機動車非職業(yè)駕駛?cè)耸鹿蕛A向性測評方法

程國柱， 馮思鶴， 史伯睿

(東北林業(yè)大學 交通學院，哈爾濱 150040)

目前，中國的道路交通事故數(shù)量始終保持在較高數(shù)量級，這嚴重制約了經(jīng)濟社會發(fā)展。 提高道路交通安全水平是交通強國戰(zhàn)略的重要保障。 道路交通事故的發(fā)生與駕駛?cè)说纳硖卣鳌⑿睦硭刭|(zhì)及個性因素等有關(guān)。 而更容易發(fā)生事故的駕駛?cè)艘话憔哂幸恍┨厥獾纳砗托睦硖卣鳎词鹿蕛A向性。 這些特征會使此駕駛?cè)顺霈F(xiàn)事故的可能性較其他人更高。 研究合理的機動車駕駛?cè)耸鹿蕛A向性的綜合測評方法是當前道路交通安全研究的難點之一。

事故傾向理論最早是1919年Greenwood等[1]提出來的，他們認為有些人在本質(zhì)上具有誘發(fā)事故的某些生理、心理特征；但文獻[2]認為事故傾向性是人與環(huán)境因素相互作用的產(chǎn)物，提出了事故傾向性變異的概念； 文獻[3]通過事故因素模型分析了駕駛?cè)吮旧硭哂械氖鹿蕛A向性，以及各因素與事故發(fā)生概率的關(guān)系；文獻[4]再次明確了事故傾向性是各因素之間互相作用產(chǎn)生的； 另外，文獻[5]的研究表明，具有危險駕駛風格的駕駛?cè)思词咕邆涫炀毜鸟{駛技能，仍然會容易發(fā)生事故； 文獻[6]總結(jié)出9種機動車駕駛?cè)诵睦碚系K的主要危險因素； 文獻[7]認為女性駕駛?cè)笋{駛行為安全性高，但判斷、執(zhí)行、應變和心理承受能力較差；文獻[8]研究了反映駕駛?cè)诵睦碡摵傻慕煌_突識別指標；文獻[9]研究了駕駛?cè)烁兄L險隨機動車速度變化的規(guī)律；文獻[10]研究發(fā)現(xiàn)駕駛?cè)说男睦砥焚|(zhì)會直接制約其駕駛行為；文獻[11]研究了駕駛?cè)藗€性與事故傾向性間的關(guān)系；文獻[12]參考國外體系提出了不同的人格問卷；文獻[13]認為在復雜道路的駕駛環(huán)境下，駕駛?cè)说膽し磻芰εc性別及年齡等因素相關(guān)；文獻[14]研究發(fā)現(xiàn)危險知覺技能與事故傾向性相關(guān)程度高；文獻[15]建立了駕駛?cè)税踩袨榈娘L險度量模型； 文獻[16]設計了適用于公交駕駛員駕駛憤怒的量表； 文獻[17]研究了交通事故中的人為因素的影響，比如兩車會車時閃燈可能導致交通事故發(fā)生率升高；文獻[18]提出要加強對駕駛?cè)说脑俳逃?因此，縱觀國內(nèi)外關(guān)于機動車駕駛?cè)耸鹿蕛A向性的研究進展，目前關(guān)于人格對駕駛?cè)耸鹿蕛A向性的研究中只注重研究日常人格的影響，而忽略了在駕駛時心理變化的基本事實，并且往往在這些研究中，均沒有量化不同影響因素的事故傾向性，缺少對現(xiàn)有駕駛?cè)耸鹿蕛A向性的分級測評的研究。

因此本文考慮了人格多樣性對事故傾向性的影響，并且提出一種考慮駕駛?cè)烁竦鸟{駛?cè)耸鹿蕛A向性的量化方法與評價體系，并開展此方法的實例驗證研究。 該研究遵循“指標分析-數(shù)據(jù)調(diào)查-因素識別-函數(shù)構(gòu)建-等級劃分-實例檢驗-效果評價”的研究思路，通過明確駕駛?cè)耸鹿蕛A向性的致因指標，提出4種駕駛?cè)烁?，并?gòu)建駕駛?cè)耸鹿蕛A向性的隸屬函數(shù)，劃分事故傾向性等級，據(jù)此提出了合理的測評駕駛?cè)耸鹿蕛A向性的方法。

1 問卷調(diào)查

問卷調(diào)查對象為非職業(yè)駕駛?cè)?，通過問卷星系統(tǒng)進行問卷設計和問卷發(fā)放與收集。 經(jīng)過分析與駕駛?cè)耸鹿蕛A向性相關(guān)的因素，確定需調(diào)查的6類數(shù)據(jù)：駕駛?cè)说幕緦傩裕{駛?cè)说鸟{駛與工作環(huán)境，駕駛?cè)说鸟{駛技能及習慣，危險感知能力，駕駛心理，事故數(shù)據(jù)。 問卷參考了國外駕駛行為問卷(DBQ)、普通心理學中的4種個性測評方式(DISC)和李克特五點量表法進行設計。 其中，基本屬性中包括年齡、性別、駕齡、駕駛公里數(shù)、駕駛頻率等問題；駕駛與工作環(huán)境中分別設計交通運行狀況的問題；在駕駛技能及習慣部分設計符合中國實際狀況及城市道路情況的問題并采用李克特五點量表法設置選項；危險感知能力測評題型設置為圖片情景題，給出可能發(fā)生險情的道路狀況并設置對應的潛在危險點數(shù)的選項； 駕駛心理中參考了普通心理學中的4種個性測評方式(DISC)，以測評駕駛?cè)嗽隈{駛時的心理狀態(tài)；最后事故數(shù)據(jù)，主要收集被試者近3 a來的事故信息，包括事故次數(shù)、事故多發(fā)生于什么季節(jié)、事故多發(fā)生于什么時段。 之后抽樣30人進行預調(diào)查，同時進行信效度分析，檢測結(jié)果為：問卷結(jié)構(gòu)效度KMO取樣適切性量數(shù)為0.781，在巴特利特球形檢驗中近似卡方值為1 301.961，自由度為153，顯著性<0.001，在SPSS中本問卷的結(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。 通過碎石圖確定因素數(shù)為4。 同樣進行信度檢驗，見表1，量表總問題數(shù)為22，總體克隆巴赫系數(shù)為0.813，信度在可接受范圍，最終以網(wǎng)頁內(nèi)問卷形式發(fā)送。 共回收調(diào)查問卷數(shù)據(jù)528份，排除職業(yè)駕駛?cè)思盁o駕齡人員無效問卷73份后，得到有效問卷455份。 其中，過去3 a發(fā)生過事故的駕駛?cè)巳藬?shù)為67人，未發(fā)生過事故的駕駛?cè)巳藬?shù)為388人，見表2。

表1 量表的信度檢驗

表2 駕駛?cè)嘶緦傩詳?shù)據(jù)

2 事故傾向性影響因素識別與分析

2.1 事故傾向性影響因素識別

將問卷中關(guān)于事故數(shù)據(jù)的系列問題整合后作為因變量，分別分析駕駛?cè)嘶緦傩?、駕駛技能習慣、駕駛?cè)烁?、外部環(huán)境與因變量的關(guān)系，其中B值是指回歸系數(shù)。

2.1.1 駕駛?cè)嘶緦傩?/p>

因變量與駕駛?cè)嘶緦傩缘姆治鼋Y(jié)果見表3。 從表3可以看出，年齡與因變量呈負相關(guān)，駕駛頻率與因變量呈負相關(guān)，駕駛頻率越高則更容易發(fā)生事故。 另外，駕齡長短與因變量呈負相關(guān)，即駕齡越長發(fā)生事故的可能越小，這說明駕齡越長使駕駛?cè)说鸟{駛技能越進步，從而降低了事故率。 駕駛里程數(shù)與因變量呈正相關(guān)，說明經(jīng)常駕駛或者說駕駛經(jīng)驗越多的駕駛?cè)耸鹿蕛A向性越低。 而駕齡和駕駛里程數(shù)不顯著的原因可能有兩方面：一方面在于收集到的數(shù)據(jù)中，駕齡和駕駛里程較多的數(shù)據(jù)占比較大，而別的樣本可能占比較小，導致在計算分析時不能很好地體現(xiàn)出差異；另一方面存在駕齡和駕駛里程數(shù)大但實際駕駛頻率極低的樣本，導致在計算分析時不能很好地體現(xiàn)出差異。

表3 駕駛?cè)嘶緦傩缘腖ogistic回歸分析結(jié)果

2.1.2 駕駛?cè)笋{駛技能及習慣

駕駛技能與習慣中選取“違規(guī)操作”、“危險感知能力”、“操作失誤”和“注意力渙散”4個方面的問卷問題，以測評被調(diào)查對象的駕駛技能水平，分析結(jié)果見表4，只有違規(guī)操作分數(shù)顯著。 違規(guī)操作與因變量呈負相關(guān)，說明違規(guī)操作越多其得分越低，事故傾向性越高。

表4 駕駛?cè)笋{駛技能及習慣的Logistic回歸分析結(jié)果

2.1.3 駕駛?cè)烁?/p>

駕駛?cè)说?種駕駛?cè)烁褡鳛閰f(xié)變量輸入，即“平穩(wěn)型駕駛?cè)烁瘛?、“謹慎型駕駛?cè)烁瘛?、“沖動型駕駛?cè)烁瘛薄ⅰ皺C敏型駕駛?cè)烁瘛薄?在問卷設計中通過12個題目來對4種駕駛?cè)烁襁M行區(qū)分，其中各駕駛?cè)烁竦奶匦匀缦拢?)平穩(wěn)型駕駛?cè)烁裨谌粘ｑ{駛時會盡量避讓其他車輛或交通參與者，情緒很少因為道路運行情況變化而發(fā)生轉(zhuǎn)變，更愿意走自己熟悉的路線，但在面對危險情況時可能會出現(xiàn)應變能力不足的問題； 2)機敏型駕駛?cè)烁裨谌粘ｑ{駛時會積極地與其他交通參與者進行交互，對駕駛環(huán)境的變化較為敏感，有時產(chǎn)生想超車、鳴笛等激進想法，不會固執(zhí)于規(guī)定路線，面對險情時能迅速做出反應； 3)謹慎型駕駛?cè)烁裨谌粘ｑ{駛時會經(jīng)常性避讓其他車輛和行人，在駕駛時速度保持在安全的水平，習慣行駛在固定的交通路線上，很少進行其他路線的嘗試， 其與平穩(wěn)型駕駛?cè)烁竦膮^(qū)別是對其他交通參與者的信息較為敏感，所以在危險感知方面更優(yōu)； 4)沖動型駕駛?cè)烁裨谌粘ｑ{駛時很難忍受前車車速慢的情況，更愿意進行超車或鳴笛提示的操作，對交通環(huán)境的變化不會太過在意，在長時間駕駛時會出現(xiàn)注意力渙散的情況，經(jīng)常變化路線進行嘗試， 在駕駛時經(jīng)常保持較高速度，面對險情時會出現(xiàn)慌亂的情況。

分析結(jié)果見表5，平穩(wěn)型駕駛?cè)烁窈蜋C敏型駕駛?cè)烁竦娘@著性達到了標準，且平穩(wěn)型駕駛?cè)烁窈蜋C敏型駕駛?cè)烁穸寂c因變量呈負相關(guān)，說明在日常駕駛中，平穩(wěn)型駕駛?cè)烁竦鸟{駛?cè)嗽隈{駛時追求穩(wěn)定的操作同時保持平和的心態(tài)，不會出現(xiàn)過多的沖動駕駛現(xiàn)象，而機敏型駕駛?cè)烁裨隈{駛時更加積極地觀察外界環(huán)境和其他交通參與者，同時面對危急情況能更加迅速地作出反應。

表5 駕駛?cè)烁竦腖ogistic回歸分析結(jié)果

2.1.4 日常工作及駕駛環(huán)境

對因變量與日常工作及駕駛環(huán)境得分進行回歸分析，結(jié)果見表6，其顯著性符合標準，同時呈負相關(guān)。 在問卷調(diào)查中，這一部分的選項分數(shù)越高代表的日常工作及駕駛環(huán)境越差，日常工作及駕駛環(huán)境的好壞會直接影響駕駛?cè)说鸟{駛情緒，說明日常工作及駕駛環(huán)境越好則越不容易發(fā)生事故。

綜上，確定駕駛?cè)四挲g、駕駛頻率、違規(guī)操作得分、平穩(wěn)型駕駛?cè)烁?、機敏型駕駛?cè)烁窈腿粘９ぷ骷榜{駛環(huán)境得分6項指標為駕駛?cè)耸鹿蕛A向性的重要影響因素，并對各重要影響因素進行相關(guān)性分析。

表6 外部環(huán)境的Logistic回歸分析結(jié)果

2.2 變量間的相關(guān)性分析

2.2.1 年齡與其他因素的相關(guān)性分析

對年齡與駕駛頻率、違規(guī)操作、駕駛?cè)烁襁M行相關(guān)性分析，結(jié)果見表7、8。 年齡與駕駛頻率相關(guān)性顯著，且為負相關(guān)。 因為駕駛頻率分數(shù)越高則駕駛頻率越低，說明年齡越大，則駕駛頻率越高。 導致這種結(jié)果出現(xiàn)的原因是樣本中年齡較大且經(jīng)常駕駛的司機較多。 另外，機敏型駕駛?cè)烁衽c年齡的顯著性達標，且呈正相關(guān)。 說明年齡越大，對駕駛時出現(xiàn)的狀況應對更熟練，對周圍的駕駛環(huán)境更加關(guān)注。 同時還能看出，年齡越大越容易傾向于平穩(wěn)和機敏駕駛。 說明駕駛?cè)四挲g越大越能保持駕駛時的良好心態(tài)，不容易出現(xiàn)過于謹慎或沖動的駕駛狀態(tài)。 而年齡與違規(guī)操作、日常工作及駕駛環(huán)境的相關(guān)性并不顯著。

2.2.2 駕駛頻率與其他因素的相關(guān)性分析

對駕駛頻率與違規(guī)操作、駕駛?cè)烁瘛h(huán)境進行相關(guān)性分析，結(jié)果見表7、8。 違規(guī)操作與駕駛頻率呈正相關(guān)且顯著性達標，說明駕駛頻率越低則出現(xiàn)違規(guī)操作的可能性也會降低。 另外，駕駛頻率與兩種顯著性駕駛?cè)烁穸汲收嚓P(guān)且足夠顯著，說明駕駛頻率越低的人反而在駕駛時能保持平穩(wěn)型和機敏型駕駛?cè)烁瘛?而駕駛頻率與日常工作及駕駛環(huán)境呈負相關(guān)，說明日常工作和駕駛環(huán)境更好的駕駛?cè)笋{駛頻率越低。

2.2.3 違規(guī)操作與其他因素的相關(guān)性分析

同樣，對違規(guī)操作與駕駛?cè)烁?、環(huán)境進行相關(guān)性分析，由表7、8可知，機敏型駕駛?cè)烁駥`規(guī)操作得分的相關(guān)性不顯著，但也呈正相關(guān)。 平穩(wěn)型駕駛?cè)烁衽c違規(guī)操作分數(shù)呈正相關(guān)，說明平穩(wěn)型和機敏型駕駛?cè)烁裨谌粘ｑ{駛時出現(xiàn)違規(guī)操作的情況更少。 保持駕駛時的平穩(wěn)型與機敏型駕駛?cè)烁窨梢杂行p少違規(guī)操作的出現(xiàn)。 另外違規(guī)操作得分與日常工作及駕駛環(huán)境得分兩者呈負相關(guān)，說明日常工作和駕駛環(huán)境越惡劣的駕駛?cè)耍霈F(xiàn)違規(guī)操作的可能性越高，這說明良好的工作及駕駛環(huán)境可以減少駕駛?cè)诉`規(guī)操作的產(chǎn)生。

2.2.4 駕駛?cè)烁衽c其他因素的相關(guān)性分析

對駕駛?cè)烁衽c日常工作及駕駛環(huán)境得分進行相關(guān)性分析，結(jié)果見表7、8，兩種駕駛?cè)烁衽c日常工作及駕駛環(huán)境都呈負相關(guān)，即說明良好的工作及駕駛環(huán)境有助于駕駛?cè)吮３制椒€(wěn)型和機敏型的駕駛?cè)烁瘛?/p>

表7 各因素之間的相關(guān)性分析

表8 各因素之間的顯著性分析

3 駕駛?cè)耸鹿蕛A向性測評方法

3.1 事故傾向性隸屬度函數(shù)的構(gòu)建

采用專家經(jīng)驗法，共邀請交通安全領(lǐng)域的8位專家，其中來自哈爾濱工業(yè)大學的教授兩位，東北林業(yè)大學的教授3位、副教授1位，長安大學教授兩位。確定6項指標的權(quán)重值見表9。 確定兩個評語集，即“較高”、“高”，同時未發(fā)生事故樣本的評語集為“普通”。 對數(shù)據(jù)進行模糊綜合評價分析，使用加權(quán)平均型模型。

表9 評價指標的權(quán)重向量矩陣

從導出的權(quán)重計算結(jié)果來看，在統(tǒng)計的455份樣本中，有86.6%的駕駛?cè)藢儆谑鹿蕛A向性普通的級別，有12.3%的駕駛?cè)藢儆谑鹿蕛A向性較高的級別，還有1.1%的駕駛?cè)藢儆谑鹿蕛A向性高的級別。 在得到各指標權(quán)重值后，可以對機動車駕駛?cè)说氖鹿蕛A向性進行綜合測評，并根據(jù)結(jié)果進行隸屬函數(shù)的構(gòu)建。

從調(diào)查問卷樣本中隨機抽取10位被調(diào)查者的數(shù)據(jù)，符合在二元Logistics回歸中的樣本容量大于或等于方程中影響因素的個數(shù)。 根據(jù)各項指標權(quán)重來對被調(diào)查者進行綜合測評，抽樣結(jié)果見表10。 根據(jù)權(quán)重值及數(shù)據(jù)與事故傾向性的相關(guān)性，對個體樣本進行測評。 如年齡數(shù)據(jù)中，18～25歲得分為85分，25～45歲得分為80分，45歲以上得分為95分；駕駛頻率中，選項“1”(日常駕駛)為95分，選項“2”(一周中偶爾駕駛)為85分，選項“3”(一月中偶爾駕駛)為75分，選項“4”(基本不駕駛)為60分；違規(guī)操作得分滿分為27分，用具體得分除以27分，計算出具體得分在滿分中的占比；平穩(wěn)型駕駛?cè)烁窈蜋C敏型駕駛?cè)烁裰?，選項“1”(符合)為100分，選項“0”(不符合)為60分；日常工作及駕駛環(huán)境得分與違規(guī)操作得分使用相同方法處理。 得到各項數(shù)據(jù)具體分數(shù)后，再乘以各自對應的權(quán)重值，將得到的數(shù)據(jù)相加即為駕駛?cè)耸鹿蕛A向性測評分數(shù)，結(jié)果見表11。 然后將事故傾向性和與之相對應的通過調(diào)查得到的隸屬度數(shù)據(jù)按照隸屬度從大到小排列，并繪制隸屬度函數(shù)的曲線，該曲線就是事故傾向性隸屬度函數(shù)的雛形，如圖1所示。

表10 抽樣樣本數(shù)據(jù)

表11 抽樣樣本事故傾向性測評分數(shù)與隸屬度的對應關(guān)系

圖1 隸屬度函數(shù)趨勢曲線

從圖1中可以看出，事故傾向性的分布總體上呈增趨勢，符合隸屬度函數(shù)中正態(tài)分布偏大型隸屬度函數(shù)形式，故確定事故傾向性隸屬度函數(shù)為

(1)

式中x為事故傾向性綜合測試測評分數(shù)。

3.2 事故傾向性等級的劃分

根據(jù)事故傾向性隸屬度函數(shù)對事故傾向性等級進行劃分。 本文采用專家分析法對事故傾向性不同分級的分界值進行預測,詳見表12。 之后分別根據(jù)平均值、加權(quán)平均和中位數(shù)進行分級分界值計算，計算結(jié)果見表13。 最終確定將事故傾向性等級劃分為3個，分別為普通、較高和高， 綜合以上3種計算方法后，最終確定的機動車駕駛?cè)耸鹿蕛A向性高、較高以及普通駕駛?cè)说牡梅址謩e為(50，73.5]，(73.5，84]，(84，100)。 使用本文測評方法，分數(shù)高于50分但低于73.5分的駕駛?cè)藶榫哂懈呤鹿蕛A向性的駕駛?cè)?，分?shù)高于73.5分低于84分的駕駛?cè)藶榫哂休^高事故傾向性的駕駛?cè)?，分?shù)高于84分的為普通駕駛?cè)恕?/p>

表12 專家意見調(diào)查結(jié)果

表13 事故傾向性分級標準計算結(jié)果

4 實例驗證

4.1 事故傾向性影響因素驗證

為了驗證分級測評的合理性，本文進行了實例分析驗證。 驗證數(shù)據(jù)是經(jīng)過模糊處理的上海市某公路2014—2015年部分交通數(shù)據(jù)，見表14。 同時，在收集的數(shù)據(jù)中有關(guān)于交通事故詳細地點、機非車輛、事故類型的詳細描述，經(jīng)過整理整合后見表15、16。 對新得到的交通事故樣本進行分析：

1)首先，發(fā)生事故的駕駛?cè)酥?，年齡在事故樣本中的分布也很明顯，18～25歲階段的駕駛?cè)擞捎诒旧頂?shù)量較少所以事故數(shù)不多，結(jié)合本文調(diào)查問卷中的被測駕駛?cè)诵畔?，可以看?5～45歲為主流駕駛?cè)四挲g，在25歲以上的年齡段中，符合年齡越大事故傾向性越低的規(guī)律。

2)其次，在路口發(fā)生的交通事故數(shù)相對于在路段上發(fā)生的交通事故更多，占比為84%左右。 這說明復雜的交通環(huán)境會對駕駛?cè)说氖鹿蕛A向性產(chǎn)生影響，使駕駛?cè)说氖鹿蕛A向性變高。

3)最后，主要事故類型為側(cè)面碰撞及追尾碰撞。 側(cè)面碰撞占比更多，這種事故類型出現(xiàn)的原因是車輛在超車或變道時出現(xiàn)違規(guī)操作。 同時，經(jīng)常出現(xiàn)想要超車的行為說明駕駛?cè)朔蠜_動型駕駛?cè)烁瘢?jīng)常違規(guī)操作和沖動型駕駛?cè)烁穸颊f明駕駛?cè)说氖鹿蕛A向性較高。 而相應地，各種交通事故大多是因為駕駛?cè)俗⒁饬o散，直接正面碰撞說明駕駛?cè)笋{駛技能不足或者是面對緊急情況無法做出正確反應。 但這兩種事故類型占比較小，說明這些因素對事故傾向性的影響也較小。

以上結(jié)論與本文分析得到的結(jié)論吻合，說明違規(guī)操作、駕駛環(huán)境、年齡和駕駛?cè)烁駥κ鹿蕛A向性的影響是最顯著的。

4.2 事故傾向性的分級驗證

在事故樣本中隨機抽取50人的數(shù)據(jù)，依據(jù)事故發(fā)生的詳細情況和對事故駕駛?cè)说拿枋鰜韺γ總€事故的駕駛?cè)说臄?shù)據(jù)進行編寫。 之后運用到建立好的隸屬函數(shù)模型中，最后得出的綜合評分為71.5分。 依照3.2節(jié)的分級規(guī)定，可以看出事故駕駛?cè)说氖鹿蕛A向性屬于較高與很高之間。 說明本文駕駛?cè)耸鹿蕛A向性的分級測評是符合客觀規(guī)律的。

表14 上海某公路2014—2015年交通事故情況與駕駛?cè)嘶拘畔?/p>

表15 路段事故樣本信息統(tǒng)計

表16 路口事故樣本信息統(tǒng)計

5 結(jié) 論

1)基于駕駛?cè)耸鹿蕛A向性問卷調(diào)查與分析，提出了4種駕駛?cè)烁瘢瑫r識別了機動車駕駛?cè)耸鹿蕛A向性的顯著影響因素，包括年齡、駕駛頻率、違規(guī)操作分數(shù)、平穩(wěn)型駕駛?cè)烁?、機敏型駕駛?cè)烁窈腿粘９ぷ骷榜{駛環(huán)境這6項因素。

2)量化顯著性影響因素，基于此構(gòu)建了駕駛?cè)耸鹿蕛A向性的隸屬度函數(shù)，提出了基于模糊數(shù)學的機動車非職業(yè)駕駛?cè)耸鹿蕛A向性分級測評方法，并且進行了實例驗證，此方法有利于區(qū)分不同等級的事故傾向性駕駛?cè)?，可為駕駛?cè)伺嘤柵c安全教育提供理論依據(jù)與參考。

3)以非職業(yè)機動車駕駛?cè)藶檠芯繉ο?，僅針對該類駕駛?cè)诉M行事故傾向性的測評研究。 而整個交通系統(tǒng)中“人”的因素還包括職業(yè)的機動車駕駛?cè)恕⒎菣C動車駕駛?cè)撕托腥?，在之后的研究中將擴展到更多的研究對象，并進一步擴大樣本量，以提高測評方法的精度，增加該測評方法的適用性。