交警非现场执法效果分析

王 石 金 斌 石 京

（清华大学土木水利学院 北京100084）

0 引 言

交通执法对改善道路交通安全有重要意义。研究表明，缺乏有效交通执法的地区更容易发生超速行驶、醉酒驾车等严重违法行为［1］。随着电子监控技术的发展，近年来交警利用“电子警察”执法的现象在国内外愈加普及，射频识别技术（RFID）的应用也提高了非现场执法的工作效率和执法权威性［2］。2013年比利时研究人员基于佛兰德斯地区安装的65个固定式测速监控设备，比较有监控与无监控地区的交通事故发生次数，发现测速监控设备可以有效减少29%的严重伤亡事故［3］。而针对中国广东省的研究表明，在安装测速监控设备后，2005年间全省范围内超速导致的事故死亡人数相比2004年降低了32.5%［4］。

由于非现场执法发展历史较短，其作为1种并不成熟的执法形式，在整个执法过程中存在多方面问题，对执法效果产生负面影响，也让交管部门，以及接受处罚的驾驶员质疑这是否是1种有效的执法形式。

目前存在的主要问题之一是告知制度的不完善，非现场执法执行过程中，部分违法驾驶员未在违法行为发生后的合理时间内接受告知，或是得到的交通违法证据不完整、不准确［5－6］。交管部门告知的不及时或是驾驶员得到违法证据的不充分都会严重影响到执法效果，导致驾驶员及时主动到执法部门接受处罚的比例偏低。此外，非现场执法也会引起教育效果与警示作用的缺失。非现场执法由于自身执法模式具有传递信息滞后性的特点，在驾驶员得知自己被处罚时往往回忆不起当时是否有违法行为，以及违法的具体细节，所以无法有效保证违法驾驶员陈述与申辩的权利［7］，这不仅会导致执法的准确性受到影响，由于驾驶员无法确定是否违法或是无法确认违法细节，处罚应有的警示作用将被削弱。

其他对于非现场执法效果的讨论还包括处罚力度、监控设备的安装位置、异地交通违法信息的全国联网系统，以及罚款去向等主要问题。2010年香港研究人员针对当地闯红灯监控设备和相应处罚措施进行效果分析，结果表明在实行更严厉的罚款与罚分措施之后，闯红灯发生频率显著降低，而监控设备安装与否对违法频率没有显著影响［8］。针对澳大利亚昆士兰州驾驶员的1项调查发现，驾驶员认为利用监控设备对超速行为执法可以改善道路交通安全，但同时认为这是政府增加收入的工具，而交警道路现场执法受到更多的支持［9］。国内学者对于非现场执法的效果评价涉及面很广，但缺乏针对接受处罚驾驶员的调查或者访谈，由于提出的改善意见缺乏数据或量化分析的支撑，没有足够的说服力。在分析执法效果时，应当关注接受处罚后的驾驶员对这次处罚的态度、今后的驾驶行为是否改善，以及执法效果的主要影响因素等。因此笔者基于接受非现场执法的驾驶员的交通违法基本信息以及接受处罚后的态度，分析非现场执法的现状与存在问题，得到驾驶员态度以及执法效果的主要影响因素，为改善执法形式提供依据。

1 研究方法

基于文献调研和驾驶员访谈，编制执法效果调查问卷，得到驾驶员交通违法信息，以及对于非现场执法的态度，利用社会统计学软件PASW Statistics 18.0进行描述性统计分析、方差分析以及对比分析，利用Spss Amos 7进行结构方程模型构建。

1.1 问卷设计

由于对于非现场执法的效果分析目前缺乏定量分析研究的基础，为充分了解影响执法效果的关键因素，抽取10名接受过非现场执法的小汽车驾驶员进行访谈。访谈内容包括交通违法基本信息、处罚后驾驶行为变化情况、个人对于非现场执法的评价等。结合访谈记录，以及文献调研结果，设计初步调查问卷。主要目的是考察各题项设置的合理性，基于顺利回收的10份预调查问卷，以及受调查者反馈情况，利用平均值法对于问卷题项进行修改与调整，删去部分区分度不高的题项并完善各题项文字表述。访谈与预调查的结果为正式问卷设计，以及后续分析提供了指导。

1.2 问卷结构

设计的问卷包括以下5个部分。

第一部分为交通违法基本信息。具体题项包括：①平均每年违法次数；②违法种类；③告知方式；④告知时间；⑤得到的违法证据；⑥缴纳罚款的方式。其中②～⑥均注明针对被调查者最近1次的交通违法行为。

第二、三、四部分为驾驶员态度量表（见表2），计分采用5点计分法［10］：1－非常不同意；2－不同意；3－中立；4－部分同意；5－非常同意。第二部分采用12个题项调查驾驶员接受处罚后的对法规合理性、监控设备安放位置、违法告知效果、缴款方式便利性、执法公正性等执法要素的态度；第三部分采用3个题项表述驾驶员对于执法有效性的态度；第四部分为了对比非现场执法与传统交警现场执法的效果，要求曾经也接受过现场执法的驾驶员问答该部分的问题。该部分3个题项的语句表述与第三部分对应，不同之处在于针对接受现场执法的经历。

第五部分为驾驶员个人基本信息，主要用于获得被调查者的个人与社会经济属性，此部分题项设置参考驾驶行为的相关研究［11］，包括性别、年龄、学历、驾龄、每周开车天数、车辆归属、职业、月收入、所在省份。

基于结构方程模型得到执法过程中不同因素对于执法效果的影响程度，在分析中进一步删去不适合参与建模的题项，其余根据研究假设将共计12个测量题项归并为5个维度进行信度分析。内部一致性采用PASW Statistics 18.0中Cronbach’s Alpha系数进行衡量，各潜变量命名、对应的观测变量以及一致性检验见表1，5个维度的Alpha均在0.70以上或是接近0.70，故将所有潜变量视为可信。

表1 各潜变量与项目的内在一致性系数Tab.1 Latent variables and coefficient of internal consistency of items

1.3 数据搜集

问卷投放于搜狐汽车频道首页，并采用网络有奖调查的形式进行（网址：http：／／auto.sohu.com／s2013／fxczfdc／index.shtml），投放时间共计3周，通过网站系统限制防止同一IP地址用户多次提交问卷，投放结束后共计回收问卷863份。在初步整理后基于以下原则进行筛选剔除：①个人信息或违法信息漏填；②所有态度题全部选择同1个选项；③省份填写明显错误，共计获取有效问卷729份。

被调查驾驶员中男性占98.1%，考虑到接受非现场执法的驾驶员以男性居多以及网络调查本身的局限性，故可认为本研究主要针对男性驾驶员；调查对象的平均年龄约为35岁，且26～45岁占83.4%，多为中年驾驶员；学历主要是大学或大专，占63.1%；平均驾龄在7年左右，且10年以上的占40.1%，新手驾驶员所占比例不高；1周开车平均天数为5.16d，其中5～7d的占69.8%，可以看出大部分调查对象驾车出行以工作为主要目的；88.5%的驾驶员驾驶的是私家车；职业主要是企业职员，占37.7%；月收入低于5 000元的占全体调查对象的69.4%，月收入超过8 000的占16%。

2 统计分析

2.1 描述性统计分析

2.1.1 驾驶员违法基本信息

被调查者在近几年中平均每年接受非现场执法的次数小于等于3次的占64.5%，超过6次的只占13%，可见多数驾驶者接受非现场执法的次数较少。

由图1可见，驾驶者最近1次交通违法中“超速”和“违反车道划分”占主要部分（各占48.7%和37.3%），因此，主要针对因以上2种违法行为接受非现场执法的驾驶员开展研究。

图1 违法种类Fig.1 Type of traffic violation

由图2可见，大部分驾驶者通过网络查询系统得到违法行为的告知（66.8%），只有少部分收到短信告知（12.8%）。就告知方式而言，告知效率最高的短信告知形式仍未普及。

图2 如何得知违法（多选）Fig.2 The way to get informed of traffic violation（multi－selection）

由图3可见，驾驶者在最近1次交通违法后1周内得到违法告知只占8.5%，1个月以上多达51.6%；结合图2中15.9%的驾驶员在办理年检时方得知违法，可见非现场执法过程中对驾驶员的告知并不及时。

图3 得知违法的时间Fig.3 When to get informed after traffic violation

由图4可知，大部分驾驶员（42.9%）得到的违法证据是有关违法事实的文字说明，部分驾驶员前往交通执法站得到了照片或是录像证据。

由图5可见，驾驶员在本地违法情况下最普遍的是前往指定银行网点缴纳；异地违法情况下最常见的仍是驾驶员选择前往异地缴纳，可见部分城市或地区还未被纳入全国联网的罚款缴纳体系。

2.1.2 驾驶员态度量表

问卷中所有态度题项计分结果见表2（其中B0问题为便于驾驶员理解题意，实际调查中针对填写不同违法种类的驾驶员，题项文字表述略有差别）。

从表中第二部分态度题项得分情况可以看出，驾驶员对执法准确性的评价偏低，同时对处罚力度和缴款方式等执法要素均持负面评价，而对执法公正性的负面评价倾向性最为明显；从第三部分的得分情况则可以看出目前非现场执法的执法效果并不理想。

图5 缴款方式Fig.5 The way to pay the fine

表2 态度题项结果统计Tab.2 Means and standard deviation of items in Part B，C and D

2.2 方差分析

采用单因素方差分析方法分析违法种类、告知时间不同水平下驾驶员态度的差异，利用SPSS统计分析软件进行方差分析，显著性水平设定为0.05。分析结果显示，违法种类之间差异显著的态度题项有3项：B1、B2、B3（见表3）；告知时间之间差异显著的态度题项有3项：B2、B3、B10（见表4）。其余未有显著差异的题项没有在表中列出。

表3 方差分析（因素：违法种类）Tab.3 ANOVA test result（factor：type of traffic violation）

表4 方差分析（因素：告知时间）Tab.4 ANOVA test result（factor：duration of informing procedure）

表3反映了违法种类对若干态度题项的影响。从上表中的均值得分可以看出，在各种类型的违法行为中，超速违法的驾驶员在违法过后，更倾向于指责监控设备的安放位置。此外不同的违法种类的驾驶员对于违法证据是否充分、违法细节是否能记忆清晰这2方面的感知同样存在显著差异，相比之下超速行为的驾驶员这2个题项的得分更低。

B1题项有关监控设备安放的分析结果与访谈过程中获得的信息是一致的，与其他违法种类的驾驶员相比，大部分超速驾驶员在经过监控摄像头或是流动执法车所在道路断面之后才发现电子警察的存在，导致违法行为的发生。有关执法准确性的B2、B3题项的分析结果与前述B1题项有相似之处，由于超速驾驶员对监控设备明显突出的安放位置存在疑问，对违法行为缺少预见性，故在得知违法后难以对违法细节有清晰的回忆，无法认同得到了充分准确的违法证据。这一结果反映了在评价执法准确性时，应清楚把握不同违法种类的自身特点，以及它们对于驾驶员评价执法准确性的影响。

表4反映了告知时间对于若干态度题项的影响。从表4中的均值得分可以看出，随着告知时间的增加，驾驶员对于交警工作态度更倾向于负面评价。此外，违法证据是否充分、违法细节是否能记忆清晰这2方面受告知时间的影响非常显著，从表中结果可以明显看出，告知越及时，这2个题项的得分越高，且时间段为“1周以内”的样本组与其他组间得分存在显著差异。

从B10题项反映的告知时间过长导致驾驶员对于交警工作态度的负面评价可以看出，没有得到及时告知的驾驶员对交管部门工作效率和工作能力将产生质疑。事实上行政告知的流程并不复杂，告知方式的多样性也使交管部门应有能力通过及时准确的告知让驾驶员在合理时间内得知违法，从而最大程度保证驾驶员的陈述权与申辩权，同时避免在类似驾驶情况下由于不知情而重复违法。另外告知越及时驾驶员对于执法准确性（B2，B3题项）的评价越高，这一结果也反映了告知制度的完善对于非现场执法这一执法形式的重要意义。

2.3 对比分析

调查对象中共有516位驾驶员同时接受过非现场执法与现场执法（占全体调查对象的70.8%），完整问答了问卷的第三、四部分。针对这部分数据利用配对样本t检验比较这2种执法形式执法效果的优劣，分析结果见表5。从表中有关执法效果题项的均值对比中可以看出，非现场执法的处罚效果劣于现场执法，3个题项的得分均值差分别为0.353，0.231和0.153，且得分差异均在0.01水平下显著。

这一分析结果与驾驶员访谈结果，以及相关研究中对于非现场执法的普遍评价是相符的。与现场执法相比，非现场执法的收集证据手段、执法的严格程度以及告知方式有较大差别［12］。由于非现场执法无法当场纠正当事人的违法行为，也不能及时对违法当事人进行教育［13］，很难达到执法的教育目的，所以相比较交警现场直接执法而言，驾驶员的心理反应以及态度可能存在差异，无法充分发挥教育作用与警示作用。

表5 非现场与现场执法效果对比Tab.5 Results of comparison analysis

2.4 结构方程模型

结构方程模型假定1组潜变量之间存在因果关系，潜变量可以分别用1组显变量表示，是某几个显变量的线性组合，作为1种验证性方法，结构方程模型在心理学、社会学、行为科学等领域均得到广泛使用［14］。

2.4.1 模型估计与修正

初始假设模型包括“严厉性→有效性”，“公正性→有效性”，“便利性→有效性”，以及“准确性→有效性”4条路径，模型估计采用最大似然估计算法。由于根据此假设的模型拟合结果不佳，以下结合初始假设模型估计结果以及访谈结果进行路径调整。

从驾驶员在访谈中对非现场执法提出的观点与评论可以发现，对于交警执法公正性的评价很大程度上影响着接受处罚的驾驶员对整个执法过程的印象。接受处罚的驾驶员对于执法公正性的评价可以解释为对交警形象的感知，以及对交管部门的信任程度，若对交警的公正执法产生质疑，不信任的情绪会直接影响到驾驶员对于罚款、罚分，以及缴款等执法要素的态度与感受。

根据以上对“公正性”这一维度的分析与假设，结合初始模型估计结果中的修正指数MI值与临界比率CR值进行修正，在原有模型基础上增加“公正性→严厉性”“公正性→便利性”与“公正性→准确性”3条路径，其中“公正性→准确性”路径由于估计结果不显著被删去，修正后模型的所有路径系数均在0.05水平下显著，模型标准化路径指数与估计结果见图6与表6，结果中的路径系数显示：严厉性、公正性、便利性与准确性对有效性的直接影响系数分别为0.42，0.30，－0.15，0.51。

图6 模型标准化路径指数Fig.6 The standardized estimate of the model

表6 模型估计结果Tab.6 Parameter estimation for the model

模型主要拟合指标见表7，包括绝对拟合指标以及其他相对拟合指标，各项拟合指标结果均处于可接受范围内［15］，可以认为模型拟合程度较好。

表7 模型拟合指数Tab.7 Fit indices for the model

2.4.2 模型解释

由于非现场执法信息传递的滞后性，接受处罚的驾驶员往往无法在短时间内得知违法，同时在得到违法告知后很难清晰回忆违法细节与情境，故违法证据的及时、准确传达是执法效果得到保证的重要前提条件，执法准确性对有效性的正面影响最为显著。

就严厉性而言，尽管驾驶员不愿接受过高的罚款金额与过高的罚分，但是严厉的处罚可以对驾驶员的心理产生较显著的影响，通过激发驾驶员对于缴纳高额罚款或是驾照扣分的抗拒心理改善其今后的驾驶行为，减少违法行为的发生，所以执法严厉性能够正面影响有效性。相比之下，认为罚款金额占自身收入比例很小或是对罚分不敏感的驾驶员，不会因此对处罚经历产生深刻印象，也更难达到应有的执法效果。

对于执法公正性，若交警在驾驶员心目中的形象是谋私利或是有偏袒的，驾驶员将对这一执法形式产生质疑与抵触，并将自身违法归咎于交管部门对罚款带来的经济利益的考虑，进而不愿意主动改善驾驶行为，所以执法公正性能够直接正面影响有效性。同时根据模型修正部分的分析，不信任的情绪也会影响驾驶员对执法严厉性与便利性的评价，从而对有效性产生间接影响。

值得注意的是“便利性→有效性”的路径系数为负值，这可以解释为缴款的快捷与便利让接受处罚的驾驶员无法对此次处罚经历产生足够重视，例如在访谈中发现一些驾驶员利用网上银行缴款可以短时间内处理数张罚单，还有他人网上代缴的情况发生。在这种情况下便利的缴款方式为驾驶员节省了时间与精力，反而会对执法效果产生负面影响。

3 结论及建议

笔者基于2011年间接受过非现场执法的729位小汽车驾驶员的调查结果，运用描述性统计分析、方差分析与对比分析，分析了非现场执法的现状、告知时间与违法种类对驾驶员态度的影响以及非现场与现场执法的效果对比，并通过构建结构方程模型研究了执法效果的主要影响因素。主要结论有：

1）从驾驶员违法基本信息来看，告知手段、告知时间、缴款方式等执法流程中的要素均存在不足之处有待改进。从接受处罚的驾驶员态度题项得分情况可以看出，目前非现场执法的执法效果并不理想。

2）告知时间对驾驶员态度影响显著，告知越及时执法效果越佳；违法种类对驾驶员态度同样有较大影响，超速违法的驾驶员更倾向于对监控设备安放与执法准确性持负面评价。

3）通过比较驾驶员接受处罚后对于执法有效性的态度，发现非现场执法的执法效果劣于交警现场执法。

4）执法准确性、严厉性能对执法有效性产生积极效应，且执法准确性对有效性影响最显著；执法公正性对有效性产生相对复杂的间接效应；缴款便利性对执法有效性产生负向效应。

根据上述结论，对交管部门实施非现场执法的过程提出以下建议。

1）交管部门应重点提高执法准确性，例如通过对监控设备的定期检查确保其正常有效工作，同时在违法告知阶段推行高效的短信告知业务。对于各类告知方式，都应注意提供给驾驶员准确、详细的违法信息，帮助驾驶员确认违法经历并起到警示作用。

2）针对研究中反映的超速行为，应着重研讨超速多发区域的限速合理性与监控设备安放的合理性。

3）应注重建立交警公正、透明的执法形象，将执法流程、处罚细则以及罚款去向对市民进行及时公开，同时积极接受公众的监督。

4）可通过适当调整处罚力度，确保罚款、罚分对驾驶员起到应有的警示作用；在设计缴款流程与缴款方式过程中，考虑便民的同时也要注意避免过于便利的缴款造成对驾驶员处罚效果的缺失。

应该指出研究中也存在一定局限性，如采用自陈式问卷调查，无法保证驾驶员的回答能真实反映执法效果的优劣，驾驶员的记忆力与对语句的理解能力也可能对结果造成影响。今后研究可以结合先进的检测手段，进一步研究驾驶员在装有监控设备的路段驾驶行为的变化情况，提出更具实用性的改善方案。

［1］ StanojevicP，JovanovicD，Lajunen T.Influence of traffic enforcement on the attitudes and behavior of drivers［J］.Accident Analysis ＆Prevention，2013（52）：29－38.

［2］ 刘东波，黄 金，邓毅萍.RFID技术在公安交通管理执法中的应用研究［J］.交通信息与安全，2013（3）：117－120

［3］ De Pauw E，Daniels S，Brijs T，et al.An evalua－tion of the traffic safety effect of fixed speed cameras［J］.Safety science，2014（62）：168－174.

［4］ He J，King M，Watson B，et al.Speed enforcement in China：National，provincial and city initiatives and their success［J］.Accident Analysis ＆Prevention，2013（50）：282－288.

［5］ 贾欣欣，钱勇生，曾俊伟，等.非现场执法优势及法律缺失［J］.中国公共安全，2011（2）：122－124.

［6］ 佘 勇.浅议公安交通管理非现场执法中的行政告知问题［J］.科教文汇，2011（31）：199－200.

［7］ 李 翰.交通电子警察取证问题的法律分析［D］.广州：华南理工大学，2012.

［8］ Sze N N，Wong S C，Pei X，et al.Is a combined enforcement and penalty strategy effective in combating red light violations？An aggregate model of violation behavior in Hong Kong［J］.Accident Analysis ＆Prevention，2011，43（1）：265－271.

［9］ Soole D，Lennon A，Watson B.Driver perceptions of police speed enforcement：differences between camera－based and non camera based methods：result from a qualitative study［C］∥Australasian Safety Research，Policing and Education Conference，Adelaide，South Australia：NSW Gentre for Road Safety，2008.

［10］ 陈国鹏.心理测验与常用量表［M］.上海：上海科学普及出版社，2005.

［11］ 白 云，石 京.北京市驾驶行为与影响因素分析［J］.交通信息与安全，2010（2）：114－119.

［12］ 唐云萍.交通管理中非现场执法模式的思考［D］.长沙：湖南师范大学，2012.

［13］ 龚鹏飞.论与非现场执法相关法律规定的缺陷及其完善［J］.公安研究，2008（4）：39－44.

［14］ 程开明.结构方程模型的特点及应用［J］.统计与决策，2006（5）：22－25.

［15］ 荣泰生.AMOS与研究方法［M］.重庆：重庆大学出版社，2009.