《Future Transportation》：Identifying and Structuring Discretionary Lane-Changing Stimuli Using a Mixed-Methods Approach
编辑推荐：
本文识别并分类了影响自由变道行为的因素。采用结合定性和定量分析的混合方法，将变道刺激因素组织成聚类并确定其相对重要性。三个由美国有经验的驾驶员组成的焦点小组生成了40个自由变道原因。随后通过一项对220名受访者的陈述偏好调查对这些刺激因素进行了评估。探索性因子
本文识别并分类了影响自由变道行为的因素。采用结合定性和定量分析的混合方法，将变道刺激因素组织成聚类并确定其相对重要性。三个由美国有经验的驾驶员组成的焦点小组生成了40个自由变道原因。随后通过一项对220名受访者的陈述偏好调查对这些刺激因素进行了评估。探索性因子分析（EFA）揭示了三个潜在类别：危险与规避（Hazard & Evasive）、情境与环境（Situational & Environmental）以及操作与效率（Operational & Efficiency）因素。定量评估表明，安全关键型刺激因素，例如遇到停靠的应急车辆或道路碎片，是触发变道的最高排名个体因素。此外，初步的聚类比较表明，“危险与规避”聚类是最有影响力的动机组。这项研究为开发“变道倾向”量表迈出了基础性的一步。它没有提供可直接整合的数学参数，而是为未来的模型开发和验证提供了基础的行为依据，突出了未来微观仿真可能最终探索的非传统驾驶员动机。
**研究背景与问题**
变道行为是交通流理论的核心研究领域，频繁的变道操作易引发车辆冲突，甚至导致事故或交通紊乱。现有研究多依赖轨迹数据构建定量模型，用于优化路径选择、基础设施设计与政策制定。然而，文献在识别和理解驱动变道行为的内在刺激因素方面存在明显不足。大多数微观交通仿真模型未考虑非传统要素，如天气条件、路面质量或驾驶员情绪状态，这些因素可能触发变道。此外，半自动驾驶环境对预测不同条件下变道动机的需求日益迫切。因此，本研究旨在通过混合方法系统提取、分类并评估自由变道刺激因素，为未来模型开发与验证提供行为学基础。
**研究内容与结论**
研究人员采用混合方法框架，首先通过三个焦点小组（每组5–6人，招募自美国有经验的驾驶员）收集定性数据，识别出40个自由变道原因。随后设计在线陈述偏好调查，220名受访者使用1–7 Likert量表对这些刺激因素进行重要性评分。利用探索性因子分析（EFA）将刺激因素聚类为三个潜在类别：危险与规避（Hazard & Evasive）、情境与环境（Situational & Environmental）以及操作与效率（Operational & Efficiency）因素。定量评估（基于个体内标准化z分数）表明，安全关键型刺激（如遇到停靠的应急车辆或道路碎片）是最高排名的个体因素。聚类间显著性检验（两样本z检验）初步显示，危险与规避聚类的影响力显著高于其他两个聚类，而情境与环境与操作与效率之间无显著差异。该研究为开发“变道倾向”量表奠定了基础，而非直接提供可整合的数学参数，凸显了非传统驾驶员动机在未来微观仿真中的潜在整合价值。论文发表在《Future Transportation》。
**关键技术方法**
本研究主要采用混合方法，包括定性阶段的焦点小组（focus groups）和定量阶段的在线陈述偏好调查（stated-preference survey）。样本来源为美国有经验的驾驶员，焦点小组通过个人社交网络招募，调查通过大学邮件列表等非概率便利抽样获得220份有效回复。数据分析采用个体内标准化z分数以消除响应风格偏差，并通过探索性因子分析（EFA）进行聚类，使用Bartlett球形检验和Kaiser-Meyer-Olkin（KMO）测度验证因子分析的适用性，特征值准则（>1.0）确定聚类数量。
**研究结果**
**3.1 焦点小组设计**
研究团队通过三个焦点小组，基于结构化开放式问题，直观聚类出40个变道原因，并初步分为情感、环境、安全、操作与效率四大类别。
**3.2 焦点小组数据分析**
采用“倾听声音”分析法，直接从录音中提取主题，避免转录偏差。参与者年龄、性别、职业和国籍呈现异质性，讨论持续40–60分钟直至达到饱和（即不再产生新动机）。
**3.3 调查设计**
在线调查使用随机问题排序消除顺序偏差，采用Likert量表（1–7）评估各因素重要性。样本人口统计显示，85%为女性，81.4%为白人，24–29岁占24.1%，多数拥有10年以上驾驶经验（63.6%）。
**3.4 调查分析**
**优先排序变道因素**：通过个体内标准化z分数计算每个因素的平均重要性。结果显示，“因应急车辆停靠在路肩而变道”排名最高，其次是“避免道路碎片”等安全关键因素。
**3.5 探索性因子分析**
**3.5.1 因子分析有效性**：Bartlett球形检验p<0.0001，表明变量间存在显著相关性，适合聚类。
**3.5.2 抽样充分性**：整体KMO值为0.891，所有40个因素均高于0.80，满足因子分析要求。
**3.5.3 聚类数量确定**：基于特征值>1准则，前三个潜因子特征值分别为11.612、2.341、1.108，决定三因子解为最优。
**3.5.4 识别变道聚类**：EFA将40个因素分为三个聚类：危险与规避（Hazard & Evasive）因素（如躲避障碍物、应急车辆）、情境与环境（Situational & Environmental）因素（如天气、交通密度、道路几何）、操作与效率（Operational & Efficiency）因素（如加速需求、时间紧迫性）。每个聚类内因素按z分数排名。
**3.5.5 聚类间显著差异**：两样本z检验显示，危险与规避聚类的平均z分数显著高于其他两个聚类（p<0.0001），而情境与环境与操作与效率之间无显著差异。该结果仅为初步探索性发现，因未考虑数据嵌套结构（重复测量），需进一步验证。
**总结与讨论**
**讨论部分**：研究从理论层面弥合了机械交通流理论与交通心理学之间的鸿沟，表明自由变道并非单一速度增益计算，而是对外部约束、情境舒适度与操作目标的层级响应。在建模与计算层面，提出的聚类框架为微观仿真参数化提供了结构化方法：危险与规避因素可建模为高优先级确定性约束覆盖，情境与环境因素可作为动态随机权重纳入效用函数，操作与效率因素可作为驾驶员类型修正因子。模型示例中，将三个聚类整合进离散选择效用框架，其中危险与规避因素作为立即效用覆盖，情境与环境与操作与效率因素的敏感性参数可设为随机参数以反映未观察异质性。局限性包括：样本人口统计偏差（85%女性、81.4%白人）导致z分数排名偏向安全意识，限制了推广性；数据保留限制无法进行验证性因子分析（CFA）或计算内部一致性系数；陈述偏好方法存在假设偏差，需与真实轨迹数据交叉验证。未来研究需进行人口分层大规模调查，并采用CFA、结构方程模型（SEM）及混合效应模型进行严格验证。
**结论部分**：本研究采用混合方法，通过焦点小组识别出40个自由变道刺激因素，探索性因子分析（EFA）揭示出三个初步潜在聚类：危险与规避、情境与环境以及操作与效率因素。初步检验表明，危险与规避因素对变道行为的影响最强。通过识别和聚类这些动机，本研究为开发全面的变道倾向量表提供了结构化基础。未来研究需使用稳健的大规模建模进行统计验证，但这些发现为将非传统、异质性行为要素系统整合到先进微观仿真和自动驾驶车辆系统中提供了基础行为依据。
