基于结构方程模型的公交驾驶员负性情绪驾驶下工作状态的影响因素分析

唐秋生，孙龄波，刘世超，宋 臻，许 浩

(重庆交通大学交通运输学院，重庆 400074)

在“公交优先”的背景下，乘坐公交已成为出行者们的优先选择，公交出行的安全问题自然而然地成为了社会各界关注的热点。近年来由公交驾驶员造成的交通事故屡见不鲜，如10·28重庆万州区公交坠江事故和7·7贵州安顺大巴车落入水库事故，这两起事故中驾驶员未能有效控制住自己的负性情绪，从而做出了消极的驾驶行为决策，导致了悲剧的发生。出行者们呼吁公交企业关注驾驶员的心理健康，不少专家学者则认为社会需要重视公交驾驶员情绪波动引起的危险驾驶行为问题。

心理学家普遍认为情绪(emotion)是身体和心理变化呈现出的复杂模式，伴随着人的思考和行动过程。驾驶过程是一个众多环节紧密联系的复杂过程，驾驶员的情绪状态在其中扮演着重要角色，对乘客的出行安全有着重要影响。目前，中外学者围绕驾驶员情绪问题所进行的研究已取得了不少成果。Megías等[1]发现良好的情绪能积极影响驾驶员行为，可显著降低驾驶员出现驾驶风险的概率；程静等[2]采用竞争算法预测驾驶员行为，发现在愤怒和悲伤情绪的作用下，驾驶员的行为较消极，出现事故的可能性较正常情绪下更大；张殿业等[3]在此基础上进行了解释，认为负性情绪对大脑前扣带皮层有着刺激影响，使得驾驶员偏离了正常反应；Wang等[4]采用艾森克人格问卷和症状自评量表对596名公交驾驶员进行人格和心理健康评估，发现公交司机明显比普通人群更容易情绪化，同时压力、人际关系敏感度和抑郁表现也明显高于其他普通人群；林庆丰等[5]发现公交驾驶员在工作过程中最反感机动车驾驶员、行人以及非机动车骑行者的利己行为，容易引起他们的不满；刘永涛等[6]认为乘客的情绪对驾驶员行为有着显著影响，且乘客的情绪受多个因素控制；李瑞瑞等[7]调查发现公交驾驶员在良好的车内氛围下驾驶时，发生激进驾驶行为的概率更低；严利鑫等[8]在研究驾驶员情绪影响因素时，发现男性驾驶员和年纪大的驾驶员相对而言更容易情绪失控；邓院昌等[9]发现公交驾驶员等职业是“路怒症”的高发群体，尤其体现在高驾龄和年龄的驾驶员中，原因是他们长期处于高度集中注意力的工作环境，产生的疲劳会影响生理及心理的舒适感；为研究“路怒症”，德国学者利用原始驾驶愤怒量表测试驾驶员的驾驶愤怒水平，发现驾驶员文化程度是影响因素之一,刘睿哲等[10]将此项研究引入中国，发现中、德两国驾驶员测试结果存在差异性，不同的地区文化是导致这一现象的原因之一；Zhang等[11]研究发现驾驶员在愤怒和低落情绪下，容易做出高风险的驾驶行为，主要原因是其对安全的认知能力减弱，对驾驶的专注度不再集中；Han等[12]发现经常加班的公交驾驶员易发生事故，高工作强度使驾驶员更容易怠倦，导致出现消极驾驶行为的频率越来越高，而交通事故发生的概率也比相同频率下积极驾驶的情况高53%。

综上所述，目前中外对于公交驾驶员情绪问题的研究更多地集中在单一角度，缺乏综合考虑，尚无研究对公交驾驶员工作状态的影响因素进行多角度分析。为此，考虑以公交驾驶员负性情绪驾驶为背景，在现有研究的基础上归纳出相关的影响因素，并通过构建各因素对公交驾驶员负性情绪驾驶下工作状态影响的结构方程模型，对各因素之间的影响程度和相互关系进行解释分析，以便能为公交企业以及交管部门保障公交安全提供理论基础。

1 基于SEM的影响因素模型构建

1.1 结构方程模型

考虑到公交驾驶员负性情绪驾驶下的工作状态的影响因素较多，且这些因素之间的作用机理无法直接测量，因此，选择结构方程模型作为分析方法。结构方程模型(structural equation model，SEM)是一种广泛应用的多元统计分析方法，可用于研究潜变量和观测变量之间的关系以及潜变量和潜变量之间的关系，相较于传统的线性回归方法，SEM能够更好地解释变量之间的因果关系。

SEM一般由测量模型和结构模型两部分组成、三个方程表示。其中测量模型用来说明观测变量与潜变量之间的相互关系，而结构模型则是用来解释不同潜变量之间的关系，SEM表达式为

X=ΛXξ+δ

(1)

Y=ΛYη+ε

(2)

η=Bη+Γξ+ζ

(3)

式(1)、式(2)为测量模型，式(3)为结构模型；X和Y分别为外生和内生观测变量；ξ和η为外生和内生潜变量；ΛX和ΛY分别表示X在ξ上、Y在η上的因子负荷矩阵；δ和ε分别为X的观测误差及Y的观测误差；B和Г为结构方程的系数矩阵，其中B表示内生潜变量之间的关系，Г表示外生潜变量对内生潜变量的作用；ζ为结构方程的残差项。

1.2 模型构建

在现有研究成果的基础上，考虑了新的影响因素，如公交驾驶员的心理特性，体现为抗压能力、职业责任心及驾驶专注度。将影响因素体系划分为工作环境、综合压力、心理特性、个人属性及感知水平，这5个因素作为外生潜变量，影响着唯一的内生潜变量，即负性情绪驾驶下的工作状态。各潜变量和对应的观测变量如表1所示。

根据确定的6个潜变量，对它们之间的关系做出以下假设，并构建了影响因素模型框架，如图1所示。

H1：工作环境对工作状态具有直接正向影响。即交通环境越好、车内环境越舒适、乘客态度越礼貌，可使负性情绪得到控制，驾驶行为趋于安全。

H2：综合压力对工作状态具有直接反向影响，即家庭压力、工作压力和人际交往压力越大，会造成负性情绪刺激加深，驾驶行为趋于消极。

H3：心理特性对工作状态具有直接正向影响，即抗压能力和职业责任心越强、驾驶注意力越集中，可使负性情绪得到控制，驾驶行为趋于安全。

H4：个人属性对工作状态具有直接正向影响，即相对较小的驾龄和年龄、更高的受教育程度，可使负性情绪得到控制，驾驶行为趋于安全。

H5：感知水平对工作状态具有直接正向影响，即对安全驾驶理念的认识越深入、驾驶情景的判断力越强，可使负性情绪得到控制，驾驶行为趋于安全。

H6：工作环境对感知水平具有直接正向影响，即交通环境越好、车内环境越舒适、乘客态度越礼貌，可增强驾驶员对安全驾驶理念的认知程度以及驾驶情景判断的准确性。

H7：工作环境对心理特性具有直接正向影响，即交通环境越好、车内环境越舒适、乘客态度越礼貌，可增强抗压能力和职业责任心、提高驾驶注意力。

表1 模型变量描述Table 1 Description of model variables

H1～H9为假设条件图1 模型框架Fig.1 Model framework

H8：工作环境对综合压力具有直接反向影响，即交通环境越好、车内环境越舒适、乘客态度越礼貌，可使家庭、工作以及人际交往带来的压力影响相对减少。

H9：综合压力对感知水平具有直接反向影响，即家庭、工作以及人际交往压力越大，会造成驾驶员对安全驾驶理念的认知程度以及驾驶情景判断的准确性下降。

2 实例验证

2.1 数据获取

为获取用于实例分析的数据，选取重庆市南川区等区县的公交驾驶员作为研究对象，采用线下和线下相结合的方式进行问卷调查。问卷内容由两部分组成，一是公交驾驶员个人基本信息，具体包括年龄、驾龄、性别、婚姻状况、受教育程度以及有无负性情绪驾驶经历；二是采用李克特5点量表形式，1分代表程度最低，5分代表程度最高，涉及工作环境、综合压力、心理特性、感知水平以及工作状态五方面的问题。

本次调查共回收217份问卷，去掉从无负性情绪驾驶经历、内容填写缺失等情况的12份问卷，最终得到有效样本问卷205份，有效率达94.47%。考虑到有效样本数据在200份以上有助于确定变量之间的关系[13]，因此可认为本次调查获得的数据具有较好的实践基础。根据统计性分析结果，男性占91.7%，女性占8.3%；30岁以下占5.9%，30～40岁占44.4%，40岁以上占49.7%；驾龄在10年以下的占30.2%，10～20年占52.7%，20年以上占17.1%；已婚占89.8%，未婚占10.2%；受教育程度在初中水平的驾驶员占40%，高中占37.6%，高中以上占22.4%。

2.2 信度和效度分析

为确保本次调查数据的可靠性，先进行信度和效度检验。检验信度的方法为Cronbach’sα系数法，该方法认为若测得Cronbach’sα≥0.7，说明问卷具有较高信度。而效度检验一般是对问卷的结构效度进行分析，良好的效度要求抽样适合性检验值(Kaiser-Meyer-Olkin,KMO)不小于0.5、Bartlett球形检验的卡方值较大且显著性系数小于0.05。

检验结果如表2、表3所示，问卷整体信度高达0.902，各潜变量均大于0.7，说明样本数据内部一致性良好。KMO整体情况达到了0.851，各潜变量均大于0.5；Bartlett球形检验卡方值为1 926.4，显著性概率(significance,Sig.)＜0.05，均达到显著性水平，可以说明样本具有良好的效度。

为进一步对因子进行验证分析，计算因子荷载、组合信度(composite reliability,CR)及平均方差抽取值(average variance extracted,AVE)3个指标。结果如表3所示，各因子荷载均大于0.5，可认为本文变量的选择较为合理；所有潜变量的CR在0.7以上，AVE在0.5以上，可认为因子之间内在质量理想，测量误差合理，敛聚性良好。因此样本数据适合进行下一步研究。

表2 整体信度和效度检验结果Table 2 Reliability and validity test results

表3 各变量检验结果Table 3 Test results of each variable

3 结果分析

3.1 模型评价

使用Amos软件建立影响因素结构方程模型，并将数据导入进行整体拟合度检验。常用的拟合指标包括卡方自由度比(χ2/df)、近似均方根误差(root mean square error of approximation,RMSEA)、比较拟合指数(comparative fit index,CFI)、拟合优度指数(goodness of fit index,GFI)、规范拟合指数(normed fit index,NFI)以及增值拟合指数(incremental fit index,IFI)等。结果如表4所示，除IFI略低于0.9之外，各指标均符合要求，可认为模型与调查数据的契合度在接受范围内。

在解释变量作用效果之前，需要先确定潜变量之间的路径系数是否显著，以此判断模型假设成立与否。路径系数表示变量间的作用效果，系数为正，表明变量之间正向相关，反之则为负向相关。本文采用C.R.值和P值两个指标来判断路径系数的显著性，结果如表5所示。其中临界比率值(critical ration,C.R.)即路径系数的估计值(estimate)与路径系数的标准误差项(standard error,S.E.)的比值，要求其绝对值大于1.96；P表示显著性，要求P＜0.05。

表4 假设模型的拟合结果Table 4 Hypothetical model fit result

表5 初始路径参数估计Table 5 Initial path parameter estimation

根据结果，工作环境→感知水平的C.R.值小于1.96，显著参数P>0.05,可认为该路径不显著，假设H6不成立。而剩下8个路径关系对应的C.R.和P均在要求范围内，同时它们的路径系数的正负性与所作假设一一对应，因此剩下8个路径关系影响显著，即假设H1～H5、H7～H9成立。

3.2 模型修正

由于假设H6不成立，因此对模型进行调整，删除该路径。重新对模型进行检验，发现各拟合指标均达到要求，且余下的路径系数显著性均成立。修正后的模型结果如表6、图2所示。

表6 修正模型的拟合结果Table 6 The fitting result of the modified model

图2 模型计算结果Fig.2 Model calculation results

3.3 结果说明

图2中e1～e16为观测变量的多元相关平方值，要求大于0.36;e17～e20为潜变量的多元相关平方值，要求大于0.19，因此模型结果符合要求。由图2可以看出，测量模型标准化路径系数均大于0.6，可认为各潜变量能够很好地被对应的观测变量表示出来。在工作环境的观测变量中，乘客态度的标准化路径系数最大(0.85)，说明相较于交通环境和车内氛围而言，乘客态度是工作环境的主要影响因素；综合压力的观测变量中，工作压力的影响程度(0.86)比家庭压力(0.81)和人际交往压力(0.74)更大，表明公交驾驶员负性情绪驾驶下的工作状态更容易受到工作压力的影响；心理特性的观测变量中，抗压能力(0.77)的影响程度最大，说明抗压能力更能够反映公交驾驶员心理特性的效应；个人属性的观测变量中，年龄(0.77)和驾龄(0.75)的影响程度接近，受教育程度的影响最低(0.63)，说明年龄和驾龄最能反映个人属性；感知水平的观测变量中，安全意识(0.83)和驾驶情景判断(0.80)的影响程度都非常显著；而对于工作状态所对应的情绪状态和驾驶行为倾向两个观测变量，情绪状态(0.79)是其主要的表现。

各潜变量对驾驶员工作状态的影响效应如表7所示，其中直接效应是5个变量对工作状态的直接作用，用相应的路径系数表示；间接效应则是工作环境和综合压力分别通过其他变量间接作用到工作状态，用相应的路径系数之积表示，若有多条间接效应路径存在，则为各间接效应之和。

结果表明，工作环境对公交驾驶员负性情绪驾驶下的工作状态的总效应最大(0.97)，说明工作环境是最主要的影响因素；其次是综合压力(-0.72)和心理特性(0.52)；而感知水平和个人属性对公交驾驶员工作状态的综合影响相对较小，分别为0.39和0.36。

表7 各潜变量对工作状态的影响效应Table 7 The influence effect of each latent variable on working state

综上，为更好地提升公交出行的安全，建议：首先应为驾驶员提供良好的工作环境，这需要交管部门保障公交路权的优先地位，同时加大对乘客扰乱司机驾驶等现象的惩罚力度，而乘客也应注意个人态度和礼仪，营造出良好的车内氛围；其次公交企业应考虑通过合理排班、完善绩效考核制度、提高收入以及增加休息时间等方式降低驾驶员工作强度和生活压力，此外还应该定期开展驾驶员心理健康培训和职业培训，提高驾驶员的情绪调节能力和抗压能力，增强驾驶员企业归属感和职业责任感；交管部门和公交企业应经常联合组织驾驶员安全教育活动，增强驾驶员对安全驾驶理念的认知以及驾驶情景准确判断的能力；最后在条件允许下，公交企业应建设具有良好综合素质同时避免大龄化的驾驶员队伍。

4 结论

(1)建立了基于SEM的公交驾驶员负性情绪驾驶下工作状态的影响因素模型，通过问卷调查的形式获取了相关数据并进行实例分析。结果表明个人属性、工作环境、心理特性和感知水平对工作状态具有正向影响，综合压力对工作状态具有反向影响。最后根据影响因素模型，提出了相关的建议和措施，可为公交企业和交通管理部门未来的决策提供参考依据。

(2)除研究的影响因素外，不排除还有其他的因素存在，后续研究可做进一步明确，调查数据来源于重庆市的部分区县，下一步将考虑扩大调查范围。