馮思鶴 程國柱

(東北林業(yè)大學交通學院 哈爾濱 150040)

0 引 言

隨著道路交通事業(yè)的迅猛發(fā)展，機動車保有量與機動車駕駛?cè)藬?shù)量飛速上升，我國越來越重視道路安全.目前我國的駕駛?cè)税踩逃饕捎谩耙灰曂省钡慕虒W方案，忽略了不同的駕駛?cè)巳烁駜A向在駕駛學習時會有不同的學習特點和學習模式，也忽略了不同人格在接受教育時對不同教育刺激方式的接受程度不同.這都影響了交通安全駕駛的教育效果.如何通過科學有效的教育方法提高駕駛?cè)说陌踩{駛意識，降低其的事故傾向性，對于大幅減少道路交通事故數(shù)量具有重要的現(xiàn)實意義.

Carol等[1-2]提出受教育者之間是存在顯著差異性，應(yīng)進行針對性教育有利于加強教育效果.Jeffrey等[3]指出利用視頻作為教育方式可以有效提升營運駕駛員的安全駕駛水平.Tomer等[4]對不同駕駛?cè)诉M行針對其的駕駛行為分析報告也可以有效降低駕駛?cè)说娘L險駕駛行為頻率.Iversen等[5]的研究表明人格可以對駕駛?cè)说娘L險駕駛行為和交通事故進行有效的解釋.Beirness[6]發(fā)現(xiàn)情緒中的沖動、敵對等因素可以有效解釋35%的風險駕駛行為.Mallia等[7]提出了針對機動車駕駛?cè)说摹叭烁?態(tài)度”模型，研究表明人格特征會直接或間接影響風險駕駛行為.羅楝等[8]對營運駕駛員安全教育方法進行了研究得到教育效果與合理的教育頻率有關(guān).王雪松等[9]考慮了不同駕駛員的行為特征并證明針對性的安全教育會有效降低駕駛?cè)说慕煌ㄊ鹿事?許清鵬等[10]研究了學習倦怠狀況與人格特征關(guān)系.彭杜宏等[11]研究了人格對學習的作用影響.張宏智等[12]研究發(fā)現(xiàn)積極的情感反饋有利于運動技能的訓練.桑海云等[13]探索了電動自行車駕駛?cè)说娜烁?、交通安全態(tài)度與風險駕駛行為的關(guān)系，發(fā)現(xiàn)神經(jīng)質(zhì)人格對風險駕駛行為有負向作用.李彥章等[14]得出駕駛行為和對交通安全的態(tài)度在駕駛?cè)巳烁窈徒煌ㄊ鹿手g有中介作用的結(jié)論.劉玲莉等[15]研究了駕駛?cè)瞬话踩{駛行為與人格特質(zhì)的關(guān)系，得到人格對不安全駕駛行為有不同程度的影響.張暉等[16]研究了動畫、視頻和汽車駕駛模擬平臺在駕駛?cè)艘庾R方面的教育作用.谷志朋等[17]研究了駕駛?cè)藢Σ煌恢玫奈ｋU感知力，右側(cè)最強、前方和左側(cè)適中.秦雅琴等[18]建立了可有效測評駕駛?cè)嗽陲L險駕駛情景中的風險意識量表.

文中考慮了駕駛?cè)嗽隈{駛環(huán)境中的人格多樣性，通過無序多分類Logistic回歸模型建立駕駛?cè)说鸟{駛學習人格劃分模型，通過該模型篩選在駕駛學習過程中的不同駕駛?cè)烁駜A向的駕駛?cè)耍⑦M行實例驗證，設(shè)計有針對性的教育方案.

1 問卷調(diào)查

問卷設(shè)計結(jié)合國外駕駛行為問卷(DBQ)和普通心理學中四種個性測評方式(DISC)，使用李克特五點量表法，調(diào)查對象為城市中非職業(yè)的機動車駕駛?cè)?設(shè)計問卷的調(diào)查內(nèi)容為五類數(shù)據(jù)：駕駛?cè)说幕緦傩耘c事故數(shù)據(jù)，駕駛環(huán)境與日常工作環(huán)境，駕駛技能與習慣，風險預(yù)判能力，駕駛學習心理傾向.

基于問卷星平臺進行問卷制表、調(diào)查發(fā)放與收集.在大批量調(diào)查前進行問卷的信效度檢驗，檢驗結(jié)果為：在信度檢驗中，量表總問題數(shù)為20，總體克隆巴赫系數(shù)為0.719，見表1，信度在可接受范圍.在效度檢驗中，KMO取樣適切性量數(shù)為0.701，在巴特利特球形檢驗中近似卡方值為4 274.102，自由度為1 431，顯著性<0.001，故本問卷的結(jié)構(gòu)效度良好，且變量間有共享因素的可能性，適合進行因素分析.檢驗通過后通過網(wǎng)頁的形式進行調(diào)查，共回收問卷531份，排除職業(yè)駕駛?cè)思盁o駕齡人員無效問卷112份后，有效問卷共計419份，其中過去三年內(nèi)發(fā)生事故的樣本數(shù)為63，占比15%.

表1 各量表及總體的信度檢驗

2 數(shù)據(jù)分析

由問卷信效度分析的有效因子碎石圖見圖1.曲線從第6個因子開始明顯變緩，在第13個后趨于穩(wěn)定，故確定因子數(shù)應(yīng)為6～13個，為保留更多的原始樣本數(shù)據(jù)以保留樣本特性選擇13個因子包含的變量題目，并將這些題目與問卷設(shè)計的調(diào)查目的相結(jié)合得到四大類數(shù)據(jù)：駕駛技能與習慣、風險預(yù)判能力、學習方式和駕駛學習人格.之后結(jié)合旋轉(zhuǎn)后的成分矩陣確定量表中每個問題的因子載荷系數(shù)值，可以分析出每個因子與變量的對應(yīng)關(guān)系情況，并針對不合理的變量進行分析后考慮是否刪除.最終保留初步篩選關(guān)于駕駛學習人格的因子數(shù)有11個，其中有效的因子數(shù)為6個，其中刪除題目為32-8和35-6，其余32和35的量表題目保留.之后對駕駛學習人格的量表題目進行聚類分析，使用SPSS中的系統(tǒng)聚類，使用平均聯(lián)接組間譜系圖，28道題目被聚類為3類.根據(jù)題目本身設(shè)計的可將三類因素分別命名為教條型傾向，冷靜型傾向，情緒型傾向.各傾向?qū)?yīng)的的題目見表2.

圖1 有效因子的碎石圖

表2 各人格傾向?qū)?yīng)的題目

由表2可知：

1) 教條型駕駛學習人格傾向 該人格傾向的駕駛?cè)说男愿裉攸c是神經(jīng)活動弱而均衡的安靜型，有耐久力，注意力不易轉(zhuǎn)移但不夠靈活，善于觀察細小事物，情感發(fā)生較慢但持續(xù)很久、體驗深刻.其學習特點為學習慣性較大，進入學習狀態(tài)較慢，但適合緩慢逐步系統(tǒng)的學習.每次時間要長，學習模式要循序漸進有規(guī)律，需多方式對同一技能的講解與呈現(xiàn).設(shè)計教育方案需持續(xù)強刺激加少量情緒訓練，多以呈現(xiàn)嚴重特殊情景為主.

2) 情緒型駕駛學習人格傾向 該人格傾向的駕駛?cè)说男愿裉攸c是神經(jīng)活動強而不均衡型，興奮性強，精力旺盛，心境變化劇烈敏感，反應(yīng)迅速，注意力容易轉(zhuǎn)移，興趣容易變換，富于幻想.其學習特點為學習慣性較小，進入學習狀態(tài)較快，但適合精簡的系統(tǒng)學習，與大量實踐情景學習，快速多變的學習，每次時間要短但要頻繁，注重實踐，頻繁弱刺激加情緒刺激訓練，多以小型事故糾紛情景為主.

3) 冷靜型駕駛學習人格傾向 該人格傾向的駕駛?cè)说男愿裉攸c是神經(jīng)活動強而均衡的安靜型，有一定的耐力，注意力集中，情感波動適中，思維較為靈活.其學習特點為學習慣性一般，進入學習狀態(tài)正常，但適合系統(tǒng)的學習，每次時間頻率適中，注重實踐，多方位講解與呈現(xiàn)，持續(xù)弱刺激加偶發(fā)性強刺激，多以呈現(xiàn)嚴重特殊情景為主.

結(jié)合k-means聚類算法對被測人員進行聚類，其中聚類代號1共有個案數(shù)162個，聚類代號2共有個案數(shù)129個，聚類代號3共有個案數(shù)128個，故最終得到被測人員在系統(tǒng)中的聚類人格編號與三個人格傾向的量表計算值，將選取合適的模型進行回歸分析以得到駕駛學習人格傾向預(yù)測模型.由于初始聚類中心是默認隨機選取的，但因為K值是給定的，故聚類中心不存在變動或者僅有小幅變動，迭代26次后實現(xiàn)了收斂.為后期的模型有效性對比驗證，故保存k-means聚類之后的最終聚類中心，見表3.

表3 駕駛學習人格最終聚類中心

3 駕駛學習人格Logistic回歸分析模型

3.1 模型建立

通過SPSS對被測人員的聚類人格編號與三個人格傾向的量表計算值進行無序多分類Logistic回歸分析，其中將聚類人格編號“3”作為對比基準值，其計算結(jié)果見表4～5.

表4 Logistic回歸模型擬合信息

表4為無序多分類Logistic回歸模型的擬合信息，可知該模型顯著性良好，可使用該模型建立3駕駛學習人格Logistic回歸分析模型.根據(jù)表5的分析結(jié)果可建立無序多分類Logistic回歸模型見式(1)～(2)，并對其推導(dǎo)如式(3)～(4)可得駕駛?cè)藢W習人格的無序多分類Logistic回歸模型的不同名義的概率模型為式(5)～(7)，故通過該模型可判斷駕駛?cè)说鸟{駛學習人格，用于其后續(xù)進行教育方案的選擇.

表5 駕駛學習人格傾向模型參數(shù)信息

記x1=教條型傾向，x2=冷靜型傾向，x3=情緒型傾向，故駕駛學習人格的無序多分類logistic回歸模型為

(1)

(2)

其中，令

A1=-1.229+5.939x1-0.651x2-8.215x3

(3)

A2=-13.420+7.367x1-4.5222+25.469x3

(4)

經(jīng)過推導(dǎo)可得屬于人格1類，人格2類，人格3類的概率分別為

(5)

(6)

(7)

根據(jù)教條型傾向、冷靜型傾向、情緒型傾向量表題目走向與無序多分類Logistic回歸模型中的系數(shù)影響可確定人格1類即教條型駕駛學習人格傾向，人格2類即情緒型駕駛學習人格傾向，人格3類即冷靜型駕駛學習人格傾向.故可通過量表收集使用模型計算得出駕駛?cè)说鸟{駛學習人格傾向，選取概率最大的值作為確定駕駛學習人格類別的依據(jù).但有可能出現(xiàn)P1≈P2或P3的情況，這種時候就說明駕駛?cè)说娜烁袷菑?fù)合型人格，在教育方案選取時也應(yīng)將對應(yīng)的方案進行復(fù)合.

3.2 實證分析

共選取200名志愿者進行試驗，把原數(shù)據(jù)的最終聚類中心作為新的初始聚類中心，將志愿者的數(shù)據(jù)進行聚類運算，計算其與三個聚類中心的歐式距離，選取最小的距離以得到該志愿者樣本的歸屬人格.再用本文中建立的模型進行運算，選取概率大的值所對應(yīng)的人格傾向作為志愿者樣本的人格傾向.最后將兩種途徑算出的人格進行對比，模型準確率約78.6%.另外通過原數(shù)據(jù)進行模型有效性檢驗，對比模型劃分結(jié)果和聚類結(jié)果，模型準確率約為81.5%，故該模型可有效劃分駕駛?cè)说鸟{駛學習人格.

4 交通安全教育方法

4.1 教育刺激方式的分析

根據(jù)無序多分類的Logistic回歸模型可分析不同人格傾向的教育刺激方式，其中將人格代碼2的情緒型傾向駕駛學習人格作為參考數(shù)值.根據(jù)分析結(jié)果可知，模型擬合顯著性0.012<0.05通過，模型加入自變量后的模型明顯顯著于只有常量的模型，說明該自變量對因變量有顯著的影響，見表6.

表6 教育刺激方式的Logistic回歸模型分析結(jié)果

由表6可知:教條型傾向駕駛學習人格易受講授法或經(jīng)驗交流與現(xiàn)場演示或觀看視頻的方式影響，也較為傾向于沉浸式場景模擬駕駛，在刺激形式上傾向于文字與視頻的方式.而情緒型傾向駕駛學習人格易受講授法或經(jīng)驗交流與沉浸式場景模擬駕駛方式的影響，在刺激形式上傾向于圖片與視頻的方式.

4.2 防御性安全教育方案

根據(jù)駕駛?cè)嗽隈{駛時的被教育人格傾向和不同駕駛學習人格對教育刺激方式的不同傾向，將設(shè)計針對不同人格的防御性教育方案，以提高駕駛?cè)说娘L險預(yù)判能力.在駕駛中存在的潛在風險點有四個方面：車輛本身的危險隱患，駕駛時的路面與道路線形情況，駕駛時的外部駕駛環(huán)境.防御性安全教育除了文字視頻等教育方式，還加入了模擬駕駛場景.在模擬駕駛環(huán)境中設(shè)置不同場景如視線遮擋場景，緊急停車事件場景，指示燈損壞場景，行人或動物突然出現(xiàn)場景等.且在設(shè)計教育方案時考慮到駕駛?cè)说倪z忘規(guī)律，故需遵循艾賓浩斯遺忘曲線和動作操作遺忘曲線如圖2設(shè)置記憶時間點.不同的駕駛教育人格教育方案見表7～9.

圖2 艾賓浩斯遺忘曲線和動作操作遺忘曲線

表7 教條型駕駛學習人格教育方案

表8 情緒型駕駛學習人格教育方案

表9 冷靜型駕駛學習人格教育方案

5 結(jié) 論

1) 基于城市中非職業(yè)駕駛?cè)说氖鹿蕛A向性及駕駛學習人格傾向問卷調(diào)查，量化了駕駛學習人格的判斷指標，建立了基于性格測試量表與k-means聚類算法的Logistic回歸分析模型，通過該模型可有效區(qū)分駕駛?cè)嗽隈{駛中的被教育人格傾向，并進行了實例檢驗，模型準確率約為81.5%，可為設(shè)計培養(yǎng)駕駛?cè)诵纬煞烙择{駛的教育方案提供理論依據(jù)與參考.

2) 基于三種駕駛學習人格傾向，即：教條型駕駛學習人格傾向、情緒型駕駛學習人格傾向和冷靜型駕駛學習人格傾向，分析不同人格的教育刺激傾向，同時結(jié)合思維操作和動作操作遺忘曲線，設(shè)計針對三種駕駛學習人格的防御性駕駛教育方案，設(shè)置多種模擬場景，以提高駕駛?cè)说娘L險預(yù)判能力，降低其故傾向性.

后續(xù)研究還需進一步擴大樣本量和研究對象的種類，以提高對駕駛學習人格劃分的精準性.同時，本文的防御性安全教育方案設(shè)置的場景不夠豐富，應(yīng)增加場景的種類，以從多角度幫助駕駛?cè)诵纬煞烙择{駛的意識，增加安全教育方案的多樣性和適用性.