文摘
本研究的目的是验证版本的驱动程序行为问卷(DBQ)通过考虑干扰,疲劳,和酒后驾车,交通事故的主要原因在中国,作为独立的部分行为和错误和进一步探索人口/驱动变量和所有的影响因素对风险参与(事故参与和处罚点)。241名司机都源于自我完善填写一个问卷有28个项目2018年8月在西安进行。探索性因素分析证实了五因素结构,包括违规,分心驾驶,错误,酒后驾车,疲劳驾驶。的频率异常驾驶行为表明,干扰是最普遍的行为之后,疲劳。结果表明,较低的司机教育和长年度里程与事故积极参与没有意义在处罚点。侵犯和干扰是重要的因素导致事故和处罚点。因此,通过建立有效的减少事故参与教育培训和有关法律或安装智能监控车辆设备改善安全警告司机。
1。介绍
随着生活水平的迅速提高,人们对私家车的需求逐渐增加,这也导致许多事故财产损失,伤害和死亡。166906年中国统计年鉴》报道称,车祸发生在2018年,46161人丧生。事故的主要原因包括超速、疲劳、注意力分散,醉酒驾车。和人为错误导致几乎90%的事故(1]。驾驶技能和行为极大地影响一个人暴露于事故的可能性(2]。一般来说,驾驶技术有关驾驶体验驾驶行为等因素相关司机的性别、年龄、习惯、性格,和traffic-driving环境(3- - - - - -5]。
探索异常驾驶行为之间的司机、原因等。4)提出一套驾驶行为问卷(DBQ)包括50项测量异常驾驶行为,分为3因素:违规行为,错误和失误。侵犯指故意未能遵守交通规则或行为对他人喇叭,如“超速,穿越红灯,超车,风险和鸣笛别人更快”。错误是指未能达到计划行为由于认知判断,虽然失误发生主要是因为注意力不集中或内存失败。此问卷是稳定和有效的探索异常驾驶行为(6),已被翻译,引用和修正在许多国家7- - - - - -9),帕克的27项DBQ et al。10被广泛使用。为了提供更好的理解司机的行为,劳顿et al。11)违反定义为普通的和激进的侵犯而Aberg和Rimmo [12)错误分为危险,注意力不集中和没有经验的错误。此外,Gueho et al。3)验证样本的DBQ法国司机和测量正驾驶行为(13)向其他用户问卷(3]。一般而言,学者们做他们最好的验证和细节DBQ取决于不同的文化特征和自然的驾驶行为。
然而,很少有研究考虑分心驾驶,疲劳驾驶,酒后驾车作为独立的部分违规和错误验证异常驾驶行为的结构。车载技术的快速发展,司机使用手机、导航系统、无线网络的可用性会导致更多的关注转向nondriving相关任务。导致高速公路事故的主要因素,造成高达25%的崩溃(14]。莱德斯马et al。15]发达区域的驾驶错误量表(ard)记录的频率注意力不集中和评估注意力不集中错误的倾向。但是物品是分心的后果(例如,没有注意到红绿灯)不是潜在来源,如称呼某人或读取消息,直接把司机的分心。疲劳驾驶是事故在许多国家(另一个主要原因16,17]。它导致每年至少100000事故在美国(18),占交通事故总数的20%(在中国19]。然而,调查问卷关于疲劳主要是指专业司机延长工作日或者开车时间(20.- - - - - -22]。项目描述驾驶员的主观疲劳状态的问卷非常少。除此之外,世界卫生组织的一项调查显示,50%到60%的人为因素造成的交通事故都与饮酒(23]。饮酒影响发生致命事故的速度(24]。因此,它是重要的添加物品包括干扰,疲劳,和酒后驾车验证传统DBQ和探索这些因素与风险之间的关系介入。
有一些研究探索人口/驱动变量与异常驾驶行为有关。结果表明,男性容易侵犯和错误,而女性倾向于失误(4,25,26]。年龄和年度里程也进入模型,验证相关违规行为和错误。年轻的司机或有更多的驾驶很容易侵犯和错误(4,6]。此外,司机的自我评价,对法律的态度,性格也与驾驶行为密切相关(5,27,28]。
人口/驱动变量之间的关系,异常驾驶行为,和风险的参与也是值得探索。大多数研究表明,违反(4,20.,29日),以及失误和错误(30.),是重要的因素,导致事故的发生。了解人口/驱动变量影响风险参与、学者进一步进入性别、年龄、年度里程,教育背景,和婚姻状况模型。一些研究表明,这些变量不相关事故31日,32),而一些显示,司机是年轻和年度里程长有较高的风险事故发生(3,33]。此外,研究示et al。34)和Vahedi et al。20.)表明,单一的司机宣布更多的事故。
因此,本研究的目的是:(1)提高问卷的结构考虑分心驾驶,疲劳驾驶,酒后驾车作为独立的部分从违法行为和错误;(2)探索人口/驱动变量之间的关系和异常驾驶行为;(3)有一个好的理解的异常驾驶行为和风险参与(事故和处罚点参与)。
2。材料和方法
2.1。参与者
进行了数据收集和使用都源于自我完善的横断面调查问卷在西安今年8月,2018年。和调查问卷分布主要是由研究生在停车场附近较大的购物中心、旅游景点、车站。之前记录的数据驱动程序,用来测试一个试点调查问卷的设计是否易于理解60司机,导致一些小的修正项的异常驾驶行为。这个调查的目的是明显的司机和鼓励他们准确地报告他或她的人口/驱动变量、风险参与体验,异常驾驶行为的频率。最后一个示例验证300名司机的驾照被面对面的访谈,收集和59问卷被排除在问卷,因为不完整的和明显的错误。因此,总共241名司机(193男,48岁女性)被纳入分析。表1显示司机的人口的分布/驾驶特点和风险参与。大多数司机的年龄在31岁至45岁,平均年龄36.60岁(SD = 7.38)。公布的统计数据显示,司机有一个平均9.71年的驾驶经验(SD = 5.9)的意思是33200年度里程(SD = 50700)。有显著区别男性和女性之间的数据驱动的人口分布。样例男性司机宣布更多的驾驶体验和年度里程。女性取得了他们的驾驶技能更多的普通或贫穷而男性认为是优秀的。其它特征包括教育、婚姻状况和风险参与显示无显著差异。
2.2。材料
基于成熟的DBQ [4),一个新的改进版本的DBQ考虑事故产生的主要原因有28个项目,包括违规,分心驾驶,错误,酒后驾车,疲劳驾驶。违反被定义为故意偏离法律规则或与其他司机发生冲突,包含10项指的是普通的和侵略性的行为包括超速,闯红灯,频繁的换车道,穿过前斑马行人(例如,“超速时不监控;嘎司机在前面走得更快或让路”)。6个条目指错误,认知或经验不足的错误(例如,“未能判断迎面而来的汽车的速度和距离当超车;未能检查后/侧镜前巷变化”)。转移司机的注意力可以是内部或外部来源。这部分包括5项描述内部的分心的行为,因为人或智能设备,包括与乘客交谈,要求某人,和操作车载系统。三个项目对应于司机的频率下降的疲劳(例如,“经常困因为睡眠时间不足或开车时更高的工作压力;突然醒来后开车在高速公路上很长一段时间”),和项目主要描述疲劳事实因为睡眠不足,大量的开车,和单调的驾驶环境。剩下的物品被定义为酒后驾车,项目主要是指酒后醉驾司机的态度(例如,“开车后一点酒精在没有警察; Drive back even though you may be over the legal blood-alcohol limit”). For each item, drivers were asked to choose one scale of the frequency about aberrant behaviours described, and the five-point scale was ranging from “1 = never” to “5 = nearly all the time”.
此外,信息驱动的性别、年龄、婚姻状况、教育背景、驾驶经验,年度里程,驾驶技能的得分记录。伟大的理解之间的关系异常行为和风险参与、接受处罚点过去一年和事故历史在过去3年也聚集。
2.3。方法
揭示的整体分数DBQ项目,应用描述性统计。旋转主成分分析(PCA)和最大方差法和迭代被用来测试DBQ的空间结构。崩落的情节和Kaiser准则(一个特征值高于1.00被认为是一个重要的价值)是用来确定提取维度的数量。和因子负荷高于0.40被用作标准物品保留在DBQ组件(20.,35]。测试量表的内部一致性和可靠性,克伦巴赫(α)的计算。
提出了多元回归模型来研究人口/驱动变量与异常驾驶行为和两个二进制逻辑模型被用来评估人口/驱动变量之间的关系,异常行为和风险参与(事故和处罚点)。此外,二分变量(yes / no)对事故参与(0 =没有崩溃在最近3年,1 =至少一个崩溃)和处罚点(0 =处罚分小于或等于2点在去年和1 =处罚分超过2分)被定义为因变量的二进制逻辑模型。被发现显著的变量在95%的置信区间。这些在SPSS 26.0进行了统计分析。
3所示。结果与讨论
3.1。结果
3.1.1。项目司机行为的问卷调查
表2显示了每一项的均值和标准差的DBQ改善。最常见的行为是与乘客交谈和其他物品的分心,这表明,干扰更严重的异常行为。其次是疲劳行为。违反项,“晚上看到车头灯,把车灯太“高得分,显示攻击性行为是重的。超速的频繁的行为意味着1.77 (SD = 0.88),也有较高的得分。项”,未能注意到为行人和骑自行车的人让路的迹象,“最高报告错误。正如所料,酒后驾车的频率是最低的,因为严重的法律惩罚。
3.1.2。主成分分析(PCA)司机行为的问卷调查
为了探索的空间结构改善DBQ, PCA的方差极大旋转和迭代应用。确定是否适合成分分析,Kaiser-Meyer-Olkin测试和Bartlett的进行了测试,结果是令人满意的(KMO = 0.862,值< 0.001)。七个因子的特征值高于1和0.4的分界点是用于项目加载值。结果表明,4因素3和因素都是关于分心而因子6和因子7对应错误,所以3和4因素被合并成一个因素,分心驾驶,6和7的因素组合成错误。最后,五因素结构解决方案占总方差的56.45%。克伦巴赫的α阿尔法被计算为每个规模和范围从0.622到0.860的结果。这项研究的结果发表在桌子2。
第一个因素,“违规”,解释方差的26.07%。它包括10项:4项是激进的侵犯和其他物品都是普通的违规行为。第二个因素,“分心驾驶”,解释方差的9.40%。所有项目倾向于记录的频率干扰,因为某人或其他车载设备。第三个因素,“错误”,解释方差的8.02%。它包括6项,主要是关于认知和经验不足的错误。第四个因素,“酒后驾车”,解释了7.38%的方差项承诺司机喝酒后的态度。最后一个因素,“疲劳驾驶”,解释方差的5.58%。所有项目与疲劳因为睡眠问题,工作压力和无聊的驾驶情况。
3.1.3。变量与大五的分数
探讨人口/驱动变量之间的关系和异常驾驶行为,五建立了多元回归模型。标准化回归系数和重要性水平如表所示3。解释变量包括二分变量(性别、婚姻状况、教育背景和驾驶技能的分数)和连续变量(年龄、驾驶体验和年度里程)。和解释变量的值如表所示4。
违反有关与性别、年龄、和大量的驾驶技能。男性司机驾驶技能的年轻和自信宣布更多的侵犯。这些变量的方差占6.0%违反分数。所有的变量都对酒后驾车不显著。预测了报道分心驾驶司机的年龄和驾驶技能的分数。司机驾驶技能的年轻和自信更有可能参与nondriving相关任务,和这些变量的方差占5.0%分心的分数。报告的错误与性别和年龄有关。年轻的男性明显容易犯错误。这两个变量的方差占4.0%错误的分数。疲劳驾驶也是与男性有关,占4.0%的方差疲劳得分。 The marital status, driving experience, and annual mileages were not significant to the aberrant driving behaviours.
3.1.4。与风险有关的因素参与
探讨人口/驱动变量之间的关系,异常驾驶行为和风险参与,两个二元逻辑回归模型进行。崩溃和处罚点是因变量,分别与人口/驱动变量和五DBQ分数作为解释变量。结果如表所示5。参与事故的第一个模型是可靠的(χ2 = 62.26,df = 12, , Hosmer-Lemeshow测试)和第二(χ2 = 25.26,df = 12, , Hosmer-Lemeshow测试)。总体来看,69.3%的预测模型是准确的。第一个模型成功预测76.8%的司机没有事故,61.2%的人至少有一个崩溃。第二个模型成功预测91.0%的司机没有偶然,只有29.4%至少有一个崩溃。
第一个模型表明,司机较低教育背景和较长的年度里程宣布更崩溃而第二个模型没有发现显著的人口/驱动变量与处罚点。侵犯和干扰呈正相关事故的参与和处罚点。错误,疲劳,和酒后驾车没有显著相关的变量。
3.2。讨论
本研究的目的是验证的结构DBQ样本的中国司机和精确地探索人口/驱动变量之间的关系,异常驾驶行为和风险参与。
3.2.1之上。验证DBQ的结构
前的异常驾驶行为研究主要分为3部分:违规行为,错误,和失误4]。劳顿et al。11)违反分为普通的和侵略性的侵犯。错误也分化成经验不足,注意力不集中,和危险的错误(3]。疲劳和酒后驾车的物品包括违反,而干扰都包含在错误或疏忽的错误。准确理解异常驾驶行为,疲劳驾驶和酒后驾车违反分开作为两个独立的部分以及分心驾驶的错误。
新的DBQ由28项,主成分分析了五因素结构。问卷的信度和效度表明,因子结构是可靠的。产生的违规行为和错误的项目主要是根据原因的DBQ4]。也有一些项目补充道,因为复杂的电机和nonmotor混合交通或车辆不让位给行人在中国21]。分心的设计项目主要倾向于司机的注意力从驾驶任务转移到车载设备,有不同的疏忽错误指的是驾驶的后果。问卷调查的结果表明,干扰是最严重和频繁的自然驾驶的行为,特别是在操作车载设备或打电话的人。这一发现与研究在美国由施罗德(36)发现,司机开车时参与包括与其他乘客,调整汽车收音机,手机拨打和接听电话,并使用智能手机的驾驶方向。项目主要为疲劳设计指着司机没有良好的睡眠习惯或更高的工作压力和单调的驾驶环境。这些物品的答案显示司机的态度和日常对疲劳状态。和结果表明,疲劳驾驶是另一个常见的行为。酒后驾车的物品容易开车司机的道德规范和态度。这个因素的得分较低的其他因素,这说明酒后驾车的处罚对交通安全的影响很大。一般来说,新DBQ丰富了传统的结构在中国通过增加事故的重要原因。
3.2.2。人口/驱动变量之间的关系,异常驾驶行为和风险参与
结果表明,男性司机宣布比女司机违规行为,符合许多其他研究[3,4,25,26]。也有性别差异在男性司机宣布更多的错误错误,如未能注意到迹象或行人,这是符合男性的文学报告违规行为,错误和失误(33]。结果也表明,雄性宣布更多的疲劳,这是与之前的研究一致(37]。结果可能是因为大多数样本是男性司机里程更长。预期,结果没有发现性别差异在酒后驾车,这可以解释,交通法规禁止酒后驾车有重要意义遏制酒后开车。
发现年轻司机宣布更多的违反与先前的文献保持一致(3,4]。相关的错误也随着年龄的增长,这是符合先前的研究,错误随着年龄下降(6,31日)没有不同意见,错误随着年龄的增加20.,25]。老司机有更多的驾驶体验,所以发生了错误低于年轻。分心驾驶的物品主要包括分散由于车载智能设备,因此,年轻有较高的倾向分心。然而,结果没有发现一个协会之间的年龄和疲劳或酒后驾驶。可能是年龄的原因主要是参与31 - 45岁的岁,小时每天少开车。因此,它不是专业司机相比更容易感到疲劳。更严重的交通法规的禁止酒后驾驶,司机都尽力表现得遵守法律,所以没有发现年龄和酒后驾车之间的关系。此外,司机与他们的驾驶技术有信心容易违反和分心,这是符合结果的原因等。4),司机认为自己是高水平的驾驶技能往往更多的侵犯。与自信的驾驶技能,驾驶员可能放松,更多的关注从公路转移到车载设备,这使得司机疏忽和添加侵犯的机会。然而,司机的婚姻状况、驾驶经验,和年度里程没有显著相关的五个因素。
结果表明,较低的司机的教育背景和较长的年度里程宣布更多的事故,这是符合文献,较长的司机里程高崩溃倾向[3,6,20.]。与年度里程长,司机暴露在路的机会更大,因此事故更容易发生。然而,研究Vahedi et al。20.)没有发现意义之间的教育背景和事故。其他人口/驱动变量没有发现显著相关的事故,这是不符合单一的研究20.,34和年轻的司机3,4,10)更有可能参与了事故。此外,人口/驱动变量之间没有相关性和处罚点被发现。
研究结果表明,事故归因于侵犯是关键因素,这是符合先前的研究[3,4,6,10,29日,31日]。研究还发现,侵犯和分心驾驶以事故参与和处罚分呈正相关。然而,结果没有发现疲劳和风险参与之间的正相关关系,这是不符合王等人的研究。22)发现疲劳崩溃参与呈正相关。样本不专业的原因可能是司机少开车小时比专业和工作负载。酒后驾车和风险之间没有意义的参与。这可能是解释为更严重的法律惩罚酒后驾车。因此,重要的是要提出更多的交通法规和罚款来改善交通安全(21]。
4所示。结论
大多数以前的研究已经把DBQ分为3-5-factor结构,包括普通/积极的违反和注意力不集中/经验/危险的错误。小研究与细分结构的事故的原因,所以本研究的目的是验证的DBQ划分干扰,疲劳,和酒后驾车违法行为和错误。此外,人口/驱动变量之间的关系和异常驾驶行为研究。结果表明,男性司机宣布更多的违反,错误,和疲劳驾驶。和年轻司机倾向于更多的违反,分心,和错误。司机有信心在他们的驾驶技能容易导致侵犯和干扰。人口/驱动变量之间的关系,异常驾驶行为和风险较低的参与表示,司机教育和更高的年度里程宣布更多的事故。侵犯和分心驾驶以事故参与和处罚分呈正相关。因此,本文的研究结果可用于介入司机的异常行为。是有效建立教育培训或相关法律或安装智能车辆监控设备以避免司机的违规和干扰降低风险的参与。
5。限制
本研究主要包括以下的限制。(1)异常驾驶行为记录的频率都源于自我完善问卷,所以司机可能受到社会心理预期的影响和响应不诚实,这将影响后续分析。(2)样本不大和平衡人口/驱动变量和不包括其他城市。(3)此外,DBQ问卷结构的稳定性可以影响不同DBQ物品,驾驶环境和文化。因此,这种结构的适用性应测试在不同的国家。一般来说,问卷调查的结果有显著相关司机的自然的驾驶行为,因此其结构可以客观地度量异常驾驶行为。进一步研究异常驾驶行为之间的关系和风险参与,真正的驾驶实验的数据在一项研究38)也必须被记录下来。
数据可用性
的数据参与应对DBQ可从相应的作者((电子邮件保护))。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究受到了中国国家重点研发项目(2019 yfb1600302),中央大学的基础研究基金(冠心病:300102219210和冠心病:300102210201),和111年在中国西部城市群的可持续交通工程(没有。B20035)。作者要感谢参与者的合作。