電動自行車風險駕駛行為因子分析及相關因素研究

王 濤,黎文皓,謝思紅,陳 峻

(1. 桂林電子科技大學 建筑與交通工程學院，廣西 桂林 541004； 2. 東南大學 交通學院，江蘇 南京 210096)

0 引 言

在國內(nèi)很多城市,電動自行車已經(jīng)成為城市居民出行最主要的交通工具以及短距離出行的首選交通方式[1]。與此同時，電動自行車的安全問題也隨之逐漸顯現(xiàn)出來，這使得城市的交通管理以及交通安全保障面臨了新的挑戰(zhàn)與巨大的壓力[2]。根據(jù)國外的研究數(shù)據(jù)顯示，因為駕駛?cè)艘蛩囟苯訉е碌慕煌ㄊ鹿始s占65%，而與駕駛?cè)艘蛩叵嚓P的交通事故約占95%[3]。2013年我國電動自行車事故數(shù)據(jù)分析表明，造成電動自行車事故的原因主要有：未按規(guī)定讓行、違法占道行駛、違反交通信號、超速行駛、逆向行駛[4]。導致交通事故發(fā)生的誘因復雜多樣，解決其問題也應從各個方面著手，但其核心要素肯定是人的因素[5]，交通事故始終以駕駛者的行為作為決定因素和作用載體，因此最有效并且最具有價值的研究，是如何對人在事故風險中的“風險駕駛行為”這一環(huán)的作用規(guī)律進行揭示[5-6]。

“風險駕駛行為”指的是跟預期中正常且合理的駕駛行為軌跡相偏離的一種行為[7]，電動自行車駕駛者因為對系統(tǒng)的安全教育和技術培訓等方面知識匱乏，交通安全意識薄弱，在駕駛過程中引起的風險駕駛行為問題也更加突出。因此研究電動自行車的風險駕駛行為，是解析電動自行車交通事故機理的重要環(huán)節(jié)，對改善電動自行車交通安全環(huán)境具有重要的現(xiàn)實意義。

為了解開風險駕駛行為背后的誘因，J. REASON等[7]最早構建了機動車駕駛員風險駕駛行為量表DBQ(driving behavior questionnaire)，此后國內(nèi)外學者在DBQ的基礎上，對于駕駛行為分類和拓展風險駕駛行為量表開展了大量的研究，根據(jù)研究對象的差異性設計出了相應的問卷，如卡車[8]、摩托車[9]、自行車[10]。近年來風險駕駛行為研究焦點在不同年齡、性別、經(jīng)驗、生理狀態(tài)等因素下的駕駛行為差異[11]。張衛(wèi)華等[12]構建了低能見度條件下駕駛?cè)税踩{駛量表，結果表明低能見度對駕駛員風險感知和違規(guī)行為有顯著影響；汪益純等[13]引入社會經(jīng)濟特征和日常駕駛行為指標，研究不同初駕者的行為差異；鄭東鵬[14]在駕駛經(jīng)驗的基礎上，研究駕駛?cè)说奈ｋU感知影響因素；姚文等[15]分析駕駛員人格特質(zhì)與多發(fā)交通事故的影響因素，得出駕駛員的個性、認知、行為與交通事故的多發(fā)有關。

目前已經(jīng)形成比較嚴謹和完善的機動車及摩托車駕駛員風險行為研究，但國內(nèi)外對于電動自行車風險駕駛行為的相關研究較少。與機動車相比，電動自行車的交通環(huán)境以及物理特性存在非常大的差異。例如，由于沒有法規(guī)要求電動自行車駕駛者在駕駛之前進行嚴格的培訓，對騎行者違反交通規(guī)則的違章缺乏處罰手段，因而對于安全態(tài)度和風險感知方面會呈現(xiàn)出更加多樣化的形式；此外，因其具有較小的體積且可進行靈活的轉(zhuǎn)向的特點，駕駛者經(jīng)常會以成群的方式行駛，其駕駛行為也隨之多樣化。因而直接用機動車駕駛行為問卷，來進行電動自行車駕駛者的行為特征測量顯然不合適。

筆者主要對電動自行車風險駕駛行為量表進行設計，基于駕駛者的問卷調(diào)查結果，對電動自行車風險駕駛行為的潛在因子結構以及各因子得分在駕駛者基本信息上的差異進行分析，為制定電動自行車安全管理辦法，降低電動自行車事故，改善電動自行車交通秩序提供參考依據(jù)。

1 問卷及調(diào)查

1.1 問 卷

參考機動車風險駕駛行為量表DBQ[7]，將其與電動自行車駕駛者特性、電動自行車行為觀測結果、機動車風險駕駛行為影響因素相結合，進行了電動自行車風險駕駛行為量表ERBQ(E-bike rider behavior questionnaire)的編制，共包含風險駕駛行為、駕駛信心、風險感知、安全態(tài)度，以及事故經(jīng)歷和基本信息6個部分。具體如下：

1)風險感知量表由T. RUNDOM等[16]提出的基于情感擔憂的“擔心及憂慮”量表和M. A. MACHIN等[17]提出的基于認識評估的“危險認知”量表構成，包含11個問項。其中“擔心及憂慮”量表1～5分別代表極不同意、不同意、普通、同意、非常同意；“危險認知”量表1～5分別代表極不危險、不危險、普通、危險以及非常危險。分數(shù)越高，表明被試者對關于駕駛行為中可能引起的風險表現(xiàn)出越擔心、焦慮的情緒，對風險行為的危險度有更高的主觀知覺性，同時對事故可能引起的后果也會產(chǎn)生更高的知覺。

2)駕駛信心量表在J. T. WONG等[18]提出的駕駛自信量表的基礎上，增加至8個問項，用以評估電動自行車駕駛者對技術能力信心和判斷能力信心，1～5分別指代的是極不同意、不同意、部分同意、同意和非常同意。分值越高，表示調(diào)查對象對于自身的駕駛水平持有越高的信心，越相信自己的駕駛技術能力，越相信自己判斷能力的正確性。

3)安全態(tài)度量表改編自P. ULLEBERG等[19]的研究，總共包括14個項目，用以評估電動自行車駕駛者對交通安全及個人責任的態(tài)度、交通規(guī)則的態(tài)度和從眾心理。1～5分別代表極不同意、不同意、部分同意、同意、非常同意。分值越大表示安全態(tài)度越好，即對待安全持有越正面的態(tài)度，有更大的意愿去遵守交通規(guī)則，其從眾心理也更低。

4)風險駕駛行為量表是在參考國內(nèi)外機動車、摩托車、自行車以及L. YAO等[20]編制的量表基礎上，結合對電動自行車實際駕駛行為觀測結果編制的，用以測量違規(guī)行為、疏忽行為、侵略行為、追求領先行為，包含24個題項。5個計分點對應測驗中的5個等級選項，1～5分別代表從來沒有、基本沒有、偶然、有時候以及總是有。分值越高，表明其電動自行車的風險駕駛行為發(fā)生的次數(shù)越高。

5)事故經(jīng)歷包括被采訪者在近3年內(nèi)，出現(xiàn)交通事故的頻率及其因事故造成后果的嚴重程度，1～3由低到高分別是僅造成財產(chǎn)損失、造成人員受傷、造成人員就醫(yī)。

6)基本信息主要由以下3方面構成：人口統(tǒng)計學信息(性別與年齡)，駕駛背景(駕齡、駕駛頻率以及是否有機動車駕駛經(jīng)驗)和社會經(jīng)濟特性(受教育程度與電動自行車類型)。

1.2 調(diào) 查

在桂林市公安局交通警察支隊選擇5名經(jīng)驗豐富的交警進行訪談，根據(jù)訪談的結果修改問卷，形成預調(diào)查量表問卷。再根據(jù)此問卷，對桂林市的60名正在非機動車教育點以及機動車駕校進行學習的人員開展預調(diào)查，檢驗問卷題目的含義和敘述方式是否能夠被受測者正確的解讀。預調(diào)查后，首先對個別問項的陳述方式是否可靠進行測驗，再對不合適的問項修正并刪除之后，設計出了正式的調(diào)查問卷。

筆者所使用的調(diào)查方法包括跟蹤調(diào)查和隨機調(diào)查。為了進行駕駛行為與道路條件、環(huán)境等因素的協(xié)同作用研究，對部分電動自行車事故當事者展開跟蹤調(diào)查。在交警的協(xié)助下，總共抽取400名左右的當事者實施了電話預約調(diào)查，歷時3個月，順利對198名當事人進行了回訪，經(jīng)篩選一共得到有效問卷數(shù)量為192份，包括嚴重受傷事故12份、輕傷事故134份以及財產(chǎn)損失事故46份。

另外針對南寧、桂林兩地的電動自行車駕駛?cè)碎_展隨機調(diào)查。由于本次問卷內(nèi)容的中所包含的問題較多，且涵蓋測驗的問題，預估被調(diào)查人員需耗時5～8 min對初步問卷填答，因此在調(diào)查過程中采取一對一的方式進行，以防止出現(xiàn)被調(diào)查者對問卷的內(nèi)容不明白，或是錯誤理解問題等情況，進而保證問卷調(diào)查結果的精確性。隨機調(diào)查共計回收問卷434份，經(jīng)刪除答題不完整、漏缺之后共回收有效問卷381份。

跟蹤調(diào)查與隨機調(diào)查共獲取有效問卷573份，樣本分布情況如表1，表中：駕駛時間均值=3.8 a，標準差=2.9，范圍=0.5～17 a。結果顯示樣本男女比例接近1∶1，年齡分布以年輕人為主，初、中、高受教育程度人群基本各占33%，樣本差異性分布符合預期。

表1 樣本基本信息分布情況Table 1 Basic information distribution of samples

注：①均值=29.7歲，標準差=10.1， 范圍=14～63歲；②均值=4.78次/周，標準差=2.0，范圍=1～7次/周；③=12.2 km，標準差=10.7，范圍=1～4 km

2 因子分析

2.1 因子分析法

因子分析(factor analysis)的主要功能是從量表的全部變量(問項)中提取一些公因子，各公因子分別于某一群特定變量高度關聯(lián)，這些公因子即代表了量表的基本結構，被認為是獲得觀察變量(observed variable)背后潛在變量(latent variable)的最典型方法和最有效的效度分析手段[21]。

其基本原理是通過對變量間的相互關聯(lián)的程度進行探究，進而分析潛在的關系結構，再根據(jù)此關系結構提煉出少數(shù)幾個潛變量以解釋一組變量[22]。將觀測變量變異分解為公共因子、獨特性(unique factor)兩個部分，假設有p個觀測變量分別為x1，x2，…，xp，原有p個觀測變量用m(m

(1)

式中：xip為個體i在變量p上的值；apm為第p個變量在第m個因子上的荷載；fm為各觀測變量共有的因子；dj為獨特性因子的權重；uij為獨特性因子權重。

為了簡化起見，經(jīng)常將式(1)寫成矩陣形式，作為因子分析的基本方程：

X=F·A′

(2)

式中：X為觀測變量矩陣；A′為荷載矩陣；F為因子矩陣。

從數(shù)據(jù)X能夠得到觀測變量之間的相關矩陣R為：

(3)

式中：R為原始變量相關矩陣；K為樣本量。

R=A·A′

(4)

經(jīng)過因子荷載矩陣，原始變量的相關矩陣得到了復制，因子和原始變量之間的方向以及關系強度，通過因子荷載矩陣進行了描述。一般，通過方差最大的正交旋轉(zhuǎn)法計算矩陣A的各列，文獻[21]給出了荷載矩陣的具體計算方法。

2.2 結果與分析

樣本是否適合進行因子分析，需要進行KMO檢驗和Bartlett球形檢驗[23]。調(diào)查獲取的573份樣本安全態(tài)度、風險感知、駕駛信心、風險駕駛行為4個構面的KMO值分別為0.853、0.817、0.823、0.862，均大于0.8，說明其滿足因子分析的條件。Bartlett檢驗結果V2分別是4 878.08、2 594.74、2 953.99、4 406.12，相伴概率均小于0.01，說明問項間有共享公因子的可能性。

同時利用克倫巴赫α信度系數(shù)法(Cronbach’s α)對量表的信度進行檢驗，當Cronbach’s α>0.7時表明量表具有相當?shù)男哦萚24-25]。根據(jù)檢驗結果風險感知、安全態(tài)度、駕駛信心和風險駕駛行為4個構面的Cronbach’s a系數(shù)分別為0.83、0.84、0.82以及0.75，認為4個構面的因子結構具有良好的穩(wěn)定性和內(nèi)部一致性。

在滿足信度檢驗的基礎上，對樣本的風險感知、安全態(tài)度、駕駛信心和風險駕駛行為4個構面采用最大方差法對因子進行正交旋轉(zhuǎn)。取特征值(eigenvalue)大于1的因子作為可以抽取的因子數(shù)，并根據(jù)因子的可解釋性，最后確定各構面可以抽取的公共因子。刪除載荷小于0.5并出現(xiàn)雙負載的問項，形成最后的電動自行車風險駕駛行為量表。

風險感知獲取了3個因子，包含11個問項，3個因子共解釋了總方差的64.49%，分別為“危險程度”、“擔憂程度”、“機率評估”；駕駛信心獲取了2個因子，包含8個問項，2個因子解釋了總方差的76.33%，分別為“技術能力”、“判斷能力”；安全態(tài)度獲取了3個因子，共14個問項，3個因子解釋了總方差的70.54%，分別為“交通規(guī)則”、“安全責任”、“從眾心理”；風險駕駛行為獲取了4個因子，共20個問項，4個因子解釋了總方差的68.43%。各構面的每個項目的載荷都在0.577以上，并且每個問項與最大載荷所在因子在內(nèi)容上都較為相似，但卻不同于其他因子，見表2。

表2 因子提取一覽Table 2 List of factor extraction

3 駕駛者特征與風險駕駛行為相關性

進一步分析電動自行車駕駛者的基本信息(人口統(tǒng)計學信息、駕駛背景以及社會經(jīng)濟狀況)在各個不同因子上的差異性。傳統(tǒng)的差異性比較是將問項的平均值作為比較對象，這種方法必然會導致特定的信息(如不同受訪者及問項之間表達的信息)的丟失[26]。因此相較于傳統(tǒng)的平均值，筆者提出了以因子得分為基礎進行差異性進行分析，因子得分的計算如式(5)：

L=X·A·(A′·A)-1

(5)

式中：L為因子得分矩陣；X為觀測變量矩陣；A為荷載矩陣。

筆者根據(jù)上述公式計算出因子得分矩陣，并通過方差分析對不同因子上的基本信息變量的差異進行了衡量，結果見表3。

表3 駕駛者基本信息變量在不同因子上的差異(F)Table 3 Differences of drivers’ basic information variables on different factors

注：**表示相應F值下的概率p值<0.01，*表示相應F值下的概率p值<0.05，概率p值取值見正文

由表3可知，駕駛信心(F=3.95，P<0.05)和風險感知(F=10.09，P<0.01)的因子得分在不同性別上存在顯著的差異。女性駕駛者對于風險感知的敏感程度明顯要比男性高，但相反的男性在駕駛過程中的駕駛信心方面較之女性有更大的優(yōu)勢。男性駕駛者與女性相比，其發(fā)生違規(guī)行為(F=3.21，P<0.05)、追求優(yōu)先和奮力超前的駕駛行為(F=1.47，P<0.01)以及侵略性的駕駛行為(F=3.84，P<0.05)的頻次更高，但是男性和女性電動自行車駕駛員在疏忽及失誤駕駛行為行為上沒有顯現(xiàn)出顯著的差異(F=0.34，p>0.05)。國內(nèi)電動自行車交通事故的嚴重程度分析也發(fā)現(xiàn)，男性電動自行車駕駛者更傾向于發(fā)生嚴重事故[1]，這可能是由于男性電動自行車駕駛者發(fā)生違規(guī)等高風險的風險駕駛行為更加頻繁。

年齡對于駕駛信心(F=8.06，P<0.01)和風險感知(F=5.25，P<0.01)存在顯著影響。與青年組(P=0.012)和老年組(P=0.007)相比，中年組電動自行車駕駛者的風險感知明顯要高，而其在駕駛信心上所得的分數(shù)明顯低于青年組(P=0.000)和老年組(P=0.007)。此外，老年組電動自行車駕駛者發(fā)生違規(guī)行為的次數(shù)較中年組(P=0.000)以及青年組(P=0.000)高，而在獲取領先行為中，青年組則較中年組(P=0.001)和老年組(P=0.044)表現(xiàn)得更頻繁。與電動自行車駕駛者不同年齡段在風險行為上的差異表現(xiàn)一致，T. WANG等[27]的研究結果表明，年齡小于25歲及年齡大于65歲相的電動自行車駕駛者發(fā)生死亡事故的可能性分別增加32.1%和55.2%。而P. ULLEBERG 等[19]研究結果顯示機動車駕駛者對可能發(fā)生事故有較高的風險感知，對發(fā)生事故的擔心程度也較高。

接受教育程度的高度并沒有對風險感知產(chǎn)生顯著影響，但是對安全態(tài)度(F=5.84，P<0.01)以及駕駛信心(F=3.47，P<0.05)構面存在顯著的影響。隨著受教育程度的增加，電動自行車駕駛者的駕駛信心增強，對于安全的態(tài)度也更加積極。在各風險駕駛行為因子上，違規(guī)行為(F=6.03，P<0.01)、獲取領先(F=15.47，P<0.01)以及侵略行為(F=3.85，P<0.05)3個因子在教育程度上也表現(xiàn)出顯著的差異。高學歷者在違規(guī)和獲取領先的行為方面發(fā)生的次數(shù)更頻繁，而學歷較低的駕駛?cè)藙t更容易在駕駛過程中有侵略性的風險行為出現(xiàn)。與之類似，D. SHINAR等[28]對摩托車的研究發(fā)現(xiàn)，教育程度大專以上對于安全的態(tài)度明顯高于低學歷的駕駛員，較高的教育程度的駕駛者較容易有超速行為發(fā)生。

駕駛不同車型的駕駛者在風險感知(F=7.03，P<0.01)和侵略行為(F=4.75，P<0.05)上存在顯著差異。在風險感知方面，腳踏式電動自行車駕駛者得分更高，而摩托式電動自行車駕駛者發(fā)生侵略行為的頻率更高。

風險感知、駕駛信心、安全態(tài)度3個構面上駕駛年齡均無顯著差異，但是違規(guī)行為因子(F=7.02，P<0.01)與駕齡顯著相關。利用LSD(least significant difference)進行多重比較，結果表明駕駛時間在3年以上的駕駛者明顯比駕駛時間低于1年(P=0.000)和1～3年(P=0.024)的駕駛者發(fā)生違規(guī)行為的可能性更高，表明駕駛時間越久越容易產(chǎn)生違規(guī)行為。除違規(guī)行為外駕齡在其他風險行為上沒有顯著差異，這與我們的直覺有點矛盾，因為以往關于機動車駕駛安全的研究顯示隨著駕駛經(jīng)驗的增加，個體的駕駛技能會更加熟練，其發(fā)生事故的可能性也越小[29]。這可能是由于電動自行車操作相對簡單，不要求有太高的駕駛技術。

風險感知(F=5.47，P<0.01)及安全態(tài)度(F=5.75，P<0.01)構面的因子得分在電動自行車的使用頻率上存在顯著的差異性。駕駛電動自行車的次數(shù)越多對風險的感知程度越低，然而在對待安全態(tài)度上卻越趨于正向。并且使用頻率對于違規(guī)行為(F=15.18，P<0.01)、獲取領先行為(F=3.84，P<0.05)、疏忽及失誤行為(F=4.31，P<0.05)因子的影響也較顯著。經(jīng)過多重比較結果發(fā)現(xiàn)，發(fā)生違規(guī)行為和獲取領先行為的次數(shù)較高的是周駕駛頻率在6次以上的駕駛者，而發(fā)生疏忽及失誤行為的次數(shù)高的是駕駛頻率低于2次的駕駛者。與之類似，C. F. CHEN等[30]對臺灣地區(qū)機車駕駛員的研究表明，使用頻率越高的機車駕駛者對安全的態(tài)度越積極，而高速駕駛行為的頻率更高。

盡管機動車駕駛技能培訓和交通安全教育，使有機動車駕駛經(jīng)驗的電動自行車駕駛者對交通規(guī)則有更深入的了解，但是數(shù)據(jù)分析結果顯示，在風險感知、安全態(tài)度和駕駛信心3個構面上是否有機動車駕駛經(jīng)驗均沒有體現(xiàn)出明顯的差異性。同樣在侵略行為、違規(guī)行為和疏忽及失誤行為上是否有機動車駕駛經(jīng)驗也不存在顯著的差異。電動自行車事故研究結論也表明是否具有機動車駕照對事故的嚴重程度沒有顯著影響[1]，但機動車駕駛者，其更傾向于領先的駕駛行為 (F=12.60，P<0.01)的追求，其原因也許是這些駕駛者有機動車駕駛經(jīng)驗，更習慣于以更快的車速行駛。

4 結 論

筆者設計了電動自行車的風險駕駛行為量表，通過調(diào)查獲取有效樣本，對其駕駛者的駕駛信心、安全態(tài)度、風險感知以及風險駕駛行為的構面開展了探索性因子分析。風險感知得到危險程度、擔憂程度、機率評估3個因子，駕駛信心得到技術能力、判斷能力2個因子，安全態(tài)度得到從眾心理、交通規(guī)則態(tài)度以及安全責任態(tài)度3個因子，風險駕駛行為得到疏忽及失誤行為、違規(guī)行為、侵略行為、獲取領先4個因子。

通過研究電動自行車駕駛者特征與各構面的關系，發(fā)現(xiàn)女性駕駛者相比男性的風險感知程度更高，而在駕駛信心方面男性駕駛者的分數(shù)卻遠比女性高。與女性駕駛者相比，男性駕駛者在發(fā)生違規(guī)行為以及獲取領先駕駛行為方面的頻率要高；具有豐富駕駛經(jīng)驗的電動自行車駕駛者更傾向于發(fā)生違規(guī)的行為；在電動自行車駕駛者違規(guī)行為上，老年組發(fā)生的頻率相較于其他組顯著偏高，在領先騎行行為的表現(xiàn)上，青年組發(fā)生的次數(shù)明顯偏高，在領先騎行行為上伴隨年齡的增長呈現(xiàn)出下降的趨勢，而故意違規(guī)行為卻跟隨年齡的增加而有增長的趨勢；隨著受教育程度的增加，電動自行車駕駛者的駕駛信心增強，安全態(tài)度也變得更加積極，其中電動自行車駕駛者發(fā)生違規(guī)行為以及獲取領先行為次數(shù)更多的是高學歷人員，而發(fā)生侵略性的風險駕駛行為次數(shù)更多的是低學歷人員；有機動車駕駛經(jīng)驗的電動自行車駕駛者追求領先的駕駛行為頻率更高；對風險的感知隨著使用頻率的增高而降低，而對安全態(tài)度的積極性隨著使用頻率的增高而增加，據(jù)調(diào)查，有6次以上的頻率的駕駛者有更高的獲取領先行為以及發(fā)生違規(guī)行為的可能，而有2次以下駕駛頻率者則在存在疏忽及失誤行為方面有更大的可能性。

了解電動自行車駕駛者各構面的內(nèi)在結構以及差異性，便可針對駕駛者特性進行不同的交通管理和教育措施，藉此降低電動自行車駕駛者可能發(fā)生風險性駕駛行為的概率。比如，電動自行車對風險的感知除一般認為的危險程度和擔憂程度外還包括有機率評估因子，而在進行安全教育時，應在傳統(tǒng)的危險性警示教育的基礎上，加強對事故因果的教育，提高“這種危險可能發(fā)生在自己身上”的警示，從而達到真正提高電動自行車駕駛者風險感知的目的。而差異分析的結果顯示，在進行電動自行車交通管理和安全教育時，受教育水平的高低、駕齡以及機動車駕駛經(jīng)驗不能簡單作為判斷駕駛者風險程度的標準，而應該制定更加細化的措施。例如，隨著年齡的增加在追求優(yōu)先行為上，電動自行車駕駛者有下降的趨勢，而故意違規(guī)行為則呈現(xiàn)增長的趨勢，所以在探究風險駕駛行為之時，應對它在年齡方面的差異性投入更多的關注度。

筆者用于分析的數(shù)據(jù)來源于自答式的調(diào)查問卷，受訪者出于自身考慮，一些研究者認為如果采取自我評估的量表數(shù)據(jù)會導致產(chǎn)生一定的期望偏差。但相關研究可證實，對于被試者的回答而言，這樣的社會期望偏差所帶來的影響效應十分小。

在進行相關性分析時僅考慮了駕駛者特征這一類因素，在未來能夠獲得更豐富的數(shù)據(jù)條情況下可以對其他因素進行分析。同時采用單因素分析方法限制其他變量的影響進行相關性分析具有一定的局限性，在進一步的研究中可以采用其他方法矯正其他因素的影響，并對間接的關系進行詳細分析。