈论的观点，结合效用理论，建立了驾驶员换道决策模型[1]。然而，对驾驶员在隧道内的换道行为研究较少，特别是货车驾驶员的驾驶行为。本研究旨在探索货车驾驶员在隧道内的换道行为。为此，基于计划行为理论提出了影响驾驶行为的几个重要的态度特征和假设模型；然后，应用结构方程模型测量这些态度特征；最后，提出了减少换道行为的一些措施和建议，为提高隧道内行车安全提供参考。

1 建模方法

1.1 计划行为理论

计划行为理论（Theory of Planned Behavior，TPB）由Ajzen于1985年在考虑理性行为理论的基础上提出[2]。TPB旨在解释人们对于选择主体的心理决策行为。TPB主要包括五个变量，其中主观规范、态度、知觉行为控制是解释变量，行为意向是中介变量，实际行为表示结果变量。TPB的核心理论是实际行为会受到使用意图的影响，解释变量会直接影响中介变量（行为），直接或间接影响结果变量。解释变量对中介变量和结果变量可能存在正相关或负相关。货车驾驶员在隧道内行驶时的实际换道行为是一个理性决策过程，是否换道需要根据自身或周边环境的影响来进行决策。因此，使用TPB来解释货车驾驶员在隧道行驶的换道行为。

基于TPB理论框架，提出了6个潜变量，提出解释变量与中介变量及结果变量之间的假设模型。假设如下：A1：感知风险负向影响换道意图；A2：换道态度正向影响换道意图；A3：主观规范正向影响换道意图；A4：知觉行为控制正向影响换道意图；A5：感知风险负向影响换道行为；A6：换道态度正向影响换道行为；A7：主观规范正向影响换道行为；A8：知觉行为控制正向影响换道行为；A9：换道意图正向影响换道行为。

1.2 结构方程模型

结构方程模型（Structural Equation Model，SEM）是基于变量的协方差矩阵来分析变量之间关系的方法，主要用于教育、社会、心理学等领域[3]。SEM可通过可观测变量的效用来间接识别不可观测变量（潜变量）的效用。其优势在于，考虑观测变量和潜变量的基础上，多同时处理多潜变量。SEM包括两个部分：测量模型和结构模型。测量模型主要反应了观测变量与潜变量之间的关系，通过观测变量量化潜变量。结构模型主要体现了潜变量之间的关系，通过潜变量量化潜变量特征。在本研究中，图1提出的6个特征变量均为态度变量，这些态度变量无法被直接观测到。因此，使用SEM来构建和量化态度变量。SEM模型不只能通过观测变量来量化态度变量；同时，可以分析态度变量之间的因果关系。SEM中测量模型见式（1）和式（2）：

图1 模型标准化系数结果

结构模型可以表示为式（3）：

1.3 观测变量构建

在1.2节基于TPB提出了6个态度特征（潜变量）。为了量化潜变量，本研究基于TPB理论，参考了以前对于感知风险、主观规范、换道态度、知觉行为控制、行为意向和换道行为的描述，结合驾驶员换道行为研究，对这6个态度特征进行修改[4]。最终确定了22个观测变量。观测变量见表1。

表1 潜变量及观测变量描述

2 数据收集

基于TPB理论，对驾驶员在隧道行驶的换道行为进行问卷调查。调查时间为2022年11月1日至2022年12月1日，为期1个月的调查。问卷通过问卷星在线上形式发放。调查内容包括受访者人口统计变量（性别、年龄、驾龄、是否遭遇事故）和在隧道内驾驶时换道行为的观测变量。使用李克特五级量表量化驾驶员对于隧道驾驶换道行为的得分。“1”表示完全不同意，“3”表示中立，“5”表示完全同意。本次调查共计发放1200问卷，回收975分问卷，去除明显错误信息或缺失信息值后，最终有效问卷数为827份。受访者人口统计特征及其分布见表2。受访者的观测变量得分见表3。

表2 受访者人口统计特征

表3 观测变量分布

3 结果分析

3.1 数据效度与信度检验

为了分析结果更加可靠，在进行数据分析前，应确保收集数据的质量。应用SPSS软件对收集到的数据进行效度和信度检验。使用Cronbach’s a来检验数据的信度，当Cronbach’s a超过0.6，表示数据信度满足要求。使用平均提取方差(Average Variance Extracted，AVE)和复合可靠性(Composite Reliability，CR)两个指标来评估数据效度[3]。AVE和CR分别超过0.8和0.5，表示数据效度较好。观测变量和潜变量的信度及效度检验见表4。

表4 观测变量信度及效度检验

如表4所示，提出的22个观测变量表征的6个潜变量的Cronbach’s a均超过0.5，表示收集到的数据具有较好的信度。同时AVE均超过0.8，CR值均超过0.5。这些结果表示本研究收集到的827份数据属于有效数据，能够用于以下的分析。因子载荷表示观测变量与潜变量的路径关系，超过0.5时表示此观测变量能够表示潜变量。

3.2 模型结果分析

应用AMOS软件构建潜变量值，探索驾驶员在隧道换道行为的影响因素。将827份数据和观测变量输入AMOS，输出模型拟合指标。拟合指标见表5。

表5 模型拟合指标

根据表5模型的输出结果，模型的拟合指标均满足推荐值要求，因此，模型拟合效果较好。由AMOS输出的标准化系数的模型结果见图1。观测变量的因子载荷均超过0.5，表示观测变量选择较为合适，能够用来表征潜变量，进一步增加了解释观测变量的可靠性。对于换道意图（CI），四个解释变量均存在显著性关系，感知风险负向影响换道意图（-0.351），感知风险越大，换道意图越小，验证了假设A1。换道态度、主观规范、知觉行为控制均正向影响换道意图，系数分别为0.228、0.167、0.249。货车驾驶员换道态度越高，主观规范越高，知觉行为控制越高，越倾向于选择换道驾驶，结果证明了A2、A3、A4。感知风险系数是对换道意图影响最大的因素，这表明提高货车驾驶员的感知风险是减少其在隧道变道最有效的措施。除了态度特征会影响换道行为，个人人口统计特征同样会影响换道行为。就态度特征而言，五个态度特征均会影响货车驾驶员的换道意图，感知风险是负向影响，系数为-0.273，这验证了假设A5。换道态度、主观规范、知觉行为控制、换道意图均正向影响换道行为，系数分别为0.265、0.195、0.268、0.416，结果证明了A6、A7、A8、A9。换道意图是影响实际换道行为最显著的因素，因此降低货车驾驶员的换道意图是减少其换道行为最显著的因素。驾驶员人口统计特征也会对换道行为产生影响，女性（-0.139）、高年龄（-0.236）、多驾龄（-0.313）、遭遇车祸（-0.282）的货车驾驶员在隧道内更不倾向于换道驾驶。女性不倾向于选择换道驾驶的原因可能是，相对于男性，女性驾驶更加谨慎。因此，在隧道内复杂的行驶环境中，更不愿意换道驾驶。驾龄多的驾驶员有更丰富的驾驶经验，通常而言也会选择更加安全的驾驶行为（即不变道行驶）。

4 结论

本研究探索了货车驾驶员在隧道行驶的不安全换道行为。结合TPB理论，构建了SEM模型。经过分析，得出了以下结论：

其一，引入的感知风险变量能有效评估货车驾驶员在隧道内的换道行为，该变量反应不安全驾驶行为方面具有较好的应用性。

其二，货车驾驶员的四个人口统计特征（女性、高年龄、多驾龄、遭遇车祸）对隧道内换道行为会产生负向、显著的影响。

其三，货车驾驶员态度特征均会显著影响换道行为。感知风险负向影响换道行为，其他的态度特征正向影响换道行为，换道意图（0.416）是影响换道行为最显著的因素。