Estimating Nonlinear and Heterogeneous Determinants of Crash Severity Using Causal Machine Learning

Resumen Técnico: Estimación de los Determinantes No Lineales y Heterogéneos de la Severidad de los Accidentes mediante Aprendizaje Automático Causal

Planteamiento del Problema
Las colisiones de tráfico siguen siendo un problema crítico de seguridad global, y el Reino Unido experimenta miles de accidentes graves y fatales anualmente a pesar de las mejoras generales en seguridad. La investigación tradicional sobre la severidad de los accidentes se ha basado fuertemente en modelos de asociación estadística (por ejemplo, regresión logística, probit ordenado) y aprendizaje automático predictivo. Sin embargo, estos enfoques enfrentan dos limitaciones principales:

1. Brecha Causal: La correlación no implica causalidad. Los modelos existentes suelen fallar al intentar responder a la pregunta relevante para las políticas públicas sobre qué sucedería con la severidad de las lesiones si se modificara un factor ambiental específico (como el límite de velocidad).
2. Limitaciones Estructurales: Los datos de accidentes exhiben no linealidades y heterogeneidad no observadas complejas. Los modelos paramétricos tradicionales suelen requerir formas funcionales preespecificadas y términos de interacción, que pueden no capturar las formas matizadas en que la velocidad interactúa con la iluminación, el clima y las condiciones de la superficie de la carretera.

Este estudio aborda estas brechas investigando el efecto causal de los entornos de alta velocidad (definidos como límites de velocidad $\ge$ 50 mph) sobre la severidad de los accidentes en Gran Bretaña, utilizando aprendizaje automático causal para estimar tanto los efectos medios como los efectos heterogéneos del tratamiento.

Metodología
El estudio emplea un marco de inferencia causal riguroso aplicado a 503,475 colisiones reportadas por la policía de la base de datos STATS19 (2020–2024). El análisis se centra en el resultado binario de "accidente severo" (fatal o grave) frente a "no severo" (leve).

• Datos y Variables:
  • Tratamiento: Exposición a un entorno de carretera de alta velocidad (límite de velocidad establecido $\ge$ 50 mph).
  • Resultado: Indicador binario de la severidad del accidente.
  • Covariables: Se retuvieron nueve covariables previas al accidente para asegurar la intercambiabilidad condicional: año de la colisión, día de la semana, número de vehículos, instalaciones de cruce para peatones, condiciones de iluminación, condiciones climáticas, condiciones de la superficie de la carretera, condiciones de sitios especiales y peligros en la calzada. Se excluyeron las variables posteriores al accidente y los factores de filtración potencial (leakage).
• Diseño Causal:
  • Estimación del Propensity Score: Se entrenó un clasificador XGBoost para estimar la probabilidad de exposición a condiciones de alta velocidad.
  • Recorte de Soporte (Support Trimming): Las observaciones con propensity scores fuera de la región de soporte común ($0.05 \le e(X) \le 0.95$) fueron recortadas, eliminando el 23.17% de los datos de entrenamiento para asegurar la comparabilidad.
  • Ponderación de Solapamiento (Overlap Weighting): Para dirigirse a la población donde las unidades tratadas y no tratadas son más comparables, se aplicó la ponderación de solapamiento. Esto resultó en un tamaño de muestra efectivo final de aproximadamente 229,318.
  • Diagnóstico de Equilibrio: El equilibrio post-ponderación se verificó mediante diferencias medias estandarizadas (SMD) ponderadas, siendo la mayor SMD absoluta de 0.031 (muy por debajo del umbral de 0.10).
• Estimadores: Se implementaron dos estimadores de aprendizaje automático causal para estimar el Efecto Medio del Tratamiento (ATE) y el Efecto Medio Condicional del Tratamiento (CATE):
  1. DR-Learner: Un estimador doblemente robusto que combina el modelado del resultado y el modelado del tratamiento.
  2. CausalForestDML: Un enfoque de bosque aleatorio generalizado diseñado específicamente para detectar la heterogeneidad en los efectos del tratamiento.
• Interpretabilidad: Se derivaron valores SHAP (SHapley Additive exPlanations) de un modelo XGBoost sustituto ajustado a las estimaciones de CausalForestDML para identificar los impulsores de la heterogeneidad del efecto del tratamiento.

Resultos Clave

• Efecto Medio del Tratamiento (ATE): Ambos estimadores confirmaron un efecto causal positivo y estadísticamente significativo de los entornos de alta velocidad sobre la severidad de los accidentes.
  • DR-Learner: Estimó un ATE ponderado por solapamiento de 0.0627 (IC 95%: 0.0616–0.0639).
  • CausalForestDML: Estimó un ATE de 0.0682 (IC 95%: 0.0677–0.0686).
  • Interpretación: Las colisiones en entornos de alta velocidad tienen aproximadamente un 6 a 7 puntos porcentuales más de probabilidad de resultar en una lesión fatal o grave en comparación con colisiones similares en entornos de menor velocidad, tras ajustar por covariables. Este estimador causal es inferior a la diferencia de riesgo no ajustada (8.81%), lo que indica que las características observadas previas al accidente explican parte de la disparidad bruta.
• Heterogeneidad: El efecto de la velocidad no es uniforme. La distribución del CATE muestra una variación sustancial, con un efecto mediano de 0.0716.
  • Impulsores Contextuales: La penalización de severidad es más pronunciada durante el día, en carreteras secas y bajo condiciones climáticas despejadas.
  • Factores Mitigantes: El efecto disminuye en la oscuridad, en superficies mojadas/húmedas y bajo escarcha/hielo.
  • Análisis SHAP: Las condiciones de iluminación y las condiciones de la superficie de la carretera fueron identificadas como los principales impulsores de la heterogeneidad, sugiriendo que los conductores pueden ejercer una mayor precaución (reduciendo la velocidad) en condiciones de baja visibilidad o tracción, atenuando así la penalización marginal de severidad de los límites de alta velocidad.

Contribuciones y Significado
El artículo reclama tres contribuciones primarias:

1. Avance Metodológico: Demuestra la aplicación del aprendizaje automático causal (específicamente DR-Learner y CausalForestDML) al análisis de la severidad de los accidentes, yendo más allá del modelado predictivo para proporcionar evidencia sobre los mecanismos causales.
2. Evidencia Relevante para Políticas: Al cuantificar el impacto causal de los entornos de velocidad, el estudio proporciona una base para políticas de gestión de velocidad focalizadas. Los hallazgos sugieren que las intervenciones no deben limitarse a condiciones adversas (por ejemplo, niebla o hielo), sino que también deben abordar las condiciones de operación "normales" (luz diurna, carreteras secas) donde la penalización de severidad marginal es más alta.
3. Comprensión Contextual: La investigación destaca que la velocidad es un determinante de la severidad dependiente del contexto. La interacción entre la velocidad y los factores ambientales (visibilidad y tracción) es crítica, desafiando la noción de una penalización de velocidad global única.

Limitaciones y Alcance
Los autores reconocen las limitaciones inherentes de los datos observacionales, incluyendo la incapacidad de capturar confundidores no observados como el deterioro del conductor, las características detalladas de seguridad del vehículo o los tiempos de respuesta de emergencia. En consecuencia, la interpretación causal depende de los supuestos de intercambiabilidad condicional y solapamiento. Los resultados se interpretan como efectos para la población representada por los datos observados y el diseño de modelado específico, más que como leyes universales. El estudio se centra en el nivel de la colisión en lugar de en las trayectorias individuales de las víctimas.