公交駕駛員駕駛行為量表的編制及其信效度檢驗

李瓊，王婷婷，張作博，汪勇杰

(1.長安大學 運輸工程學院;2.西安市公共交通集團 營運安全部)

1 引言

世界衛生組織2018年發布的《全球道路安全現狀報告》顯示，每年高達135萬人死于道路交通事故，且交通事故在致人死亡的眾多因素中位列第八[1]。其中，90%以上的道路交通事故與駕駛員的駕駛行為有關[2]，職業駕駛員比私家車駕駛員的事故率高出49%[3]，27%的職業駕駛員在過去三年的駕駛過程中發生過交通事故[4]。根據《2019年交通運輸發展統計公報》數據顯示，2019年末全國公共汽電車69.33萬[5]，按照公交行業公交車數與駕駛員1:2.1的比例推算，我國公交駕駛員數量約145萬人。因此，研究基數龐大的公交駕駛員的駕駛行為，對降低道路交通事故率、提高道路交通安全具有重要意義。

目前，已有大量的研究聚焦私家車駕駛員駕駛行為量表的開發與修訂[6]。Reason等[7]于1990年首次編制駕駛行為量表(Driver Behavior Questionnaire，DBQ)，該量表共包括50個題項，分為違規、錯誤和失誤3個維度。Parker[8]等在原始DBQ量表中新增記憶力流失維度的同時對原始DBQ量表予以簡化，形成了24題4維度的DBQ量表。Lawton等[9]將違規駕駛行為中對其他道路使用者表現出敵意或傷害的侵略性行為界定為攻擊性違規，其余違規行為稱為普通違規。不同國家的交通模式與文化背景的不同，致使DBQ量表的維度與題項設計不同。Lajunen[10]等研究表明，錯誤、注意力流失、普通違規、攻擊性違規組成的4維度量表在芬蘭、荷蘭等具有較好的一致性。?zkan[11]等人在芬蘭、英國、伊朗、荷蘭、希臘、土耳其和伊朗，驗證了攻擊性違規、普通違規、錯誤3個維度量表表現出較好的適用性。鄭東鵬等人[12]在Reason的原始DBQ基礎上，保留了符合中國實際情況的27個題項，分為認知錯誤、違規行為、無意失誤與記憶力流失4個維度。

與私家車駕駛相比，公交車的駕駛環境與駕駛要求完全不同。公交駕駛是一個重復且高強度的工作，駕駛員數年駕駛相同路線，每日肩負數百甚至上千乘客的出行安全，加之惡劣天氣、交通擁堵、不配合的其他道路使用者，以及大量乘客和車廂內擁擠嘈雜的工作環境等，均會影響公交駕駛員的駕駛行為。然而，現有駕駛行為量表主要針對私家車駕駛行為，尚無真正反映公交駕駛環境的公交駕駛行為量表。本研究擬在鄭東鵬等[12]的中國版DBQ的基礎上，通過與公交駕駛員、車隊隊長等相關人員深度訪談，刪除不適合公交駕駛環境的題項，新增符合公交運行場景的題項，并檢驗其在國內公交駕駛員群體中的信效度和有效性，形成符合我國公交駕駛環境的專用量表。

2 量表編制與數據采集

2.1 量表設計

為充分反映公交駕駛員的駕駛行為特征，通過與公交企業運營安全部門負責人、車隊隊長及5名15年公交駕齡的駕駛員進行深度訪談，刪除中國版DBQ中的“在高速路上超速行駛”、“對剛駛過的道路記憶模糊”、“本想去目的地A，結果發現自己在通往目的地B的路上”等與公交駕駛環境不符或發生概率極低的題項；新增“門未關好起步或車未停穩開門”、“未到站上下客”、“高速進出站”等公交特有的駕駛場景。初步確定27個題項的預調查量表，其中18個題項來自中國版DBQ，9個新增題項來自本次訪談。采用李克特5級計分形式，1-5分別代表：從未發生、偶爾發生、有時發生、經常發生和總是發生。邀請25位西安市公交駕駛員對量表所有題項進行預調查，對公交駕駛員普遍認為的語義表達不清、不易理解、易產生歧義的題項予以修改，確保各題項內容的表述清楚、準確、易懂。

2.2 數據采集

以西安市某公交公司的在職公交車駕駛員為調查對象，通過問卷星平臺獲取調查數據，告知調查為匿名且調查結果只為研究分析所用，以便被調查者能夠較好地配合并如實作答。調查時間為期一周，共回收問卷438份，剔除所有題目答案為同一選項的69份，有效問卷369份。其中，男性349名(94.57%)，女性20名(5.43%)，性別比例符合公交行業從業情況；年齡：22-25歲2.65%，26-35歲34.27%，36-45歲43.61%，46-60歲19.47%；公交駕齡：0-3年30.69%，4-10年35.67%，11-20年30.22%，21年以上3.43%；受教育程度：初中及以下15.58%，高中或中專61.68%，大專18.85%，本科及以上3.89%。此外，本次調查還包括平均每日駕駛時長、平均每日睡眠時長以及近3年發生是否發生公交事故等信息的采集。

3 數據分析

3.1 項目分析

使用SPSS26.0對各題項與總量表得分進行相關性分析。以各題得分與量表總分之間的相關系數均達到r>0.3，且相關必須達到顯著水平(P<0.01)，作為題目的區分度指標依據[15]。刪除相關系數為0.29的第3題后，結果如表1所示，各個題目與總量表得分的相關系數在0.32～0.67之間，且均達到顯著水平，表明剩余的26個題項全部滿足統計學意義，可全部保留做進一步分析。

表1 公交駕駛行為量表題總相關分析

3.2 探索性因素分析

對經過項目分析篩選后符合要求的26個題項，使用SPSS26.0進行探索性因素分析。采用主成分分析和正交旋轉，得到取樣適切性量數(Kaiser-Meyer-Olkin Measure of Sampling Adequacy，KMO)為0.901，且巴特利特球形檢驗結果達到顯著性水平(P<0.001)，說明量表數據具有統計學意義，適合進一步做探索性因素分析。提取特征根>1的公因子4個，累計方差貢獻率為55.98%。考慮同時滿足提取因子的可解釋性、避免某一因子低于3道題、每個題目共同度大于0.4、因子載荷大于0.4等約束，經過反復對比，刪除8個題項。

對剩余的18個題項再次進行主成分分析，KMO為0.88，巴特利特球形檢驗達到顯著性水平，表明具有統計學意義，可進一步做主成分分析。分析結果表明，共有4個因子的特征值大于1，且碎石圖顯示，從第5個因子開始，曲線變平緩，因此，提取4個因子比較合適。因子結構及載荷如表2所示，因子包括5個題目，可解釋總方差的32.18%。該因子下的各題項均屬于在駕駛活動過程中，對接收到的信息判斷和加工處理過程出現錯誤而引發的不良行為，因此命名為錯誤駕駛；因子2包括5個題目，解釋了總方差的9.30%，均是公交駕駛員未遵守公交企業規定的安全服務準則的行為，因此命名為失誤駕駛；因子3包括5個題目，解釋了總方差的8.36%，均屬于故意偏離行車系統安全準則要求的行為，因此界定為違規駕駛(violations)；因子4包括3個題項，解釋了總方差的6.13%，因為均對其他交通參與者造成潛在的安全駕駛威脅，因此命名為攻擊駕駛。以上4個因子累積方差解釋率為55.98%。

表2 公交駕駛行為問卷因子及載荷值(去掉小于0.4的載荷值)

3.3 信度分析

已有研究表明，Cronbach's α系數達到0.7以上，則認為該量表各題目之間的一致性較好，測量結果可靠。修訂后的公交駕駛員駕駛行為量表Cronbach's α系數見表3。總量表的Cronbach's α系數為0.87， 4個維度的內部一致性系數范圍為0.72-0.79，表明編制的公交駕駛員駕駛行為量表具有良好的信度。

3.4 效度分析

根據探索性因子分析的結果，采用皮爾遜相關分析對新編制的公交駕駛員駕駛行為量表中的4個因子與總量表之間進行相關性檢驗，結果見表3。由表3可知，各因子與總量表的相關性達到顯著性水平，即4個因子所測內容與總量表所測內容之間具有較高的一致性，說明編制的公交駕駛員駕駛行為量表的內容效度較好。

表3 量表各因子與總量表得分之間的相關性

3.5 驗證性因素分析

運用AMOS25.0對公交駕駛行為量表進行驗證性因子分析，結果見表4。與三因子和單因子相比，4因子模型擬合結果最優，χ2/df的值為2.02，<3，適配理想；RMSEA為0.05，<0.06，適配理想；GFI為0.93，>0.9，結果適配良好；AGFI為0.90，>0.9，結果適配良好；CFI為0.93，>0.9，結果適配良好；IFI為0.94，接近0.9，結果適配良好；TLI為0.92，>0.9，結果適配良好。表明編制的公交駕駛行為量表4因子模型適配良好。

表4 公交駕駛行為驗證性因子分析擬合指標

4 量表的有效性與適用性檢驗

為進一步檢驗編制的公交駕駛員駕駛行為量表的有效性與適用性，對各因子得分差異、人口學變量與各因子及總量表之間的相關性檢驗、駕駛員自我報告的近3年是否發生過公交事故與4個因子進行獨立樣本t檢驗。

4.1 各因子得分

根據調查數據，編制的公交駕駛員駕駛行為量表中各因子的平均得分，錯誤駕駛為1.24，失誤駕駛為1.40，違規駕駛為1.16，攻擊駕駛為1.38。公交駕駛員在失誤駕駛的平均得分最高，其余依次攻擊駕駛、錯誤駕駛和違規駕駛。說明公交駕駛員在失誤駕駛與攻擊駕駛因子所表征的駕駛環境下，發生不良駕駛行為的可能性更高。

4.2 人口學變量與駕駛行為

對公交駕駛員年齡、公交駕齡、教育程度、日均駕駛時間、日均睡眠時間與4個因子進行皮爾遜相關性分析，結果見表5。公交駕駛員的年齡與錯誤駕駛、違規駕駛和攻擊駕駛以及總量表均顯著負相關，表明駕駛員的年齡越大，發生錯誤駕駛、違規駕駛與攻擊駕駛的概率越低。公交駕駛員的受教育程度與攻擊駕駛顯著正相關，表明駕駛員的受教育程度越高，其發生攻擊性駕駛的可能性越大。日均駕駛時間與失誤駕駛顯著正相關，表明公交駕駛員平均每日駕駛工作時間越長，發生失誤駕駛的可能性越高。公交駕駛員的日均睡眠時間與失誤駕駛、違規駕駛顯著負相關，表明駕駛員每日睡眠時間越短，出現失誤駕駛、違規駕駛的可能性越高。

表5 人口學變量與駕駛行為量表的相關性

4.3 駕駛行為與交通事故

采用獨立樣本t檢驗分析公交駕駛員近3年發生過公交事故與未發生交通事故在4個維度的平均得分，結果見表6。

表6 近3年是否發生交通事故在量表中的差異

結果表明，發生與未發生交通事故在錯誤駕駛、違規駕駛與攻擊駕駛上具有顯著性差異。錯誤駕駛方面，發生過交通事故的均值為1.34，未發生交通事故均值為1.19，且通過了顯著水平為0.001的顯著性檢驗；在違規駕駛方面，發生過交通事故的均值為1.22，未發生交通事故的均值為1.13，通過了顯著水平為0.05的顯著性檢驗；攻擊駕駛方面，發生過交通事故和未發生交通事故的公交駕駛員的均值分別為1.44和1.35，通過了顯著水平為0.01的顯著性檢驗。以上表明近3年發生交通事故的公交駕駛員，發生違規駕駛、錯誤駕駛與攻擊駕駛與交通事故的發生顯著相關，與Lawton等、鄭東鵬等的研究結果一致。

5 討論

雖然涉及公交車輛的交通事故較少，但一旦發生都會帶來巨大的人員傷亡(例如，2018年重慶萬州公交墜江造成15人死亡，2020年貴州安順公交墜湖造成21人死亡)，社會影響極大。公交駕駛行為對于公交事故的預防和發生具有重要作用[15]。與私家車駕駛員相比，公交駕駛員因每日駕駛時間長、數年駕駛在同一條線路、面對大量乘客等，駕駛環境與駕駛行為有顯著差異。因此，很有必要編制公交駕駛員駕駛行為量表。在借鑒鄭東鵬等修訂的中國版DBQ的基礎上，充分考慮了公交駕駛員的工作環境與工作規范要求，刪除不符合公交駕駛環境的題項，新增公交駕駛特有的駕駛行為考核題項，形成了27題的初始量表。通過對采集的369份有效樣本的項目分析、探索性因子分析、驗證性因子分析等，結果表明18個題項的4因子(錯誤駕駛、失誤駕駛、違規駕駛與攻擊駕駛)量表具有良好的信效度，可解釋總方差的55.98%。

公交駕駛員發生不良駕駛行為的頻率不高，很大可能由于公交企業對于駕駛員實行嚴格的安全監管，定期對駕駛員進行安全教育，通過視頻監控及現場抽檢等方式對公交駕駛過程中違反公司規定的異常駕駛行為實施嚴格的處罰制度，因此，公交駕駛員較其他駕駛員具有較好的駕駛行為規范。公交駕駛員的失誤駕駛平均得分最高，其余依次為攻擊駕駛、錯誤駕駛和違規駕駛。造成以上現象的主要原因在于，公交駕駛員保持單一姿勢日均駕駛時間長，容易出現失誤駕駛；因受到乘客與車外交通主體的多重影響，極易誘發攻擊駕駛；公交駕駛員在上崗前進行嚴格的駕駛技術培訓與崗前培訓，駕駛員熟練掌握崗位操作流程及具備良好的駕駛技術水平，因此公交駕駛員錯誤駕駛頻率低；公交駕駛員一旦出現違規駕駛行為，除較高的罰款外，一律停班下崗學習，培訓合格后才可上崗，所以駕駛員發生違規的可能性較低。

公交駕駛員的年齡與錯誤駕駛、違規駕駛和攻擊駕駛以及總量表均顯著負相關，說明隨著年齡的增長，駕駛員的錯誤駕駛、違規駕駛與攻擊駕駛會逐漸減少，公交企業應加強年輕駕駛員在錯誤駕駛、違規駕駛與攻擊駕駛方面的教育培訓。公交駕駛員的受教育程度與攻擊駕駛顯著正相關，表明應加強對高學歷駕駛員的攻擊性駕駛行為管理。日均駕駛時間與失誤駕駛顯著正相關，表明可以從減少駕駛員的工作時長來降低失誤駕駛行為的發生，同時應限制部分駕駛員的加班要求，防止因疲勞駕駛導致的失誤駕駛行為。公交駕駛員的日均睡眠時間與失誤駕駛、違規駕駛顯著負相關，需要督促、提醒駕駛員保持充足的睡眠，以減少因睡眠不足引起的失誤駕駛與違規駕駛。

近3年發生交通事故的公交駕駛員，發生違規駕駛、錯誤駕駛與攻擊駕駛的次數高于未發生事故駕駛員，與Lawton、鄭東鵬等人的研究結果一致。公交企業必須對駕駛員進行嚴格的教育培訓，有針對性的開展公交駕駛員安全教育，減少不良駕駛行為的發生頻率，進而降低交通事故率，保障城市公共交通安全。

6 結論

(1)本文編制的公交駕駛員駕駛行為量表由18個題項組成，分為錯誤駕駛、失誤駕駛、違規駕駛與攻擊駕駛4個因子。

(2)編制的公交駕駛員駕駛行為總量表內部一致性系數為0.87，各分量表內部一致性系數在0.72～0.79之間，具有較好的穩定性。4個因子與總量表之間的相關系數在0.67～0.77之間，P<0.05，表明該量表具有較好的效度。

(3)公交駕駛員不良駕駛行為發生頻率由高到低依次為，失誤駕駛、攻擊駕駛、錯誤駕駛與違規駕駛。

(4)近3年發生過交通事故的公交駕駛員，在違規駕駛、錯誤駕駛與攻擊駕駛3個因子上得分偏高，與Lawton、鄭東鵬等的研究結果一致。證實了編制的公交駕駛行為量表符合我國公交駕駛環境，且具有較好的有效性與適用性，可作為公交企業評估公交駕駛員駕駛行為與公交駕駛行為研究的有效測量工具。