论文题目：Investigating the impact of environmental and temporal features on mobile

phone distracted driving behavior using phone use data （基于手机使用数据调查环境和时间特征对手机分心驾驶行为的影响）

论文作者：^{Yongxin Peng a, Guohua Song a,*, Manze Guo a, Lingtao Wu b, Lei Yu a}

论文期刊：ACCIDENT ANALYSIS AND PREVENTION

论文网址：https://www.webofscience.com/wos/alldb/full-record/WOS:000904347700001

摘要：

手机分心驾驶（MPDD）是分心事故中最重要和最常见的因素之一。在之前的研究中，MPDD被描述为一种影响驾驶性能的自我选择行为，而不是一种受到多维影响的行为。在这项研究中，研究人员假设外部环境特征显著影响MPDD，并通过结构方程建模（SEM）验证了这一假设。通过整合大量手机传感器数据和道路库存数据，在德克萨斯州城市地区的工作日不同时间测量了三个外部潜在变量（道路、运营和控制因素），进而开发了一个结构方程模型来测试不同时间段内潜在变量与驾驶员在道路上参与MPDD的比率（MPDDR）之间的关系。最后，模型结果表明了显著的时间效应，道路因素在早高峰的积极影响，即在早高峰时段、更宽的路肩、更宽的中央分隔带和更小的曲线弧度与更高的MPDDR相关；运营因素的负面影响，即较高的年平均卡车日交通量（卡车AADT）与较低的MPDDR显著相关。控制因素对MPDDR的影响是积极的，换言之，城市地区有大量交通信号的路段比没有交通信号的道路具有更高的MPDDR。这些发现可以帮助运输和立法机构制定适当的对策或执法策略，以减少MPDD的发生。此外，本研究提供了一个新的视角，接近驾驶员在驾驶时使用手机的实际考虑，在MPDD研究的背景下，而不是比较驾驶员群体和车辆性能。

关键词：分心驾驶；手机使用；结构方程；驾驶行为；安全

1.研究背景

分心驾驶已造成严重和致命的后果。在美国，有3142人死于分心驾驶约324652人在涉及分心驾驶员的机动车碰撞中受伤。然而，由于驾驶员不自愿承认自己行驶过程中使用了手机，警方车祸报告的统计数据低估了手机分心驾驶（MPDD）所带来的危。，一项驾驶行为调查得出结论，约51%的受访者会在驾驶时使用手机。美国联邦和州政府一直在努力减少MPDD的发生。

本研究旨在基于大量MPDD点和轨迹数据，研究MPDD与一天中不同时间的道路特征、运营特征和交通控制之间的关系。这些发现有助于了解可能产生MPDD或有助于驾驶员参与MPDD的环境道路因素，并帮助交通机构针对道路使用者制定有效的道路安全对策和意识计划（例如，“禁止使用电话”标志和防御性驾驶教育计划）。

2.数据来源与研究方法

2.1数据来源

本文使用了来自三个重要数据源的四个数据集研究，如表1所述。

表 1 数据来源

2.2数据操作

本研究共有四个数据操作过程，连接过程，加入流程，冲突过程，聚合过程。操作过程如图1所示，在冲突过程中需要通过质量保证和质量控制（QAQC）对不良结果与编程结果并对其进行校正。QAQC步骤如图4所示。

图 1 ：数据操作流程图

图 2 冲突过程和质量控制流程图

图5的（a）、（b）和（c）分别显示了MPDD事件总数（MPDDN）的小时变化、MPDD用户参与率（MPDDR）和每个用户在工作日的平均MPDD次数，其中MPDDR由等式（1）计算。根据图5中每小时的变化，时间效应分为三个时期。第一个时段是早高峰（上午6点至9点），显示每个用户的MPDDN、MPDDR和MPDD最小。晚高峰（下午4点至7点）对应于一种中间状态，即更多的司机因精神消耗而使得MPDD的出现减少。在非高峰时段，每个用户的MPDDN、MPDDR和MPDD展示了驾驶员在没有额外注意力占用的情况下驾驶时的MPDD行为。

图 5 一天中不同时间的MPDD变化

2.3数据汇总

表2显示了四个数据操作过程后三个最终数据集的样本数据结构。三个最终数据集包含不同时间段的路段及其相应的MPDDN和MPDDR。表2中的“AADT”和“NUM_LANES”分别表示各路段的年平均日交通量和车道数。本研究准备了20个变量进行关系分析，如表3所示，表3第二列显示了代表道路设计、交通运营和控制特征的其他变量的描述。

表 2 样本数据

表 3 变量解释

表4和表5给出了数据处理后数据集的分类变量和数值变量的统计。表4总结了三个最终数据集中分类变量的数量和比例。三个不同峰值的数据汇总显示，大多数发生MPDD的路段没有安装路缘石、交通信号灯或门禁。表5对数值变量进行了统计总结。对于早高峰时段，所有分段之间的平均MPDDN为3，平均MPDDR为1.1%。对于晚高峰和非高峰时段，平均MPDDN分别增加到31和87，平均MPDDR分别增长到13%和29%。随着三个时期平均MPDDN的增加，总积分和总用户也有所减少。图4的（a）（b）段显示，暴露、MPDDN和分心驾驶员数量之间的关系是单调增加的，并且分别与每个时间段的先前结论一致。因此，时段之间的差异表明，时间条件显著影响MPDD的发生和参与，这再次强调了按时间状态划分数据集的必要性。

表 4 数据集的分类变量

表 5 数值变量的统计摘要

图 3 暴露、MPDDN和dis_user之间的关系

2.4结构方程建模（SEM）

SEM使本研究中的研究人员能够定义未观察到的变量（称为潜在变量），这些变量代表了影响驾驶行为的道路设计、运营和控制的特征。SEM的目的是测试各种外部因素与MPDD行为之间的关系。模型构建如下：

其中y为可观察到的变量 ，η为影响因子或潜在变量，τ为是常数项，λ观察到的变量与影响因子的相关性， ε度量模型的残差，是对因子进行核算后的残差。

3结果分析

模型比较结果如表6所示。首先，假设非约束模型为可接受的基线。然后，为了检验估计系数在峰值期间的方差，χ2基线模型和约束模型之间测试的差异都是显著的，如表6第五列中的p值所示，这表明三个潜在变量在不同高峰期对MPDDR的相似影响的假设被拒绝。此外，所有峰值组中的估计系数或潜在外生变量的影响变化很大，多组模型应该是无约束的。

表6 模型比较结果

表7中所示的无约束多组SEM的结果报告了相关变量的系数估计、标准误差（S.E.）、p值和标准化估计。不同峰期的多组分析得到的均方根残差（RMR=0.020）远小于阈值（即0.08），该模型的近似均方根误差（RMSEA=0.044）值满足良好拟合模型的标准（即0.08）。拟合优度指数（GFI=0.937）和调整后拟合优度指标（AGFI=0.904）均高于良好拟合模型（即0.9）的经验值。大多数外部变量经测试并证明与其关联的潜在变量显著相关外生变量。潜在变量之间的协变量由于其内在相关性而显著。在不同高峰期的模型中，MPDDR的回归揭示了潜在的外生变量与MPDDR之间的显著关联，尤其是道路设计因素。

表 7 多组SEM的结果

为了更好、更清楚地解释模型结构和结果，构建多组SEM的路径图，如图4所示。

图 4 多组SEM路径图

在测量模型1（如图7所示）中，六个重要项目测量了外生潜在可变道路设计因素。路肩宽度与设计系数具有最高的正相关关系。车道数和中间带宽度（标准荷载也与设计规范呈正相关。测量模型2中的控制强度（如图7所示）是通过信号的数量、停车标志的数量、信号类型和访问控制来测量的。路段上的信号数量是控制强度的首要指标。但是“信号类型B”表示该路段上没有交通信号系统，是最高的负指标。交通信号系统的非协调交通驱动型（即表7中的“信号类型C”）对控制因素有很强的正向影响。在测量模型3中，交通运行水平是AADT和卡车AADT测量的第三个外生潜在变量（如图7所示）。与交通负荷相关的项目与交通负荷呈正相关。

4结论

在本研究中，使用大型数据集研究了MPDD潜在影响中与空间和时间因素相关的变量。本研究综合了道路设计、运行特点和控制装置数据，检验了外部因素对MPDD影响的显著性。为了实现这一目标，本研究首先从数据总结中发现了不同时间段的MPDD特征差异。其次，在SEM中进行了多组分析，以研究具有不同嵌套时间效应的潜在变量对MPDDR的影响。分析结果表明，空间因素和时间效应对驾驶员行为变化的贡献很大。

多组SEM模型根据外部环境影响从道路设计因素、交通运营因素和交通控制因素三个方面设计了三种策略。并进行通径分析以量化外部引述对MPDD的影响。道路设计因素在工作日会对MPDD产生较大影响。更高水平的道路设计规范可以使驾驶员在早高峰时段出现MPDD，但可以防止驾驶员在晚上出现MPDD。研究结果还证实了驾驶员出现MPDD的清康与交通运营绩效之间呈负相关。高强度的交通管制会致使在早晚高峰期间出现MPDD。

本研究提出的模型拟合以及对各种环境特征影响的解释，可以给予决策者一定的意见。研究结果还可能有助于交通运输机构采取适当的应对措施，例如在信号控制处设置警告不要使用手机的标志，将禁止使用手机标志与停车标志对齐，在城市高速公路早高峰的标志上设置禁止使用手机的信息，或者在当地城市道路上安装驾驶员手持设备的识别技术。此外，这项研究为MPDD研究人员提供了一个新的视角，接近驾驶员在驾驶时使用手机的真实考虑，而不是只关注比较驾驶员的人口统计信息和车辆性能的变化。