文摘

本研究旨在揭示电动自行车骑手的潜在关系个人特征和非法占领机动车车道。为此,进行了问卷调查和350个有效的副本响应从电动自行车骑手检索。根据机动车车道被占,非法占领的冒险行为划分为四个区间:间隔A, B, C, d分解理论有很高的适应性分析的个体交通行为。在这项研究中,采用多项logit模型,八个人特征的电动自行车骑手被选中。上述四个间隔的四个选择四肢,和测量模型计算个人特征对非法占领的行为的影响。弹性理论来分析各影响因素的敏感程度。结果表明,弹性的绝对值所有测试的影响因素,包括年龄,教育程度,和眼睛的视力,小于1.000。然而,在四个区间,弹性骑手的气质是1.203,1.656,1.554,和1.355,分别和弹性的水平为2.782,3.883,3.453,和2.932,分别。

1。介绍

电动自行车被定义为整车的质量不得超过55公斤,速度不得超过25公里/小时,和电机功率400 W。加强骑能力的要求和必须脚骑装置,防篡改,防火设备,防水能力,充电保护装置等。1]。

近年来,中国许多大型和中型城市见证了电动自行车的流行每日运输由于其低成本、方便和灵活性骑的1- - - - - -4]。与北美和欧洲不同,电动自行车已经成为最受欢迎的交通方式之一,例如,日常通勤,而不是仅供休闲。中国自行车协会(5),在2017年,报告说,电动自行车所有权在中国达到2.5亿。电动自行车的年产量是3097万年,出口量是730.1万年的出口价值14.4亿美元。在一些城市,如南宁、海口、昆明、桂林,电动自行车的数量已经远远超过传统的自行车(1,3- - - - - -5]。例如,电动自行车在南宁市区超过180万6]。南宁是中国城市数量最多的电动自行车,因此被称为“城市电动自行车。显然,电动自行车已经成为重要的交通工具(7,8]。

尽管如此,电动自行车的数量快速增长引发了一系列的安全问题。除了传统的自行车骑手和行人,电动自行车骑手也是一个弱势群体。因为他们的旅行速度快,电动自行车也有高风险的严重事故。根据2015年中国统计年鉴对道路交通事故,电动自行车事故是自行车事故的8.2倍和5.4倍,行人事故的9,10]。从1月到2016年6月,江苏电动自行车事故的数量占全国总数的70% (11]。此外,电动自行车事故住院相关数据也暗淡。合肥的电动自行车骑手的住院记录从2009年到2011年,三分之一的电动自行车骑手(受重伤1,2,12]。根据苏州的住院记录从2010年10月到2011年4月,电动自行车事故中受伤的人数占所有的57.2%,因道路交通事故住院(12]。严重性和电动自行车事故的数量增加了。据统计(13,14由于全国电动自行车),死亡的人数在2011年和2016年,73年和1305年分别显示在5年内增长了78.02%。电动自行车事故中受伤的人数是8532年和16944年,分别,这是一个增加了14.71%。鉴于这样的频率和严重性,广州、深圳、温州、福州已经禁止或限制电动自行车的使用3,4,8,10,14- - - - - -18]。基于事故数据的统计分析和原因,任et al。17)提出一个分类成12骑的危险行为:非法占领的小巷,骑在相反的方向,骑马闯红灯,超速,酒后骑,拐角处转弯速度快,突然横穿马路,并行骑,骑在打电话,与音乐骑,骑在聊天,和别人骑在自行车上。结果表明,与他人非法占领车道和骑自行车相关概率最高的交通事故。

电动自行车骑的安全问题引起了越来越多的关注,需要之间的关系需要理解个人骑电动自行车骑手和风险行为的特点,尤其是个人特征和非法占领车道之间的关系。本研究试图降低电动自行车事故的发生概率,提高电动自行车骑手的安全意识。结果阐明改善道路交通安全,减少交通事故。

2。文献综述

问卷调查(1- - - - - -3,18- - - - - -28和视频捕捉16,29日- - - - - -32)是两种最常用的方法在本研究收集数据骑电动自行车的危险行为。通常问卷设计的基于光的先前行为研究摩托车和摩托车骑手和汽车司机。大多数研究项目使用轻型摩托车骑手行为问卷设计的姚明和吴(18)、摩托车骑手行为问卷设计的Steg和布鲁塞尔22),中国骑行为问卷设计的艾略特et al。23]:(1)问卷调查方法已广泛应用于交通安全研究驾驶行为的收集信息,安全态度,风险感知18,21- - - - - -28]。例如,马等。21)检查电动自行车骑手的个体特征之间的关系及其使用方法,摄取骑速度。姚和吴18]研究了电动自行车事故所涉及的风险因素之间的关系基于问卷调查和确定安全态度,风险感知和异常骑行为。Steg和布鲁塞尔22)开发了一种轻型摩托车骑手行为问卷调查和确认错了,之间的差别问题,违法行为的摩托车骑手在荷兰。艾略特et al。23)开发的摩托车司机行为问卷(DBQ)和英国交通错误标识之间的差异控制错误,速度违反和特技和摩托车的安全使用。类似的研究也被发现在24- - - - - -27]。原因等。28]提出的逻辑框架,评估异常骑DBQ行为和设计,这三种类型的行为之间的分化:错误的行为(行动计划未能实现预期效果),错误的行为(偏差行为意向的意图),和非法行为(故意偏离正常安全的行为或社会公认的行为准则)。的修订版本DBQ也被用于研究两轮车乘客的异常行为,例如,摩托车骑手和轻型摩托车骑手。(2)视频捕捉方法使用电子监控设备在公路和观察骑电动自行车骑手的行为和特征。这种方法被大量的数据了。周et al。16)使用中国电信全球眼网络视频监控技术获取实时视频数据的电动自行车在宁波。电动自行车的主要影响因素等耐力时间乘客被观察到。发现天气,有或没有一个人行过道,执法的交警有最大的影响力。Konstantina [29日]观察90000电动自行车骑手在6监测站点在爱荷华州和研究道路状况的影响,地理位置,天气使用头盔的车手之一。Truong et al。30.]观察26000摩托车和电动自行车用户和得出结论,使用手机而骑摩托车类型和年龄有关。欢et al。31日]使用视频监控数据在各个路口建立模型,分析了影响因素的冲红灯等待耐力时间和行为电动自行车骑手在十字路口。他们发现较小的电动自行车骑手的数量或十字路口的机动车数量越大,频率越低冲红灯的车手之间的行为。杜et al。32)执行18000十字路口的电动自行车骑手在苏州的观察和总结了风险骑行为。

许多危险的骑行为被认为电动自行车骑手之一。电动自行车骑手之间的交通违章行为是普遍的。异常骑行为通常包括非法占用车道(图1),超速行驶,冲红灯,骑在一个相反的方向,和与别人骑电动自行车。例如,Du et al。12)专注于电动自行车骑手的骑行为和报道,与别人骑电动自行车,非法占领的小巷,冲红灯,骑在一个相反的方向,和打电话而骑马骑的危险行为。赵et al。33调查了冒险骑电动自行车骑手的行为和在金华进行了为期4天的调查,中国。结果表明,超速,和别人骑电动自行车,冲红灯,骑在相反方向的主要风险骑行为。吴et al。34驾驶行为之间的关系进行了研究,基于调查数据的年龄和性别。发现年轻人和中年人更容易冲红灯与老年人相比,男性有较高的概率比女性冲红灯。这是尤其是男性乘客的电池汽车更高的动态性能。斯奇et al。35)表明,电动自行车事故的严重性远远超过普通的自行车事故。

此外,修正后乘客的年龄,性别,和自行车使用频率,电动自行车骑手更容易被卷入了一场严重的交通事故。Petzoldt et al。36]研究之间的区别普通自行车和电动自行车交通冲突通过80名志愿者。两者之间微不足道的差异报告,但在十字路口,交通冲突的数量涉及电动自行车是普通自行车的两倍。此外,旅行速度更高的电动自行车在交通冲突,和交通事故的概率也更高。电动自行车骑手是一个新兴的交通人口和其他道路使用者需要更多时间适应它。约翰逊和玫瑰(37)对电动自行车进行了一项在线调查中使用超过65岁的老年人在澳大利亚。发现老年人更熟悉电动自行车使用的安全知识和骑马,84.1%的老年乘客没有参与任何电动自行车事故。胡锦涛et al。(15]在合肥电动自行车交通事故影响因素讨论。结果表明,乘客的年龄,性别,和类型的电动自行车交通事故产生了重大影响。樱桃等。38]分析了电动自行车骑手的违法行为,发现超速行驶,冲红灯,重载交通事故的主要原因。此外,电动自行车交通事故的高频率是密切相关的电动自行车上失去控制而获取到路上。例如,邢et al。39)进行了路边的危险行为观察电动自行车骑手在安徽的一个城市。他们发现,乘客平均旅行24公里/小时的速度在不同的时间间隔在一天内,74.60%的乘客有一个旅行超过20公里/小时的速度。周et al。16]研究了电动自行车非法穿越十字路口的红灯。的影响进行了分析。结果表明,三个因素,即天气,行人人行横道的长度,也没有交警执法,等待持续时间的影响最大。

综上所述,广泛的研究(1- - - - - -3,18,21,40- - - - - -43)都是在骑电动自行车骑手的行为进行的,这有助于骑电动自行车的安全。然而,更少的研究有关个人特征之间的关系进行了电动自行车骑手和高风险的行为,特别是非法占领车道。然而,许多交通事故是由于非法占用车道的电动自行车骑手,和这种行为造成巨大威胁乘客的生命和财产安全(12,18,21,31日,33,44]。本研究分析了乘客的个人特征是否与非法占用车道的直接相关。分解理论,和测量模型来评估每个乘客的个人特征的影响对非法占领的车道。各影响因素之间的关系和非法占领车道是量化,并进行敏感性分析。进行一个系统的影响程度和机制,研究个人心理的影响和心理属性的骑手骑行为从交通心理学的角度进行了分析。本研究可以丰富系统理论在电动自行车骑手和为控制奠定理论基础的行为非法占领车道。这将进一步促进骑电动自行车骑手的安全性和效率。

3所示。数据收集和处理

3.1。数据收集

3.1.1。调查设计。一份调查问卷设计电动自行车骑手的个人特征。然后,在交警的帮助下,收集的数据采样。具体过程如下:的旅行速度(即样本。电动自行车骑手)收购雷达速度检测器。然后,下游200米以外的路段,电动自行车骑手被迫停止在交警的帮助下。这个骑士然后了解问卷调查的目的,收到了问卷。如果骑手不合作,样品是下降了。路部分调查是双向六车道的道路;公交车站和十字路口是避免减少其他交通的影响因素对电动自行车骑手。实际路况和路段的长度选择的调查图所示2。

人口统计信息包括性别、年龄、驾车年龄和教育水平。参与者还被要求报告他们的性格,职业,能力,和眼睛的视力。

3.1.2。速度选择行为。根据电动自行车安全技术规范的要求(45),电动自行车的行驶速度超过25公里/小时城市道路被认为是超速。因此,选择样本的超速限速设置为25公里/小时。更合理的个人特征的影响研究乘客的行为非法占领的车道基于调查数据,车道占领被分为四类:nonmotor车辆车道,机动车车道,第二机动车道,第三和更高的机动车道,每一个由间隔A, B, C和D,分别。因此,乘客的数量占据不同的车道计算。特定的间隔划分图显示在表中1。车手之间的关系的个人特征、旅行速度和占领机动车车道使用调查数据进行了讨论。要做到这一点,电动自行车骑手的平均旅行速度收购相关路段。根据限制电动自行车骑手的旅行速度和实际速度分布数据的路段,乘客的旅行速度被划分为四个区间,即0-15,15 - 25、25 - 35,35公里/小时以上,这是由A, B, C和D,分别。使用调查数据,乘客的数量在每个速度区间和平均旅行速度计算。

四个间隔,A, B, C, D,对应于不同车道的职业行为,四肢选择的模式,的值是0,1,2,3,分别。个人特征作为巷职业的选择行为的影响因素进行评估和确认,如表所示2。

3.2。数据处理

调查的主题是电动自行车骑手,总共有352份反应检索。其中,350份筛选后被发现是有效的。据统计,311年是男性乘客(88%)和41是女性乘客(12%)。他们在18 - 61岁,他们都有1年多的驾驶年龄。电动自行车骑手的个人特征统计如表所示3。

数据平均旅行速度和特定航线的电动自行车骑手如表所示4和5,分别。

3.3。信度和效度测试

3.3.1。可靠性测试

可靠性测试可以反映出问卷调查的数据来源的可靠性和正式的数据分析之前被认为是一个不可或缺的步骤。调查数据的可靠性越高,更可靠的数据分析得出的结论。可靠性测试的结果通常是由三个指标,即量表的阿尔法,格特曼的系数和分半系数。在这项研究中,所使用的问卷中有些物品以多种方式得分,所以问卷的内部一致性是克伦巴赫的评估 : 在哪里问卷中包含的是物品的数量;方差的分数吗我th项(测量值);和是总问卷得分的方差。可靠性测试的增加内容如下:注意可靠性系数密切相关的条目的数量的规模;商品的数量越多,越可以接受的可靠性。规模约为10个问题,如果系数达到0.7,可靠性好46]。

SPSS 19.0软件是用于验证问卷调查数据的可靠性。发现克伦巴赫α是超过0.807的三个潜在变量,即骑熟练程度,职业,和气质。八个变量的整体可靠性为0.722,表明问卷的可靠性很好;也就是说,整体设计的问卷是可以接受的。

3.3.2。有效性测试

有效性包括内容效度、效标效度和建构效度,结构效度是衡量实践和理论之间的协议的程度。因子分析是最常用的方法,说明建构效度。然而,许多问题在现实中不仅涉及多个变量,而且错综复杂的变量之间的连接。最好的方法是提取几个综合变量包含原始变量的大部分信息。此外,这些综合变量应该是相互独立的。因子分析是一种理想的方法获得合成变量,这样多个变量之间的关系可以描述使用一些因素。变量描述通常实际上观察到的随机变量,而合成的变量是不可见的。在实际应用程序中,这些因素被称为共同的因素。乘客的个人特点确定的问卷调查有关非法占领车道符合因素分析发现的常见因素。

因子分析的起点是代表大多数的信息包含在原始变量由相互独立的变量,它可以表现出下列数学模型(46]: 在哪里 是p原始变量,标准化变量0均值和标准偏差的1; 是米因子变量;和米小于p。这可以用下面的矩阵形式表示: 在哪里是一种常见的因素,代表米在高维空间相互垂直的坐标轴,因子载荷矩阵,加载的我原始变量jth因素变量。

有效性测试的内容如下:(1)的因子分析的步骤确定原始变量分析是否适合因素分析;(2)构建因子分析;(3)利用旋转方法使因子变量更可判断的;(4)计算因子得分。

在调查问卷的效度考验,Kaiser-Meyer-Olkin (KMO)衡量抽样充足率和巴特利特球形试验进行确定调查问卷数据适合进行因子分析。KMO测量的值为0.689,大于0.50,和团体为0.00,小于0.05,表明问卷适合因素分析。主成分分析是常用的因子分析测试问卷的结构效度。主要常见的因素从问卷中提取。存在三个主成分的特征根大于1,和这三个主成分的贡献比例为29.194%,20.376%,和12.423%,分别。累计贡献率为61.994%,表明潜在的变量筛选通过测试有很高的建构效度。

4所示。建筑的行为选择模型和行为选择

4.1。分解模型

Logit模型是一种特殊形式的广义线性回归模型。数据模型本身几乎没有限制条件。自变量可以连续变量或不必要的或有序分类变量,该变量并不是需要满足正态分布。目前,常用logit模型二项分对数回归模型,条件分对数回归模型,下令logit回归模型和多个分类有序分对数回归模型。其中,序数logit模型是二项logit模型的扩展,于1980年由McCullagh提出分析因变量是有序分类变量的数据。许多研究发现,对于有序分类数据,二项logit模型而不是命令logit模型只能达到50% - -70%的测试效率,这表明,多个分类有序logit模型在处理分类变量数据有很好的效果(23- - - - - -27]。

个人数据用于模型建设和校准时应用分解理论分析个体交通行为。从1970年代至今,分解模型已广泛应用于交通领域和丰富的成果22- - - - - -26,47- - - - - -51]。与分解模型认为,旅客可以选择运输方案的最大效用。效用函数,分为固定和随机部分,表达如下: 在哪里 的效用函数是我选择的方案nth旅行者;固定期限的吗 ; 是随机的 ; 特定数量的属性变量;的参数值是kth变量;和的价值吗k的属性变量我选择的方案n旅行者。

在上述分解模型,当服从双指数分布和多元正态分布,分别分对数和probit模型可以建立。电动自行车骑手在交通系统的主要参与者通常显示交通选择行为,很难准确捕捉,从而导致随机性变化的交通系统。当电动自行车车手选择占用机动车道,个人和环境因素负责塑造这样一个选择。然而,环境因素产生类似的影响在所有乘客,而非法的行为选择车道占领显示组件。这主要是由于不同的看法关于环境因素对乘客的一部分。即乘客开发不同的感知和占领不同车道甚至在相同的环境中。因此,个人特征最具决定性影响的行为非法占用机动车道。传统模型无法反映骑的双重特性的不连续性和非线性行为源于乘客的个人特征。相比之下,分解模型特别是目标这些特性和高度适应性。此外,占用机动车道的行为选择的骑士经过综合考虑多种因素,试图获得最大期望效用。 This conforms to the initial assumption of the disaggregate theory. Therefore, a disaggregate model was applied to analyze the riding behavior selection of e-bike riders.

4.2。骑士的行为选择模型的建设

骑手的非法巷职业行为选择模型构建基于多项式分对数(MNL)理论和电动自行车骑手的有效数据的个人特征。基于一个MNL模型的基本形式,服从双指数分布是相互依赖。然后,的概率nth骑士选择我th的行为非法巷占领表达如下: 在哪里是目前可选择行为的总数;的概率是nth骑士选择我th行为;随机效用函数的词吗nth骑士选择nth方案;和效用函数的固定期限吗为nth骑士选择我方案。

模型结构和计算工作流基于驾驶行为的基本特征选择如图3。在图中,t是t为每个影响因素和统计是相关系数。

4.3。模型的解决方案

4.3.1。校准的影响因素模型

SPSS软件被用来校准的影响因素模型。表6显示的最小t统计(绝对值)为4.975,高于1.960,表明这些影响因素非常重要。

在使用SPSS统计分析,被用来测量模型的健康程度和相关系数,在哪里 。的值越接近至1.000,越高程度的线性回归预测拟合数据,和更高的建筑模型和实际情况之间的协议。在这项研究中,相关系数0.594,调整的价值是0.563,如表所示7,表明模型的适应性好。

4.3.2。效用函数

参数值的影响因素在四个区间如表所示8。根据表8的效用函数 ,和对应于间隔A, B, C, D,分别如下:

确定每个影响因素之间的关系和行为的非法巷占领在电动自行车骑手,每个影响因素进行敏感性分析。敏感性的程度通常是由弹性。在分解理论,影响因素变化时,弹性E骑的概率变化的方案选择是由

弹性可以积极或消极的。当两个变量正相关,弹性值是正的;否则,它是负的。所有弹性的绝对值超过1.000的4个间隔表明,影响因素有弹性的选择非法巷职业行为;否则,缺乏弹性。首先,意味着个人特征的乘客在每个时间间隔计算基于个人特征的调查数据和非法巷骑士的职业行为。接下来,在表获得的参数值4引入(5)和(6),选择非法巷职业行为的概率计算。然后,使用计算(8),每个影响因素的弹性选择非法巷职业行为的概率。

5。结果分析

5.1。个人特征之间的关系和非法占领电动自行车骑手

不同的骑行习惯和行为来自乘客不同的个人特征。鉴于有限的交通资源(有些nonmotor车辆车道被机动车车道),乘客面临短缺nonmotor车辆车道。因此,许多nonmotor车辆乘客往往占用机动车道,和电动自行车骑手占更大的比例。个人特征识别影响非法巷电动自行车骑士职业的性别、年龄、教育水平、驾驶年龄,性格,职业,和机动车道的道路基础设施。因此,电动自行车骑手的个人特点讨论了本研究的影响,阐明个人特征的乘客的行为非法巷占领。

5.1.1。性别和年龄

使用一节中描述的方法4,性别和年龄的选择概率和参数值在不同的时间间隔和每个影响因素的弹性手段和在每个间隔进行评估,如表所示9。同样,的值对应于每个影响因素也使用这种方法评估。在野外采样,电动自行车骑手的88%是男性,而女性乘客接受了调查区域的一小部分。非法的概率巷占领超过0.713,高于0.500。显然,超过一半的电动自行车骑手会选择旅行时占用机动车道。如表所示9,意味着性别四个间隔稳步增长,和所有人都超过0.921和0.500为男性和女性,分别。男乘客数量女骑手。换句话说,男性乘客更有可能占用机动车道与女骑手。性别的弹性四个间隔的值都小于1.000,表明缺乏弹性的性别选择非法巷的职业行为。然而,弹性是0.391区间B,这是高于其他三个间隔。这表明,性别对占领的行为影响最大的第一个机动车车道。

B意味着年龄的间隔是最高的。这意味着人们年龄在30到45岁之间的概率最高选择非法巷占领行为。这与年轻人的个性特征,如冲动和缺乏安全意识。年龄小于1.000的弹性四个区间,表明年龄有低弹性的选择非法巷占领行为。然而,弹性是最高的区间B(占据第一机动车车道),值为0.693。这表明,相比之下,其他三个间隔,年龄最对的选择产生重大影响的行为占据第一机动车车道。岁,年轻的电动自行车骑手,骑手的更有可能占领了机动车车道接近中间的隔离区。

5.1.2中。教育水平和驾驶的年龄

表10显示了结果的教育水平和驾驶的年龄。根据表,教育水平的方法是相似的在所有四个间隔和稳步改变。意味着最高间隔,值是1.681,这表明之间的教育水平是最高的车手占领nonmotor车辆的车道。的弹性值教育水平都是负面的四个间隔,绝对值约0.070。一方面,这表明,受教育水平低弹性的选择非法巷占领行为。即教育水平没有决定性作用的选择非法巷占领行为。另一方面,它表明,减少乘客选择占用机动车道。这是因为增加乘客的知识水平提高他们的安全意识和交通知识。更多的教育水平高的骑士会自愿遵守交通规则,和他们的行为非法巷占领下降。

如表所示10驾车年龄平均为1.451,无显著的变化意味着被发现在四个区间。然而,平均间隔D为1.515,略高于其他三个间隔。这表明,驾车年龄越长,越有可能骑手将占领汽车车道接近中间的隔离区域。这是因为乘客驾车年龄更长更熟练和熟练的和骑更有信心。因此,这些乘客更有可能占用机动车道接近中间的隔离区。的弹性意味着驾车年龄在四个区间为0.364,小于1.000。这表明缺乏弹性的驾驶年龄的选择非法巷职业行为。因此,驾车年龄对占用机动车道的行为。

5.1.3。气质和眼睛的视力

表11气质和眼睛的视觉上显示了结果。根据表,意思是气质稳步增长的四个间隔,均值约为1.800。这表明,选择非法巷稳步占领行为多种多样,而与气质。所表示的意思,他们中的许多人是多血质。气质的弹性四个间隔的值都大于1.000,表明高弹性的气质选择非法巷的职业行为。弹性是最高的区间B值为1.656。这表明,气质有最大的影响的行为占据第一机动车车道。气质和行为之间的特定关系的非法巷占领如图4。

图4表明,在乘客占用机动车道,那些多血质占比例最高。此外,最多的车手这样气质占领了nonmotor车辆车道的性情,紧随其后的是冷漠的气质。同样,如图4与忧郁的气质,最小数量的乘客选择这样的违法行为。显然,乘客的数量与冷漠的和乐观的性格是所有性格中最高的。此外,乘客多血质更有可能选择的行为非法巷占领。这表明,骑士与活跃,急躁、外向的性格更有可能非法占用机动车道。

电动自行车骑乘过程中,超过80%的信息被收集的视野,和90%以上的信息是动态的。这很大程度上依赖于动态的骑手。动态视觉的基础是静态的视觉,位于交通环境的认知和判断的根源。矫正视力能满足一般信息的需要,但视力纠正的车手仍然可以几乎完全正常的视力。此外,镜头有一定的曲率,造成周围环境的轻微变形。这没有那么显著影响信息获取当骑在低速机动车道,但影响时可以相当大的骑在一个较高的速度。如表所示11无显著差异,对眼睛视力观察四个区间,价值约0.183。这表明,骑士的愿景没有显著影响非法巷职业行为的选择。此外,骑士与纠正视力仅仅占所有电动自行车骑手的一小部分。这进一步表明,骑手们戴着眼镜仍然不可能完全正常的眼睛视觉识别周围环境。眼睛视力的弹性值的四个间隔是0.046 - -0.070,这都小于1.000。这表明缺乏弹性的眼睛视力非法巷职业行为的选择。因此,乘客是否纠正视力没有影响占用机动车道的行为。

5.1.4。职业和循环能力

表12介绍了职业和自行车水平的结果。根据表,占领均值为1.482,和没有发现显著差异意味着间隔B, C,以及d平均间隔为1.253,这是最小的四个间隔。这表明学生和员工的数量是最高的车手非法占用机动车道。此外,他们更有可能占领nonmotor车辆的车道。意味着占领的弹性四个间隔为0.465,与所有的弹性值小于1.000。这表明,占领低弹性的选择非法巷占领行为。因此,职业的选择有一个微不足道的影响非法巷占领行为。

表12也显示,对自行车水平稳步增长,意味着值为2.264。这表明,更熟练的骑手骑更有可能占用机动车道。原因是驾车年龄积累,乘客越来越熟悉的道路环境和基础设施。因此,他们在生理和身体更充分的准备在选择占用机动车道。弹性循环能力的四个间隔的值都大于1.000,3.263的值。这表明,循环能力有高弹性的选择非法巷占领行为。这表明,循环能力越高,越高的概率骑手占领了机动车道。此外,高弹性的区间值B和C,表明循环能力最大的影响占据第一的选择(接近nonmotor车辆车道)和第二机动车道。相对而言,骑手占据第三的概率机动车车道(靠近中间隔离区)是最小的。骑之间的特定关系的能力和行为非法巷占领如图5。

图5表明,电动自行车骑手更熟练的骑,骑能力增加,越来越多的乘客占领了机动车道。这是因为高骑能力通常是伴随着丰富的驾驶年龄,更好的心理素质,和更高的骑行速度的需求。出于这个原因,大多数电动自行车骑手会选择占用机动车道与更好的道路条件。但当骑水平达到最高,违规的数量减少。这意味着有经验的车手更加注意安全。此外,最多的乘客选择占领nonmotor车辆车道,提高旅行速度。

5.2。个人特征之间的相关性,旅行速度,和非法巷占领

同时使用几种不同的交通组织nonmotor车辆车道,而道路基础设施仍然欠发达与机动车道。因此,许多电动自行车骑手喜欢nonvehicle车道更快的旅行甚至超速开车而被罚款。此外,骑手与不同需求和骑行习惯占据不同位置的机动车道。在目前的研究中,不仅不同个人特征的影响乘客选择的旅行速度和非法巷职业行为分析也之间的内部连接电动自行车骑手的旅行速度和特定的机动车车道占领了。

电动自行车骑手喜欢nonmotor车辆车道有以下原因:机动车车道的速度远远高于电动自行车的速度。有一个常识,较慢的一个很容易被击中一个更快的在后面。因此,电动自行车骑手不会选择机动车车道上加速,显然是太危险了。虽然nonmotor车辆是狭窄的,行人、自行车、摩托车、电动自行车、三轮车骑士同时使用nonmotor车辆车道。它比机动车车道上是安全的。这直接导致较低的旅行速度比预期的电动自行车骑手。电动自行车需要更少的空间,可以满足对旅行的需求速度的电动自行车骑手。因此,电动自行车骑手大多喜欢占领nonmotor车辆车道为更快的运动。可以推断,非法巷占领与超速行驶在电动自行车骑手,等相关乘客的个人特征密切相关。如图的特定关系6。

图6表明,大多数乘客占领nonmotor车辆车道是男性,他在最高速度,这意味着超速开车而被罚款。很容易看到最多的男性电动自行车骑手占领了nonmotor车辆超速行驶的车道。

图7表明,骑士的时代占据nonmotor车辆车道是30 - 45年,和这个年龄段也有最高的旅行速度。30至45岁的车手更频繁地选择非法的行为巷职业,和骑士的数量占据第一机动车车道是最高的。

图8表明,骑士与初中和高中教育水平更有可能占领nonmotor车辆车道和超速。乘客与大学和高等教育水平不太可能占用机动车道。这表明,乘客的安全意识和交通知识水平与高教育水平高于那些教育程度较低。

图9下面显示骑手驾驶年龄1 - 3一年更有可能占用机动车道,和旅行速度最高的车手占领nonmotor车辆的车道。这表明,用更少的骑电动自行车骑手年很可能在nonmotor超速车辆车道。

图10表明四种气质类型的研究,那些乐观和淋巴的性格更容易占领nonmotor车辆车道和超速。乘客的旅行速度和粘液质占领nonmotor车辆车道是最高的,超过25千米/时,很可能超速行为。

图11显示是最普遍的员工占用机动车道,和雇员占据nonmotor车辆车道行驶速度最高。相对而言,退休人员和学生的旅行速度较低。很少有学生在机动车车道,首选的旅游和旅行速度很低。这是密切相关的交通安全意识教育和培训学校。

图12显示,乘客的数量没有纠正愿景是最高的在所有乘客非法占用机动车道。这样的乘客更有可能占领第一机动车车道和nonmotor车辆车道和旅行在最高速度。因此,非法骑行为,如超速行驶、频繁。

图13表明,随着骑年龄的增加和驾车年龄变得更丰富,电动自行车骑手更有可能占领非和第一机动车车道。此外,乘客的旅行速度占领nonmotor车辆车道是最高的,导致非法骑行为的风险最高,如超速开车而被罚款。

6。结论和未来的研究

6.1。结论

基于先前的研究在电动自行车骑手的交通行为,个人特征的影响电动自行车骑手和非法巷占领进一步讨论。特定的个人特征影响的选择这样的违法行为被确定后测量度的相关性。此外,具体的管理策略和方案,提出了电动自行车骑手的安全教育和技能培训有不同的个人特征。最终的目的是提高交通安全意识的骑手和减少风险行为和交通事故的概率。在这项研究中,骑手的气质和自行车水平与非法骑行为显著相关。因此,有效的监管措施应制定针对这两个方面:(1)骑电动自行车骑手的熟练程度越高,越高的概率骑手占领nonmotor车辆车道,骑行安全构成巨大威胁。从另一个角度来看,这突显出骑技能,以确保安全的重要性。因此,交通部门应该提高安全意识和道德规范电动自行车骑手,确保每一个车手都有足够的能力和减少行人不便。此外,电动自行车骑手应该穿防护设备,以减少潜在的伤害在骑。(2)交通部门应该停止电动自行车骑手占领nonmotor定期车辆车道的道路上。这些乘客应该罚金,并应提供统一的安全教育。除了安全预防措施,这些乘客应该观看视频在机动车交通事故和造成这些非法巷占领的缺点使他们充分认识到非法巷占领。随着安全教育,网络直播或道路显示应该用于通知在电动自行车骑手的安全预防措施。虽然收紧执法,所有乘客应该在非法巷的危险职业教育来提高安全意识和安全骑乘的行为。(3)非法巷职业的根本原因是实现更快的速度。表示样本数据的统计分析,发现乘客的平均旅行速度占据第二和第三机动车车道25.1 km / h,通常对应于超速开车而被罚款。因此,一个违法行为报警装置和一个存储设备应该安装在电动自行车上。这些设备将传输骑数据通过互联网实时交通当局。电动自行车骑手在nonmotor超速车辆车道时,语音提示会提醒乘客在一个安全的旅行速度。电动自行车骑手在nonmotor超速车辆车道时,不仅声音提示,而且骑手信息将传送到交通当局通过内存设备。这些骑手将挑出安全教育和处罚,以减少非法的行为巷占领并创建一个安全的交通环境。

在这项研究中,首先,测量模型来评估个人特征的影响电动车骑手非法车道行为。的t以及表明建立模型进行约定的实际情况,具有很强的适应性和实用性。此外,该模型可以量化的程度之间的相关性个人特征和非法巷占领。第二,弹性理论用于分析各影响因素的敏感性的选择非法巷占领行为。最后,不同个人特征的影响风险骑电动自行车骑手的行为进行了分析,得出了结论。结果表明,两个人特征,气质和熟练,弹性值超过1.000非法巷职业的选择。换句话说,这两个影响因素是敏感的选择非法巷占领行为。基于骑速度从调查中,获得个人特征之间的关系,旅行速度,分析了电动自行车骑手和非法巷占领。通过分析如图所示,骑手不同个人特征以不同的速度在不同的车道。最多的乘客选择旅游在第一机动车车道。乘客的数量没有纠正视力也最高的在所有乘客占用机动车道。 Riders with these characteristics were more likely to occupy the nonmotor vehicle lane and to overspeed.

6.2。未来研究

这个模型的样本值有一定的局限性,需要进一步扩大范围和价值在未来的研究48- - - - - -51]。此外,其他个人特征,如婚姻状况和身体的高度,还应该包括在调查。此外,每个影响因素的参数值在模型中需要不断修改,敏感性分析的结果更准确,更好的同意实际的旅行情况。

本研究中使用的分解模型适应性强,个人的交通行为和获得的结果是可靠的。在未来的研究中,结构方程建模应该用于分层的影响因素。可观察到的变量中描述本研究需要考虑研究潜在变量之间的关系和非法巷占领电动自行车骑手。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(项目没有。71861023),程序的中国教育部人文社会科学(没有。18 yjc630118),浙江省自然科学基金(没有。宁波市LQ19E080003),自然科学基金(没有。2018 a610127),宁波的哲学和社会科学项目(G20-ZX37),和一百年基金会青年兰州交通大学的人才培训计划。