自行車憤怒情緒的影響因素研究

潘旭茂，干宏程，尹 裴，車麗萍 PAN Xumao, GAN Hongcheng, YIN Pei, CHE Liping

（1. 上海理工大學 管理學院，上海200093；2. 上海理工大學 超網(wǎng)絡研究中心，上海200093）

(1. School of Management, University of Shanghai for Science and Technology, Shanghai 200093, China; 2. Center for Supernetworks Research, University of Shanghai for Science and Technology, Shanghai 200093, China)

0 引 言

自行車出行對個人和城市環(huán)境都有明顯的好處，人們在騎行的過程中既能鍛煉自己的身體，也可以緩解城市道路交通擁堵，以及減輕城市空氣污染，這種綠色的交通出行方式有利于社會的可持續(xù)發(fā)展。因此，中國近年來也在不斷推廣自行車這種低碳的綠色交通方式。2017 年11 月27 日，我國交通運輸部發(fā)表《關于全面深入推進綠色交通發(fā)展的意見》[1]，其中明確指出要全面開展綠色出行行動，積極鼓勵公眾使用綠色出行方式。加強自行車專用道和行人步道等城市慢行系統(tǒng)建設，改善自行車、步行出行條件。然而相關數(shù)據(jù)顯示自行車騎行者的交通事故率與日俱增，以深圳為例[2]，自2017 年以來發(fā)生了約13 萬起與自行車相關的交通違規(guī)案件。此外，2017 年上半年與自行車相關的交通事故數(shù)量比2008 年同期高出79.63%。通常情況下自行車騎行者在交通事故中受到嚴重傷害的風險要高于汽車駕駛員，與汽車相比，自行車沒有任何保護的裝置設施，因此騎行者被歸為易受傷害的道路使用者。以上海為例[3]，2018 年所有交通事故中死亡的人數(shù)有13.7%是自行車騎行者。因此，在政府推廣綠色自行車出行的背景下，自行車騎行者的安全問題顯然是不可忽視的。為了減少自行車騎行的事故率和傷亡率，了解造成自行車騎行者事故的原因就顯得尤為重要。Thomas 等[4]指出交通事故很大一部分來源于各個道路使用者產(chǎn)生的交互，而這種交互往往會給道路的使用者帶來憤怒情緒。

關于駕駛員憤怒情緒方面的研究最早是由Deffenbacher[5]提出的，他采用駕駛憤怒量表（Driving Anger Scale，DAS） 設計了一份用來評估汽車駕駛員憤怒情況的問卷，研究得出憤怒情緒會導致汽車駕駛員做出危險的駕駛行為，從而有可能造成嚴重的交通事故。國內(nèi)外學者[6-8]也通過研究得出，雖然危險的駕駛行為不能夠直接預測交通事故發(fā)生，但是交互產(chǎn)生的心理因素會讓駕駛員做出容易碰撞的駕駛行為（如注意力不集中，操作失誤等）。與之相對應，從騎行者的角度考慮，自行車騎行者交互所產(chǎn)生的憤怒也可能會誘發(fā)不良的騎車行為，這反過來又會增加騎行者的撞車幾率。與汽車駕駛者相比，騎行憤怒對騎車者本身的威脅可能更大。最近的研究也證實了憤怒情緒會影響人們做出危險和激進的騎行行為。Hezaveh 等[9]和周建等[10]通過調(diào)查數(shù)據(jù)表明騎行者的憤怒情緒與其錯誤的騎行和違規(guī)騎行相關；丹麥學者Moller 等[11]發(fā)現(xiàn)憤怒的情緒與激進的騎行和被交警罰款呈正相關。然而仍然缺乏更詳細地刻畫騎行憤怒情緒與騎行者道路安全的研究。Oehl 等[12]首次嘗試探索德國騎行憤怒與道路使用者交互的關系，并開發(fā)了一個12 項的自行車騎行者憤怒量表（Cycling Anger Scale，CAS），該量表具有四個因子，包括警察互動，騎行互動，汽車互動和行人互動。Steve 等[13]基于澳大利亞的騎行者數(shù)據(jù)驗證了此量表的合理性，表明憤怒情緒會影響騎行者的騎行行為。

上述的研究來源于世界各國，Wang 等[14]，Scott[15]指出人口、社會、經(jīng)濟、文化、法規(guī)和交通環(huán)境的差異會影響自行車騎行在該地區(qū)的推廣，并且也會造成人們在騎行行為習慣和心理考慮的不同。中國是一個幅員遼闊，地域差距顯著的國家，騎行憤怒量表對我國各地區(qū)的騎行者適用性研究尚不充分，考慮到自行車日益增長的事故率和騎車者易受傷害的特點，如何解釋騎行者與其他道路使用者的交互中產(chǎn)生的憤怒情緒，怎么有效預防和降低騎車人交通事故方面顯得尤為重要。因此，本文立足于探究上海自行車騎行憤怒影響因素，設計了一份包含CAS 的調(diào)查問卷，來衡量上海自行車騎行者在騎行中遇到不同情境下的憤怒程度，通過上海的實地樣本數(shù)據(jù)，構建包含交警互動、汽車互動、騎行互動、行人互動的四因子結構方程模型，解釋騎行憤怒的影響因素，最后針對騎行者的騎行安全問題給出措施和建議。

1 問卷調(diào)查和量表設計

1.1 問卷調(diào)查。本次問卷調(diào)查對象為上海自行車騎行者，并采用線上和線下兩種方式展開，線上采用“問卷星”電子問卷，總共收集了350 份問卷，線上200 份，線下150 份，有效問卷329 份。問卷有效率94%。P. M. BENTLER 等[16]提出當樣本數(shù)不少于測量變量的10 倍的情況下，結構方程模型是可信的，而本次調(diào)查的樣本數(shù)大于測量變量的10 倍，因此該問卷調(diào)查樣本數(shù)可以進行有效的數(shù)據(jù)分析。

問卷的內(nèi)容包括兩部分，第一部分為個人信息（性別，年齡，教育背景） 和騎自行車習慣（騎自行車的經(jīng)歷，騎自行車的頻率），第二部分是測量憤怒情緒的量表。使用了13 項CAS 量表，每個問題描述了騎自行車者交互中產(chǎn)生的憤怒情緒。

1.2 量表設計。根據(jù)Oehl 等[12]和Steve 等[13]的研究，采用CAS 量表來衡量自行車騎行者的憤怒，同時根據(jù)《中華人民共和國道路交通安全法》和《中華人民共和國道路交通安全法實施條例》中有關自行車的部分和上海當?shù)氐尿T行環(huán)境對量表進行了修訂（比如自行車在澳大利亞安全上路的條件是要有車燈，而我國并無此規(guī)定；此外我國對自行車交通在城市道路上的通行權和安全性未有嚴格的定義和明確的解釋[17）]，并進行了問卷的預調(diào)查，根據(jù)反饋最終生成了一個四因子的結構方程模型，潛變量分別是交警互動F1（A1,A2,A3）、騎車互動F2（B1,B2,B3）、汽車互動F3（C1,C2,C3,C4）和行人互動F4（D1,D2,D3），測量變量對應問卷中13 個題目，被調(diào)查的騎行者用五分制李克特量表對測量變量對應的問題從1 到5 打分，1 表示“完全不生氣”，3 表示“一般生氣”，5 表示“非常生氣”。本文模型對應變量結果如表1 所示。

表1 問卷量表和評分

2 調(diào)查問卷分析

2.1 樣本描述性統(tǒng)計分析。在329 名接受調(diào)查的人中，男性占53.5%，女性占46.5%，男女比例較為均衡。其中絕大多數(shù)學歷為大學專、本科學歷，占60.2%，這部分人群受教育程度高，能夠較好地理解和完成問卷內(nèi)容。樣本平均年齡30 歲左右，整體樣本偏年輕化，也反映出自行車騎行更適合年輕人。根據(jù)他們的騎行頻率和經(jīng)歷，大多數(shù)調(diào)查者報告說他們一周騎行了3～5次，占比為56.5%，在騎行中有被交警罰款經(jīng)歷的騎行者占了21.9%，而騎行中有過碰撞經(jīng)歷的占比為29.2%。

2.2 量表評分。量表評分數(shù)據(jù)如表1 所示，量表中四個潛變量的平均得分由高至低依次為：4.22（汽車互動），3.45（騎行互動），3.4（交警互動） 和3.04（行人互動）。這說明，騎行者在遇到與汽車互動的情境時，所表現(xiàn)出來的憤怒水平最高，而與行人的互動產(chǎn)生的憤怒水平最低。

最讓騎行者感到憤怒的情況是與汽車的互動，其中最讓騎行者能有憤怒情緒的三種情況是：汽車迫使您離開騎行道路，平均得分為4.68（SD=0.81）；汽車阻礙你騎行，平均得分為4.62 （SD=0.78）；汽車快速從你身邊駛過，平均得分為4.41（SD=0.61）。

3 模型分析

3.1 信度效度檢驗。使用驗證性因子分析（Confirmatory Factory Analysis, CFA） 對13 項四因子CAS 進行了測試。在CFA中，警察互動、汽車互動、騎車人互動和行人互動四個心理潛變量與測量指標之間的標準化因子載荷如表2 所示。

從表2 中可以看出四個潛變量的標準化因子載荷都較為符合標準，大于0.5，組合信度（Composite Reality, CR） 也大于0.7，表明測量量表信度良好，而平均方差提取值（Average Variance Extracted, AVE） 均大于0.5，表明測量模型的聚斂效度較好。

表2 測量量表的信度及效度檢驗

3.2 模型擬合判斷標準。根據(jù)相關資料[18-21]得出結構方程模型的擬合最常用的指標：擬合優(yōu)度指數(shù)（Goodness-of-Fit Index，GFI，小于0.90 為宜）、修正的擬合優(yōu)度指數(shù)（Adjusted-Goodness-of-Fit index，AGFI，小于0.90 為宜）、近似誤差平方根（Root-Mean-Square-Error-of Approximation，RMSEA，小于0.08 為宜）、卡方與自由度比值（Chi-square/Degrees-of-Freedom，CHI/DF，小于3 為宜）。

3.3 模型的估計。利用AMOS 軟件采用極大似然故估計法（Maximum Likelihood Estimate，MLE） 對模型進行估計，原先的四因子模型產(chǎn)生的擬合度不高，RMSEA=0.109＞0.080，AGFI=0.882＜0.900。該模型需要修正，增加三個誤差對的共變關系，并去除交警互動和行人互動之間的協(xié)方差，修正后的模型與樣本數(shù)據(jù)的適配度較為理想，模型修正后顯示出良好的適配度，如表3 顯示，卡方與自由度比值小于3，CFI值為0.953，RSMEA=0.061＜0.080，GFI=0.912＞0.900，AGFI=0.944＞0.900，圖1 是最終的標準化模型參數(shù)估計結果。

表3 模型擬合指標

3.4 模型的解釋。從最后修正的模型中可以看出，自行車騎行的憤怒情緒和四種因子存在相關性。

（1） 子量表中交警互動與其他量表相關性較低，表明騎行者遇到警察罰款的憤怒感受和其他情形下的憤怒感受是不相同的，其他的憤怒情緒來源于道路使用者的交互。而警察互動打分可以得知人們騎行過程中對遭遇處罰也容易產(chǎn)生負面情緒。

（2） 對于騎行互動來說，在城市用地緊張的情況下，騎行的道路往往不是非常寬敞，一旦騎行過程中，騎行人數(shù)過多，那么產(chǎn)生摩擦和碰撞的概率就會變大，這顯然會讓騎行者產(chǎn)生不愉快的心情，因此，騎行互動的憤怒打分排名第二，僅次于汽車互動。

（3） 汽車的互動打分是最高的，可以看出騎行過程中與汽車交互會給騎行者帶來最激進的情緒，很大程度上可能在于潛在的安全風險，與速度較快的汽車交互更容易產(chǎn)生嚴重的交通事故。而模型中e4和e10以及e6和e8存在關聯(lián)的原因可能是汽車互動和騎車互動兩者的交互對象均是道路的使用者，同時模型中測量指標的問卷描述是相近的，在這種情況下，汽車交互的憤怒打分均值比騎行互動打分均值高出更多，可以得出汽車互動是騎行者最大的憤怒來源。

（4） 而與行人互動方面，大多數(shù)人是不怎么產(chǎn)生憤怒情緒的，表明交互過程相對比較溫和，不會有較大的碰撞和損傷，同時這也與警察互動不相同，不會受到訓誡和罰款，所以行人互動打分最低。

3.5 政策建議。為貫徹和推進實施國家綠色出行政策，根據(jù)上述研究結論給出以下建議。

（1） 對于條件允許的主、次干道上盡量采用隔離護欄或綠化設施的機非分離方式，如圖2 和圖3 所示。

（2） 針對許多城市普遍存在的由于機動車道容量拓寬和城市用地受限等原因而形成的非機動車道與人行道合并的“人非共板”情形，可以利用如圖4 所示的道路標線和彩色的自行車騎行路面來減少騎行中的行人互動。

（3） 對于政府管理部門，加強自行車騎行交通法規(guī)知識普及宣傳非常重要，比如設置自行車通過機動車道應當下車推行等標語，以此提升騎行者的道路交通法的認知水平，減少違反交通法規(guī)騎行者的比例，營造更有序的道路騎行氛圍，同時也可以預防騎行者因違規(guī)騎行而導致的交通事故。

4 結 論

本文結合上海居民騎行數(shù)據(jù), 采用騎行憤怒量表問卷調(diào)查和基于結構方程模型的分析, 對上海居民自行車騎行憤怒影響機理做了初步探索。研究表明：

（1） 從交互方面，自行車憤怒情緒影響因素由高到低分別為：汽車互動、騎行互動、交警互動、行人互動。騎行者在與汽車互動的情境下，憤怒情緒較高，這很可能會導致騎行者產(chǎn)生激進的騎行行為誘發(fā)交通事故。相比之下，騎行者與行人互動情境下所產(chǎn)生的憤怒情緒較低。

（2） 從政策角度，本文研究成果對于貫徹和推進實施國家綠色出行政策具有啟示和指導意義，通過完善機非隔離設施，改善騎行環(huán)境以及加強騎行者交通法規(guī)意識等措施和方法，可以減少騎行者的事故率和傷亡率。

圖1 騎行憤怒量表CFA 分析

圖2 主、次干道隔離護欄設施示意圖

圖3 主、次干道綠化設施示意圖

圖4 “人非共板”騎行環(huán)境改善示意圖

由于條件限制，本文對于自行車騎行者未做分類，除了騎行者的個人特征外，還可以通過細分不同自行車（如私人擁有的自行車，共享單車，公共自行車） 的交互情況做進一步的研究。此外，還可以收集中國其他地方的自行車騎行數(shù)據(jù)與本文對比，深入了解中國騎行者憤怒情況。