文摘

到目前为止,电动自行车(e-bikers)冲红灯(RLR)行为通常被视为一个主要贡献者e-bike-related事故,特别是对于高电动自行车交通场景客流量。在本文中,我们的目标是理解e-bikers RLR行为基于结构方程建模。具体来说,计划行为理论的预测效用(图则,原型模型的意愿(PWM)及其组合形式,TPB-PWM模型,用于分析e-bikers RLR行为,和比较分析。三种建模方法的分析都是基于从两家在线问卷调查收集的数据,超过1035收到了问卷。本文的主要研究结果如下:(i) PWM和TPB-PWM模型可以更好地描述e-bikers”比“RLR行为模型。前两个模型解释超过80%(分别为81.3%和81.4%)的方差在e-bikers RLR行为,明显高于图则模型(只有74.3%)。(2)也显示,RLR意愿贡献比RLR意图影响RLR行为,这意味着这种行为是由社会反应决策而不是理性的。(3)在研究心理因素中,态度、感知行为控制、过去的行为,认知原型(好感度和相似性),RLR意图,RLR意愿e-bikers RLR行为的重要预测因子。更有效的促成我们的研究结果也支持设计干预措施更有针对性e-bikers RLR行为通过考虑心理因素的影响。

1。介绍

近几十年来,作为一个绿色,符合成本效益,和款便携式交通手段,电动自行车(电动自行车)已经在越来越多的采用和推广国家,如瑞士、挪威、荷兰和中国1- - - - - -4]。然而,使用电动自行车交通事故已导致增加e-bike-involved [1,5,6]。例如,在中国,约56200交通事故是由于e-bikers,导致8431人死亡,63400人受伤,直接财产损失111几百万元(相当于1642万美元基于2017指数收盘汇率)在2013年和2017年之间(7]。据统计相关的事故两轮车(例如,电动自行车,普通自行车,和e-scooters)在中国典型城市(包括北京、长春、宁波、佛山和威海),e-bike-involved事故占事故总数的34.8%从2011年7月到2016年6月;e-bike-involved事故,轻伤的比例,重伤,死亡e-bikers分别为70.0%,12.6%,和10.6%,分别为(8]。一些研究报告说,电动自行车的速度和重量都高于普通自行车,从而导致更多的伤害和死亡9]。此外,先前的研究结果表明,交通违法行为,特别是冲红灯(RLR)信号交叉路口的行为,部分导致e-bikers-related事故和死亡人数10- - - - - -16]。因此,研究e-bikers RLR行为是必须的,特别是对高的国家所有权和e-bike-involved电动自行车事故。

先前的研究主要集中在人口和交通环境的影响对e-bikers RLR行为。此外,在与违反行为有关的心理因素的研究,e-biker-related研究少于pedestrian-related和司机相关研究。最近的一项研究采用社会认知理论、计划行为理论(“),认识到心理因素e-bikers“有意违反红灯17]。然而,一些证据的效用图则框架是在预测不足无意识的冒险行为(18- - - - - -20.),而原型意愿模型(PWM)可能是一个卓越的社会认知理论在预测这种行为比图则框架(21]。在此,我们工作的主要目标是调查的预测效用图则,PWM,及其组合形式,TPB-PWM e-bikers RLR行为和探索这个行为背后的心理机制。

1.1。E-Bikers RLR行为

到目前为止,大多数现有的证据已经围绕着红灯的骑自行车的人的侵权行为。具体来说,已进行调查人口的影响(11- - - - - -15),心理因素(11- - - - - -13),和其他危险行为(如unhelmeted骑,载着乘客,使用手机,和听音乐)(14,16,22,23在自行车者RLR行为。然而,由于不同的重量,速度和加速度的电动自行车和普通自行车,有一些差异在乘客的心理。一些研究发现e-bikers有更强的意图违反红灯比普通自行车(13,24- - - - - -28]。在这些研究中,杨et al。27]提出突出贡献者RLR骑自行车的行为和e-bikers特征(即、性别和骑手类型)、心理因素(即。从众的倾向),和交通因素(即。、位置和交通量等)。调查也一直在进行基础设施条件的影响骑自行车和e-bikers RLR行为,如遮阳篷(26],车道和交叉口类型[28]。然而,除了上述的研究,更不用说文献发表专门对e-bikers RLR行为。最近的研究由杨et al。17确定了心理因素(即。,attitude, perceived behavioral control, moral norm, and self-identify) which significantly influenced the e-bikers’ RLR intention based on the TPB framework. However, their study focused on e-bikers’ RLR intention, but not on their behavior. Also, it is relatively undesirable to employ the extended TPB framework they proposed to predict e-bikers’ RLR intention. Thus, other more efficient models were applied to obtain an in-depth investigation of e-bikers’ RLR intention and behavior in our study.

1.2。理论框架
1.2.1。“框架

图则是最流行的框架用于识别社会认知结构影响交通违规的司机,行人,e-bikers。评论的司机的违规行为,“框架已经成功地解释了违反意图,包括快捷化[29日,30.),酒后驾驶31日- - - - - -33),开车时使用手机(34,35),和安全带不使用36,37]。的行人的侵犯,“框架被用来理解各种行人行为的意图,如醉酒走(38),红灯侵权(39,40),和分心穿越41]。除了司机和行人违规,杨et al。17]还确定的效用图则框架在解释e-bikers RLR意图。

正如上面提到的,“一直支持作为一个框架来解释各种交通违规。然而,目前还不清楚这些行为是否完全由意志决定。施林et al。18)指出,“框架忽略了自发的或启发式过程,及其假设一个特定的行为是合理的和有预谋的不能匹配真实情况。同时,一些研究表明,图则框架的效用是不够的在预测无意识的冒险行为(19,20.]。例如,尽管e-bikers负面态度e-bikers RLR行为,他们可能也愿意违反红灯时可反驳的机动车交通流时空差距。

在这个调查,“框架(图的扩展1)应用。根据Ajzen的研究(42,43),RLR意图(RI)反映了电动自行车的准备违反了红灯。态度()是指一种电动自行车的积极有利的或负面/不利RLR行为的知觉。主观规范(SN)代表一个电动自行车的感知的社会是否指示物(例如,家庭成员和朋友)RLR行为的批准或不批准。感知行为控制(PBC)反映了电动自行车的感知的能力违反红灯。根据先前的研究,过去的行为也纳入原图则框架(29日,44,45]。过去的行为(PB)代表一个电动自行车的违反行为或非法骑习惯在过去,可以表明他/她习惯的力量(43,44]。一系列的先前的研究讨论图则的扩展框架的解释力的过去的行为,表明过去的行为成为一个关键因素特别是行为意图和行为相关性与感知到的行为控制(19,29日,43,44]。在目前的模型框架、态度、主观规范、感知行为控制,和过去的行为对RLR意图有直接影响和间接影响通过RLR RLR行为意图。同时,感知行为控制直接影响RLR意图和行为而间接影响RLR通过过去的行为意向和行为。


图1
“框架的扩展。
1.2.2。PWM框架

事实上,e-bikers的穿越行为是一种自发的冒险行为,通常需要活性决定如何行动以应对不断变化的交通环境要求(例如,交通信号、交通量和其他e-bikers的信号交叉路口的穿越行为)。因此,其他决策模型可能被视为管理RLR行为。PWM框架,既关注社会反应决策和推理,可能有助于更好的理解比图则RLR行为框架,这是集中在理性决策。PWM框架已成功应用于考试的司机和行人的违规行为,如酒后驾车(46],快捷化[47,48),开车时发短信48),和行人违规(21]。就我们而言,没有先前的研究采用PWM e-bikers框架研究的违规行为。在这部作品中,PWM框架是改编自吉本斯的研究等。49)(图2)。PWM-based变量中,原型感知e-bikers的参考图像(例如,年龄和性别)从事RLR行为,包括原型相似(PS)和原型的好感度(PF) [21,49]。RLR意愿(RW)表示电动自行车的意愿违反红灯当提供这样一个机会21,49]。理性决策的途径、态度、主观规范,和过去的行为对RLR意图产生直接影响和间接影响通过RLR RLR行为意图,而过去的行为直接影响RLR行为。在社会反应决策途径、态度、主观规范、原型相似,原型的好感度,和过去的行为对RLR意愿有直接影响,并直接RLR意愿影响RLR意图和行为。


图2
PWM框架。
1.2.3。整合图则和PWM框架

很少有研究应用的综合模型,该模型包含图则和PWM框架(以下,称为“TPB-PWM”)研究一个特定的行为在其他领域,如健康/危险行为(50)和器官捐献的沟通(51]。在最近的研究中,Demir et al。21)相比的效用图则、PWM和TPB-PWM框架在解释行人的侵犯,其中PWM和TPB-PWM框架有一个比“框架更好的预测能力。根据提出的原始PWM长臂猿et al。49),过去的行为也是一个至关重要的因素,可以提高PWM的性能。然而,过去的行为是不包括在Demir et al。(21)研究,可能会消极地影响了分析结果的代表性。因此,过去的行为被纳入三个决策框架工作。TPB-PWM框架在这个研究是指一个扩展PWM的感知行为控制,它有一个直接影响RLR意图和行为(图3)。


图3
TPB-PWM框架。
1.3。纸的位置和贡献

小经验证据报道支持图则的效用和PWM框架理解e-bikers RLR行为。在这项研究中,我们比较图则的效用,PWM,和TPB-PWM框架在理解这些行为,通过使用“框架作为基准比较器。本研究旨在测试我们的假设e-bikers RLR行为的是更多的社会反应(使用PWM / TPB-PWM框架),而不是理性的(使用“框架)。这项工作的另一个目的是探讨社会认知因素影响e-bikers RLR行为。

2。方法

2.1。程序

一个实验被设计使用自我报告的问卷调查。在调查中,参与者经常使用电动自行车(平均至少一天一次)被要求回答各种各样的问题与每个变量的模型框架在一个假设的情况下。假设描述如下:“你骑着一辆电动自行车工作/学校或地方。当你到达路口十字路口,红绿灯变成红色。在这种情况下,请回答下列问题。”

在正式调查前在这项研究中,我们进行了试点调查中一个小的总数50参与者使用在线问卷调查。本试验的目的是确保问卷调查项目容易理解。同时,飞行员调查有助于评估调查的完成时间。克伦巴赫的 相关分析和主成分分析(PCA)是用来检查项目的信度和效度,而这些物品没有通过考试被移除。完成问卷设计基于参与者的反馈和测试结果。

正式调查是在上海,中国,从2018年5月至7月。受试者招募从大学、社区购物中心和办公区域。他们必须完成两个在线问卷分发的一项在线调查平台(http://www.wjx.cn)一个月。具体而言,参与者被要求完成第一批(时间1)问卷,包括变量的所有项目,除了RLR行为(表1)。一个月后,参与者应该完成第二(2)问卷测量随后RLR行为。最后,参与者获得一笔大约1美元完成调查。

表1
项目总结和内部一致性。
2.2。参与者

在这个调查中,1147名参与者总数完成时间1和2的调查问卷。不包括112年无效问卷后(例如,不一致的评分逻辑,异常完成时间短,和异常的分数),我们得到一个完整的和有效的样本N= 1035名参与者。最后的样本的参与者的平均年龄是34.6 (SD = 9.92),其中68.0%是女性(N= 704);89.2%使用电动自行车平均每天至少两次(N= 923),74.3%有超过两年的电动自行车骑行体验(N= 769)。

2.3。措施

29-item问卷旨在获得数据的参与者对于这个工作。TPB-based项为每个变量(即。,attitude, subjective norm, perceived behavioral control, and RLR intention) and PWM-based items for each variable (i.e., past behavior, prototype perceptions, and RLR willingness) are presented in Table1。每一项测量使用级响应格式。对于变量,我们采用验证性因素分析(CFA)和克伦巴赫 相关分析的有效性和内部一致性检查项目,从而评估调查数据的可靠性。CFA是由主成分分析。主成分分析确定的价值Kaiser-Meyer-Olkin (KMO)是0.973,和每一个组件占72.5%到89.4%的方差(表1),表明高项变量的有效性。克伦巴赫的 系数从0.821到0.940不等,表明较高的内部一致性(克伦巴赫的 >(表0.7)1)。除了这些东西之外,参与者的人口统计数据(如性别、年龄、使用频率,和多年的骑行体验)也被收集。

3所示。结果

3.1。描述性统计和相关性

表2总结了变量的描述性统计。参与者报告说,他们有一个消极的态度RLR行为(态度,意味着= 2.79)。人重要的参与者(如家庭成员和朋友),虽然主观上反对他们撞上红灯,仍然会容忍他们的违反行为(主观规范,意味着= 2.52)。参与者违反红灯适度控制自己的能力(感知行为控制,意味着= 3.86),他们违反了交通规则(例如,冲红灯,快捷化,违反穿越)中等程度在过去12个月(过去的行为,意味着= 4.24)。也可见表2的参与者认为自己稍微不同的原型RLR e-bikers(原型相似,意味着= 3.80)和额定原型RLR e-bikers适度消极(原型的好感度,意味着= 3.74)。此外,参与者疲软有意违反红灯(RLR意图,意味着= 4.06),但相对强劲违反意愿红灯时提供了一个机会(RLR意愿,意味着= 4.60)。最后,参与者报告说他们违反了红灯一个温和的程度在一个月后完成时间1问卷(RLR行为,意味着= 4.20)。

表2
意味着,标准差和二元所有研究变量的相关性。

皮尔森的双变量相关性计算来评估每个变量之间的关系(表2)。建议建立的相关性研究变量都显著相关。特别是RLR意图、RLR意愿和RLR积极行为和态度显著相关,感知到的行为控制,过去的行为,原型相似,和原型的好感度,而消极和明显的主观规范。RLR积极行为,RLR意图和意愿显著相关。相关分析结果支持图则的功效,PWM, TPB-PWM框架在解释e-bikers RLR行为。

3.2。结构方程建模的结果

在本节中,我们提出了路径分析的过程和结果进行了使用结构方程建模在阿莫斯24。e-bikers路径模型的RLR行为评估是基于图则、PWM和TPB-PWM框架。Degree-of-fit提出模型的框架是由多个指标评估和修改,包括卡方除以自由度(CMIN / df),均方根误差近似(RMSEA),拟合优度指数(-),正常健康指数(NFI),增量符合指数(IFI),比较适合指数(CFI), Tucker-Lewis指数(TLI) [52,53]。随后,我们采用路径分析估计的意义直接,间接,总影响的变量在每个模型和评估该模型的预测效用。每个模型的路径分析结果列在下面。degree-of-fit指标对三个模型进行了总结表3,而表4显示了直接、间接和总影响的独立变量RLR意图,意愿和行为三个模型。

表3
degree-of-fit指标在三个模型。
表4
独立变量的影响RLR意图,意愿和行为三个模型。
3.2.1之上。“模型

表3表明CMIN / df超过3在最初的“模型中,我们的数据表明这个模型的degree-of-fit是不足(CMIN / df = 3.191, RMESA = 0.046, - = 0.953, NFI = 0.969,如果= 0.979,CFI = 0.979, = 0.975 TLI)。根据建议修改指标在阿莫斯24,初始模型的路径从主观规范通过添加路径修正过去的行为。修改后的“模型拟合的数据(CMIN / df = 2.925, RMESA = 0.043, - = 0.958, NFI = 0.972,如果= 0.981,CFI = 0.981, = 0.978 TLI)。路径分析结果表明态度、主观规范和感知行为控制RLR意图的关键决定因素。RLR行为也显著预测RLR意图,感知到的行为控制,和过去的行为。修改后的“模型解释方差的80.4% RLR意图和73.6%的RLR行为(图4)。


图4
修改后的图则e-bikers RLR行为的模型。
3.2.2。PWM模式

最初的PWM模式并没有获得一个适合我们的数据由于的价值超过3 CMIN / df (CMIN / df = 3.246, RMESA = 0.047, - = 0.940, NFI = 0.965,如果= 0.975,CFI = 0.975, TLI = 0.971)。因此,提高了初始模型路径的基础上,建议修改指标。我们将路径从主观规范RLR意愿和添加路径从原型的好感度和相似性RLR意图,从原型以及路径支持率RLR行为。修改后的PWM模型获得足够的degree-of-fit数据(CMIN / df = 2.627, RMESA = 0.040, - = 0.951, NFI = 0.972,如果= 0.982,CFI = 0.982, = 0.979 TLI)并解释了76.6%,77.4%,和81.3%的方差的RLR意图,意愿,分别和行为。值得注意的是RLR意愿比RLR RLR行为意图的影响更大了(β= 0.395 vsβ=(图0.173)5)。


图5
修改后的PWM e-bikers RLR行为模型。
3.2.3。TPB-PWM模型

初始的degree-of-fit TPB-PWM模型数据是不足(CMIN / df = 3.556, RMESA = 0.050, - = 0.923, NFI = 0.956,如果= 0.968,CFI = 0.968, = 0.963 TLI),我们应用相同的路径修改的修改后的PWM模式。基于修改指标,我们也省略了从感知行为控制的路径RLR行为。修改TPB-PWM模型拟合的数据(CMIN / df = 2.438, RMESA = 0.037, - = 0.948, NFI = 0.970,如果= 0.982,CFI = 0.982, = 0.979 TLI)和解释的方差的比例相对较高RLR意图(82.0%)、行为意愿(77.1%),和RLR行为(81.4%)。我们还发现RLR贡献的意愿更影响RLR行为相比RLR意图(β= 0.393 vsβ=(图0.175)6)。


图6
修改后的TPB-PWM e-bikers RLR行为的模型。

4所示。讨论

4.1。比较预测工具

如表所示3和4,修改后的图则、PWM和TPB-PWM模型提供了足够的degree-of-fit数据,但修改后的PWM和TPB-PWM模型有更可观的实用预测e-bikers RLR比修改后的“行为模型。即PWM和TPB-PWM框架提供了一个更完整的帐户比图则e-bikers RLR行为的框架。

以下4.4.1。的预测效用图则

在这项研究中,扩展“模型的过去的行为解释方差的80.4% RLR意图和73.6%的RLR行为。先前的研究获得了类似的结果,报告“框架解释了25% - -72.8%的方差在行人违反意愿(38- - - - - -41]。然而,这些研究集中在预测行人的行为意向,但不是他们的行为。Demir et al。21从意图)证实了路径为行人的违规行为。目前,存在证据不足为e-bikers intention-behavior路径的违规行为。

所有图则框架有统计学意义的变量总影响RLR意图和行为。这些变量、感知行为控制最高总效应(直接和间接影响的总和)RLR意图,可以支持在几个研究行人违反意图和酒后驾驶意图(41,45]。同时,感知行为控制的总效应e-bikers RLR行为是最强的。依照相关发现行人违规(早些时候21),感知行为控制也发挥了重要作用在预测行人的违反行为。然而,相比之下获得的结果Demir et al。21),我们证实主观规范与RLR意图和行为统计上显著相关。这个结果符合先前的研究显示,主观规范了温和影响行人违反意图(39,40,54]。扩展图则框架中,过去的行为作为一个扩展变量贡献疲软影响RLR意图,这是不符合相关研究的行为意图冒险骑(30.和酒后驾驶31日,45]。然而,过去的行为被发现第二个关键的决定因素RLR行为并添加一个额外的7.2%的方差解释RLR行为相比原图则模型。这个结果是在良好的协议与以前的司机的超速行为研究[55),报道称,额外的过去的行为可以提高解释方差的超速行为一个额外的4%。我们的发现强调了过去的行为,并入原图则框架,提高了预测能力。在某种程度上,e-bikers的过去行为部分代表他们的行为习惯,而习惯,熟悉行为被Ajzen [42扮演重要的角色在预测行为。

4.1.2。PWM和TPB-PWM的预测效用

修改后的“框架相比,修改后的PWM和TPB-PWM框架解释方差的7.7%和7.8%的额外RLR行为。修改后的TPB-PWM框架还解释了一个额外的1.6%的方差RLR意图。有趣的是,我们的研究结果表明,RLR意图和意愿RLR行为的重要预测因子,和总对RLR行为意愿的影响是显著强于的意图。艾略特et al。47)和Demir et al。21)也得出了类似的结论为驾驶员超速行驶和行人违规。他们还透露,行为意愿造成比行为意图明显违反行为。因此,我们得出结论,e-bikers可能决定是否违反红灯通过社会反应途径而不是合理的途径。这个结果也符合吉本斯的结论et al。49],它强调社会反应决策更适合预测冒险行为。因此,正如预期的那样,结果显示,社会反应决策比理性更重要的决策决定e-bikers RLR行为。这一发现是平行的动态特性骑的任务,这表明社会反应决策需要应对不断变化的交通环境因素。

模型估计结果表明态度仍然显著影响RLR意图图则模型,此外,有一个重要的总影响RLR行为通过一个中介变量“RLR意愿。“然而,主观规范对RLR意图和行为的影响被削弱,并不再TPB-PWM模型中的一个重要变量。批准,一个可能的原因是自己的家人或朋友对RLR行为没有影响他/她RLR意图和行为,这是由几个调查结果支持司机违反意图,e-bikers,和行人17,21,29日,32,40]。例如,周et al。40]表明,行人的家人或朋友的行为产生强大影响行人的意图违反过比他们这种行为的批准。

原型的看法(好感度和相似性)扮演了非常重要的角色在预测RLR意图,意愿,和行为,除了特殊情况;即原型的好感度的影响在RLR意图TPB-PWM模型不显著,这是由于额外的感知行为控制。这些结果表明e-bikers感知人的年龄和性别,经常违反红灯优惠和类似的有较高/愿意提交RLR行为意图。虽然最初的PWM框架没有原型的看法和意向之间的关系,行人违规的最近的研究也发现,认知原型大大促进了意图(47]。更具体地说,在修改后的PWM模型中,原型的观念有一个更为重要的影响比RLR意愿RLR意图。自感知行为控制集成到修改TPB-PWM模型和显著影响RLR意图,原型的看法导致RLR意愿更明显。

感知行为控制,作为TPB-based变量之一,对RLR意图仍然产生了强烈的影响,而它有一个弱影响RLR行为因为它没有直接影响RLR行为。在修改后的PWM,过去的行为总是RLR意图的重要预测因子,建立的意愿和行为,也长臂猿et al。20.,49]。修改TPB-PWM模型中,虽然过去的行为对RLR意图的影响没有更重要的是由于感知行为控制,过去的行为还造成RLR意愿和行为的主要原因。这些发现表明e-bikers的感知能力违反红灯(感知行为控制)更有可能影响行为意向,而行为习惯或经验(过去的行为)的行为意愿的影响更大了。总之,e-bikers的行为习惯和经验大大影响RLR行为通过社会反应和合理的途径。因此,最终结果的偏差和偏差可能造成在Demir et al。21]研究没有考虑过去行为的影响。

4.2。影响安全干预措施

从这项研究获得的输出可以支持安全干预措施的应用,从而进一步阻碍e-bikers RLR行为。的态度、感知行为控制、过去的行为认知原型,RLR意图,RLR意愿代表特别好的干预目标,因为他们e-bikers RLR行为的重要预测因子。

在这些心理因素识别、感知行为控制是一个至关重要的因素e-bikers RLR意图。这一结果显示,如果e-bikers认为违反红灯的困难,他们不打算提交它。因此,减少e-bikers感知控制会减少他们的RLR行为。例如,射频识别(RFID)可以集成到电动自行车牌照,结合交通摄像头,自动监测和捕获信号交叉路口的电动自行车的RLR行为。与此同时,学习管理系统的司机的红灯侵权行为,受到更严厉的惩罚(例如,更高的罚款和缺点点系统)可以用来限制e-bikers的RLR行为。对于RLR RLR意愿尤为至关重要的行为。上述对策也将减少RLR行为的机会,从而削弱的意愿违反红灯。

因为态度,认知原型,和过去的行为被发现明显预测意图和意愿参与RLR行为,预防安全干预措施需要重点解决这个问题。因此,未来的广告和教育相关的交通安全可以考虑创建图片的负面和不受欢迎的e-bikers违反红灯和增强的消极和不利的感知最典型的侵犯。例如,骑模拟可以让e-bikers体验交通事故或near-crashes信号交叉路口的他们RLR行为的结果,这可能使e-bikers直接感知的负面属性RLR行为。预计与将减少负面形象识别违反e-bikers e-bikers RLR行为。这种期望的结果支持Demir et al。56),表明识别摇把校园负面形象可以减少超速行为的发生率。同时,学校教育可以是一个重要的方法来改变或纠正个人态度和原型的看法,特别是纠正年轻人们的态度和认知原型40]。从本质上讲,过去的行为可以显示个人行为习惯(42]。因此,提出广告和教育,骑模拟,自动执行交通规则可能帮助e-bikers发展良好的骑乘习惯。此外,如果e-bikers要求参与者在电动自行车骑培训和通过一些骑的测试中,他们的非法骑马的习惯可能会被纠正。

4.3。局限性和未来的研究

本研究采用社会认知理论,包括图则、PWM,和TPB-PWM框架,理解e-bikers RLR行为。在以往的研究工作扩展e-bikers RLR行为调查的使用“框架。此外,应用PWM和TPB-PWM框架允许深入了解心理因素影响e-bikers RLR的行为。尽管如此,我们的工作仍有一定的局限性,需要关注和讨论。首先,研究样本包括e-bikers主要是女性,年龄差异大。先前的研究表明,男人还是年轻人更倾向于冒险开车时或者骑;还他们卷入交通事故的可能性更大(11- - - - - -15,57,58]。因此,研究样本的性别和年龄构成可能影响研究结果提出模型的框架。需要进行更全面的研究阐明性别和年龄差异的影响。其次,本研究的发现可能会受到自我报告数据固有的偏见的影响。具体来说,这种偏见可能导致低估过去的行为和后续RLR行为由于社会赞许性和回忆偏倚。虽然这项工作是由自愿和匿名问卷的使用来减少社会赞许性偏见,回忆偏倚仍然是需要解决的一个问题。第三,本研究的目标之一就是预测潜在RLR行为,这需要高精度测量后续RLR行为,而我们只有自我报告测量这个变量。因此,缺乏客观的测量后续RLR行为也是这项工作的主要限制。在未来的研究中,我们可以使用一些客观测量如电动自行车数据采集系统获得后续RLR行为的频率在给定时期内(一个月以上)在完成时间1问卷。本研究的第四个限制是假定使用电动自行车的参与者是等量的,而它显著不同参与者之间基于收集的度量的接触(例如,使用频率和多年的骑行体验)。 As the exposure might be correlated to the psychological variables, the study results would be altered. Therefore, the influence of the exposure factors on the psychological variables and behavior should be considered in future work.

5。结论

我们的研究结果表明,图则和PWM承诺为预测e-bikers理论框架的意图或愿意参与RLR行为,以及对于理解心理变量RLR行为的影响。此外,PWM和TPB-PWM框架被认为是优于图则框架在预测e-bikers RLR行为。目前的研究结果验证我们的假设,e-bikers RLR行为是由理性和社会反应决策,和后者的影响更强。在PWM模式中,态度,行为,和原型相似RLR意图和意愿的重要预测因子。原型的好感度的影响相对较弱RLR意图和意愿而对RLR行为产生了显著的直接影响。TPB-PWM模型,感知到的行为控制,过去行为的影响RLR目的是减少感知行为控制的实质影响RLR意图,但过去的行为仍然是一个关键因素在预测RLR行为。这些结果暗示的意义具体改变e-bikers的态度、感知行为控制、过去的行为和认知原型对RLR行为。因此,促成人们的设计更有效的干预是必要的,如广告和教育、培训项目(如模拟骑,骑训练,骑测试),和自动化交通规则执行。

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

作者宣称没有利益冲突有关的出版。

作者的贡献

t . Tang h . Wang和x周负责研究概念和设计。h·龚和王h .参与数据收集。t . Tang和h . h . Wang锣的结果进行分析和解释。t . Tang和x周准备草案手稿。所有作者回顾了结果,批准了最终版本的手稿。

确认

这项研究受到了自然科学基金的中国江苏高等教育机构(没有。19 kjb580003),南通城市的科技项目(没有。JC2019062),中国江苏省的科技项目(没有。BK20190926),中国国家自然科学基金委员会(没有。71601142),江苏省社会科学的应用研究基础(没有。19 syc - 110)。