电动自行车风险驾驶行为及事故机理研究

摘要

经过十余年的发展，在国内很多城市电动自行车的数量已经超过机动车和自行车成为城市道路上最主要的交通工具。但是，由于目前电动自行车超标严重，安全性能无法保障，而国内又缺乏针对电动自行车的相关道路设计、安全管理及安全教育措施和手段，造成电动自行车安全问题日益突出，给城市交通管理、交通安全保障带来了新的挑战和巨大压力。
　　针对电动自行车快速发展带来的大量交通安全问题以及交通管理、交通设计对电动自行车风险驾驶行为和交通事故研究的迫切需求，本文依托国家基金重点项目《演变中的城市现代道路交通系统集成设计基础理论与方法》（基金号:51238008）以及国家自然科学基金青年项目《信控交叉口混合非机动车群体过街行为机理及通行效率研究》（基金号:51408145）以揭示电动自行车风险驾驶行为及事故机理为目标，在道路交通事故数据采集和风险驾驶行为问卷调查的基础上，分别对电动自行车事故严重程度的显著影响因素和风险驾驶行为潜在因子结构及发生机理进行了分析研究，并在此基础上，建立了揭示事故中人为因素和外部环境因素的共同作用事故预测组合模型。论文的研究成果和结论总结:
　　(1)电动自行车事故影响因素研究
　　为了保证事故信息的完整性，逐条采集了2365起电动自行车交通事故数据用于研究，运用有序Logit模型估计电动自行车交通事故的分布概率，并引用弹性分析定量鉴别电动自行车事故严重程度的显著影响因素。研究发现电动自行车驾驶者性别、年龄、交通管控方式、道路中央隔离形式、机非隔离形式、机动车类型、照明情况、事故责任方、违规行为、机动车驾驶行为、电动自行车驾驶行为等11个因素与电动自行车事故严重程度显相关。
　　(2)电动自行车风险驾驶行为量表及因子分析
　　设计了适合我国国情的电动自行车风险驾驶行为量表(ERBQ)，通过跟踪调查和随机抽样两种方式进行了问卷调查，共获取了573个有效样本，利用调查样本对电动自行车驾驶者“风险感知”、“驾驶信心”、“安全态度”、“风险驾驶行为”等4个构面分别进行了探索性因子分析，同时为了避免平均值的缺点，本文利用因子得分对不同属性电动自行车驾驶者因子差异性进行了分析。取得主要结论包括:1）电动自行车驾驶者风险感知由“危险程度”、“担忧程度”、“机率评估”3个因子构成最合适;2）安全态度构面可由“交通规则态度”、“安全责任态度”、“从众心理”3个因子构成;3）驾驶信心构面可由“技术能力”、“判断能力”2个因子构成;4）风险驾驶行为构面可由“疏忽及失误”、“违规行为”、“逞强行为”、“获取领先”4个因子构成。
　　(3)电动自行车风险驾驶行为模式研究
　　利用问卷数据，通过相关性分析和回归分析，初步判断因子之间关系。在此基础上构建了电动自行车风险驾驶行为结构方程模型，通过对模型进行修正，最终得到了包含5条路径的电动自行车驾驶者风险行为结构方程模型。采用K均值聚类法对电动自行车驾驶者进行了聚类分析，并建立了各类驾驶群体风险驾驶行为机理模型。取得主要结论包括.:1）驾驶信心-风险感知、风险感知-安全态度、驾驶信心-安全态度、安全态度-风险行为、风险感知-风险行为路径系数显著，而驾驶信心-风险驾驶行为路径不显著;2）真正影响驾驶者的风险感知的关键因素在于，驾驶者认为这种危险并不适用于或并不会发生在他们身上，而非对某一行为危险程度的认知;3）相对而言驾驶者长期积累起来的对行为、环境判断自我肯定的判断信心比技术能力信心对驾驶信心的影响更大;4）电动自行车驾驶者可以分为行动型、焦虑型、内敛型、消极型等4个驾驶集群;5）行动型群体风险行为受驾驶信心的影响最为强烈，盲目型群体风险行为要受到风险感知过低的影响，消极型群体风险驾驶行为可能倾向在保证自身安全的情况下进行危险行为，内敛型群体机率评估和从众心理对风险行为仍有显著影响。
　　(4)基于决策树和结构方程的电动自行车事故预测
　　根据电动自行车事故影响因素和风险驾驶行为研究结果，提出了由交通事故反映模型、事故影响因素构成模型以及决策树模型组成的电动自行车事故预测组合模型(PLS-CART)，并给出了组合模型计算的详细步骤和方法。利用事故数据和行为量表数据对建立的PLS-CART模型进行了试算和评估，结果显示PLS-CART模型具有解释变量之间的非线性关系和交互作用能力，与传统的线性计模型相比预测能力均有显著提升，与Neural-SM等神经网络模型相比其结果更具有解释性和干预性。取得主要结论包括:1）对电动自行车事故影响重要性依次为风险行为倾向、电动自行车驾驶者属性、外部环境;2）当风险行为倾向得分大于0.737且电动自行车驾驶者属得分大于0.853，则电动自行车事故得分将达到0.719;3）变量之间的交互作用解释了57.1％，结果表明人为因素和环境因素的共同作用对事故的影响相对单方面的因素作用更加重要。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 研究现状

1．2．1 道路交通事故分析

1．2．2 风险驾驶行为模式

1．2．3 电动自行车研究综述

1．2．4 研究现状小结

1．3 研究目标和内容

1．3．1 研究目标

1．3．2 研究对象

1．3．3 研究内容

1．4 研究方法和技术路线

第二章 电动自行车事故影响因素研究

2．1．1 国内道路交通事故数据现状

2．1．2 电动自行车交通事故信息

2．2 电动自行车事故统计分布特征分析

2．2．1 事故类型特性

2．2．2 电动自行车驾驶者属性和行为

2．2．3 事故道路条件和环境

2．3 电动自行车事故严重程度影响因素分析

2．3．1 有序Logistic回归分析理论

2．3．2 电动自行车事故严重程度预测模型

2．3．3 电动自行车事故严重程度影响因素分析

2．4 本章小结

第三章 电动自行车风险驾驶行为量表及因子分析

3．1 风险驾驶行为量表设计

3．1．1 量表设计

3．1．2 样本量及问卷有效性控制

3．1．3 跟踪调查

3．1．4 随机调查

3．1．5 样本描述性统计

3．2 探索性因子分析

3．2．1 因子分析

3．2．2 安全态度

3．2．3 风险感知

3．2．4 驾驶信心

3．2．5 风险驾驶行为

3．4 基本信息变量对各因子的影响分析

3．4．1 因子得分的计算

3．4．2 籍贯、性别差异比较

3．4．3 驾龄、年龄差异比较

3．4．4 受教育程度差异比较

3．4．5 机动车驾驶经验、车辆类型差异比较

3．4．6 出行目的和频率差异比较

3．5 本章小结

第四章 电动自行车风险驾驶行为模式

4．1 结构方程模型理论

4．1．1 结构方程模型

4．1．2 结构方程模型分析过程

4．2 电动自行车风险驾驶行为回归分析

4．2．1 因子相关性分析

4．2．2 风险驾驶行为回归分析

4．3 风险驾驶行为结构方程模型

4．3．1 理论模型假设

4．3．2 模型拟合与修正

4．3．3 风险驾驶行为路径分析

4．4 电动自行车驾驶者聚类分析

4．4．1 电动自行车驾驶者聚类

4．4．2 各群体风险驾驶行为分析

4．4．3 各群体风险驾驶行为影响模式

4．5 本章小结

第五章 基于决策树和结构方程的电动自行车事故预测

5．1 基于决策树和结构方程的事故预测组合模型

5．1．1 模型框架

5．1．2 模型构建流程

5．1．3 数据处理

5．1．4 基于决策树的结构方程建模

5．1．5 贝叶斯神经网络的结构模型

5．2 电动自行车事故预测实例分析与评估

5．2．1 基于决策树和结构方程模型计算

5．2．2 模型评估及分析

5．3 本章小节

6．1 研究成果与结论

6．2 主要创新点

6．3 研究局限及展望

致谢

参考文献

附录

攻读博士学位期间发表科研成果及参与科研课题情况