From Canopy to Collision: A Hybrid Predictive Framework for Identifying Risk Factors in Tree-Involved Traffic Crashes

Resumen Técnico: De la Copa a la Colisión: Un Marco Predictivo Híbrido para Identificar Factores de Riesgo en Accidentes de Tráfico Involucrando Árboles

Enunciado del Problema
Los accidentes que involucran árboles representan un subconjunto crítico de las colisiones fuera de la calzada (ROR), caracterizados por resultados de lesiones y fatalidades desproporcionadamente graves en comparación con otros tipos de accidentes. Los datos nacionales indican que las colisiones con árboles representan aproximadamente una cuarta parte de todas las fatalidades que involucran objetos fijos. La alta gravedad se deriva de la incompatibilidad biomecánica entre las estructuras rígidas de los árboles y los sistemas de absorción de energía de los vehículos; los árboles actúan como objetos estrechos e indeformables que concentran las fuerzas de colisión, a menudo eludiendo las trayectorias de carga estructurales y causando una intrusión severa en el compartimento de los ocupantes. A pesar de su gravedad, los accidentes que involucran árboles han recibido una atención limitada en la investigación sobre la gravedad de los accidentes en comparación con la literatura más amplia sobre objetos fijos, y los estudios existentes a menudo dependen de métodos estadísticos tradicionales que luchan por capturar relaciones complejas, no lineales y efectos de interacción entre las causas multifactoriales (factores del vehículo, del conductor, de la vía y ambientales).

Metodología
Para abordar estas brechas, los autores desarrollaron un marco analítico híbrido que integra el aprendizaje automático (ML) con la modelación estadística tradicional para analizar la base de datos del Sistema de Muestreo de Informes de Accidentes (CRSS) que abarca de 2020 a 2023. El estudio utilizó una muestra de 3.778 accidentes que involucraron árboles, filtrando resultados de lesiones (excluyendo daños a la propiedad únicamente) y agregando la gravedad de las lesiones en una clasificación binaria: Fatal/Incapacitante (KA) frente a No Incapacitante/Possible (BC).

El proceso de modelado siguió un flujo de trabajo de cuatro pasos:

1. Clasificación CatBoost: Se empleó un algoritmo de árboles de decisión de gradiente de refuerzo (CatBoost) para identificar factores clave asociados con la gravedad binaria de las lesiones en los accidentes. CatBoost fue seleccionado por su manejo superior de variables categóricas y su capacidad para prevenir la filtración de objetivos mediante refuerzo ordenado y estadísticas de objetivos ordenadas.
2. Interpretabilidad SHAP: Se aplicó la herramienta SHapley Additive exPlanations (SHAP) al modelo CatBoost para cuantificar y visualizar los efectos marginales de los factores más influyentes. Este paso proporcionó clasificaciones de importancia de características y efectos direccionales (por ejemplo, si un factor aumenta o disminuye el riesgo de gravedad).
3. Regresión Logística Binaria: Guiados por las perspectivas de SHAP, se desarrolló un modelo de regresión logística binaria para estimar estadísticamente los efectos de los factores y validar las medidas de importancia derivadas del ML. La multicolinealidad se evaluó utilizando el V de Cramér, y se eliminaron las variables altamente correlacionadas para garantizar la estabilidad del modelo.
4. Análisis de Interacción: Se generaron gráficos de interacción SHAP para examinar los efectos combinados de los factores contribuyentes clave, revelando relaciones no lineales y mecanismos de riesgo sinérgicos.

Contribuciones Clave

• Marco Híbrido: El estudio avanza el análisis de la gravedad de los accidentes al integrar el poder predictivo y el reconocimiento de patrones del ML (CatBoost) con la transparencia inferencial y la cuantificación del tamaño del efecto de la regresión logística.
• Descubrimiento de Interacciones: A diferencia de estudios anteriores que a menudo se centran en efectos principales, este marco identifica y cuantifica explícitamente interacciones complejas entre variables (por ejemplo, condiciones de iluminación × edad del vehículo, exceso de velocidad × superficie de la carretera).
• Conjunto de Variables Completo: El análisis incorpora un amplio espectro de 26 variables independientes, incluyendo comportamiento del conductor, atributos del vehículo, geometría de la vía y condiciones ambientales, específicamente adaptadas al contexto de colisiones que involucran árboles.

Resultados Clave
El análisis identificó varios predictores dominantes de la gravedad de los accidentes:

• Uso de Restricciones: El predictor más influyente. Los ocupantes sin restricciones tenían casi tres veces más probabilidades de sufrir lesiones fatales o incapacitantes (Odds Ratio [OR] = 2.90) en comparación con aquellos que usaban cinturones de seguridad. Los valores SHAP confirmaron esto, mostrando contribuciones positivas fuertes a la gravedad por el no uso.
• Edad del Vehículo: Los vehículos más antiguos aumentaron significativamente el riesgo de gravedad (OR = 2.27 para vehículos más antiguos frente a más nuevos), reflejando una menor capacidad de seguridad y características de seguridad obsoletas.
• Deterioro del Conductor y Exceso de Velocidad: El deterioro por alcohol/drogas (OR = 1.71) y las infracciones de exceso de velocidad (OR = 1.50) fueron predictores sustanciales, vinculados a capacidades de control reducidas y fuerzas de impacto aumentadas.
• Despliegue de Airbags: Contraintuitivamente, el despliegue de airbags se asoció con resultados de mayor gravedad. Los autores interpretan esto no como un factor causal, sino como un indicador de impactos de alta energía; los airbags se despliegan solo cuando los sensores de colisión detectan una desaceleración suficiente, lo que indica que el accidente ya era grave.
• Factores Ambientales: Las condiciones oscuras y sin iluminación, así como las superficies de carretera mojadas, se asociaron con un aumento de la gravedad, aunque los efectos a menudo fueron moderados por otras variables.

Efectos de Interacción
Los gráficos de interacción SHAP revelaron riesgos compuestos críticos:

• Exceso de Velocidad × Iluminación: El riesgo de gravedad del exceso de velocidad se amplifica dramáticamente en condiciones oscuras y sin iluminación. Si bien el exceso de velocidad durante el día mostró un riesgo moderado, el exceso de velocidad en entornos oscuros y sin iluminación generó los valores SHAP positivos más altos, indicando una convergencia catastrófica de distancia de visión reducida y velocidad excesiva.
• Edad del Vehículo × Uso de Restricciones: Las deficiencias de seguridad de los vehículos más antiguos son más catastróficas cuando se combinan con el no uso de restricciones. Los ocupantes sin restricciones en vehículos más antiguos exhibieron los resultados de gravedad más altos, mientras que los vehículos más nuevos proporcionaron una base de protección que se vio significativamente disminuida sin el uso del cinturón de seguridad.
• Iluminación × Edad del Vehículo: En condiciones oscuras, los conductores de vehículos más nuevos mostraron riesgos de gravedad ligeramente más altos que aquellos en vehículos más antiguos, lo que podría indicar comportamientos de compensación de riesgo (por ejemplo, conducir más rápido) debido a una falsa sensación de seguridad proporcionada por la tecnología avanzada del vehículo.

Significado y Afirmaciones
El artículo afirma que sus hallazgos proporcionan conocimientos críticos para el desarrollo de intervenciones dirigidas basadas en un sistema seguro. Al validar patrones derivados del ML con rigor estadístico, el estudio confirma que los factores de comportamiento humano (no uso de restricciones, deterioro, exceso de velocidad) son los principales impulsores de la gravedad de los accidentes que involucran árboles. Los autores argumentan que las intervenciones deben ir más allá de los enfoques de un solo factor para abordar la naturaleza acumulativa de estos riesgos.

Las recomendaciones específicas derivadas de los resultados incluyen:

• Aplicación de la Ley: Aplicación de cinturones de seguridad de alta visibilidad durante la noche y puestos de control de sobriedad, particularmente a lo largo de corredores arbolados.
• Infraestructura: Implementación del ensanchamiento de los hombros, franjas de advertencia vibratoria y la eliminación selectiva de árboles de alto riesgo o la instalación de barreras de absorción de energía.
• Política Vehicular: Incentivos para la retiro de vehículos y actualizaciones de seguridad para abordar el riesgo elevado que presentan las flotas de vehículos más antiguos.
• Educación: Mensajes públicos que destaquen la gravedad biomecánica de los impactos con árboles y los peligros específicos de combinar el exceso de velocidad con condiciones de baja visibilidad.

El estudio concluye que, si bien existen limitaciones relacionadas con la granularidad de los datos (por ejemplo, falta de atributos específicos de los árboles) y posibles sesgos de reporte, el marco híbrido elucidó con éxito los mecanismos complejos subyacentes a los accidentes que involucran árboles, ofreciendo una base sólida para contramedidas de seguridad específicas del problema.