劉海玥， 付川云,2， 夏亮

(1.西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院， 四川 成都 611756；2.西南交通大學(xué) 綜合交通運(yùn)輸智能化國家地方聯(lián)合工程實(shí)驗(yàn)室， 四川 成都 611756)

交通違法行為是導(dǎo)致交通事故的主要原因之一。相對于研究交通事故，研究交通違法行為更具有價值，因?yàn)槠渖形丛斐珊蠊铱裳芯繕颖据^多?，F(xiàn)有研究表明，駕駛?cè)说纳鐣丝谔卣髋c自我報(bào)告的交通違法行為密切相關(guān)，即具有某些社會人口特征的駕駛?cè)烁鼉A向于交通違法。

社會人口特征包括性別和年齡。Kontogiannis T.等認(rèn)為男性比女性更易發(fā)生交通違法行為，這和大部分研究結(jié)論一致。部分研究則提出了相反的觀點(diǎn)，如Susilo Y. O.等認(rèn)為女性摩托車騎車人交通違法行為多于男性騎車人。除性別外，年齡也影響駕駛?cè)私煌ㄟ`法行為。相關(guān)研究表明，年輕駕駛?cè)诉`反交通法規(guī)的次數(shù)比年長駕駛?cè)硕啵贻p男性駕駛?cè)耸亲罹呓煌ㄟ`法行為傾向的群體。受教育程度、駕齡等社會人口特征亦影響駕駛?cè)私煌ㄟ`法行為。Akaateba M. A.等認(rèn)為教育程度與超速有關(guān)，受教育程度較高時，超速頻率下降；Tseng C. M.則認(rèn)為受過高等教育的駕駛?cè)烁鼉A向于超速。在駕齡方面，Zhang G. G.等認(rèn)為駕齡小于2年的駕駛?cè)烁壮伲籗agberg F.、Mohammed N. P.等認(rèn)為隨著駕駛經(jīng)驗(yàn)的增加，違反交通規(guī)則的可能性會增加。已有文獻(xiàn)主要研究社會人口特征與交通違法行為之間的關(guān)系，但鮮有研究探索社會人口特征對多次交通違法行為(一年內(nèi)交通違法2次及以上)的影響。因此，該文通過線上及線下問卷調(diào)查，搜集駕駛?cè)松鐣丝谔卣骷捌渥罱荒陜?nèi)交通違法次數(shù)等信息，分析多次交通違法的影響因素，為遏制交通違法行為提供方向。

1 數(shù)據(jù)和研究方法

1.1 問卷調(diào)查

1.1.1 問卷設(shè)計(jì)

通過問卷調(diào)查搜集駕駛?cè)松鐣丝谔卣骷捌渥罱荒陜?nèi)交通違法次數(shù)等信息。為保證樣本數(shù)和研究質(zhì)量，同時開展線上和線下問卷調(diào)查，問卷內(nèi)容一致，涉及被調(diào)查駕駛?cè)松鐣丝谔卣?、日常駕駛車輛類型、最近一年內(nèi)交通違法次數(shù)共7類問題。根據(jù)現(xiàn)有研究成果，社會人口特征包括性別、年齡、駕齡、學(xué)歷和月收入。性別和年齡根據(jù)被調(diào)查者實(shí)際情況填寫；將駕齡劃分為1～2、3～5、6～10、11～15、16年及以上；學(xué)歷包括小學(xué)、初中、高中或職高、中專、本科或大專、碩士和博士；月收入包括3 000元以下、3 001～5 000、5 001～10 000、10 001～15 000及15 001元以上。另外，問卷還考慮駕駛?cè)巳粘ｑ{駛車輛類型，包括出租車、小客車、中客車、大客車、公交車、校車、小貨車、中貨車、大貨車、拖掛車和特殊車輛。被調(diào)查駕駛?cè)俗罱荒陜?nèi)交通違法次數(shù)包括0、1、2～3、4～6、7～10、11次及以上(見表1)。

表1 調(diào)查問卷設(shè)計(jì)

1.1.2 線上及線下問卷調(diào)查

線上調(diào)查將問卷做成網(wǎng)頁，于2017年10月26日—11月30日通過網(wǎng)絡(luò)通訊平臺邀請全國各地駕駛?cè)颂顚懻{(diào)查問卷。線下問卷調(diào)查于2017年11月22、23、28日在成都市人流密集地開展。剔除異常數(shù)據(jù)、信息不完整的問卷后，共搜集到404份線上調(diào)查問卷和202份線下調(diào)查問卷。

對線上和線下問卷調(diào)查數(shù)據(jù)均未進(jìn)行信度和效度檢驗(yàn)。這是因?yàn)閱柧碓O(shè)計(jì)較簡單；調(diào)查對象流動性大而無法進(jìn)行重復(fù)調(diào)查；針對社會人口特征、日常駕駛車型和最近一年內(nèi)交通違法次數(shù)的調(diào)查不涉及被調(diào)查者主觀意識，準(zhǔn)確性高。

1.2 自變量及因變量

根據(jù)調(diào)查問卷內(nèi)容，從社會人口特征和車型因素兩方面確定自變量。借鑒文獻(xiàn)[16]，將年齡劃分為≤24、25～33、34～44、45～59和≥60歲5個區(qū)間，并將≤24歲設(shè)置為基變量。其他因素分別以女性(性別)、1～2年(駕齡)、小學(xué)(學(xué)歷)、3 000元以下(月收入)、出租車(車型)作為基變量，剩余變量均設(shè)置為啞變量(見表2)。

為便于研究，根據(jù)被調(diào)查駕駛?cè)俗罱荒陜?nèi)交通違法次數(shù)確定其是否多次交通違法。將多次交通違法作為因變量，包括是(即多次交通違法)和否(即未多次交通違法)兩個值。

1.3 二元Logit模型和二元Probit模型

采用二元Logit模型分別對線上及線下問卷調(diào)查數(shù)據(jù)進(jìn)行分析。為確定多次交通違法行為研究的建議模型，同時采用二元Probit模型對問卷調(diào)查數(shù)據(jù)進(jìn)行分析。

二元因變量的廣義線性模型表達(dá)式為：

(1)

式中：y*為假設(shè)的不可觀察的因變量；β為系數(shù)；x為自變量；ξ為隨機(jī)誤差，以零為均值系統(tǒng)地分布。

表2 自變量描述

假設(shè)y表示可觀察的一個二元因變量，即多次交通違法，y=1表示多次交通違法，y=0表示未多次交通違法，它與不可觀察因變量y*間的關(guān)系為：

(2)

于是，有：

(3)

式中：F為ξ的累積分布函數(shù)。

1.3.1 二元Logit 模型

假設(shè)ξ服從logistic(u=0,σ=1)分布，其累積分布函數(shù)為：

(4)

根據(jù)式(3)和式(4)，得：

(5)

對式(5)變形，得到二元Logit模型的表達(dá)式：

(6)

從而得：

(7)

1.3.2 二元Probit 模型

假設(shè)ξ服從Normal(u=0,σ=1)分布，其累積分布函數(shù)為：

(8)

根據(jù)式(3)和式(8)，得：

(9)

進(jìn)而得到二元Probit模型的表達(dá)式：

(10)

利用IBM SPSS Statistics 19分別對二元Logit模型和二元Probit模型的參數(shù)進(jìn)行估計(jì)。模型擬合效果的好壞通過Pearson卡方檢驗(yàn)來判斷，Pearson卡方值的計(jì)算如下：

(11)

式中：k為單元格數(shù)；Ai為i水平下的觀察頻數(shù)；Ei為i水平下的期望頻數(shù)，Ei=npi；n為總頻數(shù)，n較大時，χ2統(tǒng)計(jì)量服從k-1個自由度的卡方分布；pi為i水平下的期望頻率。

若Pearson卡方檢驗(yàn)的P>0.05，則表明期望頻數(shù)和觀察頻數(shù)相差較小，擬合良好；若P<0.05，則擬合較差。

2 研究結(jié)果與分析

2.1 描述統(tǒng)計(jì)分析

2.1.1 基于線上問卷調(diào)查數(shù)據(jù)

對線上問卷調(diào)查數(shù)據(jù)進(jìn)行描述統(tǒng)計(jì)分析，結(jié)果見表3。被調(diào)查的404名駕駛?cè)酥?，男性?5.3%，女性占34.7%；多數(shù)駕駛?cè)四挲g為25～33歲，占37.1%，60歲以上僅占2%；被調(diào)查者整體學(xué)歷較高，其中本科/大專學(xué)歷占45%，碩士以上占40.1%；駕齡主要為1～2(37.4%)和3～5年(23.7%)；月收入以3 001～5 000(24%)和5 001～10 000元(32.7%)為主；絕大多數(shù)被調(diào)查駕駛?cè)?94.3%)駕駛小客車；最近一年內(nèi)有、無多次交通違法行為的駕駛?cè)朔謩e占40.6%和59.4%。

表3 基于線上問卷調(diào)查數(shù)據(jù)的描述統(tǒng)計(jì)

續(xù)表3

2.1.2 基于線下問卷調(diào)查數(shù)據(jù)

對線下問卷調(diào)查數(shù)據(jù)進(jìn)行描述統(tǒng)計(jì)分析，結(jié)果見表4。被調(diào)查的202名駕駛?cè)酥?，男性?0.8%，女性占29.2%；多數(shù)駕駛?cè)四挲g為25～33歲(37.1%)，60歲以上僅占1.5%；被調(diào)查者整體學(xué)歷較高，本科/大專學(xué)歷占54%；駕齡6年以下的占55%；月收入以3 001～5 000(37.2%)和5 001～10 000元(30.2%)為主；多數(shù)被調(diào)查駕駛?cè)?92.6%)駕駛小客車；最近一年內(nèi)有、無多次交通違法行為的駕駛?cè)朔謩e占46%和54%。

2.2 模型參數(shù)估計(jì)

2.2.1 基于線上問卷調(diào)查數(shù)據(jù)

分別利用二元Logit模型和二元Probit模型對線上問卷調(diào)查數(shù)據(jù)進(jìn)行擬合，參數(shù)估計(jì)結(jié)果見表5。兩模型的參數(shù)估計(jì)結(jié)果表明：年齡、駕齡、學(xué)歷、車型對多次交通違法行為無顯著影響，僅性別和月收入對多次交通違法行為有顯著影響。其中男性駕駛?cè)吮扰择{駛?cè)烁装l(fā)生多次交通違法；相對于月收入低于3 000元的駕駛?cè)?，月收入處于其他水平的駕駛?cè)烁鼉A向于多次交通違法，即月收入越高的駕駛?cè)硕啻谓煌ㄟ`法的可能性越大。該結(jié)果與Alver Y.等的研究結(jié)論相同，后者認(rèn)為高收入者比低收入者更易發(fā)生超速行為。月收入處于10 001～15 000元的駕駛?cè)硕啻谓煌ㄟ`法的可能性最大。

表4 基于線下問卷調(diào)查數(shù)據(jù)的描述統(tǒng)計(jì)

表5 基于線上問卷調(diào)查數(shù)據(jù)的模型參數(shù)估計(jì)結(jié)果

對比二元Logit模型和二元Probit模型參數(shù)估計(jì)結(jié)果，前者是后者的1.62～1.66倍。二者的Pearson卡方檢驗(yàn)結(jié)果見表6。二者的P值均大于0.05，均擬合較好；前者的Pearson卡方值遠(yuǎn)小于后者，二元Logit模型的擬合效果更好。

表6 基于線上問卷調(diào)查數(shù)據(jù)的模型Pearson卡方檢驗(yàn)結(jié)果

2.2.2 基于線下問卷調(diào)查數(shù)據(jù)

分別利用二元Logit模型和二元Probit模型對線下問卷調(diào)查數(shù)據(jù)進(jìn)行擬合，參數(shù)估計(jì)結(jié)果見表7。二者的參數(shù)估計(jì)結(jié)果顯示：僅性別和月收入對駕駛?cè)硕啻谓煌ㄟ`法行為有顯著影響。值得注意的是，與基于線上問卷調(diào)查數(shù)據(jù)的結(jié)果有所不同，此處僅月收入為15 001元以上的駕駛?cè)吮仍率杖氲陀? 000 元的駕駛?cè)烁装l(fā)生多次交通違法行為。這可能是因?yàn)榫€下問卷調(diào)查樣本數(shù)偏少。

表7 基于線下問卷調(diào)查數(shù)據(jù)的模型參數(shù)估計(jì)結(jié)果

如表8所示，二元Logit模型和二元Probit模型的擬合效果均較好，前者更優(yōu)，與基于線上問卷調(diào)查數(shù)據(jù)的分析結(jié)果一致。

表8 基于線下問卷調(diào)查數(shù)據(jù)的模型Pearson卡方檢驗(yàn)結(jié)果

3 結(jié)論

通過線上及線下問卷調(diào)查搜集駕駛?cè)松鐣丝谔卣?、駕駛車型及交通違法次數(shù)信息，應(yīng)用二元Logit和Probit模型分析多次交通違法行為的影響因素，得到以下結(jié)論：

(1) 男性駕駛?cè)吮扰择{駛?cè)烁装l(fā)生多次交通違法；月收入越高的駕駛?cè)税l(fā)生多次交通違法的可能性越大。

(2) 二元Logit模型比二元Probit模型更適用于模擬多次交通違法行為。