鄭新夷?康良凱?蹇美玲?楊艷群

摘 要 交通道路死亡是世界十大死亡原因之一，而依據個體駕駛心理能力特性預測其駕駛績效并給予及時干預或培訓，可在一定程度上減少交通事故傷亡。利用維也納心理測試系統(tǒng)采集被試群體的八個心理能力特性，采用層次分析法獲得駕駛心理能力特性的綜合指標，并建立綜合評價等級；接著搭建模擬駕駛實驗采集被試駕駛行為績效、認知負荷以及駕駛經驗，以探究駕駛人心理能力特性對駕駛行為績效的預測效果。最終發(fā)現(xiàn)駕駛心理能力特性綜合評價對駕駛行為績效有一定的預測作用，并通過認知負荷中介，且受到駕駛經驗的調節(jié)。

關鍵詞 心理能力特性；駕駛經驗；認知負荷；駕駛績效

分類號 B849

DOI：10.16842/j. cnki. issn2095-5588.2023.05.005

1 引言

2020年，我國道路交通事故24.5萬起，造成受傷人數(shù)25.1萬人，死亡人數(shù)超6萬，直接財產損失13.13億元人民幣。世界衛(wèi)生組織報告，交通道路死亡是世界十大死亡原因之一（World Health Organization， 2022）。學界由此開展事故原因分析研究，發(fā)現(xiàn)超過80%的道路交通事故主要由駕駛員因素導致（Ramisetty-Mikler & Almakadma， 2016）。因此有必要針對駕駛人的駕駛心理能力特性開展研究，嘗試開發(fā)評估駕駛心理能力特性的綜合分析方法，并考察駕駛心理能力特性對駕駛行為績效的預測效果，為駕駛人的安全行為研究提供理論依據。

長期以來，駕駛人的交通事故傾向性和“駕駛適宜性”密切相關?！榜{駛適宜性”是指駕駛人具備順利完成駕駛任務的基本素質，包括不斷感知和了解道路交通狀況，預測可能的危險，并迅速做出決策和執(zhí)行安全駕駛的行為（Schomerus et al.， 1981）。駕駛適宜性水平主要受到生理條件、心理特性和后天練習而獲得的駕駛技能的影響。其中，生理條件包括視力、身體狀況等，心理特性包括心理能力特性、人格特征等，駕駛技能主要依靠積累駕駛經驗（Harris et al.， 2014; Shen et al.， 2018）。值得注意的是，駕駛適宜性沒有統(tǒng)一的測量標準，以往有研究將邏輯推理能力、復雜選擇反應、簡單選擇反應、視野范圍、分散注意、主觀接受水平、社會責任感、自我控制等要素通過人工神經網絡和邏輯回歸的雙重方法計算，發(fā)現(xiàn)與駕駛相關的人格特質對駕駛安全行為預測的效度貢獻為29.8%，而與駕駛相關的能力特質總共對預測效度的貢獻為44.9%，即駕駛心理能力比人格特質對駕駛績效的預測更重要（H?usler， 2010）。

1.1 駕駛心理能力特性

駕駛心理能力特性是駕駛人在信息處理過程中所表現(xiàn)出來的自身特征，是駕駛時最基本心理素質，在車輛設計、道路設計等交通安全領域都開展過駕駛人心理特性研究（杜美， 2022; 張博涵等， 2021）。心理能力特性測試通常采用迷你精神狀態(tài)檢查表（Lincoln et al.， 2006）、連線測驗 （Piersma et al.， 2016）和有效視野測試 （Anstey et al.， 2012）等。然而，Bennett等（2016）通過元分析發(fā)現(xiàn)，使用單一心理能力特性測試來預測駕駛心理能力，其結果不一致，即單項心理能力特性無法準確預測駕駛行為績效。Seong等（2014）的元分析也有相似的結論。因此，有必要整合多項心理能力特性綜合評估駕駛心理能力。

1.2 駕駛心理能力測試工具

維也納心理測試系統(tǒng)（VTS）是奧地利Schuhfried公司開發(fā)的計算機心理測試系統(tǒng)，在駕駛員、飛行學員選拔等領域有較強的預測和篩查效度（吳穎超等， 2015）。VTS中的駕駛適宜性測試模塊基于駕駛行為理論模型，該理論模型認為駕駛行為包括三個階段：駕駛行為的規(guī)劃、駕駛行為的執(zhí)行和駕駛結果的預期（Groeger， 2001）。這三個階段可以通過VTS系統(tǒng)測量駕駛相關的六個心理能力，具體包括：駕駛行為規(guī)劃能力的測量采用自適應矩陣測試；駕駛行為執(zhí)行能力的測量采用集中力測試；駕駛結果的預期能力采用自適應速視交通感知測試、反應力測試、決斷力測試和周邊感知測試。

以往基于駕駛適宜性模塊測評的研究表明，決斷力測試、反應力測試有助于預測駕駛適宜性（H?usler， 2010），自適應速視交通感知測試能較好地預測道路駕駛行為績效（Wang et al.， 2015），自適應矩陣測試、周邊感知測試對駕駛績效和危險感知有顯著預測作用（Vetter et al.， 2018; Zhang et al.， 2022）。然而，這些研究只利用了模塊中的某幾項測試，將測試組分裂開來單獨分析有悖模塊測試的初衷，忽略了各項心理能力特征之間可能存在相互影響，且存在對駕駛績效的權重程度不一致的結果。因此，在使用測試駕駛適宜性的心理能力時，應該基于駕駛行為理論的三個階段獲得測試駕駛人心理特性的整體模塊。

1.3 影響駕駛行為績效的重要因素——認知負荷和駕駛經驗

澳大利亞認知心理學家 Sweller 于 20 世紀提出認知負荷理論，該理論將認知負荷分為外在認知負荷、內在認知負荷和關聯(lián)認知負荷。認知負荷理論被廣泛應用到工程學領域（Paxion et al.， 2015）。在交通心理研究中，道路的復雜程度以及在駕駛過程中的非駕駛任務（比如聽音樂或操控車載設備等）都會影響駕駛認知負荷，并對駕駛行為績效產生作用。比如，駕駛人在高速公路、城市道路、鄉(xiāng)村道路中駕駛，其認知負荷在復雜的城市道路中最高，而在簡單的高速公路環(huán)境下最低（Yang et al.， 2021; Zheng et al.， 2020）；在駕駛中聽快節(jié)奏音樂也會導致認知負荷升高，降低了危險識別水平（Choudhary et al.， 2022）；在駕駛中使用車載系統(tǒng)，影響了駕駛的主觀認知負荷，從而影響駕駛行為績效（Cooper et al.， 2013）。

此外，習得的駕駛經驗對駕駛心理能力特性的發(fā)展有促進作用。研究表明，經驗豐富的個體能更快構建駕駛心理模式，采用最有效和最相關的策略應對每個駕駛任務（Gog et al.， 2010）。駕駛經驗越豐富，駕駛績效越好，具體表現(xiàn)在事故、超速違規(guī)和危險駕駛行為的減少（Girotto et al.， 2016; Wang et al.， 2015）。此外，先天的心理能力特性在駕駛初期對駕駛行為績效的影響更大，而隨著駕駛經驗的積累，駕駛經驗在駕駛心理能力特性和駕駛績效之間存在調節(jié)作用（Guo， 2019）。

綜上所述，為綜合評價駕駛心理能力特性，考察認知負荷因素和駕駛經驗在駕駛心理特性水平和駕駛績效之間的作用，本研究首先綜合多項心理能力特性，利用層次分析法建立心理能力特性綜合評價等級；再通過駕駛模擬實驗，利用熵權法綜合駕駛行為績效，探究以認知負荷為中介、以駕駛經驗為調節(jié)的心理能力特性對駕駛績效的預測。

2 方法

2.1 被試

研究招募福州大學在校大學生和研究生。招募條件為已拿到駕駛執(zhí)照，聽力、視力或矯正聽力、視力正常，無色弱色盲癥和3D眩暈癥。共招募100名被試，首先測量其駕駛心理特性，剔除極端數(shù)據后，得到有效被試96名。男性62人（64.60%），女性34人（35.4%），年齡在19歲到26歲之間（M=22.27，SD=2.01）。之后召回被試共65名參加模擬駕駛實驗，其中有效被試62名。男性39人（62.9%），女性23人（37.1%），年齡在19歲到26歲之間（M=22.47，SD=2.05）。駕駛經驗在1公里到150千公里之間（M=12.5，SD=29.9）。

2.2 研究工具

首先采用VTS的駕駛適宜性測試模塊測量八項駕駛心理能力特性（邏輯推理、集中力、反應壓力耐受、視野范圍、分散注意力、決策速度、運動速度、概覽能力）。

如圖1所示，邏輯推理能力測試要求被試在無時間限制的情況下識別給定矩陣的規(guī)則，根據規(guī)則從八個選項中選出正確圖形；決策速度和運動速度測試要求被試將手指放在休息按鈕上，當黃色圓圈與高頻音同時出現(xiàn)時，將手指從休息按鈕上移開，并按下響應面板上休息按鈕上方的一個按鈕；反應壓力耐受性測試要求被試對五種視覺刺激（白光、黃光、藍光、綠光、紅光），兩種聽覺刺激（高、低頻音），以及兩種踏板作出反應；集中力測試要求被試比較一個抽象的參考圖和四個比較圖，并確定它是否與四個比較圖中的一個相匹配；視野范圍和分散注意測試要求被試對沿著視野邊緣移動的光刺激作出反應；概覽能力測試要求被試回憶快速呈現(xiàn)的道路交通場景圖。

其次采用DSR-1000TS2.0模擬駕駛系統(tǒng)采集駕駛行為數(shù)據（縱向速度平均值、側向速度平均值、穩(wěn)態(tài)質心側偏角平均值、縱向速度標準差、方向盤轉角標準差和穩(wěn)態(tài)質心側偏角標準差）。根據被試群體的特點，本研究設計的模擬駕駛場景要求被試在一定負荷條件下順利完成駕駛。因此，模擬路段總計8公里，是一條位于鄉(xiāng)村的雙向二級公路。公路除直行路外共包含五個彎道（分別長530米、260米、190米、100米和290米）和五個隧道（分別長350米、310米、230米、60米和320米），路上無交通流。該場景在彎道和直行路處無中央分隔帶，但設有單黃虛線；在隧道處設有中央分隔帶。該虛擬道路標志標線都根據《國家標準-道路標志和標線》（GB5768.2-2009）設置。駕駛任務設置在天氣狀況良好的白天進行。

最后采用NASA-TLX量表測量被試的認知負荷（Hart & Staveland， 1988）。NASA-TLX量表由兩部分組成，第一部分用六個維度評估認知負荷，包括心理需求、體力需求、時間需求、個人表現(xiàn)、努力及挫折感。第二部分對六個維度進行成對比較。通過讓參與者對這些維度的相關性打分，來減少參與者和任務背景之間的可變性，同時求得每個維度的權重，最后通過兩部分的平均加權得到被試認知負荷總分。

2.3 研究流程

實驗開始前，要求被試閱讀并簽署一份知情同意書。首先采用VTS系統(tǒng)進行心理能力特性測試。完成整個測試過程，人均耗時50分鐘。所有被試完成測試后，一周后召回被試進行模擬駕駛實驗。被試首先進行十分鐘左右的模擬駕駛訓練以熟悉設備操控，然后開展正式模擬駕駛場景實驗，最后完成NASA-TLX量表。

3 研究結果

3.1 駕駛心理能力特性評價等級

利用層次分析法構建心理能力特性綜合指標。具體步驟如下：

第一步，構建層次結構，目標層為駕駛適宜性，準則層為各項特性指標。第二步，構造判斷矩陣，基于專家們對指標重要性的判斷和標度賦值，綜合獲得判斷矩陣。第三步，一致性檢驗。（1）計算判斷矩陣的最大特征根λmax，公式為λmax=。其中，Bi為判斷矩陣的第i個行向量，利用Matlab求得判斷矩陣的最大特征根；（2）計算判斷矩陣的一致性指標CI，檢驗其一致性，公式為CI=。（3）找出隨機一致性指標RI。RI取值與矩陣的階數(shù)有關，在本研究中取RI=1.40。（4）計算一致性比率CR，公式為CR=。第四步，層次單排序。利用公式為Wi=，計算結果見表1。第五步，計算綜合指標得分T，公式為T=。其中，w對應各個指標的權重，X對應相應的標準參照分數(shù)的變量。第六步，剔除極端值后，基于綜合指標分數(shù)定義駕駛人駕駛心理能力特性評價的四個類別，結果見表2。

3.2 模擬駕駛行為實驗

本研究利用熵權法構建一個綜合駕駛行為績效指標。具體步驟如下：第一步，確定指標體系。納入的駕駛行為績效指標為：縱向速度平均值、側向速度平均值、穩(wěn)態(tài)質心側偏角平均值、縱向速度標準差、方向盤轉角標準差和穩(wěn)態(tài)質心側偏角標準差。第二步，臨界值歸一化處理。第三步，計算指標的熵和權。（1）計算第i個用戶的第j個指標的比重yij公式為yij=；（2）計算第j個指標的信息熵ej，公式為ej=。其中k為常數(shù)，k=；（3）計算第個指標的權重wj，公式為wj=。第四步，計算指標加權得分。公式為S=。

基于綜合駕駛績效與綜合駕駛心理能力特性分類，采用SPSS 26.0進行單因素方差分析，不同駕駛心理能力特性等級在綜合駕駛績效上存在顯著差異（F（2，58）=7.74，p<0.01，偏η2=0.21），見表3。

進一步檢驗綜合駕駛心理能力特性等級之間的綜合駕駛行為績效，結果發(fā)現(xiàn)，“合格”組被試的綜合駕駛行為績效的均值分別顯著低于“良好”組（MD=-0.11，p< 0.05）和“優(yōu)秀”組（MD=-0.16，p< 0.05），但是“良好”組的綜合駕駛行為績效和“優(yōu)秀”組的無顯著差異（MD=-0.05，p> 0.05）。

采用單因素方差分析檢驗不同駕駛心理能力特性組的認知負荷差異，結果顯示，不同駕駛心理能力特性等級在認知負荷上存在顯著差異（F（2，58）=4.14，p<0.05，偏η2=0.13），見表4。

進一步檢驗綜合駕駛心理能力特性等級之間的認知負荷，結果發(fā)現(xiàn)，“合格”組認知負荷的均值分別顯著高于“良好”組（MD=1.35，p< 0.05）和“優(yōu)秀”組（MD=1.06，p< 0.05），但是“良好”組的認知負荷和“優(yōu)秀”組的無顯著差異（MD=-0.29，p> 0.05）。

采用層次回歸和Process程序的Bootstrap法檢驗認知負荷的中介作用。認知負荷的中介效應檢驗結果如表5所示，在控制了人口學變量后，綜合心理能力特性不僅能顯著正向預測綜合駕駛績效（β=0.40，t=3.30，p< 0.01），也能顯著負向預測認知負荷（β=-0.31，t=-2.44，p< 0.05）。當加入認知負荷這一中介變量后，綜合駕駛心理能力特性仍然能顯著正向預測綜合駕駛績效（β=0.29，t=2.45，p < 0.05），但是效應值從0.40減小到0.29。同時，認知負荷也能顯著負向預測綜合駕駛績效（β=-0.35，t=2.89，p< 0.01），即此模型的直接路徑和間接路徑均顯著。認知負荷的中介效應值為0.08，其Bootstrap 95%置信區(qū)間不包含0，認知負荷在綜合心理能力特性對綜合駕駛績效的預測中起中介作用。

將駕駛經驗一同納入模型分析時，可以看到綜合心理能力特性與經驗的乘積項對綜合駕駛績效的預測作用顯著（β=-0.51，t=-2.49，p<0.05），即經驗在綜合心理能力特性對綜合駕駛績效的預測中起調節(jié)作用。

不同經驗水平的綜合心理能力特性對綜合駕駛績效的預測作用如表6所示，經驗水平較低時，綜合心理能力特性的效應值為0.42，其95%Bootstrap 置信區(qū)間不包含0；經驗水平較高時，綜合心理能力特性的效應值為-0.19，其95%Bootstrap置信區(qū)間包含0。駕駛經驗在綜合心理能力特性與綜合駕駛績效之間的調節(jié)作用如圖2所示。

4 討論

本研究通過駕駛心理能力特性綜合評價，提出測量駕駛適宜性的評估方法，并檢驗其對駕駛行為的有效預測性，同時探索駕駛認知負荷在駕駛心理能力特性和駕駛行為之間的中介作用，以及駕駛經驗的調節(jié)作用機制。

4.1 心理能力特性評價等級及驗證

本研究基于駕駛行為理論的駕駛行為規(guī)劃、決策和執(zhí)行三個連續(xù)階段，將邏輯推理、集中力、反應壓力耐受、周邊感知能力、簡單反應力和概覽能力六個心理能力特性的八個子項目納入考慮，利用層次分析法求得各子項目在駕駛適宜性評估中所占的權重，進而獲得可用來評估駕駛適宜性的心理能力特性綜合指標。綜合指標得分在［39.00， 42.63）區(qū)間的為“不合格”，得分在［42.63， 49.67）區(qū)間的為“合格”，得分在［49.67， 54.08）區(qū)間的為“良好”，得分在［54.08， 62.00］區(qū)間的為“優(yōu)秀”。

隨后采用駕駛模擬艙采集駕駛行為數(shù)據指標，利用熵權法構建駕駛績效綜合指標。在對綜合心理能力特性評價等級進行驗證時，無論是基于綜合駕駛績效，還是基于認知負荷，“合格”組被試分別與“良好”組和“優(yōu)秀”組差異均顯著，但是，“良好”組的被試與“優(yōu)秀”組的被試均值差異不顯著。這可能是因為出現(xiàn)了天花板效應，即模擬駕駛實驗的場景復雜度或任務難度不夠，無法區(qū)分出“良好”組被試和“優(yōu)秀”組被試，具體表現(xiàn)在研究采用的道路交通場景是一條鄉(xiāng)村道路，沒有設置應激環(huán)境，該實驗道路場景對于學生駕駛人來說，考察的是駕駛過程的基本操控行為，缺少考察對道路應激條件下的避險操控，而以往研究表明，“老司機”（優(yōu)秀組）相對于其他群組，在駕駛應激環(huán)境下更能夠安全且及時操控車輛。另外一個可能的原因是，由于本研究招募的被試來自高校的大學生和研究生群體，囿于日常交通出行工具的限制，他們的駕駛經驗不足，以至于駕駛績效不能達到實際水平上的“優(yōu)秀”，故“良好”組和“優(yōu)秀”組在駕駛績效和認知負荷上沒有統(tǒng)計學意義上的差異，但是本研究發(fā)現(xiàn)他們與“合格”組的顯著差異，大致說明本研究采用的評估方法可以區(qū)分兩個類別，即“合格”駕駛人和“良好”駕駛人。本研究結果發(fā)現(xiàn)，“合格”駕駛人的駕駛安全行為偏低，不僅是由于其駕駛心理特性偏低，同時也受到駕駛經驗不足的影響。因此，本研究的應用價值在于，為保障道路安全，應給予駕駛績效顯著更差的“合格”組駕駛人更多的社會關注，在交通安全實踐中提供針對性的駕駛適宜性培訓、干預和評估。

4.2 心理能力特性對駕駛績效的影響機制

本研究發(fā)現(xiàn)駕駛心理能力特性對駕駛行為績效的影響是通過認知負荷中介的。駕駛心理能力特性越優(yōu)，其駕駛相關行為所需認知負荷越少。Nengchao等（2017）發(fā)現(xiàn)不同交通信息量的交通標志對駕駛人的駕駛行為績效效應顯著，證明認知負荷顯著影響駕駛行為績效。對于綜合心理能力特性低的駕駛人，在駕駛場景復雜度較高時，要減少次任務的執(zhí)行，以確保足夠的認知資源安全執(zhí)行駕駛任務。

本研究也發(fā)現(xiàn)綜合心理能力特性對駕駛行為績效的作用受駕駛經驗調節(jié)。這與Borowsky等（2010）的研究結果一致，老年駕駛人雖然心理能力特性下降，但是相較于無經驗的駕駛人，他們有更好的駕駛行為績效。因為駕駛人有一定的駕駛經驗后，能構建更多關于駕駛活動的心理圖式，并通過圖式快速響應道路交通信息類別，同時還能把這些圖式儲存在長期記憶中。比如，Zheng等（2020）研究發(fā)現(xiàn)相比于新手駕駛人的視覺搜索模式，經驗豐富的駕駛人的視覺搜索習慣更有利于行車安全。因此，有經驗的駕駛人通過應用特定任務的策略降低信息處理成本，從而有效地執(zhí)行駕駛任務。

4.3 不足與展望

在本文的基礎上，未來可以在以下幾個面進行進一步的研究：

（1）本研究的樣本均為在校大學生和研究生，駕駛出行需求不足，駕駛經驗普遍偏低只能代表高校學生群體，不能代表更廣泛的駕駛群體，這使得對駕駛經驗調節(jié)作用的檢驗有待進一步驗證。未來可選取更多有豐富駕駛經驗的社會樣本，以進一步檢驗駕駛經驗的調節(jié)作用。

（2）本研究設置的道路交通場景比較單一，缺少復雜的道路生態(tài)指標，后續(xù)研究可通過設置駕駛生態(tài)應激指標，比如行人突然穿行公路，前車突然變道等道路場景，分情況考察駕駛人的駕駛行為反應，作為區(qū)分“優(yōu)秀”和“良好”駕駛人群的重要評價指標。

（3）未來在對心理能力特性與駕駛績效之間的作用機制的研究中需要考察更多的影響因素，以研究不同層級因素之間如何共同影響駕駛績效。比如，從個體微觀水平（駕駛人格特質）、群體社會規(guī)范遵從水平（駕駛親社會行為）以及社會交通安全文化水平（駕駛道德規(guī)范水平）等方面開展綜合因素的機制模型研究。

參考文獻

杜美（2022）. 基于駕駛特性的指路標志信息量與行車安全關系探究. 中國公路， 29（3），112-113.

吳穎超，鄒志康，孫金杰，夏青，馬中立 （2015）. 維也納心理測試系統(tǒng)在飛行學員心理選拔中的應用價值. 軍事醫(yī)學， 39（2），97-100.

張博涵，盧少波，謝文科，謝菲菲 （2021） 考慮駕駛人特性的一主多從混合博弈容錯控制. 中國公路學報， 34（9），161-171.

Anstey， K. J.， Horswill， M. S.， Wood， J. M.， & Hatherly， C. （2012）. The role of cognitive and visual abilities as pre-dictors in the multifactorial model of driving safety. Acc-idient Analysis and Prevention， 45， 766-774.

Bennett， J. M.， Chekaluk， E.， & Batchelor， J. （2016）. Cognitive tests and determining fitness to drive in dem-entia： A systematic review. Journal of the American Ger-iatrics Society， 64（9）， 1904-1917

Borowsky， A.， Shinar， D.， & Oron-Gilad， T. （2010）. Age， skill， and hazard perception in driving. Accident Analysis and Prevention， 42（4）， 1240-1249.

Choudhary， P.， Gupta， A.， & Velaga， N. R. （2022）. Perceived risk vs actual driving performance during distracted dri-ving： A comparative analysis of phone use and other se-condary distractions. Transportation Research Part F： Traffic Psychology and Behaviour， 86（3）， 296-315.

Cooper， J. M.， Medeiros-Ward， N.， & Strayer， D. L. （2013）. The impact of eye movements and cognitive workload on lateral position variability in driving. Human Factors， 55（5）， 1001-1014.

Girotto， E.， Andrade， S. M. D.， González， Alberto Durán， & Mesas， A. E. （2016）. Professional experience and traffic accidents/near-miss accidents among truck drivers. Acci-dent Analysis and Prevention， 95， 299-304.

Gog， T. V.， Paas， F.， & Merri?nboer， J. （2010）. Uncovering expertise-related differences in troubleshooting perfo-rmance： Combining eye movement and concurrent verbal protocol data. Applied Cognitive Psychology， 19（2）， 205-221.

Groeger， J. A. （2001）. Understanding driving： Applying cognitive psychology to a complex everyday task. Opt-ometry and Vision Science， 78（11）， 635-636.

Guo， M.， Hu， L.， & Ye， L. （2019）. Cognition and driving safety： How does the high-speed railway drivers cog-nitive ability affect safety performance？ Transportation Research Part F： Traffic Psychology and Beh-aviour， 65， 10-22.

Harris， P. B.， Houston， J. M.， Vazquez， J. A.， Smither， J. A.， Harms， A.， Dahlke， J. A.， & Sachau， D. A. （2014）. The Prosocial and aggressive driving Inventory （PADI）： A self-report measure of safe and unsafe driving behaviors. Accident Analysis and Prevention， 72（9）， 1-8.

Hart， S. g. ， & Staveland， L. E. （1988）. Development of NASA-TLX （Task Load Index）： Results of Empirical and Theoretical Research. Advances in Psychology， 52， 139-183.

H?usler， J. （2010）. Cognitive and personality determinants of post-injury driving fitness. Archives of Clinical Neuropsychology the Official Journal of the National Academy of Neuropsychologists， 25（2）， 99-117.

Lincoln， N. B.， Radford， K. A.， Leea， E.， & Reay， A. C. （2006）. The assessment of fitness to drive in people with dementia. International Journal of Geriatric Psychiatry， 21（11）， 1044-1051.

Nengchao， L.， Lian， X.， Wu， C.， Fu， Q.， & Deng， C. （2017）. Driver's cognitive workload and driving performance under traffic sign Information exposure in complex environments： A case study of the highways in China. International Journal of Environmental Research and Public Health， 14（2）， 203-228.

Paxion， J.， Galy， E.， & Berthelon， C. （2015）. Overload depending on driving experience and situation comp-lexity： Which strategies faced with a pedestrian crossing？ Applied Ergonomics， 51（6）， 343-349.

Piersma， D.， Fuermaier， A.， Waard， D. D.， Davidse， R. J.， Groot， J. D.， Doumen， M. & Vermeeren， A. （2016）. Prediction of fitness to drive in patients with Alzheimer's Dementia. Plos One， 11（2）， e0149566.

Ramisetty-Mikler， S.， & Almakadma， A. （2016）. Attitudes and behaviors towards risky driving among adolescents in Saudi Arabia. International Journal of Pediatrics and Adolescent Medicine， 3（2）， 55-63.

Schomerus， H.， Hamster， W.， Blunck， H.， Reinhard， U.， Mayer， K.， & Dolle， W. （1981）. Latent portasystemic encephalopathy. 1. nature of cerebral functional defects and their effect on fitness to drive. Digestive Diseases and Sciences， 26（7）， 622-630.

Seong-Youl， C.， Jae-Shin， L.， & Song， A. Y. （2014）. Cognitive test to forecast unsafe driving in older drivers： Meta-analysis. Neurorehabilitation， 35（4）， 771-778.

Shen， B.， Qu， W.， Ge， Y.， Sun， X.， & Zhang， K. （2018）. The relationship between personalities and self-report positive driving behavior in a Chinese sample. Plos One， 13（1）， e0190746.

Vetter， M.， Schünemann， A. L.， Brieber， D.， Debelak， R.， Gatscha， M.， Grünsteidel， F.， ... & Ortner， T. M. （2018）. Cognitive and personality determinants of safe driving performance in professional drivers. Transportation research part F： Traffic Psychology and Behaviour， 52， 191-201.

Wang， Y.， Li， M.， Du， J.， & Mao， C. （2015）. Prevention of ta-xi accidents in Xi'an， China： What matters most？ Central European Journal of Public Health， 23（1）， 77-83.

World Health Organization. （2022）. World health statistics 2022： Monitoring health for the SDGs， sustainable development goals. Retrieved October 14， 2022， from https：//www.who.int/data/gho/publications/world-health-statistics

Yang， Y.， Chen， M.， Wu， C.， Easa， S. M.， & Zheng， X. Y. （2020）. Structural equation modeling of drivers' situation awareness considering road and driver factors. Frontiers in Psychology， 11（7），1601-1610.

Yang， Y. Q.， Feng， Y.， Easa， S. M.， & Zheng， X. Y. （2021）. Evaluation of mental load of drivers in long highway tunnel based on electroencephalograph. Frontiers in Psychology， 12， 646406.

Zhang， D. N.， Chen， F.， Zhu， J. Y.， Wang， C. Z.， Cheng， J. C.， Zhang， Y. L.， . . . &Zhang， P. （2022）. Research on drivers' hazard perception in plateau environment based on vis-ual characteristics. Accident Analysis and Prevention， 166，106540.

Zheng， X. Y.， Yang， Y. Q.， Easa， S.， Lin， W.， & Cherchi， E. （2020）. The effect of leftward bias on visual attention for driving tasks. Transportation Research Part F： Traffic Psychology and Behaviour， 70（2）， 199-207.