金杰灵，邓院昌

(中山大学 工学院 广东省智能交通系统重点实验室，广东 广州 510006)

0 引言

酒驾行为是严重影响道路交通安全的威胁之一，有研究显示，约50%～60%的交通事故与驾驶员酒驾行为有关[1]。因此，探究酒驾行为成因对减少道路交通事故具有重要意义。国内外对于酒驾行为影响因素的研究大致分为客观和主观两种类型，其中，国内多进行客观影响因素的研究，如方丽等[2]对长沙市10 403名驾驶员进行酒精测试和问卷调查，发现夜间、男性驾驶员、45～54岁、不系安全带、车上有乘客、习惯饮酒、有酒驾史等因素是酒驾率趋高的相关因素；李向阳等[3]对三门峡市639例酒驾交通事故驾驶员的性别、年龄等客观因素进行统计分析，发现酒后驾车以中青年男性为主，多集中在晚餐后，摩托车及小汽车驾驶员是酒驾的主要行为人群。国外对其主观影响因素的研究较多，如Lee等[4]分析了驾驶员心理因素和生活方式与酒驾意图的关系，发现吸烟和运动等生活方式对酒驾意图的影响大于主观规范和态度；Hanna[5]调查了390名18～24岁的驾驶员的酒驾行为，分析其酒驾行为与社会因素和人格结构的关系，研究表明，社会因素和人格结构都是影响酒驾行为的重要因素。

有研究表明，行为意图可以解释39%以上的行为变异量[6]。因此，通过研究行为意图来间接研究行为是一种有效的方式。关于行为意图的研究，大多数学者均是基于计划行为理论(TPB)，采用传统结构方程模型(Traditional-SEM)来研究行为意图[7-8]。然而，由于小样本下Traditional-SEM的参数估计方法(最大似然(ML)估计等)很难得到较好的结果，所以，这类研究要求的样本量较大。而在现实生活中，由于酒驾行为数据涉及驾驶员隐私，一般难以获取，大样本的需求对研究的进行造成不便，因此，需要一种新的统计方法来解决这个问题。

本文将在TPB的基础上，新增地域文化规范和道德规范，形成扩展计划行为理论(Ex-TPB)，进而构建基于Ex-TPB的酒驾意图心理因素贝叶斯结构方程模型(Bayesian-SEM)，并对比Traditional-SEM与Bayesian-SEM的结果，同时，分析驾驶员不同个人属性对模型结果的影响，以此探究影响酒驾意图的驾驶员心理因素。

1 理论框架

TPB主要用于解释个体行为决策过程，对不安全交通行为具有较高的解释和预测能力[9]。同时，TPB对于其它相关解释变量的加入是开放的，Ajzen[10]认为增加一些有效变量能够提高模型的解释能力;Tatiana[11]研究发现地域文化规范与行为意图直接相关;Parker等[12]也发现道德规范可提高对行为意图的预测能力。因此，为了更好地预测酒驾意图，本文在TPB中加入地域文化规范和道德规范2个解释变量，形成Ex-TPB。在Ex-TPB中，行为意图受地域文化规范、道德规范、态度、主观规范和知觉行为控制影响。地域文化规范指在个体在实施某一行为时，自身所处地域的文化背景所带来的压力；道德规范指个体在实施或者拒绝实施某一行为时的责任感；态度为对某一特定行为正面或负面的评价；主观规范是指感知来到身边人的社会压力；知觉行为控制是执行某一特定行为时感知到的促进或阻碍因素对既定行为可控程度的感知。基于Ex-TPB的酒驾意图心理因素模型结构如图1所示。

图1 酒驾意图心理因素模型结构Fig.1 Psychological factor model structure chart of drink-driving intention

2 Bayesian-SEM

SEM是一种包含因素分析和路径分析的统计分析技术，适用于多变量间相互关系的研究。SEM包含测量模型和结构模型2个基本模型[13]。

2.1 测量模型

测量模型表示潜在变量与观测变量间的共变关系，可看作一个回归模型，由观测变量向潜在变量回归。方程如式(1)所示：

yi=Λωi+εi,i=1,2,…,n

(1)

式中：yi是p×1的可观测向量；Λ是p×q的因子负荷矩阵；ωi是q×1的因子得分向量；εi是与ωi独立的p×1的误差项。假设εi服从N[0,Ψε]分布，Ψε是对角矩阵；ωi服从N[0,Φ]，Φ是正定协方差矩阵。

2.2 结构模型

结构模型表示潜在变量间的因果关系，也可看作一个回归模型，由内生潜在变量对若干内生和外生潜在变量的线性项作回归。方程如式(2)所示：

ηi=Πηi+Γξi+δi,i=1,2,…,n

(2)

式中：ηi和ξi分别是q1×1和q2×1的潜在变量；Π和Γ是未知参数矩阵；δi是与ξi相互独立的误差项。假设ξi和δi分别服从N[0,Φ]和N[0,Ψδ]分布，Ψδ同样是对角矩阵。

2.3 SEM的贝叶斯估计

一般情况下，分析SEM多采用广义最小二乘法和极大似然法，而与这两种方法有关的统计理论及计算算法都建立在样本协方差矩阵的基础上，其分析结果依赖于样本协方差矩阵的渐进分布，且需要假设随机观测值独立同分布于多元正态分布。若某些假设不成立，可能很难推导样本协方差矩阵及其渐进性质。由于现实世界的复杂性，大量实际问题不能满足所需的假设条件。贝叶斯方法关注原始观测值，而非样本协方差矩阵，能灵活地使用有用的先验信息以得到更好的结果。同时，依靠渐进理论的方法需要在大样本情况下才能有效，而基于抽样的贝叶斯方法较少地依赖渐进理论，即使在小样本情况下也能拥有可靠的结果[14]。运用贝叶斯方法进行参数估计的SEM称为Bayesian-SEM。

令Y=(y1,y2…,yn)为可观测数据矩阵，Ω=(ω1,ω2,…,ωn)为潜在因子得分矩阵，θ为包含了模型中Λ，Φ和Ψ未知元素的结构参数向量。在贝叶斯分析中，把Ω中的潜在因子得分看作假定的缺失数据，在先验分析中，根据相关领域专家的主观认识，历史或者类似的相关数据的分析结果来获取共轭先验分布的相应超参数，并且在后验分析中把Ω增广到可观测数据集Y中，通过以下Gibbs抽样从[θ,Ω|Y]中抽取大量(θ,Ω)的样本。在第(j+1)次迭代中，当前值为Ωj，Ψεj，Λj和Φj：

1)从p(Ω|Ψεj,Λj,Φj,Y)中抽取Ωj+1；

2)从p(Ψε|Ωj+1,Λj,Φj,Y)中抽取Ψεj+1；

3)从p(Λ|Ωj+1,Ψεj+1,Φj,Y)中抽取Λj+1；

4)从p(Φ|Ωj+1,Ψεj+1,Λj+1,Y)中抽取Φj+1。

正常条件下样本收敛后得到期望的后验分布，而在确定后验分布的过程中参数(Λ,Ψε)和Φ的分布需要给定。

根据从[θ,Ω|Y]中抽取样本，即{(θ(t),Ω(t)):t=1,2,…T*}，可以进行模型的统计推断。θ的贝叶斯估计及标准差估计可以由式(3),(4)得到：

(3)

(4)

(5)

(6)

3 实例分析

3.1 数据来源及描述

本次研究数据采用问卷调查的形式收集，问卷内容包括问卷说明、基本信息以及Ex-TPB量表3部分。基本信息主要是了解样本个人信息，如性别、年龄及驾龄。量表根据本文提出的Ex-TPB、标准TPB量表和基于TPB的酒后驾驶研究制定[15-16]。

问卷发放采取网上发放收集的形式，并设置同一IP地址以及同一电脑或手机均仅能填写一次，填写人员被要求是持有驾驶证且近一年内有过驾驶经历的驾驶员，受访者须在规定时间范围内(5～10 min)完成问卷。本次调查共收回问卷351份，其中，有效问卷327份。受访者的基本情况如表1所示。

表1 受访者基本情况Table 1 Basic information of respondents

3.2 因素指标

本研究所涉及潜在变量的指标均以问卷中对应的问题来衡量，研究中涉及的观测指标如表2所示。

表2 各潜在变量对应的观测指标Table 2 The observational indices corresponding to each potential variable

由表2可知，本次研究共包含关于酒后驾驶的地域文化规范、道德规范、行为态度、主观规范、知觉行为控制及行为意图6个潜在变量，分别用ξ1～ξ5及η表示，各潜在变量对应的观测指标包含RCN1，MN1，ATT1，SN1，PBC1及BI1等15个，分别用y1～y15表示。

3.3 酒驾意图心理因素Bayesian-SEM

在Ex-TPB的基础上，结合SEM的方法，构建基于Ex-TPB的酒驾意图心理因素SEM，并假设地域文化规范、道德规范、行为态度、主观规范及知觉行为控制对酒驾意图均有显著影响。

根据基于Ex-TPB的酒驾意图影响因素结构方程模型及各潜在变量对应的观测指标，酒驾意图心理因素结构方程模型的测量模型所对应方程为：

yi=Λωi+εi,i=1,2,…,15

(7)

式中：ωi=(ηi,ξ1i,ξ2i,ξ3i,ξ4i,ξ5i)T，εi服从N[0,Ψε]分布，并且有：

结构模型对应方程为：

η=Γξj+δ,j=1,2,…,5

(8)

式中：Γ=(γ1,γ2,γ3,γ4,γ5)T，而(ξ1,ξ2,ξ3,ξ4,ξ5)T和δi独立分布于N[0,Φ]和N[0,Ψδ]。

利用AMOS24.0软件中的Bayesian-SEM功能将数据代入SEM进行贝叶斯估计。进行79 979次迭代后得到满意的结果，模型聚敛指数CS=1.001 0，表明参数已收敛。同时，图2所示是参数γ1的Bayesian-SEM参数轨迹图和自变相关图，由图2可知，参数估计图(a)无明显上下振动或随意漂流现象，自变相关图(b)在Lag100处趋于0，所以贝叶斯估计参数已收敛。模型适配指数中，posterior predictivep=0.26，位于0.05与0.95之间，表示数据与模型适配度较好；DIC指数等于207.79，远大于适配标准值DIC=10，表明模型与Traditional-SEM有明显差异。

图2 γ1的参数轨迹和自变相关Fig.2 Parametric trajectory diagram and self-variable correlation graph of γ1

3.4 模型结果分析

在得到Bayesian估计结果的同时，运用AMOS24.0软件对基于Ex-TPB的酒驾意图心理因素SEM进行ML估计(Traditional-SEM)。ML估计与Bayesian估计结果中酒驾意图与各心理因素之间的关系如表3所示。

表3 两种模型回归参数估计结果比较Table 3 Comparison of two models’regression parameter estimation results

注：*p<0.05。

由表3可知，在Bayesian估计结果中，除知觉行为控制外，其它因素对酒驾意图均有显著影响。在ML估计结果中，仅地域文化规范和知觉行为控制的影响不显著，这表明假设基本成立，且Ex-TPB对酒驾意图有较强的解释性能和预测性能。Bayesian估计的标准误普遍低于ML估计，表明Bayesian-SEM参数估计的样本统计量与总体参数的真值更接近，用样本统计量推断总体参数的准确度更大，表明小样本条件下Bayesian-SEM更容易得到更好的结果。根据Bayesian-SEM回归参数的结果可知，对酒驾意图影响最大的因素是行为态度，回归系数是0.397；影响最小的因素是知觉行为控制，回归系数为0.031；同时，五大因素中仅道德规范对行为意图有负向影响，回归系数为-0.311。

3.5 个人属性对模型结果的影响分析

为了解驾驶员不同个人属性(性别、年龄及驾龄)对模型结果的影响，分别对不同性别(男、女)、不同年龄(18～30岁及30岁以上)以及不同驾龄(0～5 a及5 a以上)的样本，运用Bayesian-SEM进行分析，结果如表4所示。

表4 不同驾驶员属性模型结果比较Table 4 Model results comparison of different driver properties

注：*p<0.05。

1)性别属性

男性驾驶员，除行为态度外，其它因素对酒驾意图均无显著影响；女性驾驶员，道德规范、行为态度及主观规范显著影响酒驾意图。无论是男性还是女性人群，行为态度是最主要的影响因素，且除道德规范的影响为负向外，其它因素均是正向影响。

2)年龄属性

30岁以下驾驶员，道德规范、行为态度及主观规范对酒驾意图有显著影响；30岁以上驾驶员仅行为态度对酒驾意图有显著影响。无论年龄大小，行为态度仍是最主要的影响因素，同时，仅道德规范对行为意图有负向影响。

3)驾龄属性

5a以下驾龄驾驶员，道德规范及行为态度对酒驾意图有显著影响；5a以上驾龄驾驶员，行为态度及主观规范显著影响酒驾意图。无论驾龄长短，行为态度依旧是最主要的影响因素，同样的，仅道德规范对行为意图的影响是负向的。

4 结论

1)在计划行为理论的基础上，新增地域文化规范和道德规范，构建了基于Ex-TPB酒驾意图心理因素Bayesian-SEM，通过对比ML估计和Bayesian估计的结果发现，小样本条件下Bayesian-SEM更容易得到较好的结果；且Ex-TPB对酒驾意图有较强的解释性能和预测性能。

2)通过分析Bayesian-SEM参数估计结果发现，对酒驾意图影响最大的因素为行为态度，知觉行为控制对酒驾意图影响最小；驾驶员个人属性不同，其心理因素对酒驾意图的影响程度略有不同，然而，无论驾驶员个人属性如何，行为态度均是酒驾意图最主要的影响因素，仅道德规范的影响为负向。

[1] PEDEN M, SCURFIELD R, SLEET D, et al. World report on road traffic injury prevention [M]. World Health Organization, 2004.

[2] 方丽, 肖水源, 潘忠. 长沙市酒后驾驶发生率及相关因素[J]. 中国心理卫生杂志, 2011, 25(2):116-121.

FANG Li, XIAO Shuiyuan, PAN Zhong. Roadside survey on prevalence and related factors of drinking-driving in Changsha[J]. Chinese Mental Health Journal, 2011, 25(2):116-121.

[3] 李向阳, 梁丽娜, 范洪庚,等. 三门峡市2012—2013年酒后驾车交通事故639例危险因素分析[J]. 交通医学, 2015(2):199-201.

LI Xiangyang, LIANG Lina, FAN Honggeng, et al. Drunk driving accidents related risk factors are analyzed of sanmenxia city from 2012 to 2013 in 639 cases[J]. Medical Journal of Communications, 2015(2):199-201.

[4] LEE K H, YONG M K. Influence of sociopsychological aspects, smoking habit, exercise habit on the intentions of drink-driving[J].Can J Public Health， 2015, 26(1):21-29.

[5] WATLING H, HOOIJER J, ARMSTRONG K, et al. The influence of social factors and personality constructs on drink driving among young licenced drivers[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2018(52):210-221.

[6] ARMITAGE C J, CONNER M. Efficacy of the theory of planned behaviour: a meta-analytic review.[J]. Health Psychology Official Journal of the Division of Health Psychology American Psychological Association, 2001, 40(4):471.

[7] CHAN D, WU A, HUNG E. Invulnerability and the intention to drink and drive: An application of the theory of planned behavior[J]. Accident; analysis and prevention, 2010, 42(6):1549-1555.

[8] MOAN I S, RISE J. Predicting intentions not to “drink and drive” using an extended version of the theory of planned behaviour[J]. Accident Analysis & Prevention, 2011, 43(4):1378-1384.

[9] 姜康, 凌飞阳, 冯忠祥,等. 行人过街使用手机行为的心理影响因素研究[J]. 中国安全科学学报, 2016, 26(6):13-18.

JIANG Kang, LING Feiyang, FENG Zhongxiang, et al. Research on psychological factors affecting pedestrians' mobile phone use behaviour while crossing[J]. China Safety Science Journal, 2016, 26(6):13-18.

[10] BAMBERG S, AJZEN I, SCHMIDT P. Choice of travel mode in TPB: The roles of past behavior, habit, and reasoned action[J]. Basic and Applied Social Psychology, 2003, 25(12): 175-188.

[11] TATIANA IAKOVLEVA. Entrepreneurial intentions, risk perceptions and cultural norms does the gender matters[J]. Academy of Management Proceedings, 2016(2):118-125.

[12] PARKER D, MANSTEAD A S, STRADLING S G. Extending the theory of planned behaviour: The role of personal norm[J]. British Journal of Social Psychology, 2011, 34(2):127-138.

[13] ULLMAN J B, BENTLER P M. Structural Equation Modeling[M].Handbook of Psychology， 2003.

[14] LEE S Y. Structural Equation Modeling: A Bayesian Approach[M]. Higher Education Press, 2007.

[15] COLLINS S E, WITLIEWITZ K, LARIMER M E. The theory of planned behavior as a predictor of growth in risky college drinking[J]. Journal of Studies on Alcohol & Drugs, 2011, 72(2):322.

[16] LI Q, HE H, HYDER A A. The theory of planned behaviour for drinking and driving: an empirical validation using data collected in two Chinese cities from 2010 to 2014[J].Internet Research Electronic Networking Applications & Policy， 2016, 22(2): 198-199.

[17] 柴建, 杨莹, 卢全莹,等. 基于贝叶斯结构方程模型的道路交通运输需求影响因素分析[J]. 中国管理科学, 2015(S1):386-390.

CHAI Jian, YANG Ying, LU Quanying, et al. Analysis of influence factors of road transportation demand based on bayesian structural equation model[J]. Chinese Journal of Management Science, 2015(S1):386-390.