Temporal Dynamics and Explainable Risk Factors of Traffic Fatalities: A Large-Scale Study Using PRF Brazil Data (2020-2024)
تستخدم هذه الدراسة مجموعة بيانات واسعة النطاق من شرطة الطرق السريعة الفيدرالية البرازيلية (2020-2024) لإثبات أن نموذج LightGBM الحساس للتكلفة، والذي تم التحقق من صحته من خلال التقسيم الزمني الصارم والقابلية للتفسير القائمة على قيم SHAP، يتفوق على أساليب التجميع الأخرى في التنبؤ بوفيات حركة المرور مع تحديد عوامل الخطر الرئيسية لتوجيه سياسات السلامة الاستباقية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل عام، يفقد أكثر من مليون شخص حياتهم في حوادث المرور حول العالم. هذه ليست مجرد إحصائيات؛ بل تمثل تحدياً عميقاً للسلامة العامة يؤثر على المجتمعات والاقتصادات والعائلات في كل مكان. وبينما تتسم أسباب هذه الحوادث بالتعقيد، حيث تشمل كل شيء بدءاً من سلوك السائق وحالة المركبات وصولاً إلى الطقس وتصميم الطرق، تظل المشكلة الجوهرية كما هي: كيف يمكننا التنبؤ بالحوادث التي يُحتمل أن تكون مميتة قبل وقوعها؟ لعقود من الزمن، حاول الباحثون الإجابة على هذا السؤال من خلال النظر في البيانات التاريخية، لكن الأساليب المستخدمة لتحليل تلك البيانات كانت غالباً محدودة. فالمناهج التقليدية قد تغفل أحياناً عن الروابط غير الخطية الدقيقة بين عوامل الخطر المختلفة، وغالباً ما تفشل في مراعاة كيفية تغير أنماط حركة المرور بمرور الوقت. وفي عصر تتغير فيه أنماط التنقل بسرعة — كما حدث أثناء الجائحة العالمية — قد لا تعكس النماذج المدربة على بيانات قديمة المخاطر الحقيقية للطرق اليوم. ولتحسين السلامة حقاً، نحتاج إلى أدوات يمكنها التعلم من كميات هائلة من المعلومات، والتكيف مع الظروف الجديدة، وتفسير السبب وراء توقعاتها بدقة.
هذا هو التحدي الذي تولى معالجته فريق من الباحثين من إندونيسيا وأستراليا، الذين وجهوا اهتمامهم إلى شبكة الطرق السريدة الفيدرالية المترامية الأطراف في البرازيل. لقد سعوا لفهم العوامل المحددة التي تحول حادث المرور إلى مأساة، باستخدام مجموعة بيانات ضخمة تضم أكثر من 2.5 مليون سجل لحوادث جُمعت بين عامي 2020 و2024. كانت هذه الفترة مهمة بشكل خاص لأنها رصدت التحول الدراماتيكي في كيفية تنقل الناس خلال وبعد الجائحة العالمية. ففي بداية الأزمة، تسببت عمليات الإغلاق الصارمة في انخفاض حاد في حركة التنقل، ولكن مع تخفيف القيود، بدأت أنماط حركة المرور في العودة إلى طبيعتها بطرق لم تكن متوقعة على الفور. أراد الباحثون معرفة ما إذا كان بإمكانهم بناء نظام حاسوبي قادر على التعلم من حوادث السنوات القليلة الماضية للتنبؤ بدقة بمخاطر الوفاة في العام الأخير، وهو اختبار لقدرة النموذج على التعامل مع التغيرات في العالم الحقيقي بدلاً من مجرد حفظ البيانات القديمة.
وللقيام بذلك، استخدم الفريق نهجاً متطوراً يُعرف بتعلم الآلة، وتحديداً باستخدام ثلاثة أنواع قوية من الخوارزميات التي تعمل مثل المحققين الرقميين. هذه الخوارزميات، المعروفة باسم "الغابة العشوائية" (Random Forest)، و"XGBoost"، و"LightGBM"، مصممة لغربلة آلاف المتغيرات للعثور على أنماط قد يغفل عنها البشر. وقد غدّوا هذه الأنظمة ببيانات تشمل كل شيء، بدءاً من نوع المركبة المعنية وظروف الطقس، وصولاً إلى الوقت المحدد من اليوم ونوع الطريق الذي وقع فيه الحادث. ومن الأهمية بمكان أن الباحثين لم يخلطوا السنوات معاً بشكل عشوائي؛ بل قاموا بتدريب النماذج على بيانات من عام 2020 حتى 2023، ثم طلبوا منها التنبؤ بنتائج الحوادث التي وقعت في عام 2024. إن طريقة الاختبار "خارج الزمن" هذه هي وسيلة صارمة لمعرفة ما إذا كان النموذج يمكنه حقاً تعميم معرفته على مستقبل جديد، بدلاً من مجرد استرجاع الماضي.
كانت نتائج هذه التجربة كاشفة. فبينما أدت جميع النماذج الحاسوبية الثلاثة أداءً جيداً إلى حد ما في التمييز بين الحوادث التي أسفرت عن إصابات وتلك التي لم تسفر عنها، برزت خوارزمية واحدة كالأكثر فعالية في رصد الحالات الأكثر خطورة. فقد أثبت نموذج "LightGBM" أنه الأكثر حساسية، حيث نجح في تحديد نسبة مئوية أعلى من الحوادث المميتة مقارنة بمنافسيه. فقد رصد بدقة حوالي 68 بالمئة من الحوادث التي انتهت بالوفاة، وهو تحسن ملحوظ عن النماذح الأخرى التي أغفلت العديد من هذه الأحداث الحرجة. ومع ذلك، جاءت هذه الحساسية العالية مع مقايضة؛ إذ كان النموذج عرضة أيضاً لإطلاق إنذارات كاذبة، حيث يتنبأ أحياناً بوفاة في حالات لم تحدث فيها وفاة. وهذا يعني أنه بينما يعد النظام ممتازاً في إلقاء شبكة واسعة للإمساك بالمآسي المحتملة، إلا أنه ليس مثالياً بعد ليكون صانع قرار وحيد للسياسات دون مزيد من التطوير.
لعل المساهمة الأكثر قيمة لهذه الدراسة تتجاوز مجرد أرقام التنبؤ البسيطة. ولأن هذه النماذج الحاسوبية المتقدمة يمكن أن تعمل أحياناً كـ "صناديق سوداء" — أي تتخذ قرارات دون شرح كيفية اتخاذها — فقد استخدم الباحثون تقنية تسمى "SHAP" لرفع الستار عن آلية عملها. سمحت هذه الطريقة للباحثين برؤية العوامل التي كانت تقود التوقعات بدقة. ووجدوا أن خطر حدوث نتيجة مميتة لم يكن ناتجاً عن سبب واحد، بل عن تفاعل معقد لعدة عناصر رئيسية. كان نوع الطريق هو العامل الأكثر تأثيراً؛ فعلى سبيل المثال، كانت الطرق ذات المسارين والتي تفتقر إلى الحواجز أكثر خطورة بكثير من التكوينات الأخرى. كما أن طبيعة الاصطدام كانت مهمة للغاية، حيث حملت حوادث التصادم وجهاً لوجه مخاطر وفاة أعلى بكثير من أنواع أخرى. علاوة على ذلك، لعب الوقت من اليوم دوراً حاسماً، حيث كانت الحوادث التي تقع خلال ساعات انخفاض الرؤية أو ارتفاع مستويات إجهاد السائقين أكثر عرضة لتكون شديدة.
كما كشفت الدراسة كيف تعمل هذه العوامل معاً. فعلى سبيل المثال، يمكن أن تزداد خطورة نوع معين من الطرق إذا وقع الحادث ليلاً، أو إذا كانت مركبة أقل حماية، مثل الدراجة النارية، متورطة في تصادم عالي السرعة. تشير هذه التفاعلات إلى أن السلامة لا تتعلق فقط بإصلاح مشكلة واحدة، بل بفهم كيفية اصطدام تصميم الطريق ونوع المركبة والسلوك البشري في لحظات محددة. وأكد الباحثون أن نتائجهم ليست حلاً نهائياً، بل هي أداة قوية للفحص والتقييم. إن قدرة النموذج على تسليط الضوء على سيناريوهات عالية المخاطر يمكن أن تساعد السلطات في تحديد أولويات تثبيت حواجز السلامة، وأماكن زيادة الدوريات، وأماكن فرض حدود السرعة بصرامة أكبر.
في نهاية المطاف، يوضح هذا البحث أنه من خلال الجمع بين البيانات واسعة النطاق والذكاء الاصطناعي المتقدم والقابل للتفسير، يمكننا الحصول على صورة أوضح للقوى الخفية التي تؤدي إلى وفيات المرور. وتؤكد الدراسة أنه بينما لا يمكن لأي نموذج بمفرده التنبؤ بالمستقبل بشكل مثالي، فإن الأدوات الصحيحة يمكنها تحديد التركيبات الأكثر خطورة من الطريق والمركبة والوقت. ومن خلال فهم هذه الأنماط، يمكن لصناع السياسات الانتقال من التدابلات التفاعلية إلى الاستراتيجيات الاستباقية، مما قد ينقذ الأرواح عبر معالجة الظروف المحددة التي تحول رحلة روتينية إلى حادث مميت. ويعمل هذا العمل كتذكير بأنه في العالم المعقد لسلامة الطرق، يكمن الطريق نحو الأمام في البيانات التي لا تُحلل فحسب، بل تُفهم حقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.