基于AHP和因子分析法的駕駛傾向性評價體系研究

黃斐 鄒忠義 謝光旺

[摘要]駕駛傾向性體現的是在不同的環境中汽車駕駛員的心理情感狀態。現實中無法對其進行精準測量，唯有按照駕駛員在平時駕駛過程中的行為進行推測，給交通安全研究帶來較大的挑戰。另外，由于對駕駛員駕駛傾向性辨識涉及多個指標，如果采取單一的評價方法，容易受到評價主體主觀影響而導致結果存在偏差。因此，本文將因子分析法和AHP結合起來，對機動車駕駛員駕駛傾向性進行辨識。

[關鍵詞]駕駛傾向性;因子分析法;AHP法

[DOI]1013939/jcnkizgsc201821067

1引言

汽車已成為人們出行的主要交通工具，它一方面給大家帶來出行的便利、時間的節省以及身心的愉悅，另一方面也給人們帶來不少麻煩，譬如交通安全隱患。筆者從大量交通事故數據中得出結果，超過九成的交通事故發生原因是人為因素，其中因駕駛員的問題導致的交通事故超過七成。因此，引起交通事故發生的很大原因，就是駕駛員自身的問題。當然，關于駕駛員的自身問題，具體可以從年齡、性別、駕齡、操作習慣、駕駛心理特點等因素進行討論。從一定程度上說，這些因素都屬于駕駛傾向性。駕駛傾向性，指的是駕駛人駕駛汽車時，因為身處的環境、所遇到的狀況不同，而呈現出獨一無二的心理情感狀態。現實中無法對其進行精準測量，唯有按照駕駛員在平時駕駛過程中的行為進行推測，因此給交通安全研究帶來較大的挑戰。筆者發現目前的研究，主要傾向于駕駛員心理對駕駛行為的預測、駕駛員意圖的辨識等方面，極少會圍繞駕駛傾向性為重點進行量化分析。另外，由于對駕駛員駕駛傾向性辨識涉及多個指標，如果采取單一的評價方法，容易受到評價主體主觀影響而導致結果存在偏差。因此，文章將因子分析法和AHP結合起來，對機動車駕駛員駕駛傾向性進行辨識。

2問卷調查

21問卷的設計

以JReason等構建的駕駛員行為問卷為基礎，結合中國實際交通情況設計了如下駕駛行為問卷（見表1）。實際上，本研究很難量化所涉及的變量，唯有采取Likert七級量表打分法加以測度。1～7表示從“低到高”依次過渡，具體為“不會、幾乎不會、偶爾、有時、較經常發生、經常發生、非常高頻率發生”。

22信度和效度檢驗

本文運用一致性指數Cronbach a值及題項對變量所有題項的相關系數CITC檢驗概念模型中涉及變量測度的信度檢驗。通過這種方式，一旦變量測度題項中某個項目被刪除后，以其他項目所計算出的被刪除后a值越高，就代表該項目應考慮被刪除（林震巖，2007）。表2展示的是信度檢驗的主要結果。在這個表格當中，我們可以看到所有變量的一致性指數Cronbach a都在07以上，所有題項的CITC也在035以上，因此即便是刪除任何變量的任何題項后，α系數同樣無法得到有效的提升。從以上提及的指標來看，所有變量量表的內部一致性較高，信度較好。

3指標權重的計算

31因子分析法建立層次結構模型

經過容忍度、膨脹因子、特征根和條件指數等檢驗，一致判定這些影響因素彼此間有著多重共線性。結合總體分析和實踐經驗，抽取了4個主因子，并進行全新的統計分析。得出的結果為表4，即特征值及各主因子對應的方差貢獻率。

從表4不難發現，在20個原變量中抽取了4個主因子，共解釋總方差的86556%。表5為因子載荷矩陣，體現的是變量與因子之間的關系，即每個因子主要由哪些變量提供信息。由表5可見，第一因子與駕駛習慣相關，主要表現在車速、油門剎車使用頻率、轉向燈的使用、變道等，主要體現了駕駛員日常駕駛行為;第二因子與駕駛行為相關，主要是錯誤的一些行為，比如說右側超車、沒有攝像頭時違章駕駛等行為;第三因子與駕駛環境相關，比如說雨雪天氣、交通堵塞、道路情況以及車內環境等，體現了駕駛員駕駛時車內外的環境;第四因子與駕駛員反應能力相關，比如說遇到障礙物時是否能及時判斷等。因此，可以確立駕駛習慣、駕駛行為、駕駛環境和應變能力四個二級指標，三級指標則分別為x1～x20。

32指標權重的確定

各因子的貢獻率多少，將會直接決定二級指標對于一級指標的權重，如表4所示，本案例可取4個因子，對應的特征值為5113，3917，2035，1707，根據公式λj/∑4j=1λj（j=1，2，3，4）計算得到各因子的貢獻率為0400，0307，0159，0134。所以總的駕駛人駕駛傾向性辨識評估值可以表示為：F=0400F1+0307F2+0159F3+0134F4。

三級指標權重則由層次分析法（AHP）來判斷。由因子分析法可以得出，駕駛習慣因子由x1、x2、x5、x6、x7、x8和x19七個指標構成，則在三級指標的權重計算中，可以通過構建七階判斷矩陣得出其權重。相應地，駕駛行為因子由x3、x4、x9、x10、x12和x15六個指標構成，可以構建六階判斷矩陣得出其權重;駕駛環境因子由x13、x14、x16和x17四個指標構成，可以構建四階判斷矩陣得出其權重;應變能力因子由x11、x18和x20三個指標構成，可以構建三階判斷矩陣得出其權重。這四個判斷矩陣分別為

12433321/21322211/41/311/21/21/21/31/31/221111/21/31/221111/21/31/221111/21/2132221、1433421/411/21/211/21/3211211/3211211/411/21/211/21/221121、14331/411/21/21/32111/3211和11/31/231221/21，他們的最大特征值分別為7035、6028、4118和301，最大特征值對應的權重為（0298，0178，0056，0097，0097，0097，0178）T，（0374，0081，0151，0151，0081，0162）T，（0514，0106，0190，0190）T和（0164，0539，0297）T。通過計算可得到各判斷矩陣的一致性指標CI值分別為0005、0005、0039和0005。查表2，可得各自對應的一致性比例CR分別為0004、0004、0044和0004。可以看出判斷矩陣的一致性是處于合理范圍的。因此，通過以上方式確定的權向量，能夠直接作為三級指標對于二級指標的主觀權重。可以確定：

F1=0298x1+0178x2+0056x5+0097x6+0097x7+0097x8+0178x19

F2=0378x3+0081x4+0151x9+0151x10+0081x12+0162x15

F3=0514x13+0106x14+019x16+019x17

F4=0539x11+0164x18+0297x20

對各系數進行標準化，可得各三級指標對于二級指標的客觀權重以及綜合權重如表6所示。則最終評價模型為：

33建立評價集

結合評估的需要，駕駛員的駕駛傾向類型用駕駛傾向粒度如此表示：最內傾的駕駛員傾向粒度為0;最外傾的駕駛員傾向粒度為1，任何一名駕駛員傾向粒度都處于[0，1]范圍之中。駕駛傾向粒度和駕駛傾向成反比關系，即駕駛傾向粒度越大，則代表駕駛傾向越外傾，反之亦然。如表7所示。

34案例分析

通過這一模型對海苑駕校1位教練的駕駛傾向性進行測定，并組織了5名專家對被測定者的駕駛員駕駛習慣、駕駛行為、駕駛環境和應變能力進行打分，打分采用1～10標度法，1表示無該項行為，10表示極度明顯有該項行為。經過計算該名教練員的駕駛傾向性打分為0461（具體計算見表8）。根據表7可認為該名教練員駕駛傾向類型為中傾。

4結論

本文結合駕駛員心理變化較大、個體差異相對明顯等特點，通過整合大量的數據資源，科學地構建了一套駕駛傾向性識別指標體系。在這個體系當中，每個指標的權重都會嚴格遵照主成分分析法進行合理分配，并且還會采取層次分析法對駕駛員駕駛傾向性實施評判以及實證檢驗。模型結果表明，運用這套指標體系一方面能夠有效合理地研究駕駛員駕駛傾向性的過程，從而更好地掌握駕駛員的駕駛心理情感狀況;另一方面可以宏觀層面上豐富該領域的研究成果，為預防交通安全事故提供有用的決策依據，推動文明交通安全體系的建設。

參考文獻：

[1]余臘生，何滿慶基于Agent和情感計算的司機駕駛行為模型研究[J].企業技術開發，2009，28（3）：19-21.

[2]馬艷，王令，郭華駕駛員交通心理劃分與個性化訓練研究[J].公路交通科技，2008，25（9）：363-366.