基于Bayesian-SEM的酒駕意圖心理因素分析*

金杰靈，鄧院昌

(中山大學(xué) 工學(xué)院 廣東省智能交通系統(tǒng)重點實驗室，廣東 廣州 510006)

0 引言

酒駕行為是嚴重影響道路交通安全的威脅之一，有研究顯示，約50%～60%的交通事故與駕駛員酒駕行為有關(guān)[1]。因此，探究酒駕行為成因?qū)p少道路交通事故具有重要意義。國內(nèi)外對于酒駕行為影響因素的研究大致分為客觀和主觀兩種類型，其中，國內(nèi)多進行客觀影響因素的研究，如方麗等[2]對長沙市10 403名駕駛員進行酒精測試和問卷調(diào)查，發(fā)現(xiàn)夜間、男性駕駛員、45～54歲、不系安全帶、車上有乘客、習(xí)慣飲酒、有酒駕史等因素是酒駕率趨高的相關(guān)因素；李向陽等[3]對三門峽市639例酒駕交通事故駕駛員的性別、年齡等客觀因素進行統(tǒng)計分析，發(fā)現(xiàn)酒后駕車以中青年男性為主，多集中在晚餐后，摩托車及小汽車駕駛員是酒駕的主要行為人群。國外對其主觀影響因素的研究較多，如Lee等[4]分析了駕駛員心理因素和生活方式與酒駕意圖的關(guān)系，發(fā)現(xiàn)吸煙和運動等生活方式對酒駕意圖的影響大于主觀規(guī)范和態(tài)度；Hanna[5]調(diào)查了390名18～24歲的駕駛員的酒駕行為，分析其酒駕行為與社會因素和人格結(jié)構(gòu)的關(guān)系，研究表明，社會因素和人格結(jié)構(gòu)都是影響酒駕行為的重要因素。

有研究表明，行為意圖可以解釋39%以上的行為變異量[6]。因此，通過研究行為意圖來間接研究行為是一種有效的方式。關(guān)于行為意圖的研究，大多數(shù)學(xué)者均是基于計劃行為理論(TPB)，采用傳統(tǒng)結(jié)構(gòu)方程模型(Traditional-SEM)來研究行為意圖[7-8]。然而，由于小樣本下Traditional-SEM的參數(shù)估計方法(最大似然(ML)估計等)很難得到較好的結(jié)果，所以，這類研究要求的樣本量較大。而在現(xiàn)實生活中，由于酒駕行為數(shù)據(jù)涉及駕駛員隱私，一般難以獲取，大樣本的需求對研究的進行造成不便，因此，需要一種新的統(tǒng)計方法來解決這個問題。

本文將在TPB的基礎(chǔ)上，新增地域文化規(guī)范和道德規(guī)范，形成擴展計劃行為理論(Ex-TPB)，進而構(gòu)建基于Ex-TPB的酒駕意圖心理因素貝葉斯結(jié)構(gòu)方程模型(Bayesian-SEM)，并對比Traditional-SEM與Bayesian-SEM的結(jié)果，同時，分析駕駛員不同個人屬性對模型結(jié)果的影響，以此探究影響酒駕意圖的駕駛員心理因素。

1 理論框架

TPB主要用于解釋個體行為決策過程，對不安全交通行為具有較高的解釋和預(yù)測能力[9]。同時，TPB對于其它相關(guān)解釋變量的加入是開放的，Ajzen[10]認為增加一些有效變量能夠提高模型的解釋能力;Tatiana[11]研究發(fā)現(xiàn)地域文化規(guī)范與行為意圖直接相關(guān);Parker等[12]也發(fā)現(xiàn)道德規(guī)范可提高對行為意圖的預(yù)測能力。因此，為了更好地預(yù)測酒駕意圖，本文在TPB中加入地域文化規(guī)范和道德規(guī)范2個解釋變量，形成Ex-TPB。在Ex-TPB中，行為意圖受地域文化規(guī)范、道德規(guī)范、態(tài)度、主觀規(guī)范和知覺行為控制影響。地域文化規(guī)范指在個體在實施某一行為時，自身所處地域的文化背景所帶來的壓力；道德規(guī)范指個體在實施或者拒絕實施某一行為時的責(zé)任感；態(tài)度為對某一特定行為正面或負面的評價；主觀規(guī)范是指感知來到身邊人的社會壓力；知覺行為控制是執(zhí)行某一特定行為時感知到的促進或阻礙因素對既定行為可控程度的感知。基于Ex-TPB的酒駕意圖心理因素模型結(jié)構(gòu)如圖1所示。

圖1 酒駕意圖心理因素模型結(jié)構(gòu)Fig.1 Psychological factor model structure chart of drink-driving intention

2 Bayesian-SEM

SEM是一種包含因素分析和路徑分析的統(tǒng)計分析技術(shù)，適用于多變量間相互關(guān)系的研究。SEM包含測量模型和結(jié)構(gòu)模型2個基本模型[13]。

2.1 測量模型

測量模型表示潛在變量與觀測變量間的共變關(guān)系，可看作一個回歸模型，由觀測變量向潛在變量回歸。方程如式(1)所示：

yi=Λωi+εi,i=1,2,…,n

(1)

式中：yi是p×1的可觀測向量；Λ是p×q的因子負荷矩陣；ωi是q×1的因子得分向量；εi是與ωi獨立的p×1的誤差項。假設(shè)εi服從N[0,Ψε]分布，Ψε是對角矩陣；ωi服從N[0,Φ]，Φ是正定協(xié)方差矩陣。

2.2 結(jié)構(gòu)模型

結(jié)構(gòu)模型表示潛在變量間的因果關(guān)系，也可看作一個回歸模型，由內(nèi)生潛在變量對若干內(nèi)生和外生潛在變量的線性項作回歸。方程如式(2)所示：

ηi=Πηi+Γξi+δi,i=1,2,…,n

(2)

式中：ηi和ξi分別是q1×1和q2×1的潛在變量；Π和Γ是未知參數(shù)矩陣；δi是與ξi相互獨立的誤差項。假設(shè)ξi和δi分別服從N[0,Φ]和N[0,Ψδ]分布，Ψδ同樣是對角矩陣。

2.3 SEM的貝葉斯估計

一般情況下，分析SEM多采用廣義最小二乘法和極大似然法，而與這兩種方法有關(guān)的統(tǒng)計理論及計算算法都建立在樣本協(xié)方差矩陣的基礎(chǔ)上，其分析結(jié)果依賴于樣本協(xié)方差矩陣的漸進分布，且需要假設(shè)隨機觀測值獨立同分布于多元正態(tài)分布。若某些假設(shè)不成立，可能很難推導(dǎo)樣本協(xié)方差矩陣及其漸進性質(zhì)。由于現(xiàn)實世界的復(fù)雜性，大量實際問題不能滿足所需的假設(shè)條件。貝葉斯方法關(guān)注原始觀測值，而非樣本協(xié)方差矩陣，能靈活地使用有用的先驗信息以得到更好的結(jié)果。同時，依靠漸進理論的方法需要在大樣本情況下才能有效，而基于抽樣的貝葉斯方法較少地依賴漸進理論，即使在小樣本情況下也能擁有可靠的結(jié)果[14]。運用貝葉斯方法進行參數(shù)估計的SEM稱為Bayesian-SEM。

令Y=(y1,y2…,yn)為可觀測數(shù)據(jù)矩陣，Ω=(ω1,ω2,…,ωn)為潛在因子得分矩陣，θ為包含了模型中Λ，Φ和Ψ未知元素的結(jié)構(gòu)參數(shù)向量。在貝葉斯分析中，把Ω中的潛在因子得分看作假定的缺失數(shù)據(jù)，在先驗分析中，根據(jù)相關(guān)領(lǐng)域?qū)＜业闹饔^認識，歷史或者類似的相關(guān)數(shù)據(jù)的分析結(jié)果來獲取共軛先驗分布的相應(yīng)超參數(shù)，并且在后驗分析中把Ω增廣到可觀測數(shù)據(jù)集Y中，通過以下Gibbs抽樣從[θ,Ω|Y]中抽取大量(θ,Ω)的樣本。在第(j+1)次迭代中，當前值為Ωj，Ψεj，Λj和Φj：

1)從p(Ω|Ψεj,Λj,Φj,Y)中抽取Ωj+1；

2)從p(Ψε|Ωj+1,Λj,Φj,Y)中抽取Ψεj+1；

3)從p(Λ|Ωj+1,Ψεj+1,Φj,Y)中抽取Λj+1；

4)從p(Φ|Ωj+1,Ψεj+1,Λj+1,Y)中抽取Φj+1。

正常條件下樣本收斂后得到期望的后驗分布，而在確定后驗分布的過程中參數(shù)(Λ,Ψε)和Φ的分布需要給定。

根據(jù)從[θ,Ω|Y]中抽取樣本，即{(θ(t),Ω(t)):t=1,2,…T*}，可以進行模型的統(tǒng)計推斷。θ的貝葉斯估計及標準差估計可以由式(3),(4)得到：

(3)

(4)

(5)

(6)

3 實例分析

3.1 數(shù)據(jù)來源及描述

本次研究數(shù)據(jù)采用問卷調(diào)查的形式收集，問卷內(nèi)容包括問卷說明、基本信息以及Ex-TPB量表3部分。基本信息主要是了解樣本個人信息，如性別、年齡及駕齡。量表根據(jù)本文提出的Ex-TPB、標準TPB量表和基于TPB的酒后駕駛研究制定[15-16]。

問卷發(fā)放采取網(wǎng)上發(fā)放收集的形式，并設(shè)置同一IP地址以及同一電腦或手機均僅能填寫一次，填寫人員被要求是持有駕駛證且近一年內(nèi)有過駕駛經(jīng)歷的駕駛員，受訪者須在規(guī)定時間范圍內(nèi)(5～10 min)完成問卷。本次調(diào)查共收回問卷351份，其中，有效問卷327份。受訪者的基本情況如表1所示。

表1 受訪者基本情況Table 1 Basic information of respondents

3.2 因素指標

本研究所涉及潛在變量的指標均以問卷中對應(yīng)的問題來衡量，研究中涉及的觀測指標如表2所示。

表2 各潛在變量對應(yīng)的觀測指標Table 2 The observational indices corresponding to each potential variable

由表2可知，本次研究共包含關(guān)于酒后駕駛的地域文化規(guī)范、道德規(guī)范、行為態(tài)度、主觀規(guī)范、知覺行為控制及行為意圖6個潛在變量，分別用ξ1～ξ5及η表示，各潛在變量對應(yīng)的觀測指標包含RCN1，MN1，ATT1，SN1，PBC1及BI1等15個，分別用y1～y15表示。

3.3 酒駕意圖心理因素Bayesian-SEM

在Ex-TPB的基礎(chǔ)上，結(jié)合SEM的方法，構(gòu)建基于Ex-TPB的酒駕意圖心理因素SEM，并假設(shè)地域文化規(guī)范、道德規(guī)范、行為態(tài)度、主觀規(guī)范及知覺行為控制對酒駕意圖均有顯著影響。

根據(jù)基于Ex-TPB的酒駕意圖影響因素結(jié)構(gòu)方程模型及各潛在變量對應(yīng)的觀測指標，酒駕意圖心理因素結(jié)構(gòu)方程模型的測量模型所對應(yīng)方程為：

yi=Λωi+εi,i=1,2,…,15

(7)

式中：ωi=(ηi,ξ1i,ξ2i,ξ3i,ξ4i,ξ5i)T，εi服從N[0,Ψε]分布，并且有：

結(jié)構(gòu)模型對應(yīng)方程為：

η=Γξj+δ,j=1,2,…,5

(8)

式中：Γ=(γ1,γ2,γ3,γ4,γ5)T，而(ξ1,ξ2,ξ3,ξ4,ξ5)T和δi獨立分布于N[0,Φ]和N[0,Ψδ]。

利用AMOS24.0軟件中的Bayesian-SEM功能將數(shù)據(jù)代入SEM進行貝葉斯估計。進行79 979次迭代后得到滿意的結(jié)果，模型聚斂指數(shù)CS=1.001 0，表明參數(shù)已收斂。同時，圖2所示是參數(shù)γ1的Bayesian-SEM參數(shù)軌跡圖和自變相關(guān)圖，由圖2可知，參數(shù)估計圖(a)無明顯上下振動或隨意漂流現(xiàn)象，自變相關(guān)圖(b)在Lag100處趨于0，所以貝葉斯估計參數(shù)已收斂。模型適配指數(shù)中，posterior predictivep=0.26，位于0.05與0.95之間，表示數(shù)據(jù)與模型適配度較好；DIC指數(shù)等于207.79，遠大于適配標準值DIC=10，表明模型與Traditional-SEM有明顯差異。

圖2 γ1的參數(shù)軌跡和自變相關(guān)Fig.2 Parametric trajectory diagram and self-variable correlation graph of γ1

3.4 模型結(jié)果分析

在得到Bayesian估計結(jié)果的同時，運用AMOS24.0軟件對基于Ex-TPB的酒駕意圖心理因素SEM進行ML估計(Traditional-SEM)。ML估計與Bayesian估計結(jié)果中酒駕意圖與各心理因素之間的關(guān)系如表3所示。

表3 兩種模型回歸參數(shù)估計結(jié)果比較Table 3 Comparison of two models’regression parameter estimation results

注：*p<0.05。

由表3可知，在Bayesian估計結(jié)果中，除知覺行為控制外，其它因素對酒駕意圖均有顯著影響。在ML估計結(jié)果中，僅地域文化規(guī)范和知覺行為控制的影響不顯著，這表明假設(shè)基本成立，且Ex-TPB對酒駕意圖有較強的解釋性能和預(yù)測性能。Bayesian估計的標準誤普遍低于ML估計，表明Bayesian-SEM參數(shù)估計的樣本統(tǒng)計量與總體參數(shù)的真值更接近，用樣本統(tǒng)計量推斷總體參數(shù)的準確度更大，表明小樣本條件下Bayesian-SEM更容易得到更好的結(jié)果。根據(jù)Bayesian-SEM回歸參數(shù)的結(jié)果可知，對酒駕意圖影響最大的因素是行為態(tài)度，回歸系數(shù)是0.397；影響最小的因素是知覺行為控制，回歸系數(shù)為0.031；同時，五大因素中僅道德規(guī)范對行為意圖有負向影響，回歸系數(shù)為-0.311。

3.5 個人屬性對模型結(jié)果的影響分析

為了解駕駛員不同個人屬性(性別、年齡及駕齡)對模型結(jié)果的影響，分別對不同性別(男、女)、不同年齡(18～30歲及30歲以上)以及不同駕齡(0～5 a及5 a以上)的樣本，運用Bayesian-SEM進行分析，結(jié)果如表4所示。

表4 不同駕駛員屬性模型結(jié)果比較Table 4 Model results comparison of different driver properties

注：*p<0.05。

1)性別屬性

男性駕駛員，除行為態(tài)度外，其它因素對酒駕意圖均無顯著影響；女性駕駛員，道德規(guī)范、行為態(tài)度及主觀規(guī)范顯著影響酒駕意圖。無論是男性還是女性人群，行為態(tài)度是最主要的影響因素，且除道德規(guī)范的影響為負向外，其它因素均是正向影響。

2)年齡屬性

30歲以下駕駛員，道德規(guī)范、行為態(tài)度及主觀規(guī)范對酒駕意圖有顯著影響；30歲以上駕駛員僅行為態(tài)度對酒駕意圖有顯著影響。無論年齡大小，行為態(tài)度仍是最主要的影響因素，同時，僅道德規(guī)范對行為意圖有負向影響。

3)駕齡屬性

5a以下駕齡駕駛員，道德規(guī)范及行為態(tài)度對酒駕意圖有顯著影響；5a以上駕齡駕駛員，行為態(tài)度及主觀規(guī)范顯著影響酒駕意圖。無論駕齡長短，行為態(tài)度依舊是最主要的影響因素，同樣的，僅道德規(guī)范對行為意圖的影響是負向的。

4 結(jié)論

1)在計劃行為理論的基礎(chǔ)上，新增地域文化規(guī)范和道德規(guī)范，構(gòu)建了基于Ex-TPB酒駕意圖心理因素Bayesian-SEM，通過對比ML估計和Bayesian估計的結(jié)果發(fā)現(xiàn)，小樣本條件下Bayesian-SEM更容易得到較好的結(jié)果；且Ex-TPB對酒駕意圖有較強的解釋性能和預(yù)測性能。

2)通過分析Bayesian-SEM參數(shù)估計結(jié)果發(fā)現(xiàn)，對酒駕意圖影響最大的因素為行為態(tài)度，知覺行為控制對酒駕意圖影響最小；駕駛員個人屬性不同，其心理因素對酒駕意圖的影響程度略有不同，然而，無論駕駛員個人屬性如何，行為態(tài)度均是酒駕意圖最主要的影響因素，僅道德規(guī)范的影響為負向。

[1] PEDEN M, SCURFIELD R, SLEET D, et al. World report on road traffic injury prevention [M]. World Health Organization, 2004.

[2] 方麗, 肖水源, 潘忠. 長沙市酒后駕駛發(fā)生率及相關(guān)因素[J]. 中國心理衛(wèi)生雜志, 2011, 25(2):116-121.

FANG Li, XIAO Shuiyuan, PAN Zhong. Roadside survey on prevalence and related factors of drinking-driving in Changsha[J]. Chinese Mental Health Journal, 2011, 25(2):116-121.

[3] 李向陽, 梁麗娜, 范洪庚,等. 三門峽市2012—2013年酒后駕車交通事故639例危險因素分析[J]. 交通醫(yī)學(xué), 2015(2):199-201.

LI Xiangyang, LIANG Lina, FAN Honggeng, et al. Drunk driving accidents related risk factors are analyzed of sanmenxia city from 2012 to 2013 in 639 cases[J]. Medical Journal of Communications, 2015(2):199-201.

[4] LEE K H, YONG M K. Influence of sociopsychological aspects, smoking habit, exercise habit on the intentions of drink-driving[J].Can J Public Health， 2015, 26(1):21-29.

[5] WATLING H, HOOIJER J, ARMSTRONG K, et al. The influence of social factors and personality constructs on drink driving among young licenced drivers[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2018(52):210-221.

[6] ARMITAGE C J, CONNER M. Efficacy of the theory of planned behaviour: a meta-analytic review.[J]. Health Psychology Official Journal of the Division of Health Psychology American Psychological Association, 2001, 40(4):471.

[7] CHAN D, WU A, HUNG E. Invulnerability and the intention to drink and drive: An application of the theory of planned behavior[J]. Accident; analysis and prevention, 2010, 42(6):1549-1555.

[8] MOAN I S, RISE J. Predicting intentions not to “drink and drive” using an extended version of the theory of planned behaviour[J]. Accident Analysis & Prevention, 2011, 43(4):1378-1384.

[9] 姜康, 凌飛陽, 馮忠祥,等. 行人過街使用手機行為的心理影響因素研究[J]. 中國安全科學(xué)學(xué)報, 2016, 26(6):13-18.

JIANG Kang, LING Feiyang, FENG Zhongxiang, et al. Research on psychological factors affecting pedestrians' mobile phone use behaviour while crossing[J]. China Safety Science Journal, 2016, 26(6):13-18.

[10] BAMBERG S, AJZEN I, SCHMIDT P. Choice of travel mode in TPB: The roles of past behavior, habit, and reasoned action[J]. Basic and Applied Social Psychology, 2003, 25(12): 175-188.

[11] TATIANA IAKOVLEVA. Entrepreneurial intentions, risk perceptions and cultural norms does the gender matters[J]. Academy of Management Proceedings, 2016(2):118-125.

[12] PARKER D, MANSTEAD A S, STRADLING S G. Extending the theory of planned behaviour: The role of personal norm[J]. British Journal of Social Psychology, 2011, 34(2):127-138.

[13] ULLMAN J B, BENTLER P M. Structural Equation Modeling[M].Handbook of Psychology， 2003.

[14] LEE S Y. Structural Equation Modeling: A Bayesian Approach[M]. Higher Education Press, 2007.

[15] COLLINS S E, WITLIEWITZ K, LARIMER M E. The theory of planned behavior as a predictor of growth in risky college drinking[J]. Journal of Studies on Alcohol & Drugs, 2011, 72(2):322.

[16] LI Q, HE H, HYDER A A. The theory of planned behaviour for drinking and driving: an empirical validation using data collected in two Chinese cities from 2010 to 2014[J].Internet Research Electronic Networking Applications & Policy， 2016, 22(2): 198-199.

[17] 柴建, 楊瑩, 盧全瑩,等. 基于貝葉斯結(jié)構(gòu)方程模型的道路交通運輸需求影響因素分析[J]. 中國管理科學(xué), 2015(S1):386-390.

CHAI Jian, YANG Ying, LU Quanying, et al. Analysis of influence factors of road transportation demand based on bayesian structural equation model[J]. Chinese Journal of Management Science, 2015(S1):386-390.