機動車非職業駕駛人事故傾向性測評方法

程國柱， 馮思鶴， 史伯睿

(東北林業大學 交通學院，哈爾濱 150040)

目前，中國的道路交通事故數量始終保持在較高數量級，這嚴重制約了經濟社會發展。 提高道路交通安全水平是交通強國戰略的重要保障。 道路交通事故的發生與駕駛人的生理特征、心理素質及個性因素等有關。 而更容易發生事故的駕駛人一般具有一些特殊的生理和心理特征，即事故傾向性。 這些特征會使此駕駛人出現事故的可能性較其他人更高。 研究合理的機動車駕駛人事故傾向性的綜合測評方法是當前道路交通安全研究的難點之一。

事故傾向理論最早是1919年Greenwood等[1]提出來的，他們認為有些人在本質上具有誘發事故的某些生理、心理特征；但文獻[2]認為事故傾向性是人與環境因素相互作用的產物，提出了事故傾向性變異的概念； 文獻[3]通過事故因素模型分析了駕駛人本身所具有的事故傾向性，以及各因素與事故發生概率的關系；文獻[4]再次明確了事故傾向性是各因素之間互相作用產生的； 另外，文獻[5]的研究表明，具有危險駕駛風格的駕駛人即使具備熟練的駕駛技能，仍然會容易發生事故； 文獻[6]總結出9種機動車駕駛人心理障礙的主要危險因素； 文獻[7]認為女性駕駛人駕駛行為安全性高，但判斷、執行、應變和心理承受能力較差；文獻[8]研究了反映駕駛人心理負荷的交通沖突識別指標；文獻[9]研究了駕駛人感知風險隨機動車速度變化的規律；文獻[10]研究發現駕駛人的心理品質會直接制約其駕駛行為；文獻[11]研究了駕駛人個性與事故傾向性間的關系；文獻[12]參考國外體系提出了不同的人格問卷；文獻[13]認為在復雜道路的駕駛環境下，駕駛人的應激反應能力與性別及年齡等因素相關；文獻[14]研究發現危險知覺技能與事故傾向性相關程度高；文獻[15]建立了駕駛人安全行為的風險度量模型； 文獻[16]設計了適用于公交駕駛員駕駛憤怒的量表； 文獻[17]研究了交通事故中的人為因素的影響，比如兩車會車時閃燈可能導致交通事故發生率升高；文獻[18]提出要加強對駕駛人的再教育。 因此，縱觀國內外關于機動車駕駛人事故傾向性的研究進展，目前關于人格對駕駛人事故傾向性的研究中只注重研究日常人格的影響，而忽略了在駕駛時心理變化的基本事實，并且往往在這些研究中，均沒有量化不同影響因素的事故傾向性，缺少對現有駕駛人事故傾向性的分級測評的研究。

因此本文考慮了人格多樣性對事故傾向性的影響，并且提出一種考慮駕駛人格的駕駛人事故傾向性的量化方法與評價體系，并開展此方法的實例驗證研究。 該研究遵循“指標分析-數據調查-因素識別-函數構建-等級劃分-實例檢驗-效果評價”的研究思路，通過明確駕駛人事故傾向性的致因指標，提出4種駕駛人格，并構建駕駛人事故傾向性的隸屬函數，劃分事故傾向性等級，據此提出了合理的測評駕駛人事故傾向性的方法。

1 問卷調查

問卷調查對象為非職業駕駛人，通過問卷星系統進行問卷設計和問卷發放與收集。 經過分析與駕駛人事故傾向性相關的因素，確定需調查的6類數據：駕駛人的基本屬性，駕駛人的駕駛與工作環境，駕駛人的駕駛技能及習慣，危險感知能力，駕駛心理，事故數據。 問卷參考了國外駕駛行為問卷(DBQ)、普通心理學中的4種個性測評方式(DISC)和李克特五點量表法進行設計。 其中，基本屬性中包括年齡、性別、駕齡、駕駛公里數、駕駛頻率等問題；駕駛與工作環境中分別設計交通運行狀況的問題；在駕駛技能及習慣部分設計符合中國實際狀況及城市道路情況的問題并采用李克特五點量表法設置選項；危險感知能力測評題型設置為圖片情景題，給出可能發生險情的道路狀況并設置對應的潛在危險點數的選項； 駕駛心理中參考了普通心理學中的4種個性測評方式(DISC)，以測評駕駛人在駕駛時的心理狀態；最后事故數據，主要收集被試者近3 a來的事故信息，包括事故次數、事故多發生于什么季節、事故多發生于什么時段。 之后抽樣30人進行預調查，同時進行信效度分析，檢測結果為：問卷結構效度KMO取樣適切性量數為0.781，在巴特利特球形檢驗中近似卡方值為1 301.961，自由度為153，顯著性<0.001，在SPSS中本問卷的結構效度良好，且變量間有共享因素的可能性，適合進行因素分析。 通過碎石圖確定因素數為4。 同樣進行信度檢驗，見表1，量表總問題數為22，總體克隆巴赫系數為0.813，信度在可接受范圍，最終以網頁內問卷形式發送。 共回收調查問卷數據528份，排除職業駕駛人及無駕齡人員無效問卷73份后，得到有效問卷455份。 其中，過去3 a發生過事故的駕駛人人數為67人，未發生過事故的駕駛人人數為388人，見表2。

表1 量表的信度檢驗

表2 駕駛人基本屬性數據

2 事故傾向性影響因素識別與分析

2.1 事故傾向性影響因素識別

將問卷中關于事故數據的系列問題整合后作為因變量，分別分析駕駛人基本屬性、駕駛技能習慣、駕駛人格、外部環境與因變量的關系，其中B值是指回歸系數。

2.1.1 駕駛人基本屬性

因變量與駕駛人基本屬性的分析結果見表3。 從表3可以看出，年齡與因變量呈負相關，駕駛頻率與因變量呈負相關，駕駛頻率越高則更容易發生事故。 另外，駕齡長短與因變量呈負相關，即駕齡越長發生事故的可能越小，這說明駕齡越長使駕駛人的駕駛技能越進步，從而降低了事故率。 駕駛里程數與因變量呈正相關，說明經常駕駛或者說駕駛經驗越多的駕駛人事故傾向性越低。 而駕齡和駕駛里程數不顯著的原因可能有兩方面：一方面在于收集到的數據中，駕齡和駕駛里程較多的數據占比較大，而別的樣本可能占比較小，導致在計算分析時不能很好地體現出差異；另一方面存在駕齡和駕駛里程數大但實際駕駛頻率極低的樣本，導致在計算分析時不能很好地體現出差異。

表3 駕駛人基本屬性的Logistic回歸分析結果

2.1.2 駕駛人駕駛技能及習慣

駕駛技能與習慣中選取“違規操作”、“危險感知能力”、“操作失誤”和“注意力渙散”4個方面的問卷問題，以測評被調查對象的駕駛技能水平，分析結果見表4，只有違規操作分數顯著。 違規操作與因變量呈負相關，說明違規操作越多其得分越低，事故傾向性越高。

表4 駕駛人駕駛技能及習慣的Logistic回歸分析結果

2.1.3 駕駛人格

駕駛人的4種駕駛人格作為協變量輸入，即“平穩型駕駛人格”、“謹慎型駕駛人格”、“沖動型駕駛人格”、“機敏型駕駛人格”。 在問卷設計中通過12個題目來對4種駕駛人格進行區分，其中各駕駛人格的特性如下：1)平穩型駕駛人格在日常駕駛時會盡量避讓其他車輛或交通參與者，情緒很少因為道路運行情況變化而發生轉變，更愿意走自己熟悉的路線，但在面對危險情況時可能會出現應變能力不足的問題； 2)機敏型駕駛人格在日常駕駛時會積極地與其他交通參與者進行交互，對駕駛環境的變化較為敏感，有時產生想超車、鳴笛等激進想法，不會固執于規定路線，面對險情時能迅速做出反應； 3)謹慎型駕駛人格在日常駕駛時會經常性避讓其他車輛和行人，在駕駛時速度保持在安全的水平，習慣行駛在固定的交通路線上，很少進行其他路線的嘗試， 其與平穩型駕駛人格的區別是對其他交通參與者的信息較為敏感，所以在危險感知方面更優； 4)沖動型駕駛人格在日常駕駛時很難忍受前車車速慢的情況，更愿意進行超車或鳴笛提示的操作，對交通環境的變化不會太過在意，在長時間駕駛時會出現注意力渙散的情況，經常變化路線進行嘗試， 在駕駛時經常保持較高速度，面對險情時會出現慌亂的情況。

分析結果見表5，平穩型駕駛人格和機敏型駕駛人格的顯著性達到了標準，且平穩型駕駛人格和機敏型駕駛人格都與因變量呈負相關，說明在日常駕駛中，平穩型駕駛人格的駕駛人在駕駛時追求穩定的操作同時保持平和的心態，不會出現過多的沖動駕駛現象，而機敏型駕駛人格在駕駛時更加積極地觀察外界環境和其他交通參與者，同時面對危急情況能更加迅速地作出反應。

表5 駕駛人格的Logistic回歸分析結果

2.1.4 日常工作及駕駛環境

對因變量與日常工作及駕駛環境得分進行回歸分析，結果見表6，其顯著性符合標準，同時呈負相關。 在問卷調查中，這一部分的選項分數越高代表的日常工作及駕駛環境越差，日常工作及駕駛環境的好壞會直接影響駕駛人的駕駛情緒，說明日常工作及駕駛環境越好則越不容易發生事故。

綜上，確定駕駛人年齡、駕駛頻率、違規操作得分、平穩型駕駛人格、機敏型駕駛人格和日常工作及駕駛環境得分6項指標為駕駛人事故傾向性的重要影響因素，并對各重要影響因素進行相關性分析。

表6 外部環境的Logistic回歸分析結果

2.2 變量間的相關性分析

2.2.1 年齡與其他因素的相關性分析

對年齡與駕駛頻率、違規操作、駕駛人格進行相關性分析，結果見表7、8。 年齡與駕駛頻率相關性顯著，且為負相關。 因為駕駛頻率分數越高則駕駛頻率越低，說明年齡越大，則駕駛頻率越高。 導致這種結果出現的原因是樣本中年齡較大且經常駕駛的司機較多。 另外，機敏型駕駛人格與年齡的顯著性達標，且呈正相關。 說明年齡越大，對駕駛時出現的狀況應對更熟練，對周圍的駕駛環境更加關注。 同時還能看出，年齡越大越容易傾向于平穩和機敏駕駛。 說明駕駛人年齡越大越能保持駕駛時的良好心態，不容易出現過于謹慎或沖動的駕駛狀態。 而年齡與違規操作、日常工作及駕駛環境的相關性并不顯著。

2.2.2 駕駛頻率與其他因素的相關性分析

對駕駛頻率與違規操作、駕駛人格、環境進行相關性分析，結果見表7、8。 違規操作與駕駛頻率呈正相關且顯著性達標，說明駕駛頻率越低則出現違規操作的可能性也會降低。 另外，駕駛頻率與兩種顯著性駕駛人格都呈正相關且足夠顯著，說明駕駛頻率越低的人反而在駕駛時能保持平穩型和機敏型駕駛人格。 而駕駛頻率與日常工作及駕駛環境呈負相關，說明日常工作和駕駛環境更好的駕駛人駕駛頻率越低。

2.2.3 違規操作與其他因素的相關性分析

同樣，對違規操作與駕駛人格、環境進行相關性分析，由表7、8可知，機敏型駕駛人格對違規操作得分的相關性不顯著，但也呈正相關。 平穩型駕駛人格與違規操作分數呈正相關，說明平穩型和機敏型駕駛人格在日常駕駛時出現違規操作的情況更少。 保持駕駛時的平穩型與機敏型駕駛人格可以有效減少違規操作的出現。 另外違規操作得分與日常工作及駕駛環境得分兩者呈負相關，說明日常工作和駕駛環境越惡劣的駕駛人，出現違規操作的可能性越高，這說明良好的工作及駕駛環境可以減少駕駛人違規操作的產生。

2.2.4 駕駛人格與其他因素的相關性分析

對駕駛人格與日常工作及駕駛環境得分進行相關性分析，結果見表7、8，兩種駕駛人格與日常工作及駕駛環境都呈負相關，即說明良好的工作及駕駛環境有助于駕駛人保持平穩型和機敏型的駕駛人格。

表7 各因素之間的相關性分析

表8 各因素之間的顯著性分析

3 駕駛人事故傾向性測評方法

3.1 事故傾向性隸屬度函數的構建

采用專家經驗法，共邀請交通安全領域的8位專家，其中來自哈爾濱工業大學的教授兩位，東北林業大學的教授3位、副教授1位，長安大學教授兩位。確定6項指標的權重值見表9。 確定兩個評語集，即“較高”、“高”，同時未發生事故樣本的評語集為“普通”。 對數據進行模糊綜合評價分析，使用加權平均型模型。

表9 評價指標的權重向量矩陣

從導出的權重計算結果來看，在統計的455份樣本中，有86.6%的駕駛人屬于事故傾向性普通的級別，有12.3%的駕駛人屬于事故傾向性較高的級別，還有1.1%的駕駛人屬于事故傾向性高的級別。 在得到各指標權重值后，可以對機動車駕駛人的事故傾向性進行綜合測評，并根據結果進行隸屬函數的構建。

從調查問卷樣本中隨機抽取10位被調查者的數據，符合在二元Logistics回歸中的樣本容量大于或等于方程中影響因素的個數。 根據各項指標權重來對被調查者進行綜合測評，抽樣結果見表10。 根據權重值及數據與事故傾向性的相關性，對個體樣本進行測評。 如年齡數據中，18～25歲得分為85分，25～45歲得分為80分，45歲以上得分為95分；駕駛頻率中，選項“1”(日常駕駛)為95分，選項“2”(一周中偶爾駕駛)為85分，選項“3”(一月中偶爾駕駛)為75分，選項“4”(基本不駕駛)為60分；違規操作得分滿分為27分，用具體得分除以27分，計算出具體得分在滿分中的占比；平穩型駕駛人格和機敏型駕駛人格中，選項“1”(符合)為100分，選項“0”(不符合)為60分；日常工作及駕駛環境得分與違規操作得分使用相同方法處理。 得到各項數據具體分數后，再乘以各自對應的權重值，將得到的數據相加即為駕駛人事故傾向性測評分數，結果見表11。 然后將事故傾向性和與之相對應的通過調查得到的隸屬度數據按照隸屬度從大到小排列，并繪制隸屬度函數的曲線，該曲線就是事故傾向性隸屬度函數的雛形，如圖1所示。

表10 抽樣樣本數據

表11 抽樣樣本事故傾向性測評分數與隸屬度的對應關系

圖1 隸屬度函數趨勢曲線

從圖1中可以看出，事故傾向性的分布總體上呈增趨勢，符合隸屬度函數中正態分布偏大型隸屬度函數形式，故確定事故傾向性隸屬度函數為

(1)

式中x為事故傾向性綜合測試測評分數。

3.2 事故傾向性等級的劃分

根據事故傾向性隸屬度函數對事故傾向性等級進行劃分。 本文采用專家分析法對事故傾向性不同分級的分界值進行預測,詳見表12。 之后分別根據平均值、加權平均和中位數進行分級分界值計算，計算結果見表13。 最終確定將事故傾向性等級劃分為3個，分別為普通、較高和高， 綜合以上3種計算方法后，最終確定的機動車駕駛人事故傾向性高、較高以及普通駕駛人的得分分別為(50，73.5]，(73.5，84]，(84，100)。 使用本文測評方法，分數高于50分但低于73.5分的駕駛人為具有高事故傾向性的駕駛人，分數高于73.5分低于84分的駕駛人為具有較高事故傾向性的駕駛人，分數高于84分的為普通駕駛人。

表12 專家意見調查結果

表13 事故傾向性分級標準計算結果

4 實例驗證

4.1 事故傾向性影響因素驗證

為了驗證分級測評的合理性，本文進行了實例分析驗證。 驗證數據是經過模糊處理的上海市某公路2014—2015年部分交通數據，見表14。 同時，在收集的數據中有關于交通事故詳細地點、機非車輛、事故類型的詳細描述，經過整理整合后見表15、16。 對新得到的交通事故樣本進行分析：

1)首先，發生事故的駕駛人中，年齡在事故樣本中的分布也很明顯，18～25歲階段的駕駛人由于本身數量較少所以事故數不多，結合本文調查問卷中的被測駕駛人信息，可以看出25～45歲為主流駕駛人年齡，在25歲以上的年齡段中，符合年齡越大事故傾向性越低的規律。

2)其次，在路口發生的交通事故數相對于在路段上發生的交通事故更多，占比為84%左右。 這說明復雜的交通環境會對駕駛人的事故傾向性產生影響，使駕駛人的事故傾向性變高。

3)最后，主要事故類型為側面碰撞及追尾碰撞。 側面碰撞占比更多，這種事故類型出現的原因是車輛在超車或變道時出現違規操作。 同時，經常出現想要超車的行為說明駕駛人符合沖動型駕駛人格，經常違規操作和沖動型駕駛人格都說明駕駛人的事故傾向性較高。 而相應地，各種交通事故大多是因為駕駛人注意力渙散，直接正面碰撞說明駕駛人駕駛技能不足或者是面對緊急情況無法做出正確反應。 但這兩種事故類型占比較小，說明這些因素對事故傾向性的影響也較小。

以上結論與本文分析得到的結論吻合，說明違規操作、駕駛環境、年齡和駕駛人格對事故傾向性的影響是最顯著的。

4.2 事故傾向性的分級驗證

在事故樣本中隨機抽取50人的數據，依據事故發生的詳細情況和對事故駕駛人的描述來對每個事故的駕駛人的數據進行編寫。 之后運用到建立好的隸屬函數模型中，最后得出的綜合評分為71.5分。 依照3.2節的分級規定，可以看出事故駕駛人的事故傾向性屬于較高與很高之間。 說明本文駕駛人事故傾向性的分級測評是符合客觀規律的。

表14 上海某公路2014—2015年交通事故情況與駕駛人基本信息

表15 路段事故樣本信息統計

表16 路口事故樣本信息統計

5 結 論

1)基于駕駛人事故傾向性問卷調查與分析，提出了4種駕駛人格，同時識別了機動車駕駛人事故傾向性的顯著影響因素，包括年齡、駕駛頻率、違規操作分數、平穩型駕駛人格、機敏型駕駛人格和日常工作及駕駛環境這6項因素。

2)量化顯著性影響因素，基于此構建了駕駛人事故傾向性的隸屬度函數，提出了基于模糊數學的機動車非職業駕駛人事故傾向性分級測評方法，并且進行了實例驗證，此方法有利于區分不同等級的事故傾向性駕駛人，可為駕駛人培訓與安全教育提供理論依據與參考。

3)以非職業機動車駕駛人為研究對象，僅針對該類駕駛人進行事故傾向性的測評研究。 而整個交通系統中“人”的因素還包括職業的機動車駕駛人、非機動車駕駛人和行人，在之后的研究中將擴展到更多的研究對象，并進一步擴大樣本量，以提高測評方法的精度，增加該測評方法的適用性。