Modèle des comportements de conduite aberrants des livreurs de repas

1. Résumé / Abstract

Le Modèle des comportements de conduite aberrants des livreurs de repas (Aberrant Riding Behavior of Food Delivery Riders Model), développé par Qian, He et Shi (2024), constitue un outil d’évaluation psychométrique et comportementale conçu pour analyser les déterminants cognitifs, attitudinaux et perceptifs sous-tendant les infractions routières et les erreurs de conduite chez les coursiers à deux-roues motorisés et vélos à assistance électrique (e-bikes). Dans un contexte d’expansion exponentielle de l’économie des plateformes numériques de livraison de repas, les pressions algorithmiques temporelles engendrent une prévalence alarmante d’accidents routiers au sein de cette population professionnelle vulnérable. L’instrument explore de manière intégrée la chaîne d’influence reliant les connaissances en matière de sécurité (Safety Knowledge), les attitudes envers la sécurité routière (déclinées en responsabilité personnelle et conformité légale), les perceptions des risques (gravité perçue et probabilité perçue d’accident) et les manifestations réelles des comportements aberrants de conduite.

Le modèle opérationnalise un ensemble initial de 31 items, synthétisés dans un questionnaire final auto-rapporté administré par voie électronique. Les comportements de conduite sont évalués au moyen d’échelles de fréquence de type Likert en 5 points (allant de « Jamais » à « Toujours »), tandis que les connaissances, attitudes et perceptions recourent à des échelles d’accord ou de niveau de maîtrise en 5 points. Les analyses psychométriques, conduites auprès d’un échantillon représentatif d’adultes en Chine, confirment une excellente cohérence interne avec des coefficients alpha de Cronbach (α) et de fiabilité composite (CR) s’échelonnant respectivement de 0,706 à 0,944 et de 0,836 à 0,934. La validité convergente est étayée par des variances moyennes extraites (AVE) supérieures au seuil de 0,50, et la validité discriminante est validée par le critère rigoureux de Fornell-Larcker. L’analyse factorielle confirmatoire démontre un ajustement structurel robuste (χ²/df = 1,929 ; RMSEA = 0,064 ; CFI = 0,916 ; TLI = 0,904), confirmant l’utilité théorique et appliquée de cet outil pour la recherche en psychologie du trafic routier et l’élaboration de politiques d’intervention préventives en santé et sécurité au travail.

2. Mots-clés / Keywords

Comportements de conduite aberrants, livreurs de repas, deux-roues électriques, sécurité routière, psychologie du trafic, perception du risque, attitudes de sécurité, connaissances en sécurité, infractions routières, ergonomie organisationnelle, économie de plateforme, évaluation psychométrique, modélisation par équations structurelles.

3. Auteurs / Authors

L’échelle a été conçue et validée par une équipe de chercheurs spécialisés dans la modélisation des transports, la psychologie de l’ingénierie et la sécurité routière :

• Qian Qian : École des transports et de la logistique, Université Jiaotong du Sud-Ouest (Southwest Jiaotong University), Chengdu, Sichuan, République populaire de Chine. Spécialiste de l’analyse du comportement des usagers vulnérables de la route et des systèmes de transport intelligents.
• Junyi He : Département d’ingénierie du trafic, Université Jiaotong du Sud-Ouest, Chengdu, Chine. Ses recherches portent sur la modélisation statistique des infractions routières et la sécurité des transports urbains.
• Jing Shi (Auteur correspondant) : Professeur et chercheur à l’École des transports et de la logistique, Centre national de recherche en ingénierie de la sécurité des transports ferroviaires urbains, Université Jiaotong du Sud-Ouest, Chengdu, Chine. Courriel institutionnel : [email protected]. Ses travaux portent sur la gestion de la sécurité des flottes, la psychométrie appliquée au trafic et l’interaction homme-machine dans la mobilité urbaine.

4. Objectif / Purpose

L’essor fulgurant des plateformes de livraison à la demande (telles que Meituan, Ele.me, Uber Eats, Deliveroo) a transformé les dynamiques de circulation urbaine à l’échelle mondiale. Néanmoins, cette flexibilité logistique s’accompagne d’une sinistralité particulièrement élevée chez les livreurs circulant à bicyclette électrique ou scooter. Le Modèle des comportements de conduite aberrants des livreurs de repas a été expressément développé pour élucider les mécanismes psychologiques, normatifs et cognitifs qui précipitent l’adoption de comportements routiers à risque au sein de ce groupe professionnel spécifique.

Sur le plan fondamental, l’instrument vise à combler un vide empirique majeur dans la littérature de la psychologie de la circulation routière. Alors que la majorité des outils traditionnels, à l’instar du classique Driver Behaviour Questionnaire (DBQ) de Reason et al. (1990), ont été élaborés pour des automobilistes ou des motocyclistes conventionnels, ils échouent à capturer la spécificité de la tâche de livraison. Les coursiers opèrent en effet dans un double environnement contraignant : un système sociotechnique régi par des algorithmes d’optimisation prédictive qui pénalisent financièrement les retards de livraison, et un environnement physique urbain dense et saturé où l’e-bike offre la flexibilité nécessaire pour contourner les règles du Code de la route (usage des trottoirs, circulation à contresens, franchissement des feux rouges).

Sur le plan appliqué et préventif, l’échelle poursuit plusieurs finalités majeures :

• Diagnostic organisationnel des risques : Permettre aux entreprises opératrices de plateformes numériques et aux gestionnaires de flotte d’évaluer le niveau de vulnérabilité de leurs coursiers en mesurant l’efficacité des modules d’accueil et des formations à la sécurité routière.
• Évaluation des leviers cognitifs et attitudinaux : Identifier si les infractions constatées résultent d’un déficit de connaissances factuelles relatives aux règlements routiers, d’une minimisation perceptive de la gravité des accidents, ou d’une attitude utilitariste qui sacrifie délibérément la légalité au profit du rendement économique.
• Conception d’interventions ciblées : Développer des campagnes de sensibilisation personnalisées et repenser les incitations algorithmiques. En comprenant si le levier le plus puissant est la responsabilité morale ou la perception de la probabilité d’un accident grave, les préventeurs peuvent optimiser leurs messages de sécurité et adapter les exigences des créneaux de livraison.

5. Construit psychologique / Construct

Le modèle théorique s’articule autour de quatre méta-construits interdépendants qui se décomposent en sous-dimensions spécifiques reflétant l’architecture cognitive et comportementale du livreur :

1. Connaissances en matière de sécurité (Safety Knowledge – SK)

Ce construit quantifie le niveau de sensibilisation formelle et réglementaire acquis par le livreur. Il n’évalue pas seulement la mémorisation brute des articles du Code de la route, mais mesure l’intégration opérationnelle de trois aspects fondamentaux :

• L’exposition et l’assiduité à des formations structurées dispensées par la plateforme ou des tiers.
• La maîtrise explicite des règles encadrant spécifiquement les vélos et deux-roues électriques (vitesses maximales autorisées, voies de circulation réservées, obligations d’éclairage).
• La connaissance des mécanismes de protection financière et assurancielle en cas d’accident corporel ou matériel, influençant le sentiment d’invulnérabilité ou d’insouciance financière.

2. Attitudes envers la sécurité routière (Safety Attitude – SA)

Les attitudes représentent la disposition évaluative, favorable ou défavorable, d’un individu à l’égard de la sécurité. Le modèle opérationnalise ce construit en deux sous-échelles distinctes :

• Attitudes envers la responsabilité (Safety Attitudes toward Responsibility – SA-r) : Cette dimension capture le sens de l’éthique professionnelle, l’obligation morale d’épargner les autres usagers de la route (piétons, cyclistes), la culpabilité anticipée en cas de collision et la prise de conscience des conséquences dévastatrices d’un accident sur le bien-être économique de sa propre famille.
• Attitudes envers les lois et règles de circulation (Safety Attitudes toward Laws – SA-l) : Cette facette évalue la tendance à subordonner le respect de la légalité routière à l’impératif commercial de rapidité. Elle mesure l’acceptabilité morale et pratique de commettre des infractions mineures ou majeures lorsque celles-ci garantissent une livraison ponctuelle ou optimisent le revenu financier.

3. Perception du risque (Risk Perception – RP)

La perception du risque est structurée selon une approche bidimensionnelle classique en psychologie expérimentale :

• Sévérité perçue des infractions (RP-s) : Évaluation subjective de la dangerosité intrinsèque de comportements transgressifs typiques (conduite sous l’emprise de l’alcool, non-respect d’un feu rouge, emprunt des voies réservées aux véhicules à moteur rapides, dépassement de vitesse).
• Probabilité perçue d’accident (RP-p) : Estimation subjective formulée par le coursier quant à ses chances d’être impliqué dans une collision ou de subir des blessures corporelles au cours des 12 prochains mois d’exercice professionnel.

4. Comportements de conduite aberrants (Aberrant Riding Behaviors – ARB)

Ce construit comportemental s’inspire directement des taxonomies de Reason et al. et d’adaptations pour deux-roues (Jamil et al., 2021 ; Nguyen-Phuoc et al., 2020 ; Wang et al., 2018). Il capture la fréquence auto-déclarée d’actions inadaptées regroupées en trois typologies :

• Infractions délibérées générales (General Violations) : Transgressions intentionnelles du Code de la route motivées par le gain de temps (franchissement délibéré de feux rouges ou oranges, circulation à contre-sens, circulation sur les voies rapides automobiles, dépassement de la vitesse réglementaire de 25 km/h).
• Distractions et erreurs involontaires (Distraction and Mistakes) : Fautes résultant de défaillances attentionnelles ou de surcharges cognitives (utilisation d’un smartphone en mouvement pour gérer les commandes, inattention aux trajectoires des piétons, mauvaise appréciation des distances de freinage, virages négociés à vitesse excessive).
• Conduite agressive (Aggressive Riding) : Comportements hostiles ou compétitifs dans le partage de la chaussée (slalom imprévisible entre véhicules, coupure brutale de trajectoire devant un véhicule tournant, refus délibéré de céder la priorité aux intersections ou aux abords des arrêts de transport en commun).

6. Cadre théorique / Theoretical Framework

Le modèle développé par Qian, He et Shi (2024) repose sur l’intégration harmonieuse de deux courants théoriques majeurs de la psychologie cognitive et sociale : la Théorie du Comportement Planifié (TCP) formulée par Icek Ajzen (1991) et le Modèle des Croyances relatives à la Santé (Health Belief Model – HBM) initié par Rosenstock (1974).

Selon la Théorie du Comportement Planifié, le comportement d’un individu est immédiatement déterminé par son intention comportementale, elle-même forgée par trois piliers : les attitudes envers le comportement, les normes subjectives et le contrôle comportemental perçu. Dans le modèle de Qian et al., les attitudes de sécurité (SA) jouent un rôle médiateur fondamental. Les connaissances formelles en sécurité (SK) ne prédisent pas directement et mécaniquement les comportements de conduite ; elles agissent en amont en façonnant l’attitude du livreur envers la loi et sa responsabilité morale. Si un livreur possède des connaissances mais entretient une attitude selon laquelle « enfreindre la loi est acceptable pour livrer à l’heure », ses connaissances techniques s’avèrent inefficaces pour freiner l’infraction.

Pour enrichir cette approche décisionnelle, les auteurs ont intégré les dimensions du Health Belief Model, en particulier l’estimation subjective de la menace constituée par la sévérité perçue et la vulnérabilité perçue (probabilité d’accident). Dans la psychologie du risque routier, un coursier qui perçoit les conséquences d’un accident comme catastrophiques pour sa subsistance et celle de ses proches développera une aversion accrue envers les comportements téméraires. Inversement, l’optimisme comparatif ou le biais d’invulnérabilité (DeJoy, 1989) amène souvent les conducteurs expérimentés à sous-estimer leur propre probabilité d’accident en dépit d’une conduite dangereuse.

En outre, le modèle s’appuie sur la taxonomie cognitive des erreurs humaines de James Reason (1990), qui distingue rigoureusement les erreurs (défaillances involontaires d’attention ou de mémoire) des violations (transgressions délibérées des règles établies dans un contexte socialement organisé). Chez les livreurs de repas, cette distinction s’avère capitale : la pression imposée par les algorithmes de dispatching transforme fréquemment des violations délibérées en stratégies d’adaptation routière normalisées (normalisation de la déviance).

7. Validité / Validity

La validité psychométrique de l’instrument a été rigoureusement démontrée par Qian et al. (2024) sur un échantillon d’adultes livreurs en Chine, combinant des méthodes d’analyse convergente, discriminante et structurelle.

Validité convergente

La validité convergente évalue la cohérence avec laquelle les indicateurs manifestes partagent la variance de leur construit latent respectif. Elle a été confirmée en calculant la Variance Moyenne Extraite (Average Variance Extracted – AVE) et la fiabilité composite (CR). Conformément aux recommandations de Fornell et Larcker (1981) :

• Toutes les valeurs d’AVE pour l’ensemble des dimensions latentes ont dépassé le seuil standard de 0,50, attestant que plus de 50 % de la variance des items découle du construit sous-jacent plutôt que de l’erreur de mesure.
• Les valeurs de CR ont largement dépassé le critère minimal de 0,70, se positionnant dans une fourchette robuste de 0,836 à 0,934.

Validité discriminante

La validité discriminante garantit que chaque dimension mesure un phénomène empiriquement distinct des autres construits du modèle. Elle a été rigoureusement corroborée par le critère de Fornell-Larcker :

• La racine carrée de l’AVE de chaque construit latent s’est révélée supérieure aux corrélations inter-facteurs correspondantes (les valeurs positionnées sur la diagonale de la matrice étaient significativement plus élevées que tous les éléments hors-diagonale sur les lignes et colonnes associées).
• Aucun indice de colinéarité excessive n’a été observé entre les dimensions attitudinales et les dimensions de perception du risque, confirmant la pertinence de leur modélisation séparée.

Validité prédictive et structurelle

La modélisation par équations structurelles (SEM) a révélé que les connaissances en sécurité exercent un effet indirect majeur sur la réduction des comportements aberrants via la médiation complète des attitudes et de la perception du risque. Les attitudes permissives envers la loi se sont avérées être le prédicteur direct le plus puissant des violations générales de conduite (β significatifs, p < 0,001), tandis que la probabilité perçue d’accident atténuait spécifiquement la conduite agressive.

8. Fidélité / Reliability

La fidélité de l’échelle a été examinée à travers des indicateurs de cohérence interne et de stabilité par scission (split-half reliability), démontrant une haute précision de mesure à travers l’ensemble des sous-échelles.

Cohérence interne (Alpha de Cronbach et Fiabilité Composite)

L’homogénéité des items constituant chaque sous-échelle a été validée par des indices statistiques remarquables :

• Alpha de Cronbach (α) : L’ensemble des coefficients α pour les différentes dimensions se situe entre 0,706 et 0,944. Ces valeurs confirment que tous les construits satisfont amplement au seuil d’acceptabilité de Nunnally (0,70), certaines dimensions relatives aux comportements aberrants atteignant un niveau d’excellence (α > 0,90) adapté tant à la recherche qu’à l’évaluation diagnostique individuelle.
• Fiabilité Composite (CR) : Les valeurs de CR s’échelonnent entre 0,836 et 0,934, apportant une confirmation supplémentaire de l’excellente homogénéité interne exempte de distorsion liée au nombre d’items.

Fidélité par scission (Split-Half Reliability)

Afin de vérifier la stabilité interne des construits critiques face au découpage aléatoire des items, des coefficients de Spearman-Brown ont été calculés :

• Pour la sous-échelle d’attitude envers les lois (SA-l), le coefficient de Spearman-Brown s’élève à 0,804.
• Pour l’échelle de perception de la probabilité d’accident (RP-p), le coefficient de Spearman-Brown atteint 0,821.

Ces données chiffrées confirment que les échelles ne souffrent pas de bruit de mesure aléatoire excessif et garantissent des inférences stables.

9. Analyse factorielle / Factor Analysis

L’adéquation de la structure multidimensionnelle du modèle a été testée et confirmée au moyen d’analyses factorielles exploratoires (AFE) puis confirmatoires (AFC) sur les données collectées.

Analyse Factorielle Exploratoire (AFE)

Avant l’extraction factorielle, la pertinence de l’échantillonnage et la factorisabilité de la matrice de corrélation ont été examinées :

• L’indice de Kaiser-Meyer-Olkin (KMO) a affiché des valeurs de 0,821 et 0,912 pour les différents blocs de mesure, témoignant d’une adéquation de l’échantillonnage qualifiée de « méritoire » à « excellente » selon les standards de Kaiser.
• Le test de sphéricité de Bartlett a produit des résultats hautement significatifs (p < 0,001), confirmant la présence de corrélations communes substantielles entre les variables manifestes.
• L’analyse a révélé que la variance totale expliquée par les facteurs extraits dépassait largement le seuil requis de 60 %, validant la parcimonie et la robustesse de la structure latente.
• Au cours de cette phase exploratoire, quatre items initialement prévus dans la section des comportements aberrants (F15 : consultation d’itinéraires en cours de route ; F16 : s’alimenter ou boire en conduisant ; F17 : refus de ralentir lors du dépassement ; F18 : refus de ralentir par temps de pluie) ont présenté des saturations factorielles croisées indésirables ou insuffisantes et ont été retirés de la métrique finale afin d’optimiser la pureté factorielle.

Analyse Factorielle Confirmatoire (AFC)

Une AFC a ensuite été conduite pour évaluer le degré d’ajustement du modèle théorique de mesure multidimensionnel aux données empiriques. Les indices d’ajustement obtenus attestent d’une concordance remarquable :

• Ratio Chi-carré / Degrés de liberté (χ²/df) : 1,929 (largement inférieur au seuil critique de 3,0, indiquant un ajustement très satisfaisant).
• RMSEA (Root Mean Square Error of Approximation) : 0,064 (inférieur au plafond usuel de 0,08, avec un intervalle de confiance confirmant une faible erreur résiduelle d’approximation).
• CFI (Comparative Fit Index) : 0,916 (dépassant le seuil standard de 0,90).
• IFI (Incremental Fit Index) : 0,917 (démontrant une amélioration nette par rapport au modèle d’indépendance).
• TLI (Tucker-Lewis Index) : 0,904 (confirmant la qualité d’ajustement après pénalisation pour le manque de parcimonie).

10. Instrument de mesure / Instrument

Les caractéristiques techniques et administratives du modèle sont synthétisées ci-dessous :

• Type d’instrument : Questionnaire d’auto-évaluation psychologique et comportementale (inventaire structuré).
• Mode d’administration : Auto-administration par questionnaire électronique en ligne (compatible smartphones et tablettes, optimisé pour les livreurs sur le terrain).
• Population cible : Livreurs de repas professionnels circulant à vélo, vélo à assistance électrique ou scooter (adultes de 18 ans et plus).
• Nombre d’items : Le corpus complet d’évaluation initiale comprend 31 items, dont 27 sont retenus dans la structure factorielle finale validée (après exclusion technique des items F15 à F18).
• Formats de réponse et échelle de cotation :
  • Section Connaissances en sécurité (SK) : Échelle Likert en 5 points de niveau d’information : 1 = Totalement non informé (Totally Uninformed), 2 = Peu informé, 3 = Moyennement informé, 4 = Bien informé, 5 = Très bien informé (Very Well-Informed).
  • Section Attitudes (SA) et Perceptions du risque (RP) : Échelle Likert d’accord en 5 points : 1 = Pas du tout d’accord (Strongly Disagree), 2 = En désaccord, 3 = Neutre, 4 = D’accord, 5 = Tout à fait d’accord (Strongly Agree). Les items de sévérité perçue évaluent le niveau de risque de 1 (Aucun risque) à 5 (Risque extrême).
  • Section Comportements aberrants (ARB) : Échelle de fréquence en 5 points : 1 = Jamais (Never), 2 = Rarement (Rarely), 3 = Occasionnellement (Occasionally), 4 = Quelquefois (Sometimes), 5 = Toujours (Always).
• Procédure de cotation : Les scores de sous-échelles sont obtenus par calcul de la moyenne arithmétique ou de la somme des items affiliés. L’item A8 (« En cas d’accident, cela affectera gravement la vie de ma famille ») requiert une attention méthodologique : il fait l’objet d’une inversion de score dans les modèles d’analyse structurelle standardisée pour s’aligner sur la directionnalité de la vulnérabilité perçue.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

L’échelle a été publiée au cours de l’année 2024. Les conditions juridiques et d’utilisation se présentent comme suit :

• Statut des droits d’auteur : Le modèle conceptuel et les résultats empiriques sont protégés par le droit d’auteur d’Elsevier Ltd. et des auteurs Qian, He et Shi (2024), conformément à l’article publié dans la revue Transportation Research Part F: Traffic Psychology and Behaviour.
• Utilisation académique et non commerciale : Les items et la structure d’évaluation sont librement accessibles à des fins de recherche académique, scientifique et pédagogique non commerciale, sous réserve de citer explicitement la publication originale (Qian et al., 2024).
• Exploitation commerciale et industrielle : Toute intégration de cette échelle au sein d’une plateforme commerciale de recrutement, d’un logiciel propriétaire de télématique d’assurance ou d’un module de formation payant nécessite une autorisation formelle préalable auprès de la maison d’édition (Elsevier / RightsLink) et des auteurs correspondants.
• Tarification : L’utilisation dans le cadre de projets de recherche universitaire ou d’actions préventives de santé publique est entièrement gratuite.

12. Références / References

Les sources académiques fondant la conception et la validation de cet instrument sont répertoriées ci-dessous selon les normes APA (7^e édition) :

• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
• DeJoy, D. M. (1989). The optimism bias and traffic accident risk perception. Accident Analysis & Prevention, 21(4), 333–340. https://doi.org/10.1016/0001-4575(89)90024-9
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Jamil, H. M., Shi, J., & Qian, Q. (2021). Exploring aberrant riding behaviors of electric bike delivery riders: A questionnaire study in China. Journal of Advanced Transportation, 2021, Article 8863215. https://doi.org/10.1155/2021/8863215
• Nguyen-Phuoc, D. Q., De Gruyter, C., Nguyen, H. A., & Oviedo-Trespalacios, O. (2020). Risky riding behaviors among electric two-wheeler delivery riders in Vietnam: The role of psychological factors and delivery pressures. Safety Science, 131, Article 104928. https://doi.org/10.1016/j.ssci.2020.104928
• Qian, Q., He, J., & Shi, J. (2024). Analysis of factors influencing aberrant riding behavior of food delivery riders: A perspective on safety attitude and risk perception. Transportation Research Part F: Traffic Psychology and Behaviour, 100, 273–288. https://doi.org/10.1016/j.trf.2023.12.007
• Reason, J., Manstead, A., Stradling, S., Baxter, J., & Campbell, K. (1990). Errors and violations on the roads: A real distinction? Ergonomics, 33(10–11), 1315–1332. https://doi.org/10.1080/00140139008925335
• Rosenstock, I. M. (1974). Historical origins of the health belief model. Health Education Monographs, 2(4), 328–335. https://doi.org/10.1177/109019817400200403
• Shi, J., Bai, Y., Ying, X., & Atchley, P. (2010). Aberrant driving behaviors: A study of motorcycle riders in China. Transportation Research Part F: Traffic Psychology and Behaviour, 13(4), 246–252. https://doi.org/10.1016/j.trf.2010.04.004
• Wang, C., Zhang, W., & Feng, Z. (2018). Exploring the aberrant riding behaviors of shared-bicycle users: An extended driver behavior questionnaire. Safety Science, 108, 142–151. https://doi.org/10.1016/j.ssci.2018.04.024
• Wang, Y., Hao, W., & Li, X. (2021). Exploring aberrant riding behavior of delivery riders in China: Examining the role of mobile phone use and delivery time pressure. Traffic Injury Prevention, 22(8), 614–619. https://doi.org/10.1080/15389588.2021.1963403
• Zhao, X., Ding, Y., & Ding, H. (2021). The impact of time pressure on aberrant electric bicycle riding behaviors among delivery riders. Accident Analysis & Prevention, 160, Article 106312. https://doi.org/10.1016/j.aap.2021.106312

13. Questions et items du questionnaire / Scale Items