基于有序Logistic回歸的駕駛?cè)宋ｋU(xiǎn)辨識(shí)影響因素分析

王辛巖， 李天嬌

(西藏大學(xué)工學(xué)院， 拉薩 850000)

危險(xiǎn)辨識(shí)(hazard perception, HP)是駕駛?cè)藢?duì)客觀交通環(huán)境中危險(xiǎn)信息識(shí)別、預(yù)測(cè)與評(píng)估能力的體現(xiàn)，又稱為危險(xiǎn)感知、風(fēng)險(xiǎn)感知、危險(xiǎn)知覺、危險(xiǎn)認(rèn)知、危險(xiǎn)感受等。由駕駛?cè)讼嚓P(guān)因素導(dǎo)致交通事故的占比很顯著，駕駛?cè)宋ｋU(xiǎn)辨識(shí)是其中一項(xiàng)重要因素。中國(guó)臺(tái)灣地區(qū)和國(guó)外較多國(guó)家均將危險(xiǎn)辨識(shí)作為學(xué)員獲取機(jī)動(dòng)車駕駛證的重要考核內(nèi)容。結(jié)合危險(xiǎn)辨識(shí)的研究現(xiàn)狀，就危險(xiǎn)辨識(shí)的影響因素、動(dòng)靜態(tài)測(cè)試與能力提升三方面進(jìn)行分析。

駕駛?cè)宋ｋU(xiǎn)辨識(shí)的影響因素是多方面的。吳初娜等[1]在對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)過程進(jìn)行梳理的基礎(chǔ)上，分析了駕駛?cè)宋ｋU(xiǎn)搜尋能力、危險(xiǎn)決策能力和危險(xiǎn)處置能力的影響因素，認(rèn)為危險(xiǎn)搜尋能力主要受視覺搜索策略和危險(xiǎn)特征的影響，危險(xiǎn)決策能力和危險(xiǎn)處置能力主要受駕駛經(jīng)驗(yàn)、年齡、性格、性別等的影響?；谟?guó)駕駛?cè)宋ｋU(xiǎn)辨識(shí)能力測(cè)評(píng)軟件(hazard perception test，HPT)，余泰初等[2]分析了性別、年齡、駕齡以及場(chǎng)景特征對(duì)危險(xiǎn)感知得分的影響，發(fā)現(xiàn)駕齡對(duì)得分的影響較年齡更顯著，男性危險(xiǎn)感知能力較女性更好，行人相關(guān)場(chǎng)景的得分最低。楊京帥等[3-5]針對(duì)駕駛?cè)宋ｋU(xiǎn)感知開展了較多研究，包括駕駛?cè)宋ｋU(xiǎn)感知模型的構(gòu)建、基于交通場(chǎng)景的危險(xiǎn)識(shí)別與反應(yīng)測(cè)試，以及道路交通碰撞事故的致因分析，認(rèn)為交通場(chǎng)景危險(xiǎn)程度對(duì)駕駛?cè)宋ｋU(xiǎn)感知的總反應(yīng)時(shí)間和識(shí)別時(shí)間有影響，駕駛經(jīng)驗(yàn)對(duì)駕駛?cè)宋ｋU(xiǎn)識(shí)別時(shí)間沒有顯著影響，對(duì)反應(yīng)時(shí)間有影響，且熟練駕駛?cè)说奈ｋU(xiǎn)感知水平較非熟練駕駛?cè)烁茫w現(xiàn)在更好的判斷力和更高的自信程度。

同時(shí)，針對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)能力動(dòng)靜態(tài)測(cè)試場(chǎng)景的選擇，吳初娜等[6]認(rèn)為危險(xiǎn)情境主觀風(fēng)險(xiǎn)度與客觀風(fēng)險(xiǎn)度之間的一致性會(huì)影響測(cè)評(píng)結(jié)果的可靠性，動(dòng)態(tài)情境和靜態(tài)情境在測(cè)試中各有利弊。靜態(tài)場(chǎng)景有助于規(guī)避評(píng)估結(jié)果的模糊性，改善駕駛?cè)藴y(cè)試過程中的心理感受，而動(dòng)態(tài)場(chǎng)景則貼近實(shí)際駕駛活動(dòng)中的危險(xiǎn)辨識(shí)機(jī)制。Scialfa等[7-9]結(jié)合駕駛行為自我報(bào)告數(shù)據(jù)和危險(xiǎn)辨識(shí)表現(xiàn)探討了采用動(dòng)態(tài)情境和靜態(tài)情境進(jìn)行駕駛?cè)宋ｋU(xiǎn)感知測(cè)試的效果，認(rèn)為兩種方式均能得到可信結(jié)果。

在提升駕駛?cè)宋ｋU(xiǎn)辨識(shí)能力的研究中，Castro等[10]分析了危險(xiǎn)辨識(shí)培訓(xùn)視頻對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)的改善效果，結(jié)果顯示培訓(xùn)能夠改善駕駛?cè)税l(fā)現(xiàn)突發(fā)危險(xiǎn)(abrupt hazards)的能力，且對(duì)駕駛?cè)税l(fā)現(xiàn)漸進(jìn)性危險(xiǎn)(gradual hazards)的培訓(xùn)效果更好。華珺等[11]探討了不同訓(xùn)練頻次及不同豐富度的培訓(xùn)方式對(duì)提升新手危險(xiǎn)辨識(shí)能力的影響，發(fā)現(xiàn)反復(fù)的訓(xùn)練能夠提高駕駛?cè)宋ｋU(xiǎn)辨識(shí)能力并維持在一定水平，尤其是有針對(duì)性的教育指導(dǎo)。

以往駕駛?cè)宋ｋU(xiǎn)辨識(shí)影響因素研究中，較多采用單因素分析方法，且鮮有研究討論駕駛?cè)说慕煌ń?jīng)歷對(duì)其危險(xiǎn)感知能力的影響。然而，影響因素之間存在相互作用，駕駛?cè)说慕煌ń?jīng)歷對(duì)其危險(xiǎn)辨識(shí)也可能存在一定影響。對(duì)此，進(jìn)一步考慮駕駛?cè)说慕煌ń?jīng)歷及其中秩序情況，采用有序Logistic回歸模型探討駕駛?cè)宋ｋU(xiǎn)辨識(shí)的影響因素及其顯著性。本文的創(chuàng)新點(diǎn)有：理論方面，在考慮多個(gè)人口社會(huì)學(xué)因素的基礎(chǔ)上，基于多因素Logistic回歸模型研究了其他交通工具的駕駛經(jīng)歷、以往駕駛經(jīng)歷中交通秩序情況以及交通情境特征對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)時(shí)間的影響，進(jìn)一步豐富了駕駛?cè)宋ｋU(xiǎn)辨識(shí)的影響因素。應(yīng)用方面，研究結(jié)果顯示以往駕駛經(jīng)歷和交通情境特征對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)的影響是顯著的，而駕齡和駕駛里程對(duì)危險(xiǎn)辨識(shí)的影響并不顯著。基于此，可在駕駛?cè)斯芾碇嘘P(guān)注駕駛?cè)宋ｋU(xiǎn)辨識(shí)的真實(shí)水平，有針對(duì)性地進(jìn)行相應(yīng)的能力評(píng)估與安全教育。

1 試驗(yàn)與數(shù)據(jù)準(zhǔn)備

1.1 試驗(yàn)設(shè)計(jì)

1.1.1 危險(xiǎn)辨識(shí)平臺(tái)的設(shè)計(jì)

為了開展試驗(yàn)，結(jié)合以往研究[5,9,12]設(shè)計(jì)了危險(xiǎn)辨識(shí)數(shù)據(jù)采集平臺(tái)。該平臺(tái)不僅能夠以圖片形式展示交通情境，還能夠記錄被試的危險(xiǎn)辨識(shí)數(shù)據(jù)。當(dāng)被試認(rèn)為某情境中存在對(duì)行車安全構(gòu)成威脅的危險(xiǎn)源時(shí)，可用鼠標(biāo)單擊危險(xiǎn)源，該平臺(tái)實(shí)時(shí)記錄被試識(shí)別出危險(xiǎn)源所需的時(shí)間，即作為“危險(xiǎn)辨識(shí)時(shí)間”。該時(shí)間段為某情境出現(xiàn)至被試點(diǎn)擊危險(xiǎn)源。交通情境未被點(diǎn)擊時(shí)，將相應(yīng)的危險(xiǎn)辨識(shí)時(shí)間標(biāo)注為0，便于后期的數(shù)據(jù)處理。開發(fā)的危險(xiǎn)辨識(shí)平臺(tái)在筆記本電腦上運(yùn)行，電腦為Win10系統(tǒng)，i5處理器，8 G內(nèi)存，顯示器大小為15.6 in(1 in=25.4 mm)。

原始情境通過車載錄像采集，內(nèi)容涉及行人過馬路、前車切入、路口駛出車輛等。試驗(yàn)過程中，首先挑選兩個(gè)交通情境供工作人員指導(dǎo)被試開展試驗(yàn)，進(jìn)而挑選36個(gè)交通情境開展正式的試驗(yàn)。

1.1.2 被試自我報(bào)告數(shù)據(jù)

試驗(yàn)過程中，共有償邀請(qǐng)了40名駕駛?cè)俗鳛楸辉噮⒓游ｋU(xiǎn)辨識(shí)試驗(yàn)，并統(tǒng)計(jì)了被試的基本信息，如表1所示。被試的年齡在21～30歲，視力(含矯正視力)良好，均持有合法機(jī)動(dòng)車駕駛證，擁有一定的駕駛經(jīng)驗(yàn)。

同時(shí)，邀請(qǐng)被試開展評(píng)估工作。評(píng)估任務(wù)包括：①對(duì)危險(xiǎn)辨識(shí)試驗(yàn)過程中所涉及交通情境的危險(xiǎn)程度和混亂程度分別進(jìn)行評(píng)估[9,12]，用整數(shù)1～5來量化，數(shù)值越大代表相應(yīng)的危險(xiǎn)程度或混亂越高；②對(duì)其他交通工具的駕駛經(jīng)歷進(jìn)行評(píng)估，涉及電動(dòng)車/摩托車和自行車兩方面，用整數(shù)1～3來量化，所賦數(shù)值越大代表相應(yīng)的駕駛經(jīng)歷越豐富；③對(duì)個(gè)人以往駕駛經(jīng)歷中交通秩序進(jìn)行評(píng)估，同樣用整數(shù)1～3來量化，所賦數(shù)值越大代表相應(yīng)的交通

表1 被試基本信息

秩序越不理想。

1.1.3 試驗(yàn)過程

試驗(yàn)過程中，首先由工作人員介紹試驗(yàn)任務(wù)，并開展預(yù)試驗(yàn)。當(dāng)確認(rèn)被試了解試驗(yàn)內(nèi)容后，開展正式的試驗(yàn)。試驗(yàn)過程可分為3項(xiàng)任務(wù)：①交通情境的危險(xiǎn)辨識(shí)；②交通情境的危險(xiǎn)程度和混亂程度評(píng)估；③被試個(gè)人信息、其他交通工具駕駛經(jīng)歷和交通秩序的自我報(bào)告。其中，規(guī)定任務(wù)②只能在任務(wù)①完成后開展，對(duì)任務(wù)③的順序不作要求。

1.2 試驗(yàn)數(shù)據(jù)

1.2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理中發(fā)現(xiàn)，交通情境危險(xiǎn)辨識(shí)數(shù)據(jù)中包含較多的“未點(diǎn)擊”數(shù)據(jù)(143項(xiàng))，即某些情境被部分被試認(rèn)為不存在危險(xiǎn)源，即“未識(shí)別”。對(duì)此，為開展下一步分析，參考文獻(xiàn)[9]中方法對(duì)其進(jìn)行篩選。針對(duì)未識(shí)別次數(shù)較多的交通情境數(shù)據(jù)進(jìn)行刪除，且剩余交通情境中未識(shí)別數(shù)據(jù)也不納入模型的估計(jì)。圖1顯示未識(shí)別次數(shù)較多地集中在4次及以下，占比為66.667%，其他未識(shí)別次數(shù)的占比明顯偏小?；诖耍蕹醋R(shí)別次數(shù)大于4次的危險(xiǎn)辨識(shí)時(shí)間數(shù)據(jù)，即刪除了12組試驗(yàn)數(shù)據(jù)，包含97項(xiàng)未識(shí)別數(shù)據(jù)。

圖1 交通情境未識(shí)別數(shù)量分布

被試的自我報(bào)告數(shù)據(jù)方面，對(duì)交通情境危險(xiǎn)程度和混亂程度評(píng)估數(shù)據(jù)求取均值，得到每個(gè)交通情境在危險(xiǎn)程度和混亂程度兩方面的特征。對(duì)于被試其他3項(xiàng)的自我報(bào)告數(shù)據(jù)僅予以量化，不進(jìn)行其他處理。

1.2.2 危險(xiǎn)辨識(shí)數(shù)據(jù)類別劃分

在實(shí)際中，無法對(duì)駕駛?cè)说奈ｋU(xiǎn)辨識(shí)能力進(jìn)行精確評(píng)估，僅能了解大致水平?；诖?，對(duì)被試危險(xiǎn)辨識(shí)時(shí)間數(shù)據(jù)進(jìn)行類別劃分，進(jìn)而納入因素分析模型。k-means是一種應(yīng)用范圍廣泛的聚類分析方法。借助該算法對(duì)被試危險(xiǎn)辨識(shí)時(shí)間數(shù)據(jù)進(jìn)行分類。危險(xiǎn)辨識(shí)時(shí)間數(shù)據(jù)被組織為長(zhǎng)度為914(40×24-143+97)的一維向量。k-means聚類分析算法需要將數(shù)據(jù)對(duì)象組織為類別集合C={ci,i=1,2,…，k}，每個(gè)類別代表一類數(shù)據(jù)(簇)，每個(gè)類別都有一個(gè)類別中心ci。由于k-means聚類算法需要先確定類別數(shù)量k，取k=3，即將危險(xiǎn)辨識(shí)時(shí)間劃分為3類，包括辨識(shí)時(shí)間短、辨識(shí)時(shí)間一般和辨識(shí)時(shí)間長(zhǎng)。k-means聚類分析的具體步驟為[13]如下。

步驟1隨機(jī)選擇向量中3個(gè)數(shù)據(jù)對(duì)象作為初始聚類中心。

步驟2計(jì)算空間中數(shù)據(jù)對(duì)象到不同聚類中心的歐式距離d(x,ci)，如式(1)所示，進(jìn)而將數(shù)據(jù)分配到與其距離最近的聚類中心所在的簇。

(1)

式(1)中：x為數(shù)據(jù)對(duì)象；ci為第i個(gè)聚類中心；J為數(shù)據(jù)維度；xj、cij分別表示x和ci的第j個(gè)屬性值。

步驟3計(jì)算每個(gè)簇中數(shù)據(jù)均值，將其作為新的聚類中心。進(jìn)一步計(jì)算所有簇的誤差平方和(sum of squared error，SSE)為

(2)

步驟4返回步驟2，直到SSE不發(fā)生變化，即各類總的距離平方和達(dá)到最小。

研究中基于MATLAB軟件開展k-means聚類分析，得到屬于辨識(shí)時(shí)間短、辨識(shí)時(shí)間一般和辨識(shí)時(shí)間長(zhǎng)3類數(shù)據(jù)的數(shù)量分別為702、192和20，對(duì)應(yīng)的聚類中心分別為2.094、4.688和11.752 s。

2 模型準(zhǔn)備

在將危險(xiǎn)辨識(shí)時(shí)間類別數(shù)據(jù)作為有序多分類的因變量時(shí)，需要通過擬合因變量數(shù)量(3個(gè))減1個(gè)logit回歸模型開展影響因素分析?？紤]到不同影響因素對(duì)因變量影響的不同且類別變量較多，采用有序多分類Logistic回歸模型進(jìn)行分析。以具有3水平的因變量為例，定義等級(jí)概率p1、p2和p3，效應(yīng)參數(shù)β，常數(shù)項(xiàng)α，則對(duì)于由n個(gè)自變量擬合的2個(gè)模型如式(3)和式(4)所示，相應(yīng)參數(shù)可由SPSS軟件直接估計(jì)[14]。

(3)

β1x1+…+βnxn

(4)

根據(jù)式(3)和式(4)可得到p1、p2和p3，即

(5)

(6)

p3=1-p1-p2

(7)

相比等級(jí)概率p與常數(shù)項(xiàng)α，更關(guān)心效應(yīng)參數(shù)β，用以分析不同因素對(duì)被試危險(xiǎn)辨識(shí)時(shí)間的影響。

3 影響因素分析

3.1 模型估計(jì)結(jié)果

在模型的建立過程中，根據(jù)顯著性大小對(duì)模型中納入的自變量進(jìn)行了調(diào)整。最初的參數(shù)估計(jì)結(jié)果如表2所示。涉及的自變量有交通情境的混亂程度v1、交通情境的危險(xiǎn)程度v2，被試的性別v3、駕齡v4、駕駛里程v5、摩托/電動(dòng)車駕駛經(jīng)歷v6、自行車駕駛經(jīng)歷v7、以往交通秩序混亂程度v8。同時(shí)，軟件輸出的模型擬合優(yōu)度Pearson統(tǒng)計(jì)量和Deviance統(tǒng)計(jì)量均接近1，偽R2系數(shù)Cox and Snell、Nagelkerke和McFadden分別為0.075、0.106、0.063，說明該模型擬合程度較好[14]。

表2結(jié)果包含較多不顯著的自變量。對(duì)此，將這些不顯著的變量予以剔除并進(jìn)一步估計(jì)，最終的參數(shù)估計(jì)結(jié)果如表3所示。

此時(shí)，涉及的自變量均處于較高的顯著性水平(P<0.05)，包含交通情境的混亂程度v1、交通情境的危險(xiǎn)程度v2、性別v3、摩托/電動(dòng)車駕駛經(jīng)歷v6和以往交通秩序混亂程度v8。同時(shí)，模型的擬合優(yōu)度Pearson統(tǒng)計(jì)量和Deviance統(tǒng)計(jì)量分別為0.494和0.999，偽R2系數(shù)Cox and Snell、Nagelkerke和

表2 最初參數(shù)估計(jì)

表3 最終參數(shù)估計(jì)

McFadden分別為0.062、0.088、0.052，說明模型的擬合程度理想。

由表3可得以下回歸模型：

0.393v1-0.593v2-0.662v3-1.233v6-0.545v6+0.531v8+0.602v8

(8)

2.849+0.393v1-0.593v2-0.662v3-1.233v6-0.545v6+0.531v8+0.602v8

(9)

根據(jù)表3或式(8)和式(9)可知，在交通情境的特征方面，交通情境越混亂，辨識(shí)危險(xiǎn)所需的時(shí)間越長(zhǎng)；交通情境越危險(xiǎn)，危險(xiǎn)辨識(shí)時(shí)間相對(duì)越短。在被試特征方面，相比女性被試，男性被試危險(xiǎn)辨識(shí)時(shí)間相對(duì)較短；摩托、電動(dòng)車駕駛經(jīng)歷對(duì)危險(xiǎn)辨識(shí)時(shí)間有影響，表現(xiàn)為經(jīng)歷越豐富，危險(xiǎn)辨識(shí)時(shí)間相對(duì)越短；以往交通秩序混亂程度對(duì)危險(xiǎn)辨識(shí)時(shí)間有影響，表現(xiàn)為以往所經(jīng)歷交通秩序越混亂，危險(xiǎn)辨識(shí)時(shí)間相對(duì)越長(zhǎng)。同時(shí)，駕齡、駕駛里程、自行車駕駛經(jīng)歷對(duì)其危險(xiǎn)辨識(shí)時(shí)間并無顯著的影響。

3.2 模型結(jié)果分析

(1)交通情境越混亂，辨識(shí)危險(xiǎn)所需的時(shí)間越長(zhǎng)。這是符合常理的，在混亂的信息中尋找危險(xiǎn)信息相對(duì)簡(jiǎn)單背景下的危險(xiǎn)信息搜尋更為困難。交通秩序越差的環(huán)境中，駕駛?cè)斯ぷ髫?fù)荷越大，反應(yīng)能力越差，越容易誘發(fā)交通事故[15]。

(2)交通情境越危險(xiǎn)，危險(xiǎn)辨識(shí)時(shí)間相對(duì)越短。之所以出現(xiàn)該現(xiàn)象可能是由于危險(xiǎn)程度越高，信息越突出，越容易被識(shí)別與判斷。同時(shí)，采用圖像展示交通情境，所包含的動(dòng)態(tài)信息相對(duì)較少，危險(xiǎn)源的位置更容易被確定。

(3)男性被試的危險(xiǎn)辨識(shí)時(shí)間較女性更短。以往研究顯示，性別對(duì)駕駛?cè)说那榫骋庾R(shí)有影響，且女性駕駛?cè)说谋孀R(shí)能力相對(duì)較差[2,16-17]，本文結(jié)果與之類似。這可能與女性被試在危險(xiǎn)判斷過程中表現(xiàn)更為謹(jǐn)慎有關(guān)。

(4)摩托、電動(dòng)車駕駛經(jīng)歷越豐富，危險(xiǎn)辨識(shí)時(shí)間相對(duì)越短，但自行車駕駛經(jīng)歷對(duì)危險(xiǎn)辨識(shí)時(shí)間并無顯著影響。摩托、電動(dòng)車的駕駛經(jīng)歷有助于駕駛?cè)颂岣呶ｋU(xiǎn)辨識(shí)能力，這可能是由于這些駕駛經(jīng)歷中存在較多與機(jī)動(dòng)車駕駛經(jīng)歷類似的情境，而自行車的駕駛模式與摩托、電動(dòng)車的駕駛模式存在著速度、動(dòng)力、行駛條件等多方面的差異。

(5)以往交通秩序越混亂，危險(xiǎn)辨識(shí)時(shí)間相對(duì)越長(zhǎng)。以往駕駛經(jīng)歷中交通秩序越混亂意味著被試經(jīng)歷的危險(xiǎn)交通情境越多，之所以導(dǎo)致被試危險(xiǎn)辨識(shí)時(shí)間的增大，很可能是由于以往類似經(jīng)歷使其更加重視來自交通秩序的影響，進(jìn)而在危險(xiǎn)辨識(shí)中更為謹(jǐn)慎。

(6)駕齡、駕駛里程對(duì)危險(xiǎn)辨識(shí)時(shí)間并無顯著影響。以往研究顯示，駕駛經(jīng)驗(yàn)對(duì)駕駛?cè)宋ｋU(xiǎn)識(shí)別時(shí)間沒有顯著影響[3]，本文結(jié)果與之類似。這可能是由于本文中被試者均為有合法機(jī)動(dòng)車駕駛證的年輕駕駛?cè)耍淳邆湟欢ǖ鸟{駛經(jīng)驗(yàn)。同時(shí)，所建立模型還考慮了交通經(jīng)歷、情境特征等其他因素，這些因素的納入使得駕齡與駕駛里程對(duì)危險(xiǎn)辨識(shí)時(shí)間未能產(chǎn)生實(shí)質(zhì)影響。針對(duì)危險(xiǎn)辨識(shí)的培訓(xùn)能夠提升并保持駕駛?cè)说奈ｋU(xiǎn)辨識(shí)能力[10-11]，也從側(cè)面支持了這一設(shè)想。

4 結(jié)論

駕駛?cè)藢?duì)危險(xiǎn)的辨識(shí)關(guān)乎道路交通安全，分析駕駛?cè)宋ｋU(xiǎn)辨識(shí)時(shí)間影響因素有助于交通環(huán)境和駕駛?cè)斯芾砉ぷ鞯拈_展。

道路交通環(huán)境和人口社會(huì)學(xué)因素對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)的影響的多方面的。交通情境的危險(xiǎn)程度和混亂程度對(duì)的駕駛?cè)宋ｋU(xiǎn)辨識(shí)的影響是顯著的。駕駛?cè)诵詣e及其以往駕駛經(jīng)歷對(duì)其危險(xiǎn)辨識(shí)有影響。營(yíng)造良好的交通氛圍有助于降低駕駛?cè)说墓ぷ髫?fù)荷，有利于駕駛?cè)说奈ｋU(xiǎn)辨識(shí)與駕駛安全。

限于樣本量和所考慮的指標(biāo)數(shù)量，很多其他因素并未考慮。下一步的研究將嘗試分析駕駛?cè)思敖煌ㄇ榫车钠渌笜?biāo)，以及它們之間的交互作用對(duì)駕駛?cè)宋ｋU(xiǎn)辨識(shí)時(shí)間及危險(xiǎn)辨識(shí)能力的影響。