Temporal Dynamics and Explainable Risk Factors of Traffic Fatalities: A Large-Scale Study Using PRF Brazil Data (2020-2024)

Jedes Jahr verlieren mehr als eine Million Menschen ihr Leben bei Verkehrsunfällen auf der ganzen Welt. Dies sind nicht nur Statistiken; sie repräsentieren eine tiefgreifende Herausforderung für die öffentliche Sicherheit, die Gemeinschaften, Volkswirtschaften und Familien überall betrifft. Während die Ursachen dieser Unfälle komplex sind und von allem – vom Fahrerverhalten und dem Zustand der Fahrzeuge bis hin zum Wetter und dem Straßendesign – reichen, bleibt das Kernproblem dasselbe: Wie können wir vorhersagen, welche Unfälle wahrscheinlich tödlich verlaufen werden, bevor sie geschehen? Jahrzehntelang haben Forscher versucht, dies durch die Analyse historischer Daten zu beantworten, doch die Methoden zur Analyse dieser Daten waren oft begrenzt. Traditionelle Ansätze übersehen manchmal die subtilen, nicht-linearen Verbindungen zwischen verschiedenen Risikofaktoren und versäumen es häufig, zu berücksichtigen, wie sich Verkehrsmuster im Laufe der Zeit verändern. In einer Ära, in der sich die Mobilität rasant verändert – etwa während einer globalen Pandemie –, könnten Modelle, die auf alten Daten trainiert wurden, die Gefahren der heutigen Straßen nicht mehr genau widerspiegeln. Um die Sicherheit wirklich zu verbessern, benötigen wir Werkzeuge, die in der Lage sind, aus riesigen Mengen an Informationen zu lernen, sich an neue Bedingungen anzupassen und genau zu erklären, warum sie bestimmte Vorhersagen treffen.

Dies ist die Herausforderung, mit der sich ein Team von Forschern aus Indonesien und Australien befasste, die ihr Augenmerk auf das weitläufige Netz der Bundesstraßen in Brasilien richteten. Sie wollten verstehen, welche spezifischen Faktoren einen Verkehrsinzident in eine Tragödie verwandeln, indem sie einen massiven Datensatz von über 2,5 Millionen Unfallberichten verwendeten, die zwischen 2020 und 2024 gesammelt wurden. Dieser Zeitraum war besonders bedeutsam, da er den dramatischen Wandel in der Art und Weise, wie sich Menschen während und nach der globalen Pandemie bewegten, einfing. Zu Beginn der Krise führten strenge Lockdowns dazu, dass das Reiseaufkommen drastisch sank, aber als die Beschränkungen gelockert wurden, begannen sich die Verkehrsmuster auf eine Weise zu normalisieren, die nicht sofort vorhersehbar war. Die Forscher wollten wissen, ob sie ein Computersystem entwickeln konnten, das aus den Unfällen der letzten Jahre lernen kann, um das Sterberisiko im jüngsten Jahr genau vorherzusagen – ein Test dafür, ob das Modell in der Lage ist, mit realen Veränderungen umzugehen, anstatt nur die Vergangenheit auswendig zu lernen.

Um dies zu erreichen, wandte das Team einen hochentwickelten Ansatz namens maschinelles Lernen an, wobei sie speziell drei leistungsstarke Arten von Algorithmen nutzten, die wie digitale Detektive agieren. Diese Algorithmen, bekannt als Random Forest, XGBoost und LightGBM, sind darauf ausgelegt, tausende von Variablen zu durchsieben, um Muster zu finden, die Menschen vielleicht übersehen würden. Sie speisten diese Systeme mit Daten zu allem – vom Typ des beteiligten Fahrzeugs und den Wetterbedingungen bis hin zur spezifischen Tageszeit und der Art der Straße, auf der der Unfall geschah. Entscheidend war, dass die Forscher die Jahre nicht wahllos vermischten. Stattdessen trainierten sie die Modelle mit Daten aus den Jahren 2020 bis 2023 und baten sie dann, die Ergebnisse der Unfälle vorherzusagen, die im Jahr 2024 stattfanden. Diese „Out-of-Time“-Testmethode ist ein strenges Verfahren, um zu sehen, ob ein Modell sein Wissen tatsächlich auf eine neue Zukunft generalisieren kann, anstatt nur die Vergangenheit abzurufen.

Die Ergebnisse dieses Experiments waren aufschlussreich. Während alle drei Computermodelle vern reasonably gut darin waren, zwischen Unfällen, die zu Verletzungen führten, und solchen, die dies nicht taten, zu unterscheiden, stach ein Algorithmus als der effektivste bei der Identifizierung der gefährlichsten Fälle hervor. Das LightGBM-Modell erwies sich als das sensitivste und identifizierte erfolgreich einen höheren Prozentsatz tödlicher Unfälle als seine Konkurrenten. Es erkannte korrekt etwa 68 Prozent der Unfälle, die in einem Todesfall endeten, was eine signifikante Verbesserung gegenüber den anderen Modellen darstellte, die viele dieser kritischen Ereignisse übersahen. Diese hohe Sensitivität ging jedoch mit einem Kompromiss einher: Das Modell neigte auch dazu, Fehlalarme auszulösen, indem es manchmal einen Todesfall vorhersagte, wo keiner eintrat. Das bedeutet, dass das System zwar exzellent darin ist, ein weites Netz auszuwerfen, um potenzielle Tragödien zu erfassen, aber noch nicht perfekt genug ist, um ohne weitere Verfeinerung der alleinige Entscheidungsträger für die Politik zu sein.

Der vielleicht wertvollste Beitrag dieser Studie geht über einfache Vorhersagezahlen hinaus. Da diese fortschrittlichen Computermodelle manchmal wie „Black Boxes“ agieren können – also Entscheidungen treffen, ohne zu erklären, wie –, nutzten die Forscher eine Technik namens SHAP, um den Vorhang beiseite zu schieben. Diese Methode ermöglichte es den Forschern zu sehen, welche Faktoren genau die Vorhersagen beeinflussten. Sie fanden heraus, dass das Risiko eines tödlichen Ausgangs nicht durch eine einzige Ursache bestimmt wurde, sondern durch ein komplexes Zusammenspiel mehrerer Schlüsselelemente. Die Art der Straße war der einflussreichste Faktor; zum Beispiel waren zweispurige Straßen ohne Barrieren signifikant gefährlicher als andere Konfigurationen. Die Art der Kollision selbst spielte eine große Rolle, wobei Frontalunfälle ein viel höheres Sterberisiko bargen als andere Arten. Darüber hinaus spielte die Tageszeit eine entscheidende Rolle, da Unfälle während Stunden mit geringer Sichtbarkeit oder hoher Fahrerermüdung wahrscheinlicher schwerwiegend waren.

Die Studie deckte auch auf, wie diese Faktoren zusammenwirken. Beispielsweise konnte die Gefahr eines bestimmten Straßentyps verstärkt werden, wenn der Unfall nachts geschah oder wenn ein weniger geschütztes Fahrzeug, wie ein Motorrad, in eine Kollision mit hoher Geschwindigkeit verwickelt war. Diese Interaktionen legen nahe, dass Sicherheit nicht nur daraus besteht, ein einzelnes Problem zu beheben, sondern zu verstehen, wie Straßendesign, Fahrzeugtyp und menschliches Verhalten in spezifischen Momenten aufeinanderprallen. Die Forscher betonten, dass ihre Erkenntnisse keine endgültige Lösung sind, sondern vielmehr ein mächtiges Werkzeug zur Risikobewertung. Die Fähigkeit des Modells, Hochrisikoszenarien hervorzuheben, kann Behörden dabei helfen, Prioritäten zu setzen, wo Sicherheitsbarrieren installiert, wo Patrouillen verstärkt und wo Geschwindigkeitsbegrenzungen strenger durchgesetzt werden sollten.

Letztendlich zeigt diese Forschung, dass wir durch die Kombination von groß angelegten Daten mit fortschrittlicher, erklärbarer künstlicher Intelligenz ein klareres Bild der unsichtbaren Kräfte gewinnen können, die zu Verkehrstoten führen. Die Studie bestätigt, dass, obwohl kein einzelnes Modell die Zukunft perfekt vorhersagen kann, die richtigen Werkzeuge die gefährlichsten Kombinationen aus Straße, Fahrzeug und Zeit identifizieren können. Durch das Verständnis dieser Muster können politische Entscheidungsträger von reaktiven Maßnahmen zu proaktiven Strategien übergehen und potenziell Leben retten, indem sie die spezifischen Bedingungen adressieren, die eine routinemäßige Fahrt in ein tödliches Ereignis verwandeln. Die Arbeit dient als Erinnerung daran, dass der Weg nach vorn in der komplexen Welt der Verkehrssicherheit in Daten liegt, die nicht nur analysiert, sondern wirklich verstanden werden.