湯天培 陳 豐 郭赟韜 朱森來

（1.南通大學(xué)交通與土木工程學(xué)院 江蘇 南通226019；2.同濟大學(xué)道路與交通工程教育部重點實驗室 上海201804）

0 引 言

電動自行車已經(jīng)成為我國大部分城市的主要出行方式之一。電動自行車給居民出行提供便捷的同時，對道路交通安全產(chǎn)生了不可忽視的影響。根據(jù)公安部交通管理局的數(shù)據(jù)顯示，2013—2017年期間，全國涉及電動自行車的交通事故總量為56 200起，其中導(dǎo)致8 431人死亡，63 400人受傷，直接經(jīng)濟損失高達1.11億元[1]。相較于普通自行車，電動自行車引發(fā)的交通事故數(shù)量更多，且事故后果更嚴重[2]。相關(guān)研究表明，電動自行車騎行人的風(fēng)險騎行行為（闖紅燈[3]、超速[3]、酒后騎行[4]、逆行[4]、占用機動車道[5]、戴耳機聽音樂[6]、使用手機[6]等）是導(dǎo)致電動自行車相關(guān)交通事故的主要原因之一?，F(xiàn)有研究主要從交通運行信息（騎行人數(shù)量[7]、等待位置[7]、機動車交通量[8]等）、交通設(shè)施條件（交叉口類型[9]、交叉口規(guī)模[9]、遮雨棚[10]、交通信號燈[11]等）等方面，研究其對電動自行車騎行人闖紅燈行為的影響。Yao等[12]首次研究了個人心理因素對電動自行車騎行人風(fēng)險騎行行為（急剎車、隨意變道等）的影響，采用結(jié)構(gòu)方程模型分析指出騎行人的態(tài)度、風(fēng)險感知對風(fēng)險騎行行為有顯著影響。在此基礎(chǔ)上，Yang等[13]基于擴展計劃行為理論，新增了道德規(guī)范、風(fēng)險感知、從眾傾向、自我認知和示范性規(guī)范作為擴展變量，研究心理因素對電動自行車騎行人闖紅燈行為意向的影響，研究表明態(tài)度、知覺行為控制、道德規(guī)范、自我認知是影響闖紅燈行為意向的主要因素?，F(xiàn)有研究探究了交通運行信息、交通設(shè)施條件和個人心理因素對電動自行車騎行人風(fēng)險騎行行為的影響機理，為相關(guān)政策和措施的制定提供了有益參考。

Gray[14]于1970年提出了初始強化敏感性理論（original reinforcement sensitivity theory,o-RST）。該理論基于動物學(xué)習(xí)和神經(jīng)生理機制，認為個體對懲罰和獎勵的刺激信號敏感，并通過強化效應(yīng)調(diào)節(jié)個體的行為和動機。強化敏感性是指個體在呈現(xiàn)強化刺激物時的反應(yīng)性，即所引發(fā)的行為、情緒以及動機的改變趨勢和改變程度，具體包括懲罰敏感性和獎勵敏感性。o-RST認為行為趨近系統(tǒng)（behavioral approach system,BAS）和行為抑制系統(tǒng)（behavioral inhibition system,BIS）是調(diào)節(jié)個體行為動機的2個潛在動機系統(tǒng)。其中，BAS是1個積極的反饋回路，可促進個人向預(yù)期目標靠近，反應(yīng)獎勵敏感性；BIS是1個負向反饋回路，可避免厭惡刺激，反應(yīng)懲罰敏感性。o-RST自提出以來，已經(jīng)被應(yīng)用于解釋機動車駕駛?cè)说莫剳头磻?yīng)性對其風(fēng)險駕駛行為（超速[15]、酒后駕車[16]、駕車使用手機[17]等）的影響。隨著動物學(xué)習(xí)和神經(jīng)生理機制的發(fā)展，2000年Gray和McNaughton[18]提出了改進強化敏感性理論（revised reinforcement sensitivity theory,r-RST），進一步提出調(diào)節(jié)個體行為的3個潛在動機系統(tǒng)。其中，BAS改進為可調(diào)節(jié)動機以接近任何獎勵刺激，而不僅僅是條件下刺激；BIS被調(diào)整為1種比較系統(tǒng)，用于評估是接近獎勵刺激還是避免厭惡刺激；新增的第3個動機系統(tǒng)為對抗/逃離/僵化系統(tǒng)（fight/flight/freeze system,FFFS），是1個負向反饋回路，可解決威脅與預(yù)期目標之間的不一致，并負責(zé)逃避恐懼，反應(yīng)懲罰敏感性。

綜上，電動自行車騎行人對獎懲的敏感性是影響其風(fēng)險騎行行為的可能潛在因素，鮮有研究從交通管理的獎懲機制角度，研究騎行人的獎懲反應(yīng)性對其風(fēng)險騎行行為的影響。改進后的r-RST進一步豐富、拓展了強化敏感性理論，但未有研究通過道路使用者風(fēng)險行為分析，驗證該改進理論的適用性。因此，本研究基于r-RST理論構(gòu)建電動自行車騎行人風(fēng)險騎行行為的心理認知模型，探究懲罰敏感性和獎勵敏感性對風(fēng)險騎行行為的影響，驗證r-RST解釋道路使用者風(fēng)險行為的適用性。由于BIS在r-RST中屬于1種比較系統(tǒng)，且需要BAS和FFFS的仿真激活，本研究僅引入BAS和FFFS進行討論。

1 模型構(gòu)建

相關(guān)研究[4,12,15,17]指出：導(dǎo)致風(fēng)險行為的心理認知過程包括4步：①識別風(fēng)險；②評估風(fēng)險水平；③確定可接受的風(fēng)險水平；④產(chǎn)生風(fēng)險行為意向。通常采用風(fēng)險感知變量反應(yīng)前3步。由此，在r-RST框架下，新增風(fēng)險感知和風(fēng)險騎行意向，同時考慮個人社會屬性（性別、年齡、騎行次數(shù)）的影響，構(gòu)建電動自行車騎行人風(fēng)險騎行行為的心理認知模型。研究懲罰敏感性、獎勵敏感性、風(fēng)險感知、風(fēng)險騎行意向，以及個人社會屬性對風(fēng)險騎行行為的影響。

采用AMOS 24.0構(gòu)建模型，模型路徑關(guān)系假設(shè)如下：懲罰敏感性正向影響風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為，分別記為H1、H2、H3；獎勵敏感性正向影響風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為，分別記為H4、H5、H6；風(fēng)險感知正向影響風(fēng)險騎行意向和風(fēng)險騎行行為，分別記為H7、H8；風(fēng)險騎行意向正向影響風(fēng)險騎行行為，記為H9；性別正向影響懲罰敏感性、獎勵敏感性、風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為，分別記為H10、H11、H12、H13、H14；年齡正向影響懲罰敏感性、獎勵敏感性、風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為，分別記為H15、H16、H17、H18、H19；騎行次數(shù)正向影響懲罰敏感性、獎勵敏感性、風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為，分別記為H20、H21、H22、H23、H24?；诩僭O(shè)模型，采用結(jié)構(gòu)方程模型分析法，對模型結(jié)構(gòu)進行修正與優(yōu)化，評估路徑影響關(guān)系。

2 問卷設(shè)計與數(shù)據(jù)采集

2.1 問卷設(shè)計

借鑒相關(guān)研究[19-22]，進行各變量對應(yīng)量表的修訂與改編，本次調(diào)查問卷共計75個題項。

2.1.1 強化敏感性

根據(jù)Corr等[19]提出的強化敏感性人格問卷（reinforcement sensitivity theory-personality questionnaire，RST-PQ），進行量表的中文版修訂與改編。該量表包括獎勵敏感性量表和懲罰敏感性量表。獎勵敏感性是指騎行人對獎勵信號或撤銷懲罰信號的反應(yīng)性。采用BAS進行度量，從獎賞興趣、驅(qū)力、獎賞反應(yīng)、沖動性這4個方面設(shè)計獎勵敏感性對應(yīng)的題項，例如“當(dāng)我因做得很好而受到稱贊時，我會感到特別興奮。”。共計32個題項，采用Likert 4級計分：從不=1、偶爾=2、經(jīng)常=3、總是=4，并通過求均值量化獎勵敏感性，分值越大表示對獎勵越敏感。懲罰敏感性是指騎行人對懲罰信號或撤銷獎勵信號的反應(yīng)性。采用FFFS進行度量，例如“從很高的地方往下看，讓我不寒而栗?！薄９灿?0個題項，采用Likert 4級計分：從不=1、偶爾=2、經(jīng)常=3、總是=4，并通過求均值量化懲罰敏感性，分值越大表示對懲罰越敏感。

2.1.2 風(fēng)險感知

風(fēng)險感知是指騎行人對某種風(fēng)險騎行行為的危險程度認知。借鑒機動車駕駛?cè)孙L(fēng)險感知量表[20]，分別針對不同的風(fēng)險騎行行為進行題項設(shè)計，例如“您認為騎電動自行車闖紅燈危險嗎？”。共計8個題項，采用Likert 5級計分：完全不危險=1、有點危險=2、一般=3、危險=4、非常危險=5，并通過求均值量化風(fēng)險感知，分值越大表示認為風(fēng)險越高。

2.1.3 風(fēng)險騎行意向

風(fēng)險騎行意向是指騎行人選擇風(fēng)險騎行行為的傾向量度。借鑒Ajzen[21]提出的計劃行為理論中的行為意向量表，針對不同的風(fēng)險騎行行為進行題項設(shè)計，例如“在條件允許的情況下，我會傾向于闖紅燈”。共計8個題項，采用Likert 5級計分：完全不同意=1、基本不同意=2、一般=3、基本同意=4、完全同意=5，并通過求均值量化風(fēng)險騎行意向，分值越大表示越傾向于風(fēng)險騎行。

2.1.4 風(fēng)險騎行行為

風(fēng)險騎行行為是指騎行人過去選擇風(fēng)險騎行行為的頻率。借鑒Scott-Parker等[22]提出的機動車駕駛?cè)笋{駛行為量表，選擇與風(fēng)險騎行行為相關(guān)的瞬時違章（transient violations）和固定違章（fixed violations）2個子量表，進行中文版修訂與改編，例如“在過去的12個月內(nèi)，在沒有交警執(zhí)法的地方，您會騎電動自行車超速行駛嗎？”。共計14個題項，采用Likert 5級計分：從不=1、偶爾=2、有時候=3、經(jīng)常=4、總是=5，并通過求均值量化風(fēng)險騎行行為，分值越大表示風(fēng)險騎行行為越多。

2.1.5 個人社會屬性

本次考慮的個人社會屬性包括性別、年齡和騎行次數(shù)。其中，性別分為：男=1，女=2；年齡分為：19～25歲=1，26～35歲=2，36～45歲=3，46～59歲=4，≥60歲=5。騎行次數(shù)分為：1次/d=1，2次/d=2，3次/d=3，3次以上/d=4。

2.2 數(shù)據(jù)采集

通過問卷星平臺（www.wjx.cn）設(shè)計和發(fā)布問卷，面向該平臺的全國樣本庫進行隨機發(fā)布。調(diào)查對象為具備電動自行車騎行資格（16周歲以上），且騎行經(jīng)歷達3年及以上的騎行人。共計439個調(diào)查對象完成問卷調(diào)查。剔除無效問卷37份（包括答題分值邏輯不一致、問卷完成時長過短、分值異常等無效問卷），有效問卷數(shù)為402份。其他相關(guān)研究采用的有效樣本量為165～643個[16,17,20,23]，有效樣本量滿足研究要求。

經(jīng)統(tǒng)計，有效樣本中男性占比為64.9%（N=261），各年齡組占比分別為21.1%（19～25歲）、25.4%（26～35歲）、34.1%（36～45歲）、15.9%（46～59歲）、3.5%（≥60歲），平均每天騎行2次以上（含2次）的占比為87.3%（N=351）。

3 模型結(jié)果分析

3.1 描述性統(tǒng)計

各變量的均值、方差、Cronbach'α系數(shù)，以及兩兩之間的相關(guān)性系數(shù)，見表1。Cronbach'α系數(shù)的范圍為0.794～0.911，表明變量題項設(shè)計均具備較高的內(nèi)部一致性，說明問卷題項設(shè)計合理。相關(guān)性系數(shù)表明，在0.01顯著性水平下，性別與懲罰敏感性正顯著相關(guān)，與獎勵敏感性負顯著相關(guān)；懲罰敏感性與獎勵敏感性負顯著相關(guān)，與風(fēng)險感知正顯著相關(guān)，與風(fēng)險騎行行為負顯著相關(guān)；獎勵敏感性與風(fēng)險騎行意向正顯著相關(guān)，與風(fēng)險騎行行為正顯著相關(guān)；風(fēng)險感知與風(fēng)險騎行意向、風(fēng)險騎行行為負顯著相關(guān)；風(fēng)險騎行意向與風(fēng)險騎行行為正顯著相關(guān)；年齡、騎行次數(shù)與各變量之間相關(guān)性均不顯著。說明模型變量選取基本合理。

表1 變量描述性統(tǒng)計與相關(guān)關(guān)系Tab.1 Descriptive statistics and correlation coefficient for variables

3.2 模型適配性檢驗與修正

采用極大似然估計法，對模型進行適配性檢驗。適配指標包括相對卡方值（χ2/df）、近似誤差均方根（RMSEA）、擬合優(yōu)度指數(shù)（GFI）、標準擬合指數(shù)（NFI）、增值適配指數(shù)（IFI）、比較適配指數(shù)（CFI）、Tucker-Lewis指數(shù)（TLI）和調(diào)整的擬合優(yōu)度指數(shù)（AGFI）。由表2可知，初始模型的適配指標除GFI以外均不符合參考標準，即初始模型對數(shù)據(jù)的適配性低。根據(jù)模型擬合輸出的修正指標（modification indices,MI）值，對模型路徑進行修正。剔除4條路徑，分別為：性別→風(fēng)險騎行意向（H13）、性別→風(fēng)險騎行行為（H14）、年齡→懲罰敏感性（H15）、騎行次數(shù)→懲罰敏感性（H20）；新增1條路徑：獎勵敏感性→懲罰敏感性，記為H25。修正后模型的各適配指標均符合參考標準，即修正后模型對數(shù)據(jù)的適配性良好，見表2。修正后模型擬合結(jié)果見圖1。

圖1 修正后模型擬合結(jié)果Fig.1 Fitting results of the modified model

表2 模型修正前后的適配指標Tab.2 Degree-of-fit indices for original and modified models

3.3 模型路徑分析

修正后模型路徑檢驗結(jié)果見表3。修正后模型能解釋電動自行車騎行人風(fēng)險騎行行為48%的變異，表明基于r-RST的心理認知模型有較好的解釋力。模型路徑顯著性檢驗結(jié)果如下。

表3 修正后模型路徑檢驗Tab.3 Path-testing results for the modified model

模型路徑假設(shè)H1、H3、H5、H6、H7、H8、H9、H10、H11、H25被驗證成立。懲罰敏感性對風(fēng)險感知、風(fēng)險騎行行為有顯著影響（標準化路徑系數(shù)分別為0.168，-0.118）；獎勵敏感性對風(fēng)險騎行意向、風(fēng)險騎行行為有顯著影響（標準化路徑系數(shù)分別為0.163，0.202）；風(fēng)險感知對風(fēng)險騎行意向、風(fēng)險騎行行為有顯著影響（標準化路徑系數(shù)分別為-0.266，-0.251）；風(fēng)險騎行意向?qū)︼L(fēng)險騎行行為有顯著影響（標準化路徑系數(shù)為0.508）；性別對懲罰敏感性、獎勵敏感性有顯著影響（標準化路徑系數(shù)分別為0.149，-0.148）；獎勵敏感性對懲罰敏感性有顯著影響（標準化路徑系數(shù)為-0.501）。

4 影響因素分析

4.1 懲罰敏感性

懲罰敏感性直接負向影響風(fēng)險騎行行為，且通過風(fēng)險感知、風(fēng)險騎行意向間接影響風(fēng)險騎行行為，即對懲罰越敏感的騎行人越不容易發(fā)生風(fēng)險騎行行為。在機動車駕駛?cè)说南嚓P(guān)研究中，針對全年齡段駕駛?cè)说难芯空J為，懲罰敏感性對駕駛?cè)说娘L(fēng)險駕駛行為有顯著影響[16]；而針對青年（17～25歲）駕駛?cè)说难芯空J為，懲罰敏感性對青年駕駛?cè)说娘L(fēng)險駕駛行為沒有顯著影響[15,17,23]，即使采取更嚴格的駕照管理制度依然對青年駕駛?cè)说娘L(fēng)險駕駛行為影響很小。因此，本研究結(jié)論適用于全年齡段騎行人，不同年齡組的懲罰敏感性影響差異有待進一步研究。由表3可知，懲罰敏感性對風(fēng)險騎行行為的影響程度明顯小于獎勵敏感性。主要原因有2個：①騎行人發(fā)生風(fēng)險騎行行為后產(chǎn)生的便捷性、省時性等感知效益是即刻的，而針對風(fēng)險騎行行為的懲罰則是有不確定性和滯后性的；②現(xiàn)階段針對騎行人風(fēng)險騎行行為的懲罰成本偏低，且僅限于經(jīng)濟成本的處罰，對騎行人未能形成有效威懾力。結(jié)合威懾理論相關(guān)研究可知，通過提高懲罰的嚴重性、確定性和即刻性，可顯著提高執(zhí)法的威懾力，從而減少相應(yīng)的風(fēng)險或違法行為[24-25]。因此，重點通過新技術(shù)、新手段，提高對風(fēng)險騎行行為的監(jiān)督力度，并能實時或及時反饋懲罰結(jié)果和信息，以提高懲罰的確定性和即刻性；引入經(jīng)濟處罰以外的手段，提高懲罰的嚴重性。具體而言，建議進一步規(guī)范電動自行車的購車人信息與車輛信息登記制度，將射頻識別技術(shù)應(yīng)用于電動自行車車牌內(nèi)，結(jié)合交通監(jiān)控攝像頭，實現(xiàn)對騎行人風(fēng)險騎行行為的自動檢測與識別，并通過個人移動設(shè)備等實時或及時反饋懲罰結(jié)果和信息。同時，建議將風(fēng)險騎行行為納入個人征信系統(tǒng)，使社會信用內(nèi)化于個體的交通出行中，提高對風(fēng)險騎行行為懲罰的嚴重性。由此，通過引入自動化執(zhí)法技術(shù)和社會征信系統(tǒng)，從嚴重性、確定性和即刻性這3個方面全面提升懲罰的有效威懾力，從而減少電動自行車騎行人的風(fēng)險騎行行為。

4.2 獎勵敏感性

獎勵敏感性直接正向影響風(fēng)險騎行行為，且通過風(fēng)險騎行意向間接影響風(fēng)險騎行行為，即對獎勵越敏感的騎行人越容易發(fā)生風(fēng)險騎行行為。機動車駕駛?cè)说南嚓P(guān)研究認為，對獎勵越敏感的駕駛?cè)烁菀装l(fā)生風(fēng)險駕駛行為和交通事故[15-17,20]。基于保護動機理論的研究同樣認為，獎勵機制相關(guān)的干預(yù)對策可有效減少高風(fēng)險群體的風(fēng)險行為[26]。由表3可知，獎勵敏感性對風(fēng)險騎行行為的影響大于懲罰敏感性。因此，轉(zhuǎn)變以懲罰措施治理風(fēng)險騎行行為的單一思路，在懲罰相關(guān)措施優(yōu)化的基礎(chǔ)上，從獎勵機制角度，設(shè)計干預(yù)措施，通過獎懲措施并舉，形成管制合力。具體而言，建議通過宣傳、培訓(xùn)、教育等，明確告知騎行人選擇風(fēng)險騎行行為可能產(chǎn)生的時間成本、經(jīng)濟成本和生命安全損失，從而減少對風(fēng)險騎行行為的感知效益；建議借鑒機動車保險制度，鼓勵騎行人為所購電動自行車購買保險，如在保險年度未有風(fēng)險騎行行為記錄，次年保險費可進行折減，從而減少風(fēng)險騎行行為產(chǎn)生的實際利益。由此，通過宣傳、培訓(xùn)、教育，以及保險制度，降低風(fēng)險騎行行為產(chǎn)生的感知效益和實際利益，從而減少電動自行車騎行人的風(fēng)險騎行行為。

4.3 風(fēng)險感知

風(fēng)險感知直接負向影響風(fēng)險騎行行為，且通過風(fēng)險騎行意向間接影響風(fēng)險騎行行為。Yang等[13]研究指出風(fēng)險感知對電動自行車騎行人闖紅燈行為意向的影響不顯著。然而，行人闖紅燈行為意向的研究認為，風(fēng)險感知是影響行人闖紅燈行為意向的顯著因素，但影響程度較小[27-28]。Chorlton等[29]的研究進一步論述了風(fēng)險感知影響偏弱的原因，指出人們通常會對疾病或是危險有不切實際的樂觀態(tài)度，即認為自己不會生重大疾病或是不會遇到重大事故等，從而得出風(fēng)險感知對某種風(fēng)險行為意向影響偏弱的結(jié)論，而實際上風(fēng)險感知的影響不容忽視?；谝曨l數(shù)據(jù)的研究指出，電動自行車騎行人在交叉口的等待位置是影響其闖紅燈行為的顯著因素，等待位置能一定程度反映騎行人對風(fēng)險的認知，即間接證明了風(fēng)險感知對風(fēng)險騎行行為有顯著影響[7,11]。相較于現(xiàn)有研究，本研究驗證并支持了風(fēng)險感知對風(fēng)險行為的強影響作用。具體而言，建議借鑒日本交通安全教育中的事故再現(xiàn)教育，即通過現(xiàn)場“真人、真車、真事故”的事故再現(xiàn)表演[30]，讓騎行人現(xiàn)場感受風(fēng)險騎行行為導(dǎo)致的交通事故，從而深刻意識到風(fēng)險騎行行為的危險性和后果的嚴重性。

4.4 風(fēng)險騎行意向

風(fēng)險騎行意向直接正向影響風(fēng)險騎行行為，是影響風(fēng)險騎行行為程度最大的路徑。Yang等[13]的研究未構(gòu)建電動自行車騎行人風(fēng)險騎行行為意向與實際行為之間的路徑關(guān)系。而機動車駕駛?cè)孙L(fēng)險駕駛行為的研究指出，駕駛?cè)说娘L(fēng)險駕駛行為（超速、酒后駕車、不系安全帶、駕車使用手機、違反交通標志標線、未保持安全車距等）意向均直接正向影響實際的風(fēng)險駕駛行為[31-32]。本研究以騎行人為研究對象，進一步支持了道路使用者風(fēng)險行為意向?qū)嶋H風(fēng)險行為的正向影響作用。

4.5 個人社會屬性

性別直接正向影響懲罰敏感性，直接負向影響?yīng)剟蠲舾行?，且通過懲罰敏感性和獎勵敏感性間接負向影響風(fēng)險騎行行為。研究結(jié)果表明，女性騎行人相較于男性對懲罰越敏感，即女性對罰款、現(xiàn)場教育等懲罰更為敏感，越不容易發(fā)生風(fēng)險騎行行為。男性騎行人相較于女性騎行人對獎勵越敏感，即男性對闖紅燈、超速、逆行等風(fēng)險騎行行為產(chǎn)生的便利性、省時性更為敏感，越容易發(fā)生風(fēng)險騎行行為。基于視頻數(shù)據(jù)的實證研究同樣認為，男性騎行人更傾向于闖紅燈、超速等風(fēng)險騎行行為，且更容易發(fā)生交通事故[3,7,8-11]。性別對風(fēng)險感知沒有顯著影響，相關(guān)研究也同樣認為男性與女性騎行人對騎行風(fēng)險的感知差異不顯著[13]。

年齡對風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為均無顯著影響。以心理學(xué)理論和問卷數(shù)據(jù)為基礎(chǔ)的研究指出，越年輕的騎行人的闖紅燈行為意向越大[13]。而以實際行為數(shù)據(jù)為基礎(chǔ)的研究指出，騎行人的年齡對其闖紅燈行為沒有顯著影響[7]?，F(xiàn)有研究結(jié)果存在差異的可能原因是，行為意向與實際行為并不完全一致，而實際觀測數(shù)據(jù)的研究結(jié)論進一步支持了本次研究結(jié)論。

騎行次數(shù)對風(fēng)險感知、風(fēng)險騎行意向和風(fēng)險騎行行為均無顯著影響?？赡茉蚴牵瑯颖局?7.3%的騎行人平均每天騎行2次以上（含2次），也就是大部分騎行人的騎行經(jīng)驗豐富，個體騎行經(jīng)驗差異并不明顯，從而導(dǎo)致騎行次數(shù)的影響并不顯著。

5 結(jié)束語

1）修正后的心理認知模型對數(shù)據(jù)的適配性良好（χ2/df=1.343，RMSEA=0.029），能解釋電動自行車騎行人風(fēng)險騎行行為48%的變異，r-RST框架對電動自行車騎行人風(fēng)險騎行行為有良好的解釋力。

2）懲罰敏感性和獎勵敏感性是影響風(fēng)險騎行行為的主要因素，且獎勵敏感性對風(fēng)險騎行行為的影響程度明顯大于懲罰敏感性；風(fēng)險感知和風(fēng)險騎行意向也是影響風(fēng)險騎行行為的主要因素；性別顯著影響懲罰敏感性和獎勵敏感性，且通過二者間接顯著影響風(fēng)險騎行行為；年齡、騎行次數(shù)對各變量的影響均不顯著。研究結(jié)論可以為電動自行車管理措施的制定提供理論依據(jù)。

3）下一步研究中，將從個人社會屬性和風(fēng)險騎行行為角度，研究不同性別、年齡段等騎行人風(fēng)險騎行行為的影響因素差異，以及不同風(fēng)險騎行行為的影響因素差異，為針對不同騎行人群體和不同風(fēng)險騎行行為的交通管理措施精細化設(shè)計提供理論依據(jù)。同時，本研究采用的是問卷調(diào)查法，該行為自我報告的方法存在一定的主觀偏見性。下一步研究中，將基于騎行模擬試驗，結(jié)合心率檢測、腦電波檢測、皮膚電檢測等方法檢驗變量數(shù)據(jù)，以獲取更精確的心理數(shù)據(jù)。