论文部分内容阅读
摘 要：城市隧道出入口路段照度差异大，内部环境单调，对驾驶行为有显著影响。本文拟对城市隧道路段的驾驶行为综合风险影响因素开展研究，以期降低驾驶行为风险，提高城市隧道交通安全。城市隧道路段驾驶行为综合风险主要来自主客观两个方面，主观风险指驾驶人自身条件如驾驶人心理和生理负荷、驾驶人风险认知水平，客观风险指道路环境条件如隧道照明条件、道路线形和交通流量。本文引入风险分析与决策理论，对构成驾驶行为决策风险的各个影响因素进行风险度函数建模，探讨城市隧道路段驾驶行为综合风险量化研究方法。以某城市3条城市隧道基础数据为例，利用文中所建模型计算其驾驶行为综合风险度值，结果表明驾驶行为综合风险度值较高的隧道B年度统计事故数明显高于隧道A与隧道C，验证了所建模型的准确性与适用性。
关键词：交通安全;城市隧道;驾驶行为;综合风险;风险度函数
中图分类号：U491.1文献标识码：A文章编号：1006-8023（2019）06-0067-05
Research on Comprehensive Risk of Driving Behavior of Urban Tunnel
FANG Song1，2， MA Jianxiao1
（1.College of Automobile and Traffic Engineering， Nanjing Forestry University， Nanjing 210037;
2.Nanjing Institute of Railway Technology， Nanjing 210031）
Abstract：The illumination of the entrance and exit sections of urban tunnels varies greatly， and the internal environment is monotonous， which has a significant impact on driving behavior. This paper intends to study the comprehensive risk factors of the driving behavior of the urban tunnel section in order to reduce the risk of driving behavior and improve the safety of urban tunnel traffic. The comprehensive risk of driving behavior in the urban tunnel section mainly comes from two aspects. The subjective risk refers to the drive’s own conditions such as the psychological load of the driver’s life， the driver’s risk cognition level， and the objective risk refers to road environmental conditions such as tunnel lighting conditions， road route shape， and traffic flow. In this paper， risk analysis and decision theory are introduced to model the risk degree function of the factors that make up the risk of driving behavior decision， and to explore the quantitative research method of comprehensive risk of driving behavior in urban tunnel section. Taking the basic data of three urban tunnels in a city as an example， the model is used to calculate the comprehensive risk value of driving behavior. The results show that the annual statistical accident number of tunnel B with higher comprehensive risk value of driving behavior is significantly higher than that of tunnel A and tunnel C. The accuracy and applicability of the model are verified.
Keywords：Traffic safety; city tunnels; driving behavior; comprehensive risk; risk function
0 引言
城市隧道结构封闭、内部环境单调，光照强度、温度和湿度等内外差异较大，因此车辆在隧道环境下行驶时驾驶人生理和心理状态都会发生变化，这种变化不仅会影响驾驶人对周边环境信息的正确感知，而且会进一步影响驾驶人的驾驶行为。目前，国内外针对隧道路段驾驶行为的研究主要集中在驾驶人生心理特性以及驾驶行为模型研究。
駕驶人生理和心理特性研究主要通过实验方法采集驾驶人生理和心理指标数据，研究其与隧道参数之间的关系。Nakamichi和 Narisada等人对隧道照明进行了实验研究，采用动态模拟的方法，得到观察物体的背景亮度与观察者注意时间的关系模型[1]。Simons研究了白天隧道入口存在的“黑洞效应”，提出维持隧道入口一定距离的照度来保证隧道内部的可见性，这段距离的大小与驾驶人眼睛适应低照度的时间有关[2]。同济大学的潘晓东、杜志刚通过视觉特性实验，基于刺激反映定律建立了隧道出入口瞳孔面积随周围照度的变化规律[3]，揭示了隧道出入口视觉震荡现象，及其对行车安全的影响[4]。 驾驶行为模型描述驾驶行为的发生过程，最早是由Gibson J J在20世纪30年代提出的车辆行驶区域分析理论，随着认知科学的兴起，研究者开始将认知心理学应用于驾驶行为模型分析，将驾驶基本控制、认识处理和决策整合到模型中[5-8]。近些年，国内关于驾驶行为模型的研究也取得了一定进展，从工程學的角度和认知学结合提出了车辆跟驰模型、车道变换模型以及用于车辆辅助驾驶系统的认知行为建模方法[9]。1982年，Wilde运用恒温调节器的工作过程，建立了驾驶人行为的风险内在平衡模型（RHT），又称“风险补偿”模型[10-11]。该模型认为，驾驶人通过衡量安全与不安全行为的收益和损失，确定个体的目标风险水平，当感知风险水平和目标风险水平出现不一致的情况时，驾驶人将通过调整自身行为以缩小两者之间偏差。因此，事故率最终决定于目标风险水平，即驾驶人事先设定的风险接受水平[6]。
现有关于隧道路段驾驶行为的研究，大部分基于实验和理论建模对驾驶人的生理和心理特性及决策属性进行研究，鲜有从风险控制角度展开分析。本文引入风险分析与决策理论，对构成驾驶行为决策风险的各个影响因素进行风险度函数建模，探讨城市隧道路段驾驶行为综合风险量化研究的方法。
1 驾驶行为综合风险影响因素
驾驶人通过观察周围交通环境判断当前的运行状态，根据不同的状态风险进行决策并执行形成驾驶行为，驾驶行为的执行反过来又会影响周围的交通环境，由此形成新一轮的认知决策过程。在驾驶行为的形成过程中，道路环境因素会影响驾驶人的认知、判断和决策过程。如图1所示。
城市隧道路段驾驶行为综合风险主要来自主客观两个方面，主观风险指驾驶人自身条件如驾驶人心理和生理负荷、驾驶人风险认知水平，客观风险指道路环境条件如隧道照明条件、道路线形、交通流量。
（1）驾驶人心理和生理负荷
城市隧道路段内外环境差异较大，导致驾驶人心理和生理负荷明显增加。国内外学者对隧道路段驾驶人视觉特性和心率参数进行了大量研究，提出将视觉特征参数和心率特性变化作为驾驶人视觉负荷和生理负荷的评价指标。长安大学的吴玲博士基于因子分析方法，结合综合线性加权模型，得出驾驶人心理和生理负荷量化模型计算公式[12]：
S=10.969 2（0.606 8×F1+0.362 4×F2）。（1）
式中：F1 为视觉特征参数;F2为心率特性参数。
（2）驾驶人风险认知水平
驾驶人的风险认知水平是指驾驶人在驾驶过程中所产生的对显性危险的观察与对潜在性危险的预判。根据国内外学者的研究表明，在驾驶经验的诸多组成要素中，风险认知水平与交通事故率相关性最大。上海交通大学的郑东鹏通过实验数据多元回归分析得出驾驶人风险认知水平的计算公式[13]：
S=-0.475X1+0.408X2-0.228X3+0.212X4-0.164X5。 （2）
式中：X1为事故记录次数;X2为驾驶里程;X3为精神质;X4为驾照持有时间;X5为违规记录次数。
（3）隧道照明条件
隧道的洞内照度基本来自于隧道照明灯具。隧道洞内照度和隧道洞外照度所形成的照度差，是使驾驶员产生不适应感的主要原因[14]。车辆驶入隧道或驶出隧道后，由于光照强度的剧烈变化，导致驾驶员产生的视觉恢复期是驾驶员视觉条件最差的时候，严重影响了车辆行驶的安全性和驾驶员的舒适性[15-17]。重庆交通大学的王露通过实车实验数据回归分析得出驾驶适宜性评价指标与城市隧道过渡段照明变化率之间的关系式[3]：
VS=3.44×103r-0.75+0.003 9s2-
0.525s+26.1。 （3）
其中，VS为驾驶适宜性评价指标;r为隧道过渡段平曲线半径;s为隧道过渡段照度变化率。
（4）道路线形
城市快速路隧道一般为立交通过平面交叉口或湖底、过江隧道类型，其进出口一般有较明显的纵坡，表现为进口为下坡段，出口为上坡段。因此，忽略道路线形的平曲线影响，依据长安大学、同济大学等学者的研究成果[18]，提出基于纵向坡度的城市隧道进出口线形风险度计算模型：
r（i）=0.159 4i2-0.162 6i+1.041 5。 （4）
式中：r（i）为纵坡风险值;i为计算范围内的平均坡度。
（5）交通流量
在流量较小时，车流密度相对较低，交通流处于自由流状态，驾驶人可以根据车辆类型和驾驶习惯自由选择行驶速度，此时车辆的行驶速度值高且分布离散型大。随着流量的逐渐增大，车辆之间的车头时距缩短，车辆间相互作用增强，出现了跟驰现象，车流速度降低，交通流进入同步流状态。若交通流量进一步增大，则进入拥挤状态，道路通行能力进一步下降，服务水平恶化，事故多发。同济大学学者景天然[19]通过对城市道路交通饱和度与交通事故率之间的统计分析，得出其回归方程式：
K=-1.687+8.732S-6.036S2。（5）
式中：S为交通饱和度;K为统计事故率。
2 驾驶行为综合风险函数模型
2.1 风险度函数
传统的风险描述方法主要分为定性和定量两种方法，一般采用模糊逻辑方法来进行定性描述，定量方法则主要是传统的概率方法[20]。引入风险度函数，对综合风险与其影响因素之间对应的函数关系进行描述。给定某一判断准则，则驾驶行为影响因素ri对应的风险度函数即为f（ri）。常见的风险度函数有以下几种[21-22]。
（1）风险事件发生概率的风险度函数
风险事件发生概率的风险度函数用正态分布函数来表示：
f（r）=e-π（2r-1）2。（6） 由此函数关系可知，当自变量r接近于0时，因变量f（r）亦接近于0;当自变量逐渐增大时，因变量迅速增加;当r=50%时，风险度达到最大值1，即该因素所引起的风险事件变成了确定性事件。道路交通中交通流量因素符合此规律，可以采用该函数进行风险描述。
（2）风险事件信息不对称度的风险度函數
一般采用幂函数来表示风险事件损失的风险度函数：
f（r）=12+12（2r-1）13。（7）
由函数关系式可知，当自变量接近于0时，风险度亦接近于0，随后风险度值随着自变量的增大而单调增大，当r=1时，风险度值达到最大值1。驾驶过程中的信息不对称度指的是驾驶人对道路交通信息的主观感知与客观存在之间的差异度，随着信息不对称度的增加，驾驶风险度值逐渐增大。采用该函数对城市隧道路段的照明条件及道路线形因素进行风险描述。
（3）风险事件可管理性的风险度函数
风险事件的可管理性是指通过采取措施能降低风险事件的发生概率或减少其损失，一般采用幂函数型式来表示其风险度函数：
f（r）=12-12（2r-1）13。（8）
由函数关系式可知，当自变量r=0，即风险事件完全不可管理时，该因素对应的风险度值f（r）=1;随着自变量的增大，可管理性对应的风险度值逐渐变小。驾驶过程中驾驶人根据道路交通环境及车辆技术性能，实时调整自身身心状态与操作技能，努力完成驾驶任务。采用该函数对驾驶人心理和生理负荷及驾驶人风险认知水平进行风险描述。
2.2 综合风险度函数
根据驾驶行为综合风险影响因素的分析，以上5个影响因素之间是并联关系，驾驶行为综合风险值的大小由以上5个因素决定。给定某一判断准则，则综合风险度函数可表示为：
F=f（r1），f（r2），f（r3），f（r4），f（r5）。（9）
风险事件的风险度是风险多维结构各特性的风险度函数，其函数关系复杂，根据参考文献[11]的研究，分别采用几何平均和算术平均，再进行算术平均运算，以减少计算方法的误差，其函数关系表达式如下：
F=125f（r1）×f（r2）×f（r3）×f（r4）×f（r5）+f（r1）+f（r2）+f（r3）+f（r4）+f（r5）5。
（10）
3 实例分析
以南京市市区道路中的富贵山隧道、扬子江隧道和玄武湖隧道3条隧道为例，采集隧道基本参数统计见表1，为了叙述方便，富贵山隧道、扬子江隧道和玄武湖隧道分别标记为A、B、C。驾驶行为综合风险分为主客观风险两个方面，假定通过3个隧道路段的熟练驾驶人与非熟练驾驶人比例相当，即忽略驾驶人主观风险因素，研究城市隧道路段客观因素对驾驶行为综合风险度的影响，对上述综合风险度函数模型进行参数确定及效果验证。
根据隧道参数计算各风险因素取值，进行无量纲化处理，并将所得值转化至[0，1]区间内，见表2。依据对应的风险度函数计算其风险度值，最后代入综合风险度模型得出3个隧道的驾驶行为综合风险度值见表3。
隧道A为城市规划区内山体隧道，出入口路段线形较为平缓，但建设年代较早，内部设施陈旧，过渡段照明条件相对较差，2018年1月至2018年12月共报告事故数132起。隧道B为城市快速路平交路口下穿隧道，隧道洞身长度较短，驾驶人视觉适应性要求较高，车流潮汐现象明显，路段平均车速较高，统计平均车头时距较小，2018年度报告事故186起，多为碰擦追尾事故。隧道C为城市湖底隧道，由于地形限制进出口处坡度较大，洞身长度较长，为近期建设的城市重点隧道，内部设施优良，测量照度值最高，电子警察布设亦较为密集，管理规范，作为城市快速内环的重要组成部分，为环湖路段，车辆节省50%～70%的行程，因此交通饱和度相对较大，路段平均车速较低，虽统计平均车头时距较小，但驾驶人在该路段行驶时较为谨慎，2018年度报告事故95起。综上，隧道B在2018年度统计事故数最多，其次为隧道A、隧道C，统计结果与综合风险度模型计算值相对吻合，验证了该模型的准确性。
以上分析表明，城市隧道道路线形、照明设施条件及交通量对驾驶行为综合风险有一定影响，但各自对综合风险度的贡献有多大尚没有定论。城市隧道C进出口坡度大、交通饱和度高，但通过规范的交通管理措施，亦可以使得客观条件相对较差的城市隧道取得较低的综合风险度值。
4 结论
城市隧道路段驾驶行为综合风险由驾驶人生理和心理特性、驾驶人风险认知水平、隧道照明条件、过渡段线形及交通饱和度等因素决定，综合风险度模型能够较好地描述城市隧道路段的驾驶风险。
城市隧道驾驶行为综合风险各影响因素的权重大小尚无定论，各因素之间的相互作用关系仍需进一步研究。通过规范的交通管理措施，可以使得客观条件较差的城市隧道取得相对较低的风险度值。
文中实例城市隧道C虽取得较低综合风险度值，报告事故数最少，但反馈的拥堵次数最多，通行能力最差。如何合理采用交通管控措施，在综合风险与通行能力之间取得一个平衡点，是下一步需要研究的重点课题。
【参 考 文 献】
[1]NAKAMICHI F， NARISADA K， YOSHIKAWA K. Experiment on the visibility of the tunnel entrance lighting[J]. Journal of the Illuminating Engineering Institute of Japan， 1967， 15（10）：566-581.
[2]SIMON R H， BEAN A R. Lighting engineering： Applied calculations[M]. London： Routledge， 2001. [3]王露.山地城市隧道出口路段驾驶适宜性技术研究[D].重庆：重庆交通大学，2017.
WANG L. Technical research on driving suitability of mountain city tunnel exit section[D]. Chongqing： Chongqing Jiaotong University， 2017.
[4]杜志刚，潘晓东，杨轸，等.高速公路隧道进出口视觉震荡与行车安全研究[J].中国公路学报，2007，20（5）：101-105.
DU Z G， PAN X D， YANG Z， et al. Study on visual shock and traffic safety of highway tunnel entrance and exit[J]. China Journal of Highway and Transport， 2007， 20（5）： 101-105.
[5]RUDINBROWN C M， YOUNG K L， PATTEN C， et al. Driver distraction in an unusual environment： effects of text-messaging in tunnels[J]. Accident Analysis and Prevention， 2013， 50：122-129.
[6]KIRCHER K， LUNDKVIST S. The influence of lighting， wall colour and inattention on traffic safety in tunnels： s simulator study[M]. Sweden： VTI， 2011.
[7]KIRCHER K， AHLSTROM C. The impact of tunnel design and lighting on the performance of attentive and visually distracted drivers[J]. Accident analysis and prevention， 2012， 47：153-161.
[8]SCHMIDTDAFFY M. Fear and anxiety while driving： differential impact of task demands， speed and motivation[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2013， 16：14-28.
[9]向往.基于层级式驾驶仿真实验的驾驶人行为规律及表现评价方法研究[D].北京：北京交通大学，2016.
XIANG W. Research on driver behavior rule and performance evaluation method based on hierarchical driving simulation experiment[D]. Beijing： Beijing Jiaotong University， 2016.
[10]FENG D S， WU K， CHEN F， et al. Research on optimized design of bridge-tunnel linkage sections on mountainous highways considering the effect of crosswind on driver behavior[J]. Advances in Intelligent Systems and Computing， 2017， 484：717-729.
[11]CALVI A， BLASIIS M R D， GUATTARI C. An empirical study of the effects of road tunnel on driving performance[J]. Procedia-Social and Behavioral Sciences， 2012， 53：1098-1108.
[12]吳玲.基于生理与行为指标的高速公路特长隧道环境驾驶人风险特性研究[D].西安：长安大学，2018.
WU L. Study on risk characteristics of environmental drivers in highway long tunnel based on physiological and behavioral indicators[D]. Xi’an： Chang’an University， 2018.
[13]郑东鹏.驾驶人危险感知及影响因素研究[D].上海：上海交通大学，2013.
ZHENG D P. Study on driver’s risk perception and influencing factors[D]. Shanghai： Shanghai Jiaotong University， 2013.
[14]浦雅添，岳川，陈丰，等.城市地下道路LED自发光指路标志视认性研究[J].公路工程，2018，43（3）：6-10.
PU Y T， YUE C， CHEN F， et al. Investigate the legibility of LED traffic guide signs in urban tunnels[J].Highway Engineering，2018，43（3）：6-10. [15]张卫华，钱小慧，冯忠祥.照度与视觉敏感度对驾驶辨识行为的影响研究[J].人类工效学，2014，22（3）：75-80.
ZHANG W H， QIAN X H， FENG Z X. Study on the influence of illumination and visual sensitivity on driving identification behavior[J]. Chinese Journal of Ergonomics， 2014， 22（3）：75-80.
[16]张云娇.基于驾驶人行为特性的八车道高速公路出口安全距离研究[D].西安：长安大学，2017.
ZHANG Y J. Research on safety distance at exit of eight-lane expressway based on driver behavior characteristics[D]. Xi’an： Chang’an University， 2017.
[17]刘明秀，林丽.城市隧道入口自然光对驾驶人视觉影响分析[J].森林工程，2018，34（4）：102-107.
LIU M X， LIN L. Analysis of the influence of natural light on driver vision at the urban tunnel entrances[J]. Forest Engineering， 2018， 34（4）：102-107.
[18]王琰，孔令旗，郭忠印，等.基于运行安全的公路隧道进出口线形设计[J].公路交通科技，2008，25（3）：135-138.
WANG Y， KONG L Q， GUO Z Y， et al. Design of highway tunnel inlet and outlet line based on operation safety[J]. Journal of Highway and Transportation Research and Development， 2008， 25（3）：135-138.
[19]景天然.城市道路条件与交通事故率的关系[J].同济大学学报，1992，20（3）：335-340.
JING T R. Relationship between urban road condition and traffic accident rate[J]. Journal of Tongji University， 1992， 20（3）：335-340.
[20]陈阳，马健霄，徐志豪，等.基于物元分析的自行车交通体系评价方法研究[J].森林工程，2018，34（5）：84-90.
CHEN Y， MA J X， XU Z H， et al. Research on evaluation method of bicycle traffic system based on matter element analysis[J]. Forest Engineering， 2018， 34（5）：84-90.
[21]向鵬成.基于信息不对称理论的工程项目风险管理研究[D].重庆：重庆大学，2005.
XIANG P C. Research on project risk management based on information asymmetry theory[D]. Chongqing： Chongqing University， 2005.
[22]任园园.公路弯道路段行车危险区域及驾驶行为模型研究[D].长春：吉林大学，2011.
REN Y Y. Research on dangerous area and driving behavior model of highway curve section[D]. Changchun： Jilin University， 2011.
关键词：交通安全;城市隧道;驾驶行为;综合风险;风险度函数
中图分类号：U491.1文献标识码：A文章编号：1006-8023（2019）06-0067-05
Research on Comprehensive Risk of Driving Behavior of Urban Tunnel
FANG Song1，2， MA Jianxiao1
（1.College of Automobile and Traffic Engineering， Nanjing Forestry University， Nanjing 210037;
2.Nanjing Institute of Railway Technology， Nanjing 210031）
Abstract：The illumination of the entrance and exit sections of urban tunnels varies greatly， and the internal environment is monotonous， which has a significant impact on driving behavior. This paper intends to study the comprehensive risk factors of the driving behavior of the urban tunnel section in order to reduce the risk of driving behavior and improve the safety of urban tunnel traffic. The comprehensive risk of driving behavior in the urban tunnel section mainly comes from two aspects. The subjective risk refers to the drive’s own conditions such as the psychological load of the driver’s life， the driver’s risk cognition level， and the objective risk refers to road environmental conditions such as tunnel lighting conditions， road route shape， and traffic flow. In this paper， risk analysis and decision theory are introduced to model the risk degree function of the factors that make up the risk of driving behavior decision， and to explore the quantitative research method of comprehensive risk of driving behavior in urban tunnel section. Taking the basic data of three urban tunnels in a city as an example， the model is used to calculate the comprehensive risk value of driving behavior. The results show that the annual statistical accident number of tunnel B with higher comprehensive risk value of driving behavior is significantly higher than that of tunnel A and tunnel C. The accuracy and applicability of the model are verified.
Keywords：Traffic safety; city tunnels; driving behavior; comprehensive risk; risk function
0 引言
城市隧道结构封闭、内部环境单调，光照强度、温度和湿度等内外差异较大，因此车辆在隧道环境下行驶时驾驶人生理和心理状态都会发生变化，这种变化不仅会影响驾驶人对周边环境信息的正确感知，而且会进一步影响驾驶人的驾驶行为。目前，国内外针对隧道路段驾驶行为的研究主要集中在驾驶人生心理特性以及驾驶行为模型研究。
駕驶人生理和心理特性研究主要通过实验方法采集驾驶人生理和心理指标数据，研究其与隧道参数之间的关系。Nakamichi和 Narisada等人对隧道照明进行了实验研究，采用动态模拟的方法，得到观察物体的背景亮度与观察者注意时间的关系模型[1]。Simons研究了白天隧道入口存在的“黑洞效应”，提出维持隧道入口一定距离的照度来保证隧道内部的可见性，这段距离的大小与驾驶人眼睛适应低照度的时间有关[2]。同济大学的潘晓东、杜志刚通过视觉特性实验，基于刺激反映定律建立了隧道出入口瞳孔面积随周围照度的变化规律[3]，揭示了隧道出入口视觉震荡现象，及其对行车安全的影响[4]。 驾驶行为模型描述驾驶行为的发生过程，最早是由Gibson J J在20世纪30年代提出的车辆行驶区域分析理论，随着认知科学的兴起，研究者开始将认知心理学应用于驾驶行为模型分析，将驾驶基本控制、认识处理和决策整合到模型中[5-8]。近些年，国内关于驾驶行为模型的研究也取得了一定进展，从工程學的角度和认知学结合提出了车辆跟驰模型、车道变换模型以及用于车辆辅助驾驶系统的认知行为建模方法[9]。1982年，Wilde运用恒温调节器的工作过程，建立了驾驶人行为的风险内在平衡模型（RHT），又称“风险补偿”模型[10-11]。该模型认为，驾驶人通过衡量安全与不安全行为的收益和损失，确定个体的目标风险水平，当感知风险水平和目标风险水平出现不一致的情况时，驾驶人将通过调整自身行为以缩小两者之间偏差。因此，事故率最终决定于目标风险水平，即驾驶人事先设定的风险接受水平[6]。
现有关于隧道路段驾驶行为的研究，大部分基于实验和理论建模对驾驶人的生理和心理特性及决策属性进行研究，鲜有从风险控制角度展开分析。本文引入风险分析与决策理论，对构成驾驶行为决策风险的各个影响因素进行风险度函数建模，探讨城市隧道路段驾驶行为综合风险量化研究的方法。
1 驾驶行为综合风险影响因素
驾驶人通过观察周围交通环境判断当前的运行状态，根据不同的状态风险进行决策并执行形成驾驶行为，驾驶行为的执行反过来又会影响周围的交通环境，由此形成新一轮的认知决策过程。在驾驶行为的形成过程中，道路环境因素会影响驾驶人的认知、判断和决策过程。如图1所示。
城市隧道路段驾驶行为综合风险主要来自主客观两个方面，主观风险指驾驶人自身条件如驾驶人心理和生理负荷、驾驶人风险认知水平，客观风险指道路环境条件如隧道照明条件、道路线形、交通流量。
（1）驾驶人心理和生理负荷
城市隧道路段内外环境差异较大，导致驾驶人心理和生理负荷明显增加。国内外学者对隧道路段驾驶人视觉特性和心率参数进行了大量研究，提出将视觉特征参数和心率特性变化作为驾驶人视觉负荷和生理负荷的评价指标。长安大学的吴玲博士基于因子分析方法，结合综合线性加权模型，得出驾驶人心理和生理负荷量化模型计算公式[12]：
S=10.969 2（0.606 8×F1+0.362 4×F2）。（1）
式中：F1 为视觉特征参数;F2为心率特性参数。
（2）驾驶人风险认知水平
驾驶人的风险认知水平是指驾驶人在驾驶过程中所产生的对显性危险的观察与对潜在性危险的预判。根据国内外学者的研究表明，在驾驶经验的诸多组成要素中，风险认知水平与交通事故率相关性最大。上海交通大学的郑东鹏通过实验数据多元回归分析得出驾驶人风险认知水平的计算公式[13]：
S=-0.475X1+0.408X2-0.228X3+0.212X4-0.164X5。 （2）
式中：X1为事故记录次数;X2为驾驶里程;X3为精神质;X4为驾照持有时间;X5为违规记录次数。
（3）隧道照明条件
隧道的洞内照度基本来自于隧道照明灯具。隧道洞内照度和隧道洞外照度所形成的照度差，是使驾驶员产生不适应感的主要原因[14]。车辆驶入隧道或驶出隧道后，由于光照强度的剧烈变化，导致驾驶员产生的视觉恢复期是驾驶员视觉条件最差的时候，严重影响了车辆行驶的安全性和驾驶员的舒适性[15-17]。重庆交通大学的王露通过实车实验数据回归分析得出驾驶适宜性评价指标与城市隧道过渡段照明变化率之间的关系式[3]：
VS=3.44×103r-0.75+0.003 9s2-
0.525s+26.1。 （3）
其中，VS为驾驶适宜性评价指标;r为隧道过渡段平曲线半径;s为隧道过渡段照度变化率。
（4）道路线形
城市快速路隧道一般为立交通过平面交叉口或湖底、过江隧道类型，其进出口一般有较明显的纵坡，表现为进口为下坡段，出口为上坡段。因此，忽略道路线形的平曲线影响，依据长安大学、同济大学等学者的研究成果[18]，提出基于纵向坡度的城市隧道进出口线形风险度计算模型：
r（i）=0.159 4i2-0.162 6i+1.041 5。 （4）
式中：r（i）为纵坡风险值;i为计算范围内的平均坡度。
（5）交通流量
在流量较小时，车流密度相对较低，交通流处于自由流状态，驾驶人可以根据车辆类型和驾驶习惯自由选择行驶速度，此时车辆的行驶速度值高且分布离散型大。随着流量的逐渐增大，车辆之间的车头时距缩短，车辆间相互作用增强，出现了跟驰现象，车流速度降低，交通流进入同步流状态。若交通流量进一步增大，则进入拥挤状态，道路通行能力进一步下降，服务水平恶化，事故多发。同济大学学者景天然[19]通过对城市道路交通饱和度与交通事故率之间的统计分析，得出其回归方程式：
K=-1.687+8.732S-6.036S2。（5）
式中：S为交通饱和度;K为统计事故率。
2 驾驶行为综合风险函数模型
2.1 风险度函数
传统的风险描述方法主要分为定性和定量两种方法，一般采用模糊逻辑方法来进行定性描述，定量方法则主要是传统的概率方法[20]。引入风险度函数，对综合风险与其影响因素之间对应的函数关系进行描述。给定某一判断准则，则驾驶行为影响因素ri对应的风险度函数即为f（ri）。常见的风险度函数有以下几种[21-22]。
（1）风险事件发生概率的风险度函数
风险事件发生概率的风险度函数用正态分布函数来表示：
f（r）=e-π（2r-1）2。（6） 由此函数关系可知，当自变量r接近于0时，因变量f（r）亦接近于0;当自变量逐渐增大时，因变量迅速增加;当r=50%时，风险度达到最大值1，即该因素所引起的风险事件变成了确定性事件。道路交通中交通流量因素符合此规律，可以采用该函数进行风险描述。
（2）风险事件信息不对称度的风险度函數
一般采用幂函数来表示风险事件损失的风险度函数：
f（r）=12+12（2r-1）13。（7）
由函数关系式可知，当自变量接近于0时，风险度亦接近于0，随后风险度值随着自变量的增大而单调增大，当r=1时，风险度值达到最大值1。驾驶过程中的信息不对称度指的是驾驶人对道路交通信息的主观感知与客观存在之间的差异度，随着信息不对称度的增加，驾驶风险度值逐渐增大。采用该函数对城市隧道路段的照明条件及道路线形因素进行风险描述。
（3）风险事件可管理性的风险度函数
风险事件的可管理性是指通过采取措施能降低风险事件的发生概率或减少其损失，一般采用幂函数型式来表示其风险度函数：
f（r）=12-12（2r-1）13。（8）
由函数关系式可知，当自变量r=0，即风险事件完全不可管理时，该因素对应的风险度值f（r）=1;随着自变量的增大，可管理性对应的风险度值逐渐变小。驾驶过程中驾驶人根据道路交通环境及车辆技术性能，实时调整自身身心状态与操作技能，努力完成驾驶任务。采用该函数对驾驶人心理和生理负荷及驾驶人风险认知水平进行风险描述。
2.2 综合风险度函数
根据驾驶行为综合风险影响因素的分析，以上5个影响因素之间是并联关系，驾驶行为综合风险值的大小由以上5个因素决定。给定某一判断准则，则综合风险度函数可表示为：
F=f（r1），f（r2），f（r3），f（r4），f（r5）。（9）
风险事件的风险度是风险多维结构各特性的风险度函数，其函数关系复杂，根据参考文献[11]的研究，分别采用几何平均和算术平均，再进行算术平均运算，以减少计算方法的误差，其函数关系表达式如下：
F=125f（r1）×f（r2）×f（r3）×f（r4）×f（r5）+f（r1）+f（r2）+f（r3）+f（r4）+f（r5）5。
（10）
3 实例分析
以南京市市区道路中的富贵山隧道、扬子江隧道和玄武湖隧道3条隧道为例，采集隧道基本参数统计见表1，为了叙述方便，富贵山隧道、扬子江隧道和玄武湖隧道分别标记为A、B、C。驾驶行为综合风险分为主客观风险两个方面，假定通过3个隧道路段的熟练驾驶人与非熟练驾驶人比例相当，即忽略驾驶人主观风险因素，研究城市隧道路段客观因素对驾驶行为综合风险度的影响，对上述综合风险度函数模型进行参数确定及效果验证。
根据隧道参数计算各风险因素取值，进行无量纲化处理，并将所得值转化至[0，1]区间内，见表2。依据对应的风险度函数计算其风险度值，最后代入综合风险度模型得出3个隧道的驾驶行为综合风险度值见表3。
隧道A为城市规划区内山体隧道，出入口路段线形较为平缓，但建设年代较早，内部设施陈旧，过渡段照明条件相对较差，2018年1月至2018年12月共报告事故数132起。隧道B为城市快速路平交路口下穿隧道，隧道洞身长度较短，驾驶人视觉适应性要求较高，车流潮汐现象明显，路段平均车速较高，统计平均车头时距较小，2018年度报告事故186起，多为碰擦追尾事故。隧道C为城市湖底隧道，由于地形限制进出口处坡度较大，洞身长度较长，为近期建设的城市重点隧道，内部设施优良，测量照度值最高，电子警察布设亦较为密集，管理规范，作为城市快速内环的重要组成部分，为环湖路段，车辆节省50%～70%的行程，因此交通饱和度相对较大，路段平均车速较低，虽统计平均车头时距较小，但驾驶人在该路段行驶时较为谨慎，2018年度报告事故95起。综上，隧道B在2018年度统计事故数最多，其次为隧道A、隧道C，统计结果与综合风险度模型计算值相对吻合，验证了该模型的准确性。
以上分析表明，城市隧道道路线形、照明设施条件及交通量对驾驶行为综合风险有一定影响，但各自对综合风险度的贡献有多大尚没有定论。城市隧道C进出口坡度大、交通饱和度高，但通过规范的交通管理措施，亦可以使得客观条件相对较差的城市隧道取得较低的综合风险度值。
4 结论
城市隧道路段驾驶行为综合风险由驾驶人生理和心理特性、驾驶人风险认知水平、隧道照明条件、过渡段线形及交通饱和度等因素决定，综合风险度模型能够较好地描述城市隧道路段的驾驶风险。
城市隧道驾驶行为综合风险各影响因素的权重大小尚无定论，各因素之间的相互作用关系仍需进一步研究。通过规范的交通管理措施，可以使得客观条件较差的城市隧道取得相对较低的风险度值。
文中实例城市隧道C虽取得较低综合风险度值，报告事故数最少，但反馈的拥堵次数最多，通行能力最差。如何合理采用交通管控措施，在综合风险与通行能力之间取得一个平衡点，是下一步需要研究的重点课题。
【参 考 文 献】
[1]NAKAMICHI F， NARISADA K， YOSHIKAWA K. Experiment on the visibility of the tunnel entrance lighting[J]. Journal of the Illuminating Engineering Institute of Japan， 1967， 15（10）：566-581.
[2]SIMON R H， BEAN A R. Lighting engineering： Applied calculations[M]. London： Routledge， 2001. [3]王露.山地城市隧道出口路段驾驶适宜性技术研究[D].重庆：重庆交通大学，2017.
WANG L. Technical research on driving suitability of mountain city tunnel exit section[D]. Chongqing： Chongqing Jiaotong University， 2017.
[4]杜志刚，潘晓东，杨轸，等.高速公路隧道进出口视觉震荡与行车安全研究[J].中国公路学报，2007，20（5）：101-105.
DU Z G， PAN X D， YANG Z， et al. Study on visual shock and traffic safety of highway tunnel entrance and exit[J]. China Journal of Highway and Transport， 2007， 20（5）： 101-105.
[5]RUDINBROWN C M， YOUNG K L， PATTEN C， et al. Driver distraction in an unusual environment： effects of text-messaging in tunnels[J]. Accident Analysis and Prevention， 2013， 50：122-129.
[6]KIRCHER K， LUNDKVIST S. The influence of lighting， wall colour and inattention on traffic safety in tunnels： s simulator study[M]. Sweden： VTI， 2011.
[7]KIRCHER K， AHLSTROM C. The impact of tunnel design and lighting on the performance of attentive and visually distracted drivers[J]. Accident analysis and prevention， 2012， 47：153-161.
[8]SCHMIDTDAFFY M. Fear and anxiety while driving： differential impact of task demands， speed and motivation[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2013， 16：14-28.
[9]向往.基于层级式驾驶仿真实验的驾驶人行为规律及表现评价方法研究[D].北京：北京交通大学，2016.
XIANG W. Research on driver behavior rule and performance evaluation method based on hierarchical driving simulation experiment[D]. Beijing： Beijing Jiaotong University， 2016.
[10]FENG D S， WU K， CHEN F， et al. Research on optimized design of bridge-tunnel linkage sections on mountainous highways considering the effect of crosswind on driver behavior[J]. Advances in Intelligent Systems and Computing， 2017， 484：717-729.
[11]CALVI A， BLASIIS M R D， GUATTARI C. An empirical study of the effects of road tunnel on driving performance[J]. Procedia-Social and Behavioral Sciences， 2012， 53：1098-1108.
[12]吳玲.基于生理与行为指标的高速公路特长隧道环境驾驶人风险特性研究[D].西安：长安大学，2018.
WU L. Study on risk characteristics of environmental drivers in highway long tunnel based on physiological and behavioral indicators[D]. Xi’an： Chang’an University， 2018.
[13]郑东鹏.驾驶人危险感知及影响因素研究[D].上海：上海交通大学，2013.
ZHENG D P. Study on driver’s risk perception and influencing factors[D]. Shanghai： Shanghai Jiaotong University， 2013.
[14]浦雅添，岳川，陈丰，等.城市地下道路LED自发光指路标志视认性研究[J].公路工程，2018，43（3）：6-10.
PU Y T， YUE C， CHEN F， et al. Investigate the legibility of LED traffic guide signs in urban tunnels[J].Highway Engineering，2018，43（3）：6-10. [15]张卫华，钱小慧，冯忠祥.照度与视觉敏感度对驾驶辨识行为的影响研究[J].人类工效学，2014，22（3）：75-80.
ZHANG W H， QIAN X H， FENG Z X. Study on the influence of illumination and visual sensitivity on driving identification behavior[J]. Chinese Journal of Ergonomics， 2014， 22（3）：75-80.
[16]张云娇.基于驾驶人行为特性的八车道高速公路出口安全距离研究[D].西安：长安大学，2017.
ZHANG Y J. Research on safety distance at exit of eight-lane expressway based on driver behavior characteristics[D]. Xi’an： Chang’an University， 2017.
[17]刘明秀，林丽.城市隧道入口自然光对驾驶人视觉影响分析[J].森林工程，2018，34（4）：102-107.
LIU M X， LIN L. Analysis of the influence of natural light on driver vision at the urban tunnel entrances[J]. Forest Engineering， 2018， 34（4）：102-107.
[18]王琰，孔令旗，郭忠印，等.基于运行安全的公路隧道进出口线形设计[J].公路交通科技，2008，25（3）：135-138.
WANG Y， KONG L Q， GUO Z Y， et al. Design of highway tunnel inlet and outlet line based on operation safety[J]. Journal of Highway and Transportation Research and Development， 2008， 25（3）：135-138.
[19]景天然.城市道路条件与交通事故率的关系[J].同济大学学报，1992，20（3）：335-340.
JING T R. Relationship between urban road condition and traffic accident rate[J]. Journal of Tongji University， 1992， 20（3）：335-340.
[20]陈阳，马健霄，徐志豪，等.基于物元分析的自行车交通体系评价方法研究[J].森林工程，2018，34（5）：84-90.
CHEN Y， MA J X， XU Z H， et al. Research on evaluation method of bicycle traffic system based on matter element analysis[J]. Forest Engineering， 2018， 34（5）：84-90.
[21]向鵬成.基于信息不对称理论的工程项目风险管理研究[D].重庆：重庆大学，2005.
XIANG P C. Research on project risk management based on information asymmetry theory[D]. Chongqing： Chongqing University， 2005.
[22]任园园.公路弯道路段行车危险区域及驾驶行为模型研究[D].长春：吉林大学，2011.
REN Y Y. Research on dangerous area and driving behavior model of highway curve section[D]. Changchun： Jilin University， 2011.