文/王雨營、趙澤辰、邢永進、丁祎、陳雨薇

1 前言

在城市道路中，交叉口一直以來都是交通事故高發(fā)地，并且大部分發(fā)生在信號過渡期內，因此提高信號過渡期內交通安全性尤為重要[1]。若能精準解析各種因素對駕駛人決策行為的影響作用，并對駕駛人在困境區(qū)的決策行為加以引導，可以大大提升通行的安全性和交叉口通行能力。

在國外，Zegger 于20 世紀70年代基于駕駛人的選擇概率提出了另一種確定“困境區(qū)”的方法；Mabuchi和Vall 對有倒計時和無倒計時信號交叉口進行了調查分析；Shen 的研究表明，綠閃信號作為過渡信號的情況下駕駛人處于猶豫期的概率會大大降低[2]。

在國內，李克平基于車輛動力性原理對黃燈“決策困境區(qū)”的范圍和影響因素進行了識別；辛秀穎基于經濟學的風險決策理論，分析駕駛人在交叉口闖黃燈行為決策過程和主要影響因素。

在充分調查影響駕駛人決策的各種因素前提下，對各因素與駕駛人決策行為關系進行分析，建立了影響公交車駕駛人在交叉口困境區(qū)駕駛決策的logistics回歸模型，對即將進入交叉口困境區(qū)的駕駛人的決策行為進行預測，避免其進入困境區(qū)提供了依據[3]。

2 數據采集與處理

2.1 數據來源

由于采取傳統(tǒng)的視頻采集方法時要保證目標進口道上有行人過街天橋等設施，這種方法得到的數據不夠準確且無法得到有關駕駛人特性的數據。因此該研究選擇實地調查的方法，分析所得數據[4]。

2.2 信息采集

將可能影響駕駛人決策行為的因素分為四大類，并由此制作了調查表。調查過程中，調查人員在吉林、山東、遼寧、江蘇這四個省份中的六個市隨機乘坐公共汽車觀察記錄各項數據，并詢問駕駛人的信息，記錄駕駛人在信號過渡區(qū)的決策行為，得到調查數據198 份。篩除不處于困境區(qū)的數據以及其他不符合要求的數據，最終得到有效數據110 份。

2.3 數據提取與分析

2．3．1 數據預處理

首先，將各組數據中車輛瞬時速度、車輛距停車線的距離等代入GHM 經典公式進行篩選，刪除不屬于困境區(qū)的數據。

式中：Xc為最小停車距離，m；X0為臨界通行距離，m；V0為黃燈信號啟亮時的車輛速度，m s；dmax為車輛最大減速度，m s2；amax為車輛最大加速度，m s2；δ為駕駛人反應時間，s；Y為黃燈信號時長，s；w為信號交叉口寬度，m；L為車輛長度，m。

2．3．2 數據標注

建立變量值標簽對應表，選擇最后一個等級為參考等級，最終結果均參照單個類別中最高等級進行分析。

表1-1 部分變量轉換表

最后，由于在109 組有效數據中，性別變量中性別男有102 個，性別女有1 個，明顯不滿足分析要求，故將性別變量剔除。同樣，剔除有無特殊交通標志變量。

2.4 數據分析

根據前人的研究成果，速度越大，車輛距停車線的距離越短，駕駛人選擇通過交叉口的比例越大。隨著車輛速度和車輛距停車線距離增加，駕駛人選擇通過交叉口比例逐漸上升。調查結果與預想不符。

考慮到決策行為可能由速度（V）和距離（S）兩個變量共同作用決定，建立變量U=V/S，分析U 與決策行為的關系。數據顯示，選擇通過交叉口的駕駛人的比例并非預想中隨著U 的增大而增大。同時，在顯著性分析過程中也發(fā)現車輛的瞬時速度、車輛距停車線的距離對駕駛人的決策行為不產生顯著性影響。進一步證明了以往研究中認為速度和距離因素對決策行為有重要影響。

根據顯著性分析，駕駛人決策行為與公交車內空氣流通性有關，根據上表也顯示出在流通性較差的條件下駕駛人更傾向于選擇停車。但是樣本數據相對較少，因此結論有待進一步證實。

將所有自變量放入SPSS 首次建模。根據SPSS 分析結果顯示，年齡、車道數、受教育程度和空氣流通性變量對模型有顯著性影響。結果如圖1-2。

3 駕駛人決策行為建模

3.1 Logistic 回歸

Logistic 回歸模型主要用來預測離散變量和一組因變量之間的數據關系，應用Logistic 回歸模型可以直接計算事件發(fā)生的概率[5]。

設有一個二分類因變量y，該因變量有m 個影響因 素（自變量）：x1，x2，．．．，xm；記事 件發(fā)生的條件概率P{y=1|xi}=pi，則由pi（第i 個觀測）所構建的logistic 回歸模型為：

通過變換，logistic 回歸模型可以寫成如下形式：

3.2 模型建立

根據上述SPSS 分析結果顯示，將年齡、車道數、受教育程度和空氣流通性這四個變量的B 值代入得到Logistic 回歸模型中，得到最終模型：

其中，p 表示選擇通過停車線的概率，R 為道路與類別，Y 為駕駛人年齡，E 為駕駛人受教育程度，A 為空氣品質。

3.3 模型檢驗

3．3．1 Logistic 回歸檢驗分析結果如下表所示：

表2-1

根據Hosmer-Lemeshow 擬合優(yōu)度檢驗，當顯著性大于0．05 時，說明建立的logistic 模型很好地適應了自變量，明顯此模型在可接受水平上擬合了數據。

圖1-2 SPSS 顯著性分析結果

3．3．2 分類表中分為觀察值和預測值，最終整體百分比為82．5%，說明模型假設與實際情況有很高相似度。

4 結果驗證與分析

上述研究表明，對公交車駕駛人決策產生重要影響的是駕駛人的年齡、受教育程度、車道數以及車內的空氣流通性。由此可見，影響公交車駕駛人決策的更多的是駕駛人自身的特性以及車內駕駛人的駕駛環(huán)境。車輛行駛時的速度 、車輛與停車線的距離這些因素對決策的影響較小。

5 結語

5.1 本研究有以下創(chuàng)新點

5．1．1 數據來源可靠且樣本數據頗具代表性。實地調查所得的數據來自我國4 個有較大的地域差異的省份，因此該研究有較強的普適性。

5．1．2 多重篩選保證數據準確。經過異常數據篩選、重要影響因素篩選等處理，盡量保證用于分析數據的可靠性。

5.2 研究還存在一些方面的不足

5．2．1 數據樣本不夠充足。在研究中應對模型檢驗的指標控制較為嚴格，以達到較為準確的結論。

5．2．2 問卷采集所得的數據準確度不夠高。由于駕駛人在填寫問卷時易受主觀因素影響，存在向符合法規(guī)的行為靠攏的心理，問卷數據存在一定誤差。