MBTI 人格维度与驾驶行为特征的深度关联：为交通安全管理和自动驾驶技术发展提供新视角

本文聚焦于 MBTI 人格理论与驾驶行为的关系。通过实证分析，验证了 MBTI 理论在交通心理学领域的适用性，提出 “六维驾驶行为构面” 框架及 “逆卡方检验” 法，揭示人格特质与驾驶行为聚类模式，为交通管理和自动驾驶技术发展提供理论支撑。

　　

研究背景与目的

随着全球机动车使用量的快速增长，道路交通事故导致的伤亡问题愈发严峻。2019 年，道路交通事故造成的伤亡占全球所有与伤害相关死亡的 29%，且死亡率下降缓慢。在复杂的交通系统中，驾驶员的人格特质对交通事故起着关键作用。

过往研究中，五因素模型（FFM）被广泛应用于探究人格与驾驶行为的关系，如 Arthur 等人发现尽责性高的个体在驾驶环境中事故率较低；Clarke 等人通过元分析强调低尽责性和低宜人性是事故的有效预测指标等。此外，许多创新方法也被应用于该领域研究，像 Ulleberg 等人结合人格特质理论和计划行为理论，发现攻击性、利他主义和焦虑等特质通过态度间接影响年轻驾驶员的冒险行为。

然而，现有研究存在诸多局限性，例如样本群体缺乏多样性、对人格特质的动态变化及各维度间的相互作用关注不足、未充分探究人格特质影响驾驶行为的具体机制等。同时，FFM 在实际应用和提高研究效率方面也存在一定限制。相比之下，迈尔斯 - 布里格斯类型指标（MBTI）因其广泛的认可度、直观的分类系统、在特定研究中的可靠性和有效性，成为本研究的核心视角。本研究旨在系统探究不同人格类型的驾驶员在复杂驾驶场景中的行为特征，填补现有研究的理论空白，为提高交通安全管理的精准性和有效性提供理论与实践基础。

研究设计

MBTI 概述

MBTI 人格理论由 Myers 和 Briggs 基于 Carl Jung 的心理类型理论发展而来，用于评估个体的心理偏好。该理论将人格分为四个维度：外向（E）- 内向（I），关注个体获取能量的方向；感觉（S）- 直觉（N），涉及个体获取信息的方式；思考（T）- 情感（F），聚焦个体决策的依据；判断（J）- 感知（P），关乎个体适应外部环境的方式。

研究方法

本研究采用综合多种方法的研究策略，包括人格测试、问卷调查、深度访谈、实地观察和数据分析，以确保数据收集和分析的全面性与深入性。

1. 人格测试：使用 16Personalities 网站上的 NERIS Type Explorer^?测试工具测量参与者的 MBTI 人格类型。该工具基于 MBTI 理论并经现代研究方法改进，包含 60 个强制选择项目，具有高度标准化。大规模验证表明，其内部一致性系数 Cronbach’s α 在 0.75 - 0.87 之间，重测信度系数在 0.74 - 0.83 之间，区分效度良好，各量表间相关系数较低（绝对值在 0.09 - 0.37 之间），证实了该工具在本研究中用于人格类型评估的可靠性和有效性。
2. 问卷调查：设计包含 36 个选择题的问卷来探究驾驶行为，内容涵盖人口统计信息、人格特质、驾驶习惯和驾驶态度等方面。问卷设计参考经典的驾驶行为问卷（DBQ）理论框架，并进行优化。在正式发放前，经交通领域专家审核和小规模预调查，确保问卷的内容效度、科学性和实用性。问卷通过线上和线下渠道发放，收集后剔除无效数据，仅保留高质量数据用于分析。问卷主要分为基本信息测量和驾驶行为测量（DBM）两个部分，其中 DBM 基于经典 DBQ 等量表，包含情境性和频率性问题，以全面捕捉驾驶行为。
3. 深度访谈：采用半结构化设计，通过开放式问题和特定情境讨论，深入挖掘影响驾驶行为的潜在心理动机和情境因素。访谈聚焦危险驾驶行为的成因、情绪和压力管理以及对交通规则的理解和态度三个方面，所有访谈均依据预定大纲进行，并进行录音和转录，以便后续进行系统的定性分析。
4. 实地观察：在实际驾驶场景中进行观察，以验证问卷调查和访谈结果的一致性，并进一步揭示驾驶行为的动态特征。观察步骤包括定义观察场景和目标，记录驾驶员的速度、跟车距离、变道行为和转向灯使用等；系统收集核心行为数据，记录行为的频率、持续时间和强度；采取措施尽量减少外部干扰，确保数据的真实性和自然性。将实地观察数据与问卷和访谈结果进行对比，以验证一致性并找出潜在差异。
5. 数据分析：运用定量和定性分析相结合的方法，对收集的数据进行系统分析。定性数据采用主题分析法，对深度访谈和实地观察获得的数据进行编码，提取与驾驶行为相关的关键主题，并与定量数据进行整合和对比。定量分析方面，使用卡方检验考察 MBTI 人格维度与驾驶行为特征之间的显著关系，对于无显著相关性的变量，采用反向筛选法挖掘复杂关系模式和潜在变量间的相互作用；运用 K - 模式聚类算法，将 MBTI 人格类型与驾驶行为特征相结合，对样本进行分类，深入分析不同群体的驾驶行为特征差异。

研究过程

本研究以 593 名有有效驾照和实际驾驶经验的驾驶员为研究对象，研究过程分为五个阶段：

1. 准备阶段：设计研究框架，明确研究步骤，选择合适的研究方法，并进行风险评估。
2. 数据收集阶段：主要通过标准化的 MBTI 量表和自行设计的驾驶行为特征问卷收集数据，同时运用深度访谈和实地观察对收集的数据进行验证和补充。
3. 数据清洗阶段：进行数据整合和质量控制，包括数据验证、检查和初步评估，确保数据集的可靠性。
4. 数据分析阶段：对筛选后的有效数据进行卡方检验进行总体分析，然后采用反向筛选法优化目标数据集，最后进行 K - 模式聚类分析，深入探究 MBTI 人格类型与驾驶行为特征之间的相关性。
5. 研究总结阶段：综合各阶段的分析结果得出最终结论，并对研究结果进行全面评估。

MBTI 与驾驶行为特征的整体分析

参与者特征描述

本研究主要针对中年驾驶员，通过线上和线下相结合的方式收集数据，旨在确保样本在性别比例、年龄分布和驾驶背景等方面具有平衡性和代表性。共收集到 593 份初始回复，经过数据清洗后，保留了 571 份有效问卷，有效回复率为 96.3%。清洗后样本在性别、年龄、驾驶经验和车辆类型等变量上的分布与原始数据基本一致，表明数据清洗对样本代表性影响较小。

1. 年龄特征：研究对象为 18 - 60 岁的持证驾驶员，样本年龄分布呈现一定随机性，但主要集中在目标范围内。其中，18 - 25 岁的参与者占 8.23%，26 - 35 岁的占 36.95%，36 - 45 岁的占 39.93%，46 岁及以上的占 14.89%。
2. 性别特征：样本中男性占 56.74%，女性占 43.26%，性别比例相对平衡，符合驾驶人群的典型性别分布，为研究性别对驾驶行为的影响提供了充分依据。
3. 驾驶经验特征：参与者的驾驶经验涵盖多个层次，其中驾驶经验不足一年的占 9.46%，1 - 3 年的占 22.59%，4 - 5 年的占 39.05%，超过五年的占 28.90%，能有效反映新手和经验丰富驾驶员的行为特征。
4. 车辆类型特征：研究调查了参与者的主要车辆类型，其中轿车占 72.15%，SUV 占 18.39%，皮卡占 3.68%，商用车占 3.33%，其他车辆类型占 2.45%，反映了当前驾驶人群对车辆类型的偏好趋势。

六维驾驶行为构面

驾驶行为是一个复杂的认知和决策过程，涉及驾驶员对外部环境的感知、判断和反应，以及内部情绪和心理状态的调节。基于认知地图理论，本研究提出六维驾驶行为构面：

1. 反应准备度：指驾驶员快速适应紧急情况的能力，如在交通拥堵时避免碰撞或选择替代路线，认知地图发展良好的驾驶员在这方面表现更出色。
2. 心理稳定性：驾驶员的心理状态对驾驶行为影响显著，过高的认知负荷会干扰认知地图的有效运用，影响决策。保持放松状态有助于提高认知处理的准确性和效率，减少事故发生的可能性。
3. 安全意识：驾驶员识别、预测和应对环境中潜在风险的能力，是认知地图理论的核心组成部分。通过认知地图，驾驶员了解交通中的潜在危险并采取预防措施，在复杂交通场景中，安全意识决定了驾驶员能否及时发现危险并采取适当行动。
4. 礼貌行为：与驾驶员在驾驶过程中的礼貌和体谅他人的行为相关，同样是安全驾驶的重要因素。
5. 风险倾向：反映驾驶员对风险的评估和应对方式，驾驶员认知地图中对风险元素的表征直接影响其驾驶风格，保守型驾驶员可能会过度强调风险，导致驾驶行为较为谨慎；而风险倾向型驾驶员可能低估风险，驾驶行为更激进。
6. 情绪恢复力：指驾驶员在压力或紧急情况下调节情绪的能力。情绪状态对认知地图的构建和检索有重要影响，情绪恢复力高的驾驶员在压力情境下能保持认知地图的稳定性，做出更理性的决策，例如在交通拥堵时更能保持冷静，避免因情绪不稳定而犯错。

驾驶行为测量指标（DBMs）在六维构面中的分布

为全面评估驾驶行为，本研究设计了 31 个 DBMs，这些指标对应六维驾驶行为构面，具体分布如下：

1. 反应准备度：DBMs 15、17、18、21、23、25 和 26。
2. 心理稳定性：DBMs 2、6、7、16、24 和 29。
3. 安全意识：DBMs 4、14、27 和 30。
4. 礼貌行为：DBMs 5、8、10、12、22 和 31。
5. 风险倾向：DBMs 1、3、13、19 和 28。
6. 情绪恢复力：DBMs 9、11 和 20。

信度和效度分析

1. 信度分析：采用 Cronbach’s α 系数评估问卷的内部一致性。计算结果显示，问卷整体的 Cronbach’s α 系数为 0.82，表明内部一致性可靠性较高。各构面的 Cronbach’s α 系数均超过 0.7，其中 “反应准备度” 和 “心理稳定性” 构面的系数分别为 0.84 和 0.82，“情绪恢复力” 构面的系数为 0.71，在可接受范围内。
2. 效度分析：运用探索性因子分析（EFA）进行效度分析。在因子分析前，进行数据适宜性检验，Kaiser-Meyer-Olkin（KMO）抽样适度性测量值为 0.85，超过 0.7 的推荐阈值，Bartlett 球度检验显著（χ2=1249.13，df = 630，p < 0.001），表明数据适合进行因子分析。采用主成分分析（PCA）提取因子，并使用 Varimax 旋转优化因子结构，根据特征值大于 1 的标准，提取了六个因子，累计解释总方差的 68.4%，符合社会科学研究的统计标准。所有项目在各自因子上的载荷均超过 0.5，进一步验证了问卷的结构效度。

问卷数据特征分析

对问卷中 31 个 DBMs 的回答选项进行百分比分布分析，发现部分 DBMs 的某一选项被选择的频率显著高于其他选项，表明驾驶员在这些行为特征上具有较高的一致性；而另一些 DBMs 的回答模式更为多样，反映了驾驶员在观点和习惯上的差异。这些结果为深入探究 MBTI 人格维度与具体驾驶特征之间的相关性提供了有价值的线索。

卡方检验和反向筛选

本研究采用卡方检验结合反向筛选的方法分析问卷数据，以挖掘驾驶行为在不同 MBTI 人格类型中的变化规律。卡方检验用于评估两个分类变量之间的独立性，通过比较观察频率和在独立性假设下的预期频率，判断变量之间是否存在显著关联。反向筛选则是在卡方检验的基础上，关注那些卡方统计量低于临界值、缺乏统计显著性的变量，因为这些变量可能隐藏着人格特质与驾驶行为之间更复杂和微妙的关系。

具体实施步骤如下：首先，计算每个回答选项在等概率假设下的预期频率；然后，使用公式计算卡方统计量，量化观察频率与预期频率的偏差；接着，根据卡方分布表计算每个 DBM 的 p 值，并采用 Bonferroni 校正调整显著性水平（αadjusted? = 0.05 / 31 = 0.0016），确定不同自由度下的卡方检验临界值；最后，对 31 个 DBMs 的卡方统计量进行显著性分析。结果发现，部分 DBMs 的卡方统计量显著大于临界值，而 DBMs 12、16、21、22、28 和 29 的卡方统计量低于临界值，这些缺乏显著相关性的 DBMs 被归类为同质反应驾驶行为测量指标（HR-DBMs），成为后续研究的重点。