可用却避用？基础设施感知、感知安全与感知风险如何与电动自行车骑行者侵入机动车道相关联

《Journal of Transport & Health》：Available but avoided? How infrastructure perception, perceived safety and perceived risk relate to e-bike riders’ intrusion into motor-vehicle lanes

　　

摘要
引言
很大一部分电动自行车伤害和死亡事故发生在机动车道上，在此骑行者暴露于混合交通和更高的碰撞风险中，这可能抵消电动自行车使用带来的健康益处。值得注意的是，即使有专用自行车道，许多骑行者仍然驶入机动车道。这种车道侵入增加了与车辆发生危险交互的暴露，削弱了骑行基础设施的安全效益。因此，识别与车道侵入相关的心理因素对于指导伤害预防干预措施很重要。
方法论
对 729 名电动自行车骑行者（650 名有效用于分析）进行的在线调查，使用新开发的《骑行车道侵入行为问卷》评估了自我报告的电动自行车车道侵入行为（e-bike LIB），并评估了基础设施感知、感知安全、感知风险以及计划行为理论（Theory of Planned Behaviour）的构念。我们结合多组结构方程模型与可解释机器学习，以检查基础设施感知、关键心理构念与电动自行车车道侵入行为之间受理论指导的关联，并探索潜在的非线性模式。
结果
态度、感知行为控制和主观规范与自我报告的车道侵入呈正相关，其中态度显示出最强的关联。基础设施感知与自我报告的车道侵入呈负相关，并表现出可能的非线性模式，在基础设施感知水平较高时边际减少幅度更大。随着基础设施感知从低水平增加，感知安全增加而感知风险减少，这些感知主要通过态度和感知行为控制间接与电动自行车车道侵入行为相关。
结论
电动自行车车道侵入行为应被理解为一种可预防的混合交通暴露，而非中性的车道选择决策。研究结果表明，基础设施提供应与针对有利态度、过度自信和宽容社会规范的行为措施相补充。在骑行环境较差的地区，更严格的执法以及对现有设施感知可用性和可见性的改善可能有助于遏制对可用自行车道的不遵守行为。

1. 引言
与常规自行车相比，电动自行车（e-bikes）所需的体力劳动要少得多，同时能够实现更高的速度和更长的行驶距离 (Schepers et al., 2020)。这些特性可以使更广泛的人群更容易进行主动出行，包括老年人、体能较低的人以及通勤距离较长的人，从而通过日常出行支持规律体力活动的积累 (Chang et al., 2022)。作为一种低排放方式，电动自行车可以替代一些短途汽车出行并补充公共交通。因此，电动自行车可能有助于满足与"15 分钟城市”概念相关的高频短至中距离出行需求，同时贡献于更清洁的空气和更宜居的街道环境 (Nocerino et al., 2016)。反映其在城市短途出行中日益增长的作用，2022 年电动自行车销量在欧盟达到 2600 万辆，在中国达到 4420 万辆，到 2024 年中国的在用存量已超过 3.5 亿 (Pei et al., 2025; Sun et al., 2025)。然而，随着大规模采用，与电动自行车使用相关的健康和环境效益可能会被不可忽视的道路交通伤害负担部分抵消 (Sun and Xia, 2022)。世界卫生组织指出，电动自行车骑行者与其他弱势道路使用者一样，面临严重的受伤和死亡风险 (Liu and Chen, 2023; World Health Organization, 2023)。仅在中国，2019 年与电动自行车相关的碰撞事故导致 8639 人死亡和 44677 人受伤，占所有非机动道路使用者伤亡总数的近 70% (Pei et al., 2025)。

在高密度城市混合交通环境中，电动自行车提供的辅助移动能力可能使行程距离更长，并增加骑行者暴露于交通流量更大和运营速度更高的城市道路 (Castro et al., 2019)；因此，进入机动车道相关的安全风险可能更为显著 (Sun and Xia, 2022)。碰撞数据进一步支持了这一点：大约四分之三的电动自行车碰撞和伤亡事故发生在骑行者进入机动车道时，强调了混合交通环境中固有的高冲突暴露 (Zhou et al., 2024)。鉴于骑行者有限的身体保护，与机动车的碰撞更可能产生高度不对称的伤害结果，从而大大增加严重受伤和死亡的概率 (Kuo et al., 2024)。为了减少这种高风险暴露，城市交通治理通常寻求分离不同交通方式的运营空间，以减少混合交通冲突。国际证据进一步表明，这种分离具有明确的安全效益：在多伦多，实施物理隔离的骑行设施与暴露调整后的骑行者 - 机动车碰撞率降低 38% 相关 (Ling et al., 2020)。然而，在实践中，尽管存在可用的自行车道，电动自行车骑行者仍然频繁进入机动车道；本研究将这种行为称为电动自行车车道侵入行为（e-bike LIB），不包括自行车道不可用或实际上无法使用的情况。在合肥的一项观察性研究发现，机动车道侵入的平均率达到了 36.1% (Zhang et al., 2019)，类似的高比例广泛违规使用基础设施的情况也在海外微出行研究中得到报告 (Anke et al., 2023)。

受城市形态和有限道路空间的限制，骑行设施在覆盖率和设计质量上仍然不均匀 (Bhatia et al., 2016; Ling et al., 2020; Sun and Xia, 2022)。在更广泛的层面上，更好的骑行基础设施可能有助于创造一个更具支持性和有序性的骑行环境，加强骑行者遵守指定自行车道的意愿，而较差的基础设施条件可能会削弱这种遵守意愿，使电动自行车车道侵入行为更可能发生 (Krizek and Roland, 2005; Lee and Hong, 2026)。因此，澄清骑行者对基础设施的主观感知是否与电动自行车车道侵入行为相关，以及这些感知如何与骑行者的心理因素相关，对于理解所涉及的行为关联和指导有效的治理应对措施至关重要。在交通安全研究中，已开发出既定工具来分类和测量驾驶和骑行行为 (Reason et al., 1990; Useche et al., 2018)，先前的研究通过引入特定情境变量扩展了经典行为理论，以检查分心骑行、分心驾驶和头盔使用意向等与安全相关的行为 (Pei et al., 2025; Yang et al., 2025)。现有的车道选择和路线选择研究通常检查骑行者如何在可行的路线或设施选项之间权衡时间、舒适度和其他属性。相比之下，电动自行车车道侵入行为不仅仅是一个中性的设施选择。即使有可用的自行车道，骑行者也可能离开指定的骑行空间并进入机动车道，从而使自己暴露于更高冲突的交通环境中。从伤害预防的角度来看，这使得电动自行车车道侵入行为成为一种更明确的高风险骑行行为形式，而非传统的车道选择决策。然而，关于这种行为的研究仍然相对有限，特别是关于它如何与主观基础设施感知和骑行者的心理因素相关。基于这种区别，本研究重点关注与电动自行车车道侵入行为相关的心理 - 行为关联。

针对这一缺口，本研究重点关注自我报告的电动自行车车道侵入行为，并为电动自行车开发了《骑行车道侵入行为问卷》（RLIBQ）作为该行为的自我报告测量工具。RLIBQ 用于在本受理论指导的模型中将自我报告的电动自行车车道侵入行为作为潜在构念进行操作化，本研究为其在当前样本中的可靠性、因子有效性和行为相关性提供了心理测量学支持。基于这一测量，我们将计划行为理论（TPB）应用于电动自行车车道侵入行为，并检查态度、主观规范和感知行为控制的作用。我们进一步通过纳入基础设施感知、感知安全和感知风险来扩展 TPB 框架，以检查与基础设施相关的感知如何通过骑行者的心理因素与车道侵入行为相关。在方法上，我们结合多组结构方程模型与探索性可解释机器学习，以估计受理论指导的关联，探索潜在的非线性模式，并检查类似的广义模式是否出现在以预测为导向的框架中。这样做，本研究提供了证据，以指导旨在减少混合交通暴露和增强骑行基础设施改进的伤害预防效益的干预措施。

因此，本研究重点关注通常在自行车道上运营的电动自行车，而排除通常需要使用机动车道的高速、机动车类别子类型，如电动摩托车（图 1）。
下载：下载高分辨率图像 (816KB)
下载：下载全尺寸图像
图 1. 本研究的研究对象。

2. 理论框架与假设开发
2.1. 电动自行车车道侵入行为 (电动自行车 LIB)
电动自行车车道侵入行为通常与多种动机和道路状况相关。先前的研究表明，电动自行车骑行者并入机动车道的战略决策与感知速度增益和旅行效率提高相关，并且与其他风险行为如非法车道侵入相关 (Sun and Xia, 2022)。骑行决策也具有情境依赖性并受同伴影响。当附近的骑行者已经进入机动车道或正在进行违规操作时，个体更有可能跟随并做出类似选择 (Shao et al., 2018)。此外，现有证据表明，当自行车道狭窄、不连续、拥挤或经常受阻时，车道连续性和舒适度受损，骑行者更可能转向机动车道以维持更顺畅的骑行条件 (Krizek and Roland, 2005)。

此外，交叉口的车道侵入通常以转弯策略的形式发生 (Johannsen and J?nsch, 2017)。当电动自行车骑行者选择与机动车遵循相同转弯模式的一次转弯时，他们通常需要并入转弯交通流或占用机动车转弯道。这将他们置于特征性的混合交通情况中，并暴露于更高的冲突风险中 (Matviienko et al., 2022)。与更安全的二次转弯方法相比，在二次转弯中骑行者首先直行穿过交叉口，然后在随后的信号阶段再次直行穿过以完成转弯，骑行者可能选择一次转弯以减少等待时间。这种选择增加了与机动车的交织交互，并因此可能提高碰撞风险 (Ohlms and Kweon, 2018)。

2.2. 基础设施感知、感知安全、感知风险与电动自行车车道侵入行为
完善的自行车道、分流设施和引导标志构成了电动自行车安全骑行环境的基本组成部分 (Bhatia et al., 2016)。拥有高质量基础设施的骑行者倾向于更积极地感知这些设施，而在发展较不成熟环境中的骑行者报告较低的主观评价 (Zeng et al., 2024)。连续的车道、有效的分流设计和清晰的引导可以增强路线连续性和便利性，并促进对指定设施的遵守。例如，物理隔离的车道通常被认为是最安全和最舒适的选择 (Sun and Xia, 2022)。相反，不连续和糟糕的引导可能会促使频繁换道，削弱遵守的感知必要性，并增加侵入机动车空间的可能性，可能降低整体骑行意愿 (Schepers et al., 2020)。

感知安全（PS）和感知风险（PR）是基础设施感知（IP）可能与特定交通行为相关的两个关键心理因素。感知安全反映了骑行者基于对个人因素（如技能和经验）和外部条件（如车辆特性和道路环境）的综合评估所感受到的安全 (Rossner and Bullinger, 2019)。感知风险捕捉了行动前预期的伤害可能性和后果，并与经验、人口统计和社会规范相关 (Musselwhite et al., 2012; Ma et al., 2026)。

感知校准错误，特别是高估安全感和低估风险，可以使不安全的选择正常化，并增加从事车道侵入行为的参与，从而提高交通冲突、卷入碰撞和受伤风险的可能性，对公共健康和可预防的伤害负担有明确的启示 (Choudhary et al., 2022; Yang et al., 2025)。感知安全与电动自行车骑行者的骑行频率和车道选择相关 (Knight and Charlton, 2022)，较高的感知安全也与更大的意愿从事风险实践相关 (Chataway et al., 2014)，突显了一条风险补偿路径。与复杂交通交互相关的感知风险已与骑行行为和卷入碰撞相关，即使主观评估与客观风险存在分歧 (G?tschi et al., 2018)。然而，这些关联可能因个人特征如风险倾向而异 (Choudhary et al., 2022)，并且在某些行为中可能不显著 (Yang et al., 2025)。更广泛地说，感知安全和感知风险已与一系列交通行为相关，包括超速、变道、疲劳驾驶以及行人的路线选择和规则遵守 (Harbeck et al., 2018; Lee and Beck, 2019)，强化了它们在运输与健康研究中的重要性，因为这些感知 - 行为联系有助于可预防的伤害负担，并可能抵消主动出行的健康收益。

因此，本研究引入 PS 和 PR 来衡量受访者与电动自行车车道入侵行为（LIB）相关的感知安全性和感知风险。

2.3. 计划行为理论

作为应用最广泛的行為框架之一，计划行为理论（TPB）提出个体行为主要由行为意图塑造，而行为意图由三个核心要素决定：态度（AT）、主观规范（SN）和感知行为控制（PBC）。其广泛应用得益于其理论清晰性、实证稳健性以及在不同行为领域的适应性（Ajzen, 1985, 1991）。AT 反映对行为的整体评价，SN 捕捉来自显著参照对象的主观社会压力，PBC 代表对执行该行为的能力和控制的感知。在道路安全情境中，较高的 PBC 通常会增加执行特定机动动作的感知可行性（Ajzen, 1985）。高水平的 PBC 通常会增强对某行为可行性的感知（Zeng et al., 2024），尽管过度自信在某些情况下可能会增加碰撞风险，例如行人违反交通信号（D?az, 2002; Yang et al., 2025）。

尽管行为意图是行动的即时驱动因素，并作为前因变量与实际行动之间的中介变量，但一些研究发现，从前因变量到实际行动的直接路径有时比意图本身更稳定（Kiriakidis, 2016）。因此，基于 TPB 的研究越来越多地检验 AT、SN 和 PBC 对实际行动的直接影响，并报告了显著的关联（Koppel et al., 2022）。例如，Ajzen 和 Madden (1986) 表明 PBC 可以在目标导向模型中对行为产生直接影响，Thorhauge 等人 (2016) 进一步发现 AT、SN 和 PBC 可以直接与个体的出行时间选择决策相关。

2.4. 假设

图 2 展示了本研究提出的概念模型。基于上述理论框架，它阐明了心理变量与电动自行车 LIB 之间的关系。许多基于 TPB 的研究表明：1) PBC，即个人对自己执行特定行为技能的评估以及对自己控制安全的信心（Ajzen, 1985），与安全或风险的主观感知以及关于特定行为的决策相关（Yang et al., 2025）。2) 个人的 AT 和 SN 与他们执行特定行为的决策相关。3) SN 与个人对特定行为的安全和风险评估相关（Chen et al., 2022）。因此，我们假设 PBC、AT 和 SN 与电动自行车 LIB 正相关（H1a–H1c），且 SN 与 PS 和 PR 有直接关联（H2a–H2b）。

图 2. 概念模型。

自行车道和相关基础设施与较高的 PS 和 PBC 以及更高的骑行意愿相关（Sun and Xia, 2022）。在更发达的骑行环境中，骑手更有可能使用专用且相对安全的自行车道，并可能感知到在机动车道骑行不安全且风险更大（Lee and Hong, 2026）。因此，我们假设基础设施感知与电动自行车 LIB、PS、PR 和 PBC 显著相关（H3a–H3d）。此外，根据社会规范理论，个人的行为判断受其环境中感知到的可接受性影响（Cialdini et al., 1991; Ng et al., 2017）。在自行车基础设施完善且更安全的环境中，电动自行车 LIB 更有可能被视为不当行为，这意味着较高的基础设施感知（IP）可能与骑手对电动自行车 LIB 的态度及其 SN 相关（H3e–H3f）。

PS 和 PR 可被视为行为的近端心理相关因素。当行为被视为安全时，个体更有可能参与其中；相反，当行为被视为有风险时，态度往往变得更为负面，行为可能会被避免或减少（Chataway et al., 2014; Knight and Charlton, 2022）。因此，我们预期 PS 与电动自行车 LIB、PBC 和 AT 相关（H4a–H4c），且 PR 与电动自行车 LIB、PBC 和 AT 有直接关联（H5a–H5c）。

3. 方法

3.1. 参与者与材料

问卷在中国西南地区电动自行车使用率较高的两个邻近特大城市成都和重庆在线实施。为了捕捉高流量和高暴露的城市骑行条件，资格限制在中心城区居民。尽管地理位置接近，但这两座城市在骑行环境方面提供了有意义的上下文变化。成都相对平坦的城市形态以及近期对慢行系统和绿道网络的重视，更有利于连续的骑行设施和灵活的非机动空间分配。相比之下，重庆的地形、更陡的坡度以及更破碎的街道几何形状对骑行设施的连续性和道路空间供给构成了更强的限制（Liu and Chen, 2023）（图 A1）。在缺乏街道级审计基础设施指标的情况下，成都 - 重庆的对比为骑行基础设施供给和城市骑行条件的差异提供了宏观层面的参考。

参与者需满足以下标准：a) 成都和重庆城市地区的居民；b) 至少 16 岁，这是在中国骑电动自行车的法定最低年龄；c) 活跃的电动自行车骑手（即每周至少骑一次电动自行车）。所有参与者完成了一份在线问卷，耗时约 15 分钟。

3.2. 问卷设计

最终问卷包含四个部分：(1) 人口统计和骑行特征，(2) 车道入侵心理学，(3) 电动自行车骑行车道入侵行为问卷（RLIBQ），以及 (4) 自报危险事件。完整结构和所有问卷项目展示在图 3 和补充材料中的表 S1 中（AlKheder et al., 2022; Carter et al., 2014; Chataway et al., 2014; Hou et al., 2024; Koppel et al., 2022; Ma et al., 2019; Qian et al., 2024; Yang et al., 2025; Zeng et al., 2024; Zhang et al., 2018）。为了提高回忆准确性并确保测量间的时效一致性，自报车道入侵行为（RLIBQ 项目）和危险事件均参考过去一年进行评估。为了减少歧义，问卷将“可用自行车道”定义为存在且足够连续以供普通骑行的车道，且未因障碍、违停、侵占、重大绕行、严重拥挤或明显不适而实际上无法使用。

图 3. 整体研究设计、分析框架和问卷模块。

尽管本研究考察基础设施感知在广义上与电动自行车 LIB 关联的方式，而不是比较入侵特定表现形式的异质性，但量表开发阶段仍需确保足够的行为覆盖范围和进入机动车空间构念的测量效度。因此，基于 2.1 节中电动自行车 LIB 的定义，RLIBQ 测量受访者过去一年在三种类型入侵中的自报频率：意愿性入侵（例如，“我进入机动车道是为了更快到达。”）、适应性入侵（例如，“当自行车道狭窄或难以通过时，我进入机动车道骑行。”）和交叉路口转弯入侵（例如，“在骑电动自行车经过交叉路口时，我直接对角线左转，而不是使用两段式通过。”）。在随后的关联检验中，我们将电动自行车 LIB 建模和解释为一个整体构念。上述维度分类主要用于加强测量并为未来考察入侵表现异质性的研究提供参考点。

3.3. 数据收集

调查于 2025 年 6 月至 7 月进行，并获得了华南理工大学伦理委员会的批准。在研究早期阶段，进行了试点访谈作为认知预测试，以获得关于项目措辞清晰度和问卷可理解性的反馈。预测试主要通过在线语音访谈和面对面讨论进行。参与者是来自不同年龄组和职业背景的电动自行车骑手，这使我们能够检查问卷项目和相关的行为情境是否按预期被解读。此外，我们咨询了具有心理 - 行为问卷设计经验的专家。基于骑手和专家的反馈，在正式调查启动前修订了模棱两可的措辞。

数据通过 PowerCX 在线收集，这是一家拥有全国在线受访者数据库的专业调查公司，包括小组成员的基本背景特征和自报的与出行相关的信息，用于初步定向。利用该平台，调查邀请被发送给居住在成都和重庆城市地区的小组成员。随后通过问卷中的筛选项目确认资格。为被纳入，受访者必须 (1) 至少 16 岁，且 (2) 报告每周至少骑一次电动自行车。不符合这些标准的受访者在数据清理过程中被筛选或移除。完成问卷的参与者被纳入抽奖以赢取购物券。

共回收 729 份问卷（响应率：87.7%）。为了确保数据有效性，排除了表明努力不足的回答，例如高度模式化的回答或完成时间过短。数据筛查后，保留 650 份有效问卷用于分析（有效率：89.2%）。

3.4. 数据分析框架

我们首先在不同人口统计和骑行子组间进行单因素方差分析，以识别心理构念和行为项目上的均值差异。遵循 Anderson 和 Gerbing (1988) 的两步法，我们首先进行探索性因子分析（EFA），作为初步评估观察项目是否在总体上与理论指定的维度结构一致，然后使用验证性因子分析（CFA）正式验证测量模型。随后在扩展的 TPB 框架内使用结构方程模型（SEM）检验假设的关系。

为了检验与 IP 相关的关联是否显示非线性模式，我们将连续分析置于评估中心。为了保持与 SEM 的构念层面可比性，在自动化机器学习（AutoML）和样条分析中使用源自验证潜在构念的因子得分。首先，使用所选预测导向模型的 SHAP 依赖图来检查 IP 的边际贡献是否在其整个连续范围内变化。然后拟合具有四个自由度的限制性三次样条模型。节点放置遵循 patsy cr 函数中实现的默认基于分位数的程序，因此节点基于每个预测变量的经验分布，而不是根据结果模式手动选择。将这些样条模型与相应的线性模型进行比较，以评估基于样条的非线性规范的解释价值和统计证据，以及观察到的模式是否与连续非线性建模的结果大体一致。最后，使用中位数分割的多组结构方程模型（MG-SEM）作为理论 informed 的补充交叉检查，以检查相关路径在低 IP 和高 IP 组之间是否显著不同，以及这些差异的方向是否与连续模型的结果一致。

使用哈曼单因子检验和共同潜在因子（CLF）方法评估共同方法偏差。哈曼检验作为初步评估，而 CLF 方法用于进一步检查共同方法偏差是否实质性地影响了测量模型（Podsakoff et al., 2003）。最后，使用 Mann-Whitney U 检验考察自报危险事件是否因 LIB 和关键心理变量而异。鉴于横截面设计，分析强调理论一致的关联而不是精确的因果效应大小。潜在的内生性和反向因果关系被确认为局限并予以讨论（Podsakoff et al., 2003）。参与者从自行车基础设施发展水平和阶段不同的环境中招募，这为感知的基础设施条件提供了有意义的上下文变化，并支持检验理论一致的关联。

4. 结果

4.1. 参与者的人口统计特征和骑行特征

共收集 650 份有效回复，远超 SEM 推荐的观察变量数量十倍的最小值，从而满足样本量要求（Qian et al., 2024）。受访者的人口统计和骑行特征的百分比展示在图 4 中，相应的样本量和均值报告在补充材料中的表 S2 中。参与者中拥有学士及以上学历的较高比例（66.8%）是意料之中的，因为在线调查往往吸引更多受过教育的受访者。鉴于中国高等教育的广泛扩张，具有此类教育背景的样本已被证明保留了合理的代表性（Cui et al., 2023）。此外，基于教育的敏感性分析表明，主要结构关系在不同教育组间大体稳定：17 条路径中有 16 条显示无显著的组间差异，且唯一的例外在所有组间保持方向一致（附录表 A2–A3）。

图 4.

调查参与者的人口统计学特征和骑行特征 (n = 650)。

4.2. 心理变量和 RLIBQ 变量（电动自行车 LIB）

我们进行了一元方差分析，以比较不同人口统计学和骑行子组间的得分。多个变量观察到了显著差异（见补充材料中的表 S2）。此外，曼 - 惠特尼 U 检验显示，低 IP 组和高 IP 组在几个心理和行为变量的得分分布上存在显著差异。具体而言，与高 IP 组相比，低 IP 组在所有三个电动自行车 LIB 指标上的得分均显著更高，这与本研究的理论预期一致（图 5）。此外，城市背景比较显示，成都和重庆样本在关键变量上表现出与 IP 组比较相似的方向性模式：成都样本在某些 LIB 维度上通常报告更高的 IP 和更低的行为频率。城市背景比较与 IP 组比较之间的这种方向一致性，为解释基于感知的模式提供了广泛的情境参考。心理构念和 RLIBQ 的信度和效度报告于第 4.3 节。

下载：下载高分辨率图像 (659KB)
下载：下载全尺寸图像
图 5. 不同 IP 组和城市背景下心理变量和电动自行车 LIB 的比较。

4.3. 因子分析

当一个潜在构念包含许多指标时，可以使用项目打包来降低模型复杂度和测量误差，并提高估计稳定性（McDonald and Ho, 2002）。常见的方法包括平衡打包和基于内容的打包（Koppel et al., 2022; Yang et al., 2025）。在本研究中，RLIBQ 基于三个类别被打包为三个打包。

单变量正态性检查表明没有严重的偏离正态性情况（所有绝对偏度 < 2；所有峰度 < 7）。因此，只要整体模型拟合可接受，最大似然估计被认为适用于 SEM（Demir, 2022; Razali and Wah, 2011）。

EFA 显示，特征值大于 1 的因子解释了 76.167% 的总方差，最大的单一因子占 40.571%（<50%），表明没有严重的共同方法偏差（Tehseen et al., 2017）。使用公共潜在因子（CLF）方法进一步检验了这一问题。如附录表 A1 所述，添加 CLF 导致模型拟合仅出现可忽略的变化，表明共同方法偏差不太可能实质性影响研究结果。抽样充分性得到了支持（KMO = 0.936；巴特利特检验 p < 0.001）。所有载荷均超过 0.5，且远高于交叉载荷。克隆巴赫α系数通常高于 0.8，最低的也高于 0.7 且接近 0.8（表 1，表 2），表明具有充分的收敛效度和内部一致性（Fornell and Larcker, 1981）。

表 1. 测量构念的信度和收敛效度。

| 构念 | k | 组合信度 (CR) | 克隆巴赫α系数 | 贡献方差 (%) | AVE |
| :--- | :--- | :--- | :--- | :--- | :--- |
| AT | 5 | 0.924 | 0.946 | 11.827% | 0.709 |
| PBC | 4 | 0.947 | 0.946 | 4.074% | 0.815 |
| SN | 4 | 0.914 | 0.902 | 40.571% | 0.728 |
| PS | 3 | 0.916 | 0.915 | 3.642% | 0.785 |
| PR | 6 | 0.846 | 0.841 | 8.902% | 0.477 |
| IP | 4 | 0.900 | 0.899 | 3.918% | 0.694 |
| RLIBQ | 3 | 0.833 | 0.837 | 3.233% | 0.629 |

注：对于 RLIBQ，k 指代代表意愿性、适应性和路口转弯侵入的三个打包。

表 2. 自报电动自行车 LIB (RLIBQ)。

| 受访者维度 | 项目数 | 项目平均得分范围 | 可能总分范围 | 克隆巴赫α系数 |
| :--- | :--- | :--- | :--- | :--- |
| RLIBQ：意愿性 | 4 | 0-5 | 0-20 | 0.912 |
| RLIBQ：适应性 | 3 | 0-5 | 0-15 | 0.779 |
| RLIBQ：路口转弯 | 3 | 0-5 | 0-15 | 0.889 |

CFA 表明测量模型拟合良好（χ2/df = 2.549 < 5, RMSEA = 0.051 < 0.08, TLI = 0.954 > 0.9, CFI = 0.959 > 0.900, IFI = 0.960 > 0.900, NFI = 0.937 > 0.900），支持了提出的测量结构（Bentler, 1990; Fornell and Larcker, 1981）。组合信度（CR）值超过 0.8，且大多数平均方差提取量（AVE）值高于 0.6（表 1）。尽管 PR 的 AVE 略低于推荐阈值（0.5），但鉴于其相对较高的 CR（0.846 > 0.8，表 1），它仍然是可接受的（Murtagh and Heck, 2012）。判别效度也得到了支持，因为每个构念的 AVE 平方根超过了与其他构念的绝对相关系数，符合福内尔 - 拉克克准则（Fornell and Larcker, 1981）（表 3）。

表 3. 构念间相关性和判别效度检验。

| | AT | PBC | SN | PS | PR | IP | RLIBQ |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| AT | 0.842 | | | | | | |
| PBC | 0.728 | 0.903 | | | | | |
| SN | 0.726 | 0.706 | 0.853 | | | | |
| PS | 0.669 | 0.676 | 0.644 | 0.886 | | | |
| PR | -0.363 | -0.412 | -0.354 | -0.386 | 0.691 | | |
| IP | -0.159 | -0.017 | -0.140 | -0.026 | 0.247 | 0.833 | |
| RLIBQ | 0.773 | 0.719 | 0.734 | 0.640 | -0.337 | -0.227 | 0.793 |

注：对角线条目报告每个构念的 AVE 平方根；非对角线条目报告测量模型中估计的构念间相关系数。这些相关系数用于评估判别效度。

因子分析支持三因子结构，区分了意愿性侵入、适应性侵入和路口转弯侵入，每个维度具有令人满意的内部一致性。在更高层次建模时，这三个维度也加载到一个单一的 overarching 因子上，表明在当前的 SEM 框架下，它们可以作为电动自行车 LIB 有意义地聚合。综上所述，这些结果为在本研究中使用 RLIBQ 作为电动自行车 LIB 的自报测量工具提供了心理测量学支持。

4.4. 心理变量、电动自行车 LIB 和自报危险事件之间的关系

4.4.1. SEM 结果和探索性机器学习比较

在 SEM 中，电动自行车 LIB 的解释方差为 R2 = 0.68。在 AutoML 流程中，比较了五个候选机器学习模型。在模型拟合之前，数据集被随机划分为 80% 的训练集和 20% 的独立留出测试集。对于每个模型，超参数仅在训练集内使用五折交叉验证的随机超参数搜索进行调整；保留具有最佳交叉验证 R2的参数组合。随机森林被选为表现最佳的模型，实现了 0.518 ± 0.056 的五折交叉验证 R2和 0.584 的留出 R2，如附录表 A5 所述。独立留出测试集仅用于最终性能评估。这种仅针对训练集的调整程序，结合报告交叉验证和留出性能，用于减少过度拟合的担忧。为了检查理论指定的预测因子是否在以预测为导向的模型中保留了相似的相对显著性，将选定模型的平均绝对 SHAP 值归一化到 0-1 尺度，并与 SEM 标准化效应一起呈现。

这种比较被用作探索性一致性检查，而不是将 SHAP 值和 SEM 路径系数视为等效估计。如图 6(a) 所示，AT、PBC 和 SN 持续出现在主要预测因子中，与基于 TPB 的 SEM 结果大体一致。IP 也显示出显著的预测显著性，其次是 PS 和 PR，这与它们在 SEM 框架中作为额外基础设施和感知相关构念的作用一致，如图 6(b) 所示。

下载：下载高分辨率图像 (521KB)
下载：下载全尺寸图像
图 6. 预测导向的 SHAP 特征重要性与 SEM 标准化效应的探索性比较。

4.4.2. SEM 分析

首先使用全样本进行了 SEM。通过 AMOS 24 估计的概念模型显示出良好的模型拟合（χ2/df = 3.464 < 5, RMSEA = 0.062 < 0.080, TLI = 0.929 > 0.900, CFI = 0.936 > 0.900, IFI = 0.936 > 0.900, NFI = 0.917 > 0.900）（Bentler, 1990; Fornell and Larcker, 1981）。图 7 说明了潜在构念之间假设的结构关系，以及标准化路径系数及其显著性水平。SEM 中的所有构念，包括 AT、PBC、SN、PS、PR、IP 和电动自行车 LIB，均被建模为潜在变量。它们的构念间相关性在测量模型中进行了评估，并在表 3 中报告，该表还提供了基于福内尔 - 拉克克准则（1981）的判别效度证据。对于以电动自行车 LIB 为因变量的假设，支持了四种关系：PBC、AT 和 SN 与电动自行车 LIB 显示出显著的正相关关系，而 IP 显示出显著的负相关关系。相反，PS 和 PR 与电动自行车 LIB 的直接关联并不显著。此外，PS 和 PR 与两个关键 TPB 前因变量（PBC 和 AT）显著相关，SN 与 PS 和 PR 均显著相关。关于 IP，观察到与 AT、SN、PS 和 PR 的显著相关，而它与 PBC 的相关并不显著。总体而言，大多数假设的关系得到了实证支持。SEM 间接和总效应的路径系数和显著性水平报告于补充材料的表 S3 中，而详细的中介结果，包括自助法置信区间，提供于附录表 A4 中。

下载：下载高分辨率图像 (446KB)
下载：下载全尺寸图像
图 7. 全样本的 SEM 建模结果。
注：SEM 中的所有变量均被建模为潜在变量。

4.4.3. 连续非线性模式和分组交叉检验

我们首先使用 SHAP 依赖图 和受限立方样条模型检查了连续尺度上的 IP 相关关联。如图 9 所示，几个 IP 相关关联不能被单一的线性趋势很好地表示，而是显示出在连续 IP 范围内变化的边际模式。为了在传统统计框架内检查这些模式，拟合了自由度为 4 的受限立方样条模型，并与相应的线性规范进行比较。带有 95% 置信带的拟合样条曲线报告于图 A2 中。连续样条结果与 SHAP 依赖模式大体一致，支持谨慎的解释，即 IP 相关关联可能涉及非线性或变化的边际关系，而不是严格的线性模式。基于 IP 中位数划分的 MG-SEM 随后被用作补充交叉检验。几个 IP 相关路径显示出显著的组间差异（图 8；表 4），且这些分组差异的方向通常与连续模型模式一致。

下载：下载高分辨率图像 (361KB)
下载：下载全尺寸图像
图 8. 低 IP 组和高 IP 组之间结构路径的比较。

下载：下载高分辨率图像 (882KB)
下载：下载全尺寸图像
图 9. SHAP 依赖图。

表 4. 各组路径不变性的卡方差异检验。

| 路径 | 约束模型 χ2 (df) | 非约束模型 χ2 (df) | Δχ2 | Δdf | p 值 | 差异显著性 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| IP -> PBC | 1659.284 (721) | 1572.739 (720) | 86.545 | 1 | <0.001 | *** |
| IP -> PS | 1579.273 (721) | 6.534 | 1 | 0.011 | * |
| IP -> LIB | 1576.708 (721) | 3.969 | 1 | 0.046 | * |
| IP -> PR | 1594.611 (721) | 21.872 | 1 | <0.001 | *** |

具体而言，如图 9(e) 所示，当 IP 得分高于中位数时，与电动自行车 LIB 相关的 SHAP 值下降得更剧烈（MG-SEM: β低 IP = ?0.063, β高 IP = ?0.580***）。图 9(g) 显示，当 IP 低于中位数时，PS 的 SHAP 值随 IP 增加，而高于中位数时它们变得更加多变，不再遵循简单的单调趋势（MG-SEM: β低 IP = 0.171**, β高 IP = 0.072）。PR 观察到了相反的模式（MG-SEM: β低 IP = ?0.146*, β高 IP = 0.158***）（图 9(h)）。图 9(i) 进一步显示，当 IP 低于中位数时，PBC 的 SHAP 值随 IP 上升，而高于中位数时它们转变为更陡峭的下降趋势（MG-SEM: β低 IP = 0.162**, β高 IP = ?0.470***）。总体而言，SHAP 依赖模式和 MG-SEM 结果在方向上是对齐的，但它们被解释为互补的描述性证据，而不是等效的统计估计，这表明主要的 IP 相关发现不太可能 solely 由中位数划分驱动。

为了进一步检查非线性发现的稳健性，我们利用 IP 在城市间的自然变化构建了一个准对照。首先，比较成都和重庆样本 IP 得分的一元方差分析（图 5(b)）显示，成都的 IP 显著高于重庆。在此基础上，我们将这两个城市视为“高 IP 与低 IP”的比较，而没有人为地将连续变量二分，随后进行了城市分层 MG-SEM 并测试了路径系数的组间差异（图 S1）。一个结构路径在两个特定城市组之间存在显著差异。总体而言，关联模式，包括关键路径的方向和大致大小，与主模型大体一致，且没有结果与提出的关联模式相反。这些发现表明，关于非线性模式的主要结论得到了广泛支持。

4.4.4. 电动自行车 LIB 与危险事件之间的关系

作为一种非参数方法，曼 - 惠特尼 U 检验不需要严格的分布假设，适用于检测两个独立组之间的差异。如表 5 所示，几个变量在两组之间存在显著差异：与未经历危险事件的骑行者相比，经历过危险事件的骑行者倾向于低估风险，对电动自行车 LIB 持有过于积极的态度，感知周围人的规范性宽松度更高，并报告较低的 IP 水平。此外，RLIBQ 的所有三个打包，反映电动自行车 LIB 的不同方面，在经历过危险事件的组中表现出更高的自报得分，这进一步证实了发现的实践意义，并为 RLIBQ 的行为相关性提供了准则相关证据。

表 5. 过去一年中经历未经历危险事件的骑行者在 RLIBQ 子量表和心理变量得分上的比较。

| 变量 | 自报危险事件 | | | | |
| :--- | :--- | :--- | :--- | :--- | :--- |
| | 中位数 (Q1, Q3) | | U | z | p |
| | 是 (n = 345) | 否 (n = 305) | | | |
| 意愿性 | 1.67 (0.67, 3.00) | 1.00 (0.33, 2.33) | 64271.00 | 4.88 | <0.001*** |
| 适应性 | 2.67 (1.67, 3.33) | 2.00 (1.33, 3.00) | 64637.50 | 5.03 | <0.001*** |
| 路口转弯 | 2.00 (1.67, 2.33) | 1.33 (0.67, 2.33) | 62223.00 | 4.02 | <0.001*** |
| PS | 2.67 (1.33, 4.33) | 2.00 (1.33, 4.33) | 56631.00 | 1.68 | 0.091 |
| PR | 6.17 (5.67, 6.67) | 6.33 (5.67, 6.67) | 46030.00 | -2.76 | 0.006** |
| AT | 3.80 (1.80, 4.80) | 2.80 (1.60, 4.20) | 60766.50 | 3.41 | 0.001** |
| PBC | 3.25 (1.75, 4.50) | 2.50 (1.25, 4.50) | 56322.00 | 1.55 | 0.120 |
| SN | 2.75 (1.75, 4.50) | 2.25 (1.25, 3.75) | 62414.50 | 4.10 | <0.001*** |
| IP | 5.25 (4.25, 6.25) | 5.50 (4.75, 6.25) | 45596.50 | -2.94 | 0.003** |

5. 讨论

5.1. 电动自行车 LIB 的心理相关因素

核心 TPB 构念与电动自行车 LIB 之间的正相关关系表明，车道侵入反映了一种在社会和认知上得到强化的行为倾向。特别是，AT 的显著性表明，骑行者对侵入的有利评价，尤其是其感知便利性或实用价值，可能是理解为什么这种行为即使存在自行车道仍持续存在的关键。这一发现指出了需要在减少侵入的情境吸引力的同时，削弱使其常态化的条件。

实际上，这意味着改善自行车道的连续性并清除障碍物，使得留在自行车道内成为更简单的选择，同时配合行为沟通，挑战过度自信以及围绕机动车道入侵的宽容社会规范。值得注意的是，SN（主观规范）与 PS（感知安全）和 PR（感知风险）表现出相反的关系，表明感知社会认可可能与较高的感知安全和较低的感知风险相关。反过来，PS 和 PR 似乎主要通过 AT（态度）和 PBC（感知行为控制）而非通过强烈的直接关联与电动自行车进道行为（e-bike LIB）间接相关。这一模式与既往研究一致，表明社会认可可能会偏倚危险评估并助长冒险的道路行为（Cialdini et al., 1991; Nasrudin et al., 2024）。这也 broadly 与保护动机理论相符，该理论提出威胁评估和应对评估通过影响态度和感知效能与行为相关（Rogers, 1975）。还应指出，PR 对电动自行车进道行为的总效应不显著（附表 A4），表明仅基于风险感知的干预可能不足以产生稳定的电动自行车进道行为减少。相比之下，纠正对车道入侵安全性的过高估计并削弱其社会可接受性的感知，可能是此背景下更有前景的干预重点。

从心理关联角度来看，较高的 IP（基础设施感知）不仅与较低水平的电动自行车进道行为相关，还与对车道入侵较不认可的态度以及较低的感知社会容忍度相关。这表明那些对骑行环境评价更积极的骑行者，通常不太可能认为进入机动车道是方便、合理或社会可接受的。需要强调的是，反向因果关系可能仍然存在：频繁进入机动车道的骑行者可能会随后报告对骑行基础设施较低的评价，作为对其行为的事后合理化。尽管如此，成都 - 重庆比较为解释这一基于感知的结果提供了一个有用但广泛的城市场景参考。与重庆相比，重庆的骑行环境更多地受到山地地形、坡度变化 and 有限的道路空间的约束，成都平坦的城市形态及其向绿道和慢行交通系统发展的导向，可能为连续、舒适且可用的非机动空间提供了更有利的宏观层面情境（图 A1）。单因素方差分析（one-way ANOVA）结果显示，成都样本的 IP 得分显著较高，且在部分电动自行车进道行为维度上的得分较低，并且成都 - 重庆分组与高 - 低 IP 分组在主要心理和行为变量上表现出相似的平均趋势。基于感知的结果与广泛的城市场景差异之间的这种一致性表明，本研究中的 IP 测量可能部分反映了骑行者对城市骑行环境差异的主观评估，而较弱的感知骑行环境可能与名义上的自行车道可用性与骑行者留在其中的意愿之间的差距有关。由于城市层面的情境差异不能由个体自报的进道行为频率引起，这种比较提供了一些保护，防止将 IP-进道行为的关联仅仅解释为个体的事后合理化。然而，它不能取代系统性的客观建成环境测量，也不能建立严格的因果关系。总体而言，目前的发现支持将基础设施感知作为理解与电动自行车进道行为相关基于感知的关联的重要情境变量。

SHAP 依赖图和多组结构方程模型（MG-SEM）共同表明 IP-进道行为关系中可能存在非线性或变化的边际模式：虽然 IP 总体上与电动自行车进道行为负相关，但在 IP 较高水平时，进道行为的下降变得更加显著。同时，随着 IP 的增加，PS 和 PBC 呈现出先增加后减少的模式，而 PR 则表现出相反的趋势。一种可能的解释是，当骑行环境被视为具有一定支持性但仍不够成熟和稳定时，它可能不足以鼓励骑行者始终留在自行车道内。相反，这种中等水平的感知基础设施支持可能会创造一种心理安全缓冲，导致骑行者在与机动车混合交通时感觉更安全、更有控制力，同时降低他们对混合交通暴露风险的警惕性。结果，车道入侵可能变得在心理上更可接受。只有当骑行环境被视为更成熟、连续和可预测时，骑行者才可能逐渐重新评估在机动车道内骑行是一种相对危险和不必要的选择。因此，基础设施改善带来的感知安全增加可能不会立即转化为相应的车道入侵减少；这可能也解释了为什么自行车道提供的行为益处可能在较低 IP 水平下有限。

基于上述发现，本研究提出了两个治理启示。首先，在短期内无法扩大道路空间的地方，可以优先考虑那些不依赖额外道路空间但能改善骑行者对现有基础设施可用性和管理秩序感知的具有高可见性的措施。例如，更清晰的标志和标线、连续的骑行引导、关键地点的针对性风险警告，以及对慢行交通管理更可见的投资，可能有助于骑行者更清晰地感知到非机动出行空间正受到重视和管理。虽然这些措施并不直接增加骑行空间，但它们可能改善骑行环境的感知有序性、连续性和可预测性，从而缓解与较低基础设施感知相关的规则遵守不足。通过这种方式，这些措施不仅可以直接减少车道入侵，还可以通过强化以遵守为导向的社会规范并削弱将车道入侵视为方便或合理选择的心理基础，间接减少电动自行车进道行为。

其次，在宏观层面骑行环境感知较低的区域，即使自行车道在基本可用性上与高感知区域正式可比，其实际使用率可能仍然相对较低。这可能是由于长期存在的混合交通习惯和对规则遵守的较低期望。换言之，具有相似基本可用性的自行车道，在较弱的骑行环境中并不一定会产生与高质量骑行环境中相同的行为引导模式。因此，高频的电动自行车进道行为可能不仅反映个体层面的不遵守，还反映了一个利用率低的问题，即现有的自行车道已经建设但未被充分遵循。这一问题在以往的治理实践中可能被低估了。与骑行环境较好的区域相比，这些情境可能需要更清晰的管理和车道引导措施，以提高现有专用车道的实际使用率，并确保自行车道的提供转化为实质性的伤害预防益处。同时，此类管理措施应结合安全警告和风险沟通，以防止随着骑行者对骑行环境的主观评价提高而产生安全性过高估计或过度自信。

需要注意的是，本研究以成都和重庆作为城市层面的情境比较，但这启示不仅限于城市间差异。在实践中，类似的骑行环境和规则遵守异质性也可能存在于街道、区域或城镇之间。因此，治理措施应根据具体的空间情境进行差异化。

5.2. 自报危险事件与相关变量之间的关系

电动自行车进道行为与自报危险事件之间的显著关联，符合将电动自行车进道行为解释为一种安全相关暴露而非中性车道选择偏好的观点。自愿性、适应性和交叉口转弯入侵的同时发生进一步表明，这些行为可能反映了在不同骑行条件下进入机动车空间的更广泛倾向。这种关联可能不仅源于车道入侵本身带来的额外风险，还源于频繁进行进道行为的骑行者总体上更具风险倾向的骑行风格。鉴于先前的证据表明很大一部分电动自行车事故发生在机动车道内（Zhou et al., 2024），这些发现表明减少电动自行车进道行为作为伤害预防努力的一部分具有实际意义。

在这方面，与交叉口相关的入侵值得特别关注。在道路狭窄且骑行基础设施不发达的区域，加强电动自行车在交叉口的机动管理并减少混合交通冲突，可能提供一条相对低成本且实用的干预途径。诸如规范斜向穿越、优化电动自行车穿越相位和布局、在高冲突地点安装保护元素等措施，比全面网络分离受限于遗留道路空间分配的程度更低。因此，它们可能提供了一条可行途径，以缓解在短期内难以实施完全分离骑行设施的情况下与电动自行车进道行为相关的额外风险。

6. 结论

从伤害预防和公共卫生的角度来看，电动自行车进入机动车空间的车道入侵不仅仅是一个路线或车道选择决策。鉴于很大一部分电动自行车事故和伤亡发生在机动车道内，它是一种在混合交通中反复发生且潜在可预防的高风险暴露。本研究将电动自行车进道行为概念化为一种独特的风险行为，并开发了 RLIBQ 作为该行为的自报测量工具，在当前心理 - 行为框架内提供了初步的测量学和相关准则支持。

在理论关联方面，结合探索性机器学习分析的结构方程模型（SEM）证据表明，核心 TPB（计划行为理论）构念（AT、PBC 和 SN）与自报电动自行车进道行为呈正相关，其中 AT 表现出最强的关联。除了 TPB 之外，IP 与自报电动自行车进道行为呈负相关，并显示出可能的非线性关联，在较高 IP 水平下电动自行车进道行为的边际减少变得显著更强。重要的是，从低基线开始的 IP 增加可能与校准错误的评估相伴，即较高的感知安全和较低的感知风险，而 PS 和 PR 主要通过 AT 和 PBC 与电动自行车进道行为间接相关。因此，早期阶段的升级应辅以针对性的行为和心理学措施，以及最小化侵占、绕行和网络差距的操作努力，以避免稀释伤害预防益处。同时，对抗对电动自行车进道行为效率和便利性的过于有利感知至关重要。这种综合方法可能通过解决与电动自行车进道行为相关的有利态度、过度自信和宽容的社会规范，帮助将基础设施提供转化为更安全的骑行实践。

局限性与未来研究方向。(1) 本研究描绘了总体电动自行车进道行为及其基于理论的心理关联，并测试了不同 IP 水平下的异质性。然而，不同的进道行为类型并未单独建模。未来的工作应独立检查这些类型，以评估关联模式差异并为更有针对性的干预提供信息。(2) 心理构念、电动自行车进道行为和危险事件的测量均为自报，可能存在回忆偏差和社会期望偏差；因此，RLIBQ 应被解释为一种初步的自报测量，而不是骑行者车道位置行为的客观记录。由于基础设施主要通过 IP 得分测量，本研究无法对特定的设施形式或情境进行直接推断，且无法排除反向因果关系。未来的研究应整合客观数据（例如视频、轨迹或事故记录）和更细粒度的基础设施属性（例如分离性、连续性），以生成更具可操作性的设计证据。(3) ML/SHAP 分析是探索性和预测导向的，尽管使用了仅在训练集上调整、五折交叉验证和留存性能报告，其特征重要性模式可能具有样本特异性。因此，我们主要依赖 SEM 进行推断，并仅在 SHAP 依赖图佐证时谨慎解释非线性。未来的研究可以调查机器学习方法如何更稳健地解决心理变量之间的内生性。

CRediT 作者贡献声明

Zihan Yang: 写作 – 审阅与编辑，写作 – 原稿起草，可视化，验证，软件，方法论，调查，形式分析，数据整理，概念化。Jingyi Tang: 写作 – 审阅与编辑，写作 – 原稿起草，可视化，调查，形式分析，概念化。Qinyu Cui: 写作 – 审阅与编辑，可视化，验证，形式分析。Peiqun Lin: 写作 – 审阅与编辑，验证，监督，资源，项目管理，调查，资金获取。Zhuochu Chen: 写作 – 审阅与编辑，可视化，调查，形式分析。Sjaan Koppel: 写作 – 审阅与编辑，监督，方法论，形式分析。

Zihan Yang|Jingyi Tang|Qinyu Cui|Peiqun Lin|Zhuochu Chen|Sjaan Koppel

华南理工大学 土木工程学院与交通运输学院，中国广州