趙成勇
(長(zhǎng)安大學(xué)經(jīng)濟(jì)與管理學(xué)院,西安 710064)
當(dāng)今社會(huì)經(jīng)濟(jì)的高速發(fā)展,極大程度帶動(dòng)了人們對(duì)于公共交通的需求,公共交通安全隱患也漸漸成為一種社會(huì)上普遍存在的問(wèn)題。2018年10月28日10時(shí)08分重慶萬(wàn)州公交車(chē)墜江事件,給受害家庭和社會(huì)帶來(lái)了巨大的精神和財(cái)產(chǎn)損失。目前,以“重慶墜江公交車(chē)”為關(guān)鍵詞,在搜索引擎上搜索到的帖子數(shù)已經(jīng)高達(dá)12000000帖;而以“2018年公共交通安全事故”為關(guān)鍵字,在搜索引擎上搜索到的帖子更是高達(dá)30300000帖。由此可見(jiàn),人民群眾對(duì)公共交通安全極為重視,這也更加彰顯了探索公共交通安全感知及其影響因素的迫切性。
重慶公交車(chē)墜江事件觸動(dòng)了社會(huì)公眾對(duì)公共交通服務(wù)安全問(wèn)題新的反思。因此,本文從理論層面歸納了影響社會(huì)公眾對(duì)城市公共交通服務(wù)安全態(tài)勢(shì)感知機(jī)理,在此基礎(chǔ)上構(gòu)建了社會(huì)公眾對(duì)城市公共交通服務(wù)安全感知的結(jié)構(gòu)方程模型,并以分層抽樣的方法,通過(guò) “RP問(wèn)卷調(diào)查方法”和“SP問(wèn)卷調(diào)查方法”相結(jié)合,獲取調(diào)查數(shù)據(jù)并據(jù)此對(duì)模型進(jìn)行分析,得出重大公共交通安全事故影響下社會(huì)公眾對(duì)城市公共交通安全感知特征及影響因素,并提出相應(yīng)的應(yīng)對(duì)策略。近年來(lái)中國(guó)城市公共交通事故情況見(jiàn)表1。
表1 2015-2018年中國(guó)城市公共交通事故數(shù)據(jù)
目前來(lái)講,對(duì)于現(xiàn)階段交通方面的安全態(tài)勢(shì)感知的課題研究,是一個(gè)較為嶄新的研究領(lǐng)域。當(dāng)今國(guó)際社會(huì)經(jīng)濟(jì)發(fā)展極為迅速,國(guó)際公共交通需求也日益上升,使得不安全的交通因素增加,因此安全感知對(duì)于公共交通的安全與穩(wěn)定顯得極為重要。
在此列舉兩例文獻(xiàn)中國(guó)際上的研究與事例:
(1)國(guó)際上有學(xué)者對(duì)于澳大利亞的布里斯班和丹麥的哥本哈根這兩個(gè)以自行車(chē)為主要交通工具的城市進(jìn)行了此類(lèi)的課題研究,比較了兩個(gè)城市的居民使用自行車(chē)時(shí)的安全感知。以?xún)蓚€(gè)城市居民的安全感知改善城市道路交通管理,進(jìn)一步保障了城市公共交通安全。
(2)美國(guó)有家航空公司曾遭受了恐怖襲擊,使得航空交通對(duì)旅行者的吸引力下降,其主要原因便是襲擊過(guò)度加重了乘客消極的安全感知。為解決此問(wèn)題,航空公司便推出員工的微笑客戶(hù)服務(wù),大大降低了乘客對(duì)于航空的安全感知,解決了吸引力下降問(wèn)題。
總的來(lái)說(shuō),在公共交通安全態(tài)勢(shì)感知領(lǐng)域,目前國(guó)際上并沒(méi)有很多的研究,大多停留在安全感知有何作用方面。而本團(tuán)隊(duì)所研究的“對(duì)于城市居民公共交通服務(wù)的安全感知及影響因素的研究”,正是以“重慶公交車(chē)墜江事件”為切入點(diǎn),借鑒目前國(guó)際研究水平及成果,進(jìn)一步探索公共交通安全感知的主要影響因素。
結(jié)構(gòu)方程模型在社會(huì)科學(xué)研究中是一個(gè)非常好的方法。在社會(huì)科學(xué)以及經(jīng)濟(jì)、市場(chǎng)、管理等研究領(lǐng)域已得到普遍使用。在公共交通安全感知等社會(huì)科學(xué)研究中,結(jié)構(gòu)方程模型更是很好地把明顯的影響因素(觀測(cè)變量)和看不到的、隱藏的影響因素(潛變量)聯(lián)系到一起,分析兩者之間的因果關(guān)系,然后通過(guò)結(jié)構(gòu)圖形將兩者之間的具體關(guān)系數(shù)值直觀反映出來(lái),最后得出結(jié)論。
城市居民對(duì)于公共交通安全的態(tài)勢(shì)感知往往與城市居民的相關(guān)事情經(jīng)歷、相關(guān)安全知識(shí)、心理感知敏感程度以及自身冒險(xiǎn)傾向有關(guān)。這些影響因素皆是不可見(jiàn)的,因此需要與他們相對(duì)應(yīng)的觀測(cè)變量來(lái)將其反映出來(lái)。根據(jù)傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)分析方法,不可能對(duì)于諸多的因素及其因果關(guān)系進(jìn)行分析,結(jié)構(gòu)方程模型便可以很好地解決這個(gè)問(wèn)題,這在極大程度上彌補(bǔ)了傳統(tǒng)數(shù)據(jù)統(tǒng)計(jì)分析方法在這方面的不足。
社會(huì)公眾對(duì)城市公共交通安全感知受公眾個(gè)體特征、重大公共交通事件、安全知識(shí)、心理危機(jī)、公共交通安全意識(shí)等因素影響。本文從此五個(gè)因素分析并闡述城市公共交通安全感知機(jī)理。
公眾個(gè)體特征,包括年齡、性別、受教育程度等因素將直接影響到安全感知程度,不同個(gè)體對(duì)于相同環(huán)境有不同的感受,從而產(chǎn)生不同程度的安全感知。
重大公共交通事件,通過(guò)調(diào)查公眾對(duì)于社會(huì)上發(fā)生的重大公共交通事件的了解,以及公眾自身在公共交通出行中所經(jīng)歷過(guò)的事故描述,發(fā)現(xiàn)公眾了解的公共交通安全重大事件的程度不同、自身經(jīng)歷的公共交通事故不同,都會(huì)在相同條件下產(chǎn)生不同程度的安全感知。了解公共交通安全重大事件程度較大、經(jīng)歷過(guò)嚴(yán)重公共交通事故的個(gè)體對(duì)下次乘坐公交的心理影響較大,會(huì)產(chǎn)生更強(qiáng)的安全感知。
安全知識(shí),由個(gè)體所具備的對(duì)相關(guān)公共交通安全知識(shí)的了解程度描述,具備更完善的安全知識(shí)會(huì)在相同環(huán)境下產(chǎn)生更高的安全感知。
心理危機(jī),由個(gè)體面對(duì)公共交通環(huán)境、司乘關(guān)系時(shí)的感受等因素所描述,心理反應(yīng)越強(qiáng)烈的個(gè)體將會(huì)產(chǎn)生更強(qiáng)的安全感知。
公共交通安全意識(shí),由個(gè)體在面對(duì)不同公共交通環(huán)境下的表現(xiàn)描述,面對(duì)相同的公共交通環(huán)境,表現(xiàn)越明顯行為越主動(dòng)表明個(gè)體公共安全意識(shí)越強(qiáng),從而在相同環(huán)境下產(chǎn)生的安全感知程度越高。
重大公共交通事件和公共交通安全意識(shí)首先對(duì)心理危機(jī)產(chǎn)生影響,間接影響到安全感知,公眾個(gè)體特征、安全知識(shí)和心理危機(jī)則直接影響到公眾的安全感知。具體而言,重大公共交通事件和公共交通安全意識(shí)能夠影響公眾乘坐心理危機(jī)感,產(chǎn)生安全感知,重大公共交通事件也可以直接影響個(gè)體對(duì)其他因素的判斷導(dǎo)向。同時(shí),公眾的心理危機(jī)會(huì)對(duì)其安全知識(shí)產(chǎn)生影響,然后進(jìn)一步在安全感知中體現(xiàn)出來(lái),也可以直接影響到公眾的安全感知。分析得出,五種因素之間都存在影響關(guān)系,在這些關(guān)系之下,共同影響著公眾的安全感知。
城市公共交通安全感知結(jié)構(gòu)模型如圖1所示。
圖1 城市公共交通安全感知結(jié)構(gòu)模型
結(jié)構(gòu)方程模型綜合了方差分析、回歸分析、路徑分析和因子分析,能夠?qū)Τ橄蟮母拍钸M(jìn)行估計(jì)與檢定,通過(guò)構(gòu)建潛變量的假定模型,從而探索和檢驗(yàn)潛變量之間的因果關(guān)系。
結(jié)構(gòu)方程模型由測(cè)量方程和結(jié)構(gòu)方程組成。測(cè)量方程表示潛在變量和他們的測(cè)量變量之間的關(guān)系,結(jié)構(gòu)方程表示潛在變量和觀測(cè)到的變量之間的相互關(guān)系。
測(cè)量方程:
式中,Y為內(nèi)生潛變量指標(biāo)向量;X為外生潛變量指標(biāo)向量;ΛY和ΛX為觀測(cè)變量與潛變量的關(guān)系,即因子載荷矩陣;η和ξ分別表示內(nèi)生潛變量與外生潛變量;ε和δ表示內(nèi)生觀測(cè)變量與外源觀測(cè)變量被潛變量解釋不完全的測(cè)量殘差。
結(jié)構(gòu)方程:
式中,B為內(nèi)生潛變量之間的系數(shù)矩陣;Γ1為外生潛變量對(duì)內(nèi)生潛變量的系數(shù)矩陣;I為可觀測(cè)變量(性別、年齡等個(gè)人特征);Γ2為可觀測(cè)變量對(duì)內(nèi)生潛變量的系數(shù)矩陣;ζ為殘差向量。
基于城市公共交通安全感知機(jī)理,模型選用變量包括公眾個(gè)人特征、重大公共交通事件、安全知識(shí)、心理危機(jī)、公共交通安全意識(shí)及安全感知六個(gè)方面作為潛變量。其中公眾個(gè)人特征、重大公共交通事件、安全知識(shí)作為解釋變量;心理危機(jī)、公共交通安全意識(shí)作為部分中介,安全感知作為結(jié)果變量。各潛變量及其觀測(cè)變量描述見(jiàn)表2。
2.4.1 問(wèn)卷設(shè)計(jì)
為有效調(diào)查公共交通受眾的公共安全感知,本研究結(jié)合公共交通受眾群體特點(diǎn)、安全感知影響因素等內(nèi)容,采用RP/SP問(wèn)卷相結(jié)合的方式設(shè)計(jì)標(biāo)準(zhǔn)化的問(wèn)卷試題。根據(jù)調(diào)研目的和研究需求,問(wèn)卷問(wèn)題測(cè)評(píng)采用標(biāo)準(zhǔn)Likert 5點(diǎn)量表形式,通過(guò)用不同的程度語(yǔ)言代表對(duì)問(wèn)題看法的五個(gè)程度檔。
采用標(biāo)準(zhǔn)Likert 5點(diǎn)量表,1表示“不擔(dān)心”,5表示“很擔(dān)心”。研究所設(shè)計(jì)的調(diào)查問(wèn)卷主要包括6部分:公眾個(gè)體特征、重大公共交通事件、安全知識(shí)、心理危機(jī)、公共交通安全意識(shí)以及公共交通的安全感知。公眾個(gè)體特征包括被調(diào)查者的性別、年齡、學(xué)歷等。
表2 潛變量及其觀測(cè)變量
2.4.2 信度效度分析
(1)信度分析。本研究采用克隆巴赫系數(shù)(Cronbach's Alpha)進(jìn)行問(wèn)卷數(shù)據(jù)信度分析。通常Alpha系數(shù)的值在0和1之間,達(dá)到0.7-0.8時(shí)表示量表具有相當(dāng)?shù)男哦龋_(dá)0.8-0.9時(shí)說(shuō)明量表信度非常好。
本次調(diào)查中,除公共交通安全意識(shí)這個(gè)潛變量Alpha系數(shù)為0.475外,其他各項(xiàng)潛變量Alpha系數(shù)均達(dá)到了0.7以上(表3),且總量表Alpha系數(shù)達(dá)到0.734(表4),表明本次調(diào)查量表具有相當(dāng)?shù)目尚哦取?/p>
(2)效度分析。本研究通過(guò)KMO檢驗(yàn)和巴特利特(Bartlett's)球狀檢驗(yàn)進(jìn)行問(wèn)卷數(shù)據(jù)效度分析。
KMO(Kaiser-Meyer-Olkin)檢驗(yàn)是用于比較變量間簡(jiǎn)單相關(guān)系數(shù)和偏相關(guān)系數(shù)的指標(biāo)。KMO統(tǒng)計(jì)量取值在0和1之間。KMO值越接近于1,意味著變量間的相關(guān)性越強(qiáng),原有變量越適合作因子分析。
Bartlett's球度檢驗(yàn)用于檢驗(yàn)相關(guān)陣中各變量間的相關(guān)性,即檢驗(yàn)各個(gè)變量是否各自獨(dú)立。當(dāng)P值小于或等于0.01時(shí),表示問(wèn)卷數(shù)據(jù)適用。
在本次調(diào)查中,KMO數(shù)值為0.708,BartlettP值為0.000(表5),說(shuō)明本次問(wèn)卷調(diào)查可進(jìn)行探索性因子分析。
運(yùn)用AMOS 22.0軟件對(duì)所建立的城市公共交通安全感知結(jié)構(gòu)方程模型及數(shù)據(jù)進(jìn)行分析,選取擬合度 指 標(biāo) χ2/DF、GFI、RMSEA、IFI、CFI、PNFI、PGFI、TLI,結(jié)果見(jiàn)表6??梢园l(fā)現(xiàn),所建立的城市公共交通安全感知結(jié)構(gòu)方程模型各項(xiàng)擬合指數(shù)理想,模型整體擬合度較好,說(shuō)明模型可以接受且能夠反映安全感知影響因素關(guān)系。
通過(guò)AMOS 22.0運(yùn)行結(jié)構(gòu)方程路徑分析,得到各變量對(duì)安全感知影響的路徑系數(shù)見(jiàn)表7。
可見(jiàn),重大公共交通事件對(duì)心理危機(jī)的影響路徑顯著性水平在0.05以下,說(shuō)明重大公共交通事件對(duì)心理危機(jī)存在顯著正向影響,重大公共交通事故經(jīng)歷會(huì)導(dǎo)致城市居民在相同環(huán)境下產(chǎn)生更強(qiáng)烈的心理危機(jī)感。心理危機(jī)對(duì)安全知識(shí)亦存在顯著正向影響。心理危機(jī)對(duì)安全感知的路徑系數(shù)為0.9157,說(shuō)明心理危機(jī)對(duì)安全感知存在強(qiáng)烈正向影響作用。安全知識(shí)對(duì)安全感知的影響路徑及公共交通安全意識(shí)對(duì)心理危機(jī)的影響路徑顯著性水平均高于0.05,可能安全知識(shí)對(duì)于安全感知及公共交通安全意識(shí)對(duì)心理危機(jī)的的影響作用不大。綜合以上影響路徑分析,重大公共交通事件對(duì)心理危機(jī)有著顯著正向影響作用,心理危機(jī)對(duì)安全知識(shí)及安全感知存在顯著正向影響,尤其對(duì)安全感知影響作用最大。影響路徑關(guān)系如圖2所示。
部分變量雖沒(méi)有表現(xiàn)出顯著的直接效應(yīng),卻可以通過(guò)其他中間變量進(jìn)而產(chǎn)生間接效應(yīng)。間接效應(yīng)是由中介變量引起的,總效應(yīng)是直接效應(yīng)和間接效應(yīng)的總和。變量的間接效應(yīng)和總效應(yīng)見(jiàn)表8??梢?jiàn)重大公共交通事件和公共交通安全意識(shí)對(duì)安全知識(shí)及安全感知存在明顯間接效應(yīng),尤其是重大公共交通事件通過(guò)對(duì)心理危機(jī)的顯著直接效應(yīng),對(duì)安全知識(shí)及安全感知的顯著間接影響,從而對(duì)安全感知產(chǎn)生總影響效應(yīng)。
表3 潛變量信度檢驗(yàn)
表4 可靠性統(tǒng)計(jì)
表5 KMO和巴特利特檢驗(yàn)
表6 城市公共交通安全感知結(jié)構(gòu)方程模型擬合指數(shù)
表7 潛變量路徑檢驗(yàn)結(jié)果
圖2 結(jié)構(gòu)模型路徑分析結(jié)果
研究結(jié)果顯示,重大公共交通安全事件、安全知識(shí)、心理危機(jī)和公共安全意識(shí)四個(gè)潛變量對(duì)于公眾的安全感知均有不同程度的直接與間接影響。心理危機(jī)對(duì)安全感知存在顯著正向影響,重大公共交通事故經(jīng)歷導(dǎo)致城市居民在相同環(huán)境下產(chǎn)生更強(qiáng)烈的心理危機(jī)感,通過(guò)對(duì)心理危機(jī)的顯著直接效應(yīng),對(duì)安全知識(shí)及安全感知存在顯著間接影響,從而對(duì)安全感知產(chǎn)生總影響效應(yīng),影響城市居民公共交通安全感知。
面對(duì)重慶公交墜江事件引起的巨大社會(huì)輿論,城市公共交通管理部門(mén)應(yīng)制定預(yù)防此類(lèi)事故發(fā)生的相關(guān)政策。如:(1)多部門(mén)聯(lián)合召開(kāi)全面加強(qiáng)公共交通安全,從嚴(yán)懲危害公共安全的各類(lèi)違法犯罪行為、為車(chē)輛配備必要的安全防護(hù)設(shè)施、制定出臺(tái)駕駛員突發(fā)情況處置操作規(guī)范等多方面全面加強(qiáng)公共交通安全穩(wěn)定工作。(2)公交企業(yè)應(yīng)積極采取措施,制定一系列關(guān)心關(guān)愛(ài)駕駛員的有效政策并加以落實(shí),加強(qiáng)駕駛員自我心理疏導(dǎo)能力的輔導(dǎo)和培訓(xùn),時(shí)刻關(guān)注他們的心理動(dòng)向,把駕駛員的心理健康作為重要的工作內(nèi)容抓好抓扎實(shí)。(3)交通行業(yè)管理部門(mén)要對(duì)廣大公交駕駛員心理輔導(dǎo)工作提供必要的保障和支持,加強(qiáng)對(duì)公共交通相關(guān)安全準(zhǔn)則的宣傳力度,建立健全保障公共交通安全機(jī)制,加強(qiáng)管理力度。(4)作為乘客,要安全、文明、有序乘車(chē),避免和公交駕駛員發(fā)生任何沖突,看到?jīng)_突及時(shí)制止,切忌不能干擾駕駛員的駕駛行為。(5)此外,面向未來(lái)的情景下,可考慮將無(wú)人駕駛公交納入城市公共交通運(yùn)營(yíng)體系等。(6)本次調(diào)查證實(shí)了重大交通安全事件對(duì)于公眾的安全感知存在著極大的影響,故各城市交通管理部門(mén)應(yīng)盡力處理好每項(xiàng)重大公共交通事件,給予城市居民較高的安全感。
表8 各變量間變量間接效應(yīng)和總效應(yīng)