李艷 劉文超 尤志棟

摘 要：駕駛?cè)说娘L(fēng)險行為已成為交通事故的主要致因。識別風(fēng)險駕駛行為并進行干預(yù)對提高道路交通安全水平具有重要意義，因此本文從風(fēng)險駕駛行為識別、干預(yù)方法以及干預(yù)效果評估三方面對國內(nèi)外研究進行綜述。通過車載數(shù)據(jù)記錄設(shè)備或智能手機進行數(shù)據(jù)采集，基于規(guī)則或機器學(xué)習(xí)算法識別風(fēng)險行為，基于規(guī)則的識別方法簡單易理解，但各研究中設(shè)定的閾值并不一致，機器學(xué)習(xí)算法的識別效果相對更優(yōu)。行為干預(yù)分為非實時干預(yù)和實時干預(yù)兩種，其中非實時干預(yù)包括安全教育和獎懲手段，部分研究采取兩種組合的干預(yù)方案。研究表明，兩種干預(yù)方式均對減少風(fēng)險駕駛行為或降低危險事件率有一定的效果，但效果的大小、持續(xù)性有所不同。此外，不同干預(yù)方法效果不同，同樣的干預(yù)方法對不同的駕駛?cè)?、風(fēng)險行為的干預(yù)效果也存在差異。

關(guān)鍵詞：駕駛行為；行為數(shù)據(jù)采集；風(fēng)險行為識別；行為干預(yù)；效果評估

Review of risk driving behaviorsidentification and intervention

LI Yan1， LIU Wenchao1， YOU Zhidong2

（1.Beijing Xiaoju Technology Co.， Ltd.， Beijing 100193，China； 2. The Key Laboratory of Ministry of Public Security of Road Traffic Safety， Wuxi 214151，China）

Abstract： The risk behavior of drivers has become the main cause of traffic accidents. Identifying and intervening risky driving behaviors are of great significance for improving road traffic safety. This paper reviews the research at home and abroad in terms of risk driving behavior identification， intervention methods， and intervention effectsevaluation. Data is collected through in-vehicle data recorder or smartphones， and risk behaviors are identified based on rules or machine learning algorithms. Rulesbased identification methods are simple and easy to interpret， but the thresholds set in various studies are not consistent， and the recognition effect of machine learning algorithms is relatively more excellent. Behavioral intervention is divided into non-realtime intervention and real-time intervention. Among them， non-real-time intervention includes safety education and reward and punishment methods. Some studies have adopted two combined intervention schemes. Studies have shown that both interventions have certain effects on reducing risky driving behavior or reducing the rate of safety related incidents， but the magnitude and persistence of the effects are different. In addition， different intervention methods have different effects， and the same intervention methods have different effects on different drivers and risk behaviors.

Keywords： Driving behavior； behaviordata collection； risk behavior identification； behavior intervention； effect evaluation

基金項目：道路交通安全公安部重點實驗室開放課題基金資助，駕駛風(fēng)險在線監(jiān)測評價方法與干預(yù)技術(shù)研究（2019ZDSYSKFKT02-1）

駕駛?cè)说娘L(fēng)險行為已成為道路交通事故的主要致因。2018年，全國因機動車駕駛?cè)诉`法行為造成的事故死亡人數(shù)占88.19%，其中未按規(guī)定讓行、酒后駕駛、超速行駛、未與前車保持安全距離肇事死亡人數(shù)分別占11.23%、6.82%、6.72%和4.30%[1]。因此，減少駕駛?cè)诵熊囘^程中的風(fēng)險行為，對提高道路交通安全水平具有重要意義。

研究表明，駕駛行為的影響因素分為三類：個體差異、暫時性能力損失、認(rèn)知與社會心理因素[2]。個體差異，指由于年齡、性別、駕駛經(jīng)驗與技能、個性與態(tài)度等不同，駕駛?cè)顺尸F(xiàn)出不同的行為表現(xiàn)；暫時性能力損傷，指某些因素導(dǎo)致駕駛?cè)顺霈F(xiàn)暫時性的行為能力損傷，如酒后駕駛、疲勞駕駛等；認(rèn)知與社會心理因素包括駕駛?cè)俗⒁饬卸取⑶榫w與感覺和社會心理因素，如使用手機、路怒、有無監(jiān)督等。此外，駕駛?cè)耸軙r空上或經(jīng)濟上的利益驅(qū)使，在明知有風(fēng)險的情況下依然可能做出不安全駕駛行為。風(fēng)險平衡理論認(rèn)為，駕駛?cè)丝偸遣粩嗟卣{(diào)整自身的駕駛行為，從而在自己可接受的風(fēng)險水平下獲得時空上或經(jīng)濟上的利益。風(fēng)險閾限模型則認(rèn)為只有當(dāng)駕駛?cè)说母兄L(fēng)險度超過了閾限時，駕駛?cè)瞬鸥淖兤湫袨閇3]。

基于駕駛行為的影響因素分析，學(xué)者們從駕駛技能、安全意識、風(fēng)險感知、駕駛?cè)诵睦淼确矫骈_展了風(fēng)險駕駛行為干預(yù)方法的研究，包括駕駛?cè)税踩僮髋嘤?xùn)、安全宣傳教育、獎懲措施、實時風(fēng)險警告提醒等手段，并通過實驗驗證其效果。因此，本文對國內(nèi)外風(fēng)險駕駛行為干預(yù)的相關(guān)研究進行綜述，包括風(fēng)險駕駛行為識別方法、行為干預(yù)方法、干預(yù)效果評估三部分。

1 風(fēng)險駕駛行為識別方法

1.1 駕駛行為數(shù)據(jù)采集

駕駛模擬器和自然駕駛數(shù)據(jù)采集技術(shù)是兩種主要的駕駛行為采集手段。駕駛模擬器是一種虛擬現(xiàn)實仿真設(shè)備，駕駛?cè)送ㄟ^模擬器的操作部件與虛擬的交通環(huán)境進行交互，駕駛模擬器實驗具有場景可控、可重復(fù)等特征，且能夠方便地采集駕駛?cè)说纳硇盘?，如腦電、眼動數(shù)據(jù)。自然駕駛數(shù)據(jù)采集技術(shù)則是通過各類傳感器和移動智能終端對車輛日常運行過程中的數(shù)據(jù)進行采集，場景真實且多樣化，采集的數(shù)據(jù)更貼近駕駛?cè)说恼鎸嶑{駛狀態(tài)。

已有研究與應(yīng)用中，自然駕駛行為數(shù)據(jù)的采集設(shè)備主要分為車載數(shù)據(jù)記錄設(shè)備和智能手機。車載數(shù)據(jù)記錄設(shè)備是指GPS監(jiān)控設(shè)備、車載診斷系統(tǒng)、自適應(yīng)巡航控制系統(tǒng)等安裝在車輛上的設(shè)備[4]。Mobileye屬于一種交互式的車載數(shù)據(jù)記錄設(shè)備，可以定期報告駕駛?cè)说男袨?，也可以在駕駛過程中實時提供聲音和燈光的提醒[5]。一些大型運輸企業(yè)在車輛上安裝了基于GPS和北斗等衛(wèi)星定位系統(tǒng)技術(shù)、GIS技術(shù)的運行監(jiān)控系統(tǒng)，用于識別駕駛?cè)艘恍┊惓ｑ{駛行為并進行提醒。智能手機的快速普及與應(yīng)用，為自然駕駛行為數(shù)據(jù)采集提供了便利[6-7]。手機上配備的加速度、陀螺儀、GPS、攝像頭等多種傳感器，可以用于識別和監(jiān)控駕駛?cè)说男袨?，包括超速、加減速、剎車、變道、轉(zhuǎn)彎、使用手機、疲勞駕駛等。

1.2 風(fēng)險駕駛行為識別

駕駛行為與事故風(fēng)險的關(guān)聯(lián)性一直是研究的重點，常用的駕駛安全性評價指標(biāo)包括急加速、急剎車、急轉(zhuǎn)彎、急變道等接近碰撞事件。此外，超速行駛、疲勞駕駛、分心駕駛等行為也容易導(dǎo)致交通事故，是駕駛安全研究的重點。

基于規(guī)則的識別方法是最為常見的風(fēng)險駕駛行為識別方法，其核心在于設(shè)定閾值。當(dāng)檢測到速度、加速度、角速度等參數(shù)超過設(shè)定的閾值時，即判定為出現(xiàn)風(fēng)險駕駛行為。超速是指速度超過道路標(biāo)明的限速或者營運公司規(guī)定的閾值速度。急剎車是日常駕駛中最頻繁的風(fēng)險行為，可以定義為減速度超過0.4g，急加速則被定義為加速度超過0.4g，急轉(zhuǎn)彎定義為轉(zhuǎn)彎時橫向加速度超過0.4g[8]。在McGehee等[9]的研究中，急加速和急剎車的閾值取0.5g，急轉(zhuǎn)彎的閾值取0.55g。研究表明安全變道的平均時間為5至6秒[10]，急變道是指車道變更持續(xù)時間較短的行為[11]。

除此之外，機器學(xué)習(xí)算法在風(fēng)險駕駛行為識別方面應(yīng)用越來越多，尤其是基于模糊邏輯[7，12]和動態(tài)時間規(guī)整的識別方法[13-15]。Castignani等[7]提出了基于模糊邏輯的駕駛行為分析方法，根據(jù)智能手機傳感器采集的數(shù)據(jù)，將駕駛行為分為正常、溫和以及激進三個等級。Saiprasert等[15]提出了基于動態(tài)時間規(guī)整的模式匹配算法檢測風(fēng)險駕駛行為，將70%的樣本數(shù)據(jù)作為訓(xùn)練集，30%作為測試集，發(fā)現(xiàn)該算法優(yōu)于基于規(guī)則的識別方法。Ferreira等[16]比較了人工神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機森林和貝葉斯網(wǎng)絡(luò)四種機器學(xué)習(xí)算法的識別效果，隨機森林在急轉(zhuǎn)彎、急加速和急剎車識別方面表現(xiàn)最優(yōu)，其次人工神經(jīng)網(wǎng)絡(luò)在急變道識別方面優(yōu)于隨機森林。

疲勞駕駛的識別方法相對多樣化，包括基于車輛操控行為、車輛運行狀態(tài)、生理信息、機器視覺等方法。車輛操控行為是指駕駛?cè)藢Ψ较虮P的操控，Mortazavi等[18]發(fā)現(xiàn)，駕駛?cè)藢Ψ较虮P的操控能力在疲勞狀態(tài)下會明顯下降，通過檢測方向盤的操作信息，能夠?qū)崿F(xiàn)對疲勞駕駛的判別。車輛運行狀態(tài)是指偏離車道、異常轉(zhuǎn)向以及異常加速等行車狀態(tài)，F(xiàn)riedrichs[19]提取車輛橫向位置指標(biāo)，利用神經(jīng)網(wǎng)絡(luò)算法建立監(jiān)測模型，該模型識別精度達到了84%?；谏硇畔⒌淖R別方法中，采用的心理指標(biāo)包括腦電信號[20]、心電信號[21]和肌電信號[22]等，Patel等[21]以心率變異性作為特征參數(shù)，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型對疲勞駕駛進行識別，準(zhǔn)確率達到90%?；跈C器視覺的識別方法是通過圖像識別設(shè)備捕捉駕駛?cè)祟^部、面部等變化來識別，包括閉眼情況[23]、眼睛注視方向[24]、頭部位置[25]、打哈欠[26]等。

2 行為干預(yù)方法

2.1 非實時干預(yù)方法

非實時干預(yù)方法是指基于采集的風(fēng)險駕駛行為數(shù)據(jù)，對駕駛安全性進行評價，開展針對性安全教育或通過獎懲等激勵手段，以達到改善風(fēng)險駕駛行為的目的。

2.1.1 安全教育

開展安全教育是較為常見的非實時行為干預(yù)方法。安全教育的材料主要包括直觀材料和間接材料兩種類型。直觀材料包括視頻、照片等直接記錄了駕駛?cè)孙L(fēng)險駕駛行為的材料，能夠使駕駛?cè)酥庇^地觀看風(fēng)險駕駛行為引發(fā)危險交通事件的過程。間接的教育材料是指通過行為觀測和分析后，制作的分析報告、警告信等材料，材料沒有直接展示危險交通事件的發(fā)生過程，但是描述了駕駛?cè)孙L(fēng)險駕駛行為的特點，并提出了針對性的改善建議。

Hickman和Hanowski[27-28] 以及Hickman等[29]利用車載安全監(jiān)控系統(tǒng)對營運駕駛?cè)说奈ｋU交通事件和風(fēng)險駕駛行為數(shù)據(jù)進行采集，當(dāng)營運企業(yè)的管理者認(rèn)為有必要的時候，使用視頻材料對駕駛?cè)诉M行安全教育，頻率不固定。Bell等[30]的研究中，首先根據(jù)風(fēng)險駕駛行為對駕駛?cè)诉M行評級，管理者每周對風(fēng)險最高的駕駛?cè)耍?級和4級）基于視頻片段進行一對一的教育。同濟大學(xué)王雪松等[31]與營運企業(yè)合作，采集貨運駕駛?cè)诵袨閿?shù)據(jù)，提取風(fēng)險駕駛行為視頻片段并制作分析報告，分別采取面對面分析行為視頻片段、電話講解行為分析報告的方式進行駕駛?cè)税踩逃oledo和Lotan[32]在干預(yù)期讓駕駛?cè)说卿浘W(wǎng)站查看自己的風(fēng)險行為視頻片段、分析報告，同時也能查看所有駕駛?cè)说钠骄L(fēng)險水平。

然而，McGehee等[9，34]的研究表明，干預(yù)期間危險駕駛?cè)说钠骄ｋU事件率有了明顯的下降，安全駕駛?cè)藙t沒有顯著變化，在40周后停止干預(yù)，接下來的8周內(nèi)繼續(xù)觀察駕駛?cè)说娘L(fēng)險行為，發(fā)現(xiàn)危險事件率與干預(yù)期相比沒有明顯變化。Toledo和Shiftan[40]基于干預(yù)前的駕駛行為數(shù)據(jù)，將駕駛?cè)朔譃榘踩?、中等、危險三個等級，發(fā)現(xiàn)兩周一次的干預(yù)對安全和中等水平的駕駛?cè)诵袨闆]有影響，但危險駕駛?cè)说奈ｋU事件率明顯降低。Choudhary等[41]基于保險公司采集的駕駛行為數(shù)據(jù)進行研究，駕駛?cè)藭谛谐探Y(jié)束后收到本次行程的評分、累計評分和所能享受的保險折扣信息，結(jié)果表明，該干預(yù)措施對改善風(fēng)險駕駛行為沒有積極的作用，但駕駛?cè)耸盏降驮u分時，短期內(nèi)駕駛行為會有所改善。

此外，不同干預(yù)方法的效果也存在差異。Bell等[30]對比了兩種干預(yù)策略的效果，發(fā)現(xiàn)僅進行實時干預(yù)，駕駛?cè)说娘L(fēng)險行為頻率較干預(yù)前有所下降，但與對照組（無干預(yù)）相比下降并不顯著，另一組采取的是實時干預(yù)加定期安全教育的干預(yù)方法，風(fēng)險行為頻率較對照組有顯著的下降。同樣的干預(yù)方法對于不同風(fēng)險行為的效果也不同。Kim等[36]發(fā)現(xiàn)，經(jīng)過安全教育后，駕駛?cè)说募奔铀?、急轉(zhuǎn)彎、急減速行為均有所減少，其中急加速行為下降速度最快。Mcgehee等[9]的研究中，發(fā)現(xiàn)干預(yù)對急轉(zhuǎn)彎行為有改善作用，但是駕駛?cè)说募眲x車行為并沒有明顯下降。

4 結(jié)論

車載數(shù)據(jù)記錄設(shè)備和智能手機是當(dāng)前主流的自然駕駛行為數(shù)據(jù)采集設(shè)備，其中車載數(shù)據(jù)記錄設(shè)備一般應(yīng)用于運輸企業(yè)的車輛，智能手機更多地應(yīng)用于私家車，駕駛?cè)酥恍柙谑謾C上安裝相應(yīng)的應(yīng)用程序，即可采集數(shù)據(jù)，也能通過視聽的方式進行實時的交互。

風(fēng)險駕駛行為的識別方法呈現(xiàn)多樣化，包括基于規(guī)則的識別方法與基于機器學(xué)習(xí)算法進行識別?；谝?guī)則的識別方法簡單易理解，但各研究中設(shè)定的閾值并不一致，機器學(xué)習(xí)算法的識別效果相對更優(yōu)。

行為干預(yù)方法分為非實時干預(yù)和實時干預(yù)兩種，其中非實時干預(yù)包括安全教育和獎懲手段，多數(shù)研究中采取非實時和實時組合的干預(yù)方案。多數(shù)研究表明，兩種干預(yù)方式均對減少風(fēng)險駕駛行為或降低危險事件率有一定的效果，但效果的大小、持續(xù)性有所不同。此外，不同干預(yù)方法效果不同，同樣的干預(yù)方法對不同的駕駛?cè)?、風(fēng)險行為的干預(yù)效果也存在差異。

參考文獻

[1] 公安部交通管理局.道路交通事故統(tǒng)計年報[M].2018.

[2] 段冀陽，李志忠. 風(fēng)險駕駛行為影響因素的研究綜述[J]. 人類工效學(xué)，2013（02）：88-93.

[3] 楊京帥. 預(yù)防道路交通事故的駕駛行為干預(yù)技術(shù)分析[J]. 人類工效學(xué)，2005（03）：40-42.

[4] Zhang C ， Patel M ， Buthpitiya S ， et al. Driver Classification Based on Driving Behaviors[C]// International Conference on Intelligent User Interfaces. ACM， 2016.

[5] Albert G ，Musicant O ， Lotan T ， et al. Evaluating Changes in the Driving Behavior of Young Drivers A Few Years After Licensure Using In-Vehicle Data Recorders[C]// Driving Assessment Conference. 2017.

[6] Arroyo C ，Bergasa L M ， Romera E . Adaptive fuzzy classifier to detect driving events from the inertial sensors of a smartphone[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. IEEE， 2016.

[7] CastignaniG ，Derrmann T ， Frank R ， et al. Driver Behavior Profiling Using Smartphones： A LowCost Platform for Driver Monitoring[J]. IEEE Intelligent Transportation Systems Magazine， 2015， 7（1）：91-102.

[8] Bergasa L M ， Daniel Almería， Javier Almazán， et al. DriveSafe： an App for Alerting Inattentive Drivers and Scoring Driving Behaviors[C]// IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2014.

[9] Mcgehee D V ， Raby M ， Carney C ， et al. Extending parental mentoring using an event-triggered video intervention in rural teen drivers[J]. Journal of Safety Research， 2007， 38（2）：215-227.

[10] Toledo T， Zohar D. Modeling duration of lane changes[J]. Transportation Research Record， 2007， 1999（1）： 71-78.

[11] Levi-Bliech M， Kurtser P， Pliskin N， et al. Mobile apps and employee behavior： An empirical investigation of the implementation of a fleet-management app[J]. International Journal of Information Management， 2019， 49： 355-365.

[12] Araujo R， Igreja A， de Castro R， Araujo RE. Driving coach： A smartphone application to evaluate driving efficient patterns. In： Intelligent Vehicles Symposium （IV）， 2012 IEEE； 2012. p. 1005-1010.

[13] Johnson DA， Trivedi MM. Driving style recognition using a smartphone as a sensor platform. In： Intelligent Transportation Systems （ITSC）， 2011 14th International IEEE Conference on； 2011. p. 1609-1615.

[14] Eren H， Makinist S， Akin E， Yilmaz A. Estimating driving behavior by a smartphone. In： Intelligent Vehicles Symposium （IV）， 2012 IEEE； 2012. p. 234-239.

[15] Saiprasert C， Thajchayapong S， Pholprasit T， Tanprasert C. Driver behaviour profiling using smartphone sensory data in a V2I environment. In： Connected Vehicles and Expo （ICCVE）， 2014 International Conference on； 2014. p. 552-557.

[16] Ferreira J ， Carvalho E ， Ferreira B V ， et al. Driver behavior profiling： An investigation with different smartphone sensors and machine learning[J]. Plos One， 2017， 12（4）：1-16.

[17] You C W ， Montes-De-Oca M ， Bao T J ， et al. CarSafe： A driver safety app that detects dangerous driving behavior using dual-cameras on smartphones[C]// Proceedings of the 2012 ACM Conference on Ubiquitous Computing. ACM， 2012.

[18] EskandarianA ， Mortazavi A . Evaluation of a Smart Algorithm for Commercial Vehicle Driver Drowsiness Detection[C]// Intelligent Vehicles Symposium， 2007 IEEE. IEEE， 2007.

[19] Friedrichs F，Yang Bin. Drowsiness monitoring by steering and lanedata based feathers under real driving conditions[C]//18th European SignalProcessing Conference，Aalborg，2010：23 27.

[20] Lal S K L ， Craig A ， Boord P ， et al. Development of an algorithm for an EEG-based driver fatigue countermeasure[J]. Journal of Safety Research， 2003， 34（3）：321-328.

[21] M.Patel，S.K.L.Lai et al. Applying neural network analysis on heart ratevariability data to assess driver fatigue[J]. Expert Systems withApplications，2011，38（6）：7235-7242.

[22] HostensI ， Ramon H . Assessment of muscle fatigue in low level monotonous task performance during car driving[J]. Journal of Electromyography and Kinesiology， 2005， 15（3）：0-274.

[23] Albu A B ，Widsten B ， Wang T ， et al. A computer vision-based system for real-time detection of sleep onset in fatigued drivers[C]// Intelligent Vehicles Symposium， 2008 IEEE. IEEE， 2008.

[24] Batista J. A Drowsiness and Point of Attention Monitoring System forDriver Vigilance[C]//Intelligent Transportation Systems Conference ，2007.ITSC 2007. IEEE. IEEE，2007：702 - 708.

[25] Lee D，Oh S，Heo S，et al. Drowsy Driving Detection Based on theDrivers Head Movement using Infrared Sensors[J]. in Proceedings of the2nd International Symposium on Universal Communication，2008：231-236.

[26] Fan X ， Yin B C ， Sun Y F . Yawning Detection for Monitoring Driver Fatigue[C]// International Conference on Machine Learning & Cybernetics. IEEE， 2007.

[27] Hickman J， Hanowski R. Evaluating the safety benefits of a low-cost driving behavior management system in commercial vehicle operations[R]. Washington D.C： Federal Motor Carrier Safety Administration，2009.

[28] Hickman J， Hanowski R. Use of a video monitoring approach to reduce at-risk driving behaviors[J]. Transportation Research Part F，2011，14： 189-198.

[29] Hickman J， Hanowski R， Ajayi O. Evaluation of an onboard safety monitoring device in commercial vehicle operations [C]. The Fifth International Driving Symposium on Human Factors in Driver Assessment， Training and Vehicle Design，2005.

[30] Bell J L ， Taylor M A ， Chen G X ， et al. Evaluation of an in-vehicle monitoring system （IVMS） to reduce risky driving behaviors in commercial drivers： Comparison of in-cab warning lights and supervisory coaching with videos of driving behavior[J]. Journal of Safety Research， 2017， 60：125-136.

[31] Wang X ， Xing Y ， Luo L ， et al. Evaluating the effectiveness of Behavior-Based Safety education methods for commercial vehicle drivers[J]. Accident Analysis & Prevention， 2018， 117：114-120.

[32] Toledo T， Lotan T. In-vehicle data recorder for evaluation of driving behavior and safety[J]. Transportation Research Record， 2006， 1953（1）： 112-119.

[33] 王罡. 基于UBI的車輛個性化保險費率厘定模式研究與應(yīng)用[D].中國科學(xué)院大學(xué)，2017.

[34] Mcgehee D V ， Carney C ， Raby M ， et al. The impact of an event-triggered video intervention on rural teenage driving [C]. Fourth International Driving Symposium， 2007.

[35] Levick N， Swanson J. An optimal solution for enhancing ambulance safety： implementing a driver performance feedback and monitoring device in ground emergency medical service vehicles[C]. 49th annual proceedings Association： For The Advancement of Automotive Medicine， 2005.

[36] Kim D， Lee C， Park B J. Use of digital tachograph data to provide traffic safety education and evaluate effects on bus driver behavior[J]. Transportation research record， 2016， 2585（1）： 77-84.

[37] Toledo T， Musicant O， Lotan T. In-vehicle data recorders for monitoring and feedback on driversbehavior [J]. Transportation Research Part C， 2008，16： 320-331.

[38] 羅楝，王雪松，余榮杰，等.營運駕駛?cè)诵袨榘踩逃Ч芯縖J]. 中國安全科學(xué)學(xué)報，2016，26（9）：124-128.

[39] Musicant O， Lotan T， Toledo T. Safety correlation and implications of an in-vehicle data recorder on driver behavior [C]. Washington D.C： Transportation Research Board Annual Meeting，2007.

[40] Toledo G， Shiftan Y. Can feedback from invehicle data recorders improve driver behavior and reduce fuel consumption？[J]. Transportation Research Part A： Policy and Practice， 2016， 94： 194-204.

[41] Choudhary V， Shunko M， Netessine S. Does Immediate Feedback Make You Try Less Hard？ A Study of Automotive Telematics[J]. 2019.