張 晨,李 嘉,李 飛,彭澤余,馬 玲

(1. 中石化上海賽科石油化工有限責(zé)任公司，上海 201507 2. 華東理工大學(xué)商學(xué)院，上海 200237)

0 前言

違規(guī)駕駛行為的發(fā)生與很多前置高危駕駛行為如分神駕駛、疲勞駕駛、對(duì)抗駕駛等有關(guān)[1]。這些高危駕駛行為本身不是交警和企業(yè)安全管理部門可以直接監(jiān)管的違規(guī)駕駛，卻是違規(guī)駕駛的前置因素[2-4]。學(xué)者們大多只研究過2種危險(xiǎn)駕駛行為之間的相互關(guān)系(如疲勞和分神之間的關(guān)系[2]，或者疲勞和超速之間的關(guān)系[3])，很少有系統(tǒng)性地研究所有4類危險(xiǎn)駕駛行為(分神駕駛、疲勞駕駛、對(duì)抗駕駛、違規(guī)駕駛)之間的相互影響關(guān)系。過去受限于數(shù)據(jù)獲取的困難，監(jiān)控和識(shí)別司機(jī)的違規(guī)和高危駕駛行為非常困難，也使得這類研究較為匱乏。僅有的一些研究所用數(shù)據(jù)的觀測(cè)時(shí)間較短，很多都是在實(shí)驗(yàn)環(huán)境或模擬器環(huán)境中獲取的數(shù)據(jù)[4,5]，基于大規(guī)模長(zhǎng)時(shí)間實(shí)際駕駛數(shù)據(jù)的研究還較少。最新的駕駛艙監(jiān)控設(shè)備，可以通過表情識(shí)別、姿態(tài)識(shí)別和動(dòng)作識(shí)別等技術(shù)，自動(dòng)識(shí)別不同類型的違規(guī)和高危駕駛行為，為開展本研究提供了新的數(shù)據(jù)渠道。因此，本文基于某大型石化企業(yè)?；愤\(yùn)輸車隊(duì)2年的智能監(jiān)控?cái)?shù)據(jù)，利用面板向量自回歸模型，研究不同類型危險(xiǎn)駕駛行為之間的相互影響關(guān)系。

1 理論背景與研究假設(shè)

根據(jù)安全監(jiān)管部門的要求，區(qū)分違規(guī)駕駛行為和危險(xiǎn)駕駛行為。其中違規(guī)駕駛行為，是指對(duì)?；愤\(yùn)輸安全造成直接危害的行為，包括超速、急加速、急減速、碰撞預(yù)警等。這些行為一般被甲方單位的HSE管理部門所直接禁止，也容易被交警的外部觀測(cè)設(shè)備所檢測(cè)，是甲方單位考核駕駛員安全績(jī)效的關(guān)鍵核心指標(biāo)。

高危駕駛行為是指對(duì)危化品運(yùn)輸安全造成間接危害的行為，又可以分為分神駕駛、疲勞駕駛和對(duì)抗駕駛3類。這些行為一般難以被交警的外部觀測(cè)設(shè)備所檢測(cè)，因而沒有被甲方單位的HSE管理部門所直接考核，但是對(duì)違規(guī)駕駛行為和運(yùn)輸安全會(huì)造成較大影響，屬于需要重點(diǎn)關(guān)注的高風(fēng)險(xiǎn)行為。

a) 分神駕駛。分神駕駛是指駕駛員在駕駛車輛時(shí)，精力沒有集中在與駕駛有關(guān)的任務(wù)上，典型的表現(xiàn)包括左顧右盼、玩手機(jī)、打電話、抽煙等。分神駕駛會(huì)導(dǎo)致駕駛員無(wú)法注意到路面上突然出現(xiàn)的情況，導(dǎo)致出現(xiàn)交通事故。近期的研究表明有30%以上的交通事故是由開車時(shí)打手機(jī)引發(fā)的，開車打電話導(dǎo)致事故的風(fēng)險(xiǎn)比通常情況下高出4倍，開車玩手機(jī)時(shí)的反應(yīng)比酒駕、毒駕要慢得多[6]。因此，分神駕駛是一種影響違規(guī)駕駛行為發(fā)生的高危行為，有下面的研究假設(shè)：

H1：分神駕駛行為對(duì)違規(guī)駕駛行為有正向影響。

b) 疲勞駕駛。疲勞駕駛是指駕駛員在長(zhǎng)時(shí)間連續(xù)行車后，產(chǎn)生生理和心理機(jī)能的失調(diào)，而在客觀上出現(xiàn)駕駛技能下降的現(xiàn)象，具體的表現(xiàn)包括打哈欠、瞌睡等。駕駛疲勞會(huì)影響到駕駛?cè)说淖⒁狻⒏杏X、知覺、思維、判斷、意志、決定和運(yùn)動(dòng)等諸方面。疲勞后繼續(xù)駕駛車輛，會(huì)感到困倦瞌睡，四肢無(wú)力，注意力不集中，判斷能力下降，甚至出現(xiàn)精神恍惚或瞬間記憶消失，出現(xiàn)動(dòng)作遲誤或過早，操作停頓或修正時(shí)間不當(dāng)?shù)炔话踩蛩兀瑯O易發(fā)生道路交通事故。因此，疲勞駕駛是一種影響違規(guī)駕駛行為發(fā)生的高危行為，有下面的研究假設(shè)：

H2：疲勞駕駛行為對(duì)違規(guī)駕駛行為有正向影響。

c) 對(duì)抗駕駛。對(duì)抗駕駛是指駕駛員對(duì)智能監(jiān)控系統(tǒng)的有意規(guī)避，使得智能監(jiān)控系統(tǒng)失去正常監(jiān)管能力，具體的表現(xiàn)包括遮擋監(jiān)控?cái)z像頭、更換駕駛員等。對(duì)抗駕駛行為可能會(huì)助長(zhǎng)違規(guī)駕駛行為的發(fā)生，因?yàn)轳{駛員認(rèn)為擺脫系統(tǒng)監(jiān)管后，就可以肆意違規(guī)而不被發(fā)現(xiàn)，或者系統(tǒng)即使發(fā)現(xiàn)違規(guī)也不能與本人身份進(jìn)行聯(lián)系。當(dāng)駕駛員認(rèn)為公司無(wú)法對(duì)自己的違規(guī)駕駛行為進(jìn)行考核時(shí)，駕駛就會(huì)更加隨意，違規(guī)駕駛行為就可能會(huì)增加。因此，對(duì)抗駕駛是一種影響違規(guī)駕駛行為發(fā)生的高危行為，有下面的研究假設(shè)：

H3：對(duì)抗駕駛行為對(duì)違規(guī)駕駛行為有正向影響。

駕駛是一個(gè)動(dòng)態(tài)過程，各種行為之間交錯(cuò)發(fā)生，互為因果(如圖1所示)。例如，對(duì)抗駕駛可能導(dǎo)致違規(guī)駕駛，但是違規(guī)駕駛也可能反過來(lái)導(dǎo)致對(duì)抗駕駛，因?yàn)楫?dāng)司機(jī)發(fā)現(xiàn)自己因?yàn)檫`規(guī)太多可能被公司懲罰時(shí)，就會(huì)采取措施來(lái)干擾智能監(jiān)控系統(tǒng)。同時(shí)，各類駕駛行為之間存在因果鏈條，導(dǎo)致最終違規(guī)發(fā)生的原因不能簡(jiǎn)單的歸因?yàn)轳{駛員的單個(gè)行為。例如，疲勞駕駛可能導(dǎo)致分神駕駛，分神駕駛又可能導(dǎo)致最終的違規(guī)駕駛。這說明，本研究涉及的4個(gè)關(guān)鍵變量(違規(guī)駕駛行為、分神駕駛行為、疲勞駕駛行為和對(duì)抗駕駛行為)之間存在較強(qiáng)的內(nèi)生性。

圖1 概念框架

2 研究方法

2.1 研究場(chǎng)景

本研究場(chǎng)景在上海市一家大型的石化企業(yè)，其生產(chǎn)的?；沸枰ㄟ^公路運(yùn)輸?shù)姆绞戒N售到全國(guó)各地。2017年8月，車輛安裝了智能安全駕駛輔助系統(tǒng)，可以通過人臉識(shí)別等技術(shù)，檢測(cè)駕駛員是否注意力集中、是否發(fā)生疲勞駕駛等并發(fā)出警告提示，也可以記錄駕駛員的安全駕駛績(jī)效。智能安全駕駛輔助系統(tǒng)可以實(shí)時(shí)將駕駛員的違規(guī)行為數(shù)據(jù)傳輸?shù)奖O(jiān)管平臺(tái)，便于事后進(jìn)行駕駛員行為的集中分析。本研究的觀察期為2年(2017年8月—2019年8月)，針對(duì)駕駛員的每次出車任務(wù)，以小時(shí)為單位構(gòu)造面板數(shù)據(jù)。數(shù)據(jù)集一共包含了371名駕駛員在2年內(nèi)被系統(tǒng)捕捉的100多萬(wàn)條危險(xiǎn)駕駛行為記錄。

2.2 測(cè)量方法

4類危險(xiǎn)駕駛行為的數(shù)據(jù)均來(lái)自智能安全駕駛輔助系統(tǒng)的記錄。系統(tǒng)能夠測(cè)量很多細(xì)粒度的不良駕駛行為。測(cè)量項(xiàng)和駕駛行為之間的對(duì)應(yīng)關(guān)系如表1所示。

表1 駕駛行為的測(cè)量具體項(xiàng)

2.3 實(shí)證模型

本研究的變量之間存在較為嚴(yán)重的聯(lián)立性，選用面板向量自回歸模型(Panel Vector Autoregression，PVAR)來(lái)研究違規(guī)駕駛行為和3種高危駕駛行為(分神駕駛、疲勞駕駛和對(duì)抗駕駛)之間的因果關(guān)系。PVAR模型不僅能夠處理所有變量都是內(nèi)生的情況，還允許使用面板數(shù)據(jù)來(lái)控制個(gè)體差異[7]。本文所用的PVAR模型如公式(1)所示：

(1)

式中：Vt——在t時(shí)刻的違規(guī)駕駛行為；

Dt——在t時(shí)刻的分神駕駛行為；

Ft——在t時(shí)刻的疲勞駕駛行為；

Ct——對(duì)抗駕駛行為；

J——模型的階數(shù)，代表滯后期。

在PVAR模型中，系數(shù)代表每個(gè)變量(違規(guī)駕駛行為、分神駕駛行為、疲勞駕駛行為和對(duì)抗駕駛行為)滯后值和等式左側(cè)變量之間的關(guān)系。例如，當(dāng)要考察對(duì)違規(guī)駕駛行為的影響時(shí)，分神駕駛行為的一階滯后項(xiàng)系數(shù)代表當(dāng)前時(shí)刻如果分神駕駛行為增長(zhǎng)1%，下一小時(shí)違規(guī)駕駛性將如何增長(zhǎng)。

通過貝葉斯信息準(zhǔn)則(Bayesian Information Criterion, BIC)，赤池信息量準(zhǔn)則(Akaike’s Information Criterion, AIC)和準(zhǔn)信息準(zhǔn)則(Quasi Information Criterion, QIC)來(lái)確定合適的滯后期J[8]。具有最小BIC, AIC和QIC的模型是最好的。如表2所示，最佳滯后期是1 h。

表2 最佳滯后期的選擇

3 計(jì)算過程和結(jié)果討論

3.1 穩(wěn)定性檢驗(yàn)和格蘭因果檢驗(yàn)

為了進(jìn)行格蘭因果檢驗(yàn)和PVAR分析，變量必須是平穩(wěn)的。因此，首先檢驗(yàn)數(shù)據(jù)的平穩(wěn)性。對(duì)于非平衡面板，使用了Fisher-ADF測(cè)試[9]。表3中的測(cè)試結(jié)果表明，所有的變量都是平穩(wěn)的，不存在偽回歸的問題。

表3 Fisher單位根檢驗(yàn)

接下來(lái)進(jìn)行協(xié)整檢驗(yàn)，以檢測(cè)4種變量之間存在的均衡關(guān)系。本研究使用了KAO協(xié)整檢驗(yàn)(結(jié)果見表4)，整體的4種變量都通過了協(xié)整檢驗(yàn)，可以認(rèn)為模型中的4種變量的長(zhǎng)期的均衡關(guān)系是實(shí)際存在的。

表4 KAO協(xié)整檢驗(yàn)

接下來(lái)，進(jìn)行了格蘭因果檢驗(yàn)，結(jié)果見表5。表5的結(jié)果表明，疲勞駕駛和分神駕駛之間存在顯著的雙向因果關(guān)系，而分神駕駛對(duì)違規(guī)駕駛、對(duì)抗駕駛對(duì)分神駕駛、違規(guī)駕駛對(duì)疲勞駕駛、以及疲勞駕駛對(duì)對(duì)抗駕駛都存在單向的因果關(guān)系。格蘭因果檢驗(yàn)的結(jié)果表明，本文研究的變量組成一個(gè)動(dòng)態(tài)系統(tǒng)，而PVAR正是研究這種系統(tǒng)的合適方法[10,11]。

表5 格蘭因果檢驗(yàn)

3.2 主要結(jié)果

PVAR分析的結(jié)果如表6所示。表6的結(jié)果表明，所有的4項(xiàng)危險(xiǎn)駕駛行為即違規(guī)駕駛(β=0.574,p<0.001)、分神駕駛(β=0.392,p<0.001)、疲勞駕駛(β=0.224,p<0.001)和對(duì)抗駕駛(β=0.494,p<0.001)，都有顯著的自回歸特征。即所有的危險(xiǎn)駕駛行為，都有自動(dòng)延續(xù)到下一小時(shí)的傾向。

a) 違規(guī)駕駛。對(duì)違規(guī)駕駛有顯著直接影響的其它變量，只有分神駕駛。表6的結(jié)果表明，分神駕駛對(duì)下一小時(shí)的違規(guī)駕駛有顯著的正向影響(β=0.017,p<0.001)，因此，H1成立。令人吃驚的是，疲勞駕駛(β=0.005,p>0.05)和對(duì)抗駕駛(β=0.073,p>0.05)對(duì)下一小時(shí)的違規(guī)駕駛并沒有直接影響，因此，H2和H3均不成立。

b) 分神駕駛。對(duì)分神駕駛有顯著直接影響的其它變量，包含疲勞駕駛和對(duì)抗駕駛。表6的結(jié)果表明，疲勞駕駛對(duì)下一小時(shí)的違規(guī)駕駛有顯著的正向影響(β=0.119,p<0.001)。這說明疲勞駕駛是導(dǎo)致分神駕駛的唯一直接原因。結(jié)合上面的結(jié)論，可以知道疲勞駕駛并不會(huì)對(duì)違規(guī)駕駛造成直接影響。相反，疲勞駕駛通過影響分神駕駛，來(lái)最終造成違規(guī)駕駛。

表6的結(jié)果還表明，對(duì)抗駕駛對(duì)下一小時(shí)的違規(guī)駕駛有顯著的負(fù)向影響(β=-0.033,p<0.01)。這是因?yàn)閷?duì)抗駕駛需要駕駛員絞盡腦汁來(lái)規(guī)避攝像頭的監(jiān)管，可以讓駕駛員保持亢奮狀態(tài)。因此，對(duì)抗駕駛行為并不是一無(wú)是處，因?yàn)樗梢砸种品稚耨{駛行為。

c) 疲勞駕駛。對(duì)疲勞駕駛有顯著直接影響的其它變量，只有分神駕駛。表6的結(jié)果表明，分神駕駛對(duì)下一小時(shí)的疲勞駕駛有顯著的正向影響(β=0.011,p<0.001)。這說明分神駕駛是預(yù)測(cè)疲勞駕駛的有效指標(biāo)。

表6 PVAR模型回歸結(jié)果

d) 對(duì)抗駕駛。除了自身的前一期變量，沒有其它任何變量顯著影響對(duì)抗駕駛。這說明對(duì)抗駕駛的來(lái)源，與其它違規(guī)行為顯著不同。尤其是出現(xiàn)違規(guī)駕駛行為后，并不會(huì)顯著增加對(duì)抗駕駛行為(β=0.001,p>0.05)。這說明駕駛員在感覺到自己有大量違規(guī)駕駛行為后，并不會(huì)通過對(duì)抗駕駛行為來(lái)避免懲罰。相反，對(duì)抗駕駛行為應(yīng)該有其它更重要的根源(如駕駛員具有對(duì)抗性的性格特征)。

4 結(jié)論

a) 造成違規(guī)駕駛的主要邏輯鏈?zhǔn)恰捌隈{駛->分神駕駛->違規(guī)駕駛”，即疲勞駕駛導(dǎo)致分神駕駛，而分神駕駛進(jìn)而導(dǎo)致違規(guī)駕駛。分神駕駛是違規(guī)駕駛的直接原因，而疲勞駕駛是違規(guī)駕駛的間接原因。

b) 疲勞和分神是相互影響的兩類行為，兩者之間存在顯著的雙向因果關(guān)系。因此，疲勞和分神之間可以相互預(yù)測(cè)，這為危險(xiǎn)品長(zhǎng)途貨運(yùn)司機(jī)的早期預(yù)警，提供了重要依據(jù)。

c) 對(duì)抗駕駛和分神駕駛這2種危害路徑具有一定的互斥性。雖然對(duì)抗駕駛本身并不提倡，但它能夠帶來(lái)抑制分神的額外好處。

本研究能夠幫助更加精準(zhǔn)地預(yù)測(cè)每一類危險(xiǎn)駕駛行為的發(fā)生。例如，根據(jù)司機(jī)的分神行為來(lái)預(yù)測(cè)違規(guī)行為，會(huì)比傳統(tǒng)依靠疲勞駕駛來(lái)預(yù)測(cè)要更加準(zhǔn)確。同時(shí)，高危駕駛行為至少提前1 h預(yù)測(cè)了違規(guī)駕駛行為的發(fā)生。這不僅為提示危險(xiǎn)駕駛行為提供了足夠長(zhǎng)的預(yù)警期，也為輔助系統(tǒng)的干涉和矯正提供了足夠的操作、觀察和策略更換時(shí)間。