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

Résumé technique : De la canopée à la collision : un cadre prédictif hybride pour l'identification des facteurs de risque dans les accidents de la route impliquant des arbres

Énoncé du problème
Les accidents impliquant des arbres constituent un sous-ensemble critique des collisions hors chaussée (ROR), caractérisé par des issues en termes de blessures et de décès disproportionnellement graves par rapport aux autres types d'accidents. Les données nationales indiquent que les collisions avec des arbres représentent environ un quart de tous les décès impliquant des objets fixes. La gravité élevée découle de l'incompatibilité biomécanique entre les structures rigides des arbres et les systèmes d'absorption d'énergie des véhicules ; les arbres agissent comme des objets étroits et non déformables qui concentrent les forces de collision, contournant souvent les chemins de charge structurels et provoquant une intrusion sévère dans l'habitacle. Malgré leur gravité, les accidents impliquant des arbres ont reçu une attention limitée dans la recherche sur la gravité des accidents par rapport à la littérature plus large sur les objets fixes, et les études existantes reposent souvent sur des méthodes statistiques traditionnelles qui peinent à capturer des relations complexes, non linéaires et des effets d'interaction parmi les causes multifactorielles (facteurs liés au véhicule, au conducteur, à la voirie et à l'environnement).

Méthodologie
Pour combler ces lacunes, les auteurs ont développé un cadre analytique hybride intégrant l'apprentissage automatique (ML) avec la modélisation statistique traditionnelle pour analyser la base de données du système d'échantillonnage des rapports d'accidents (CRSS) couvrant la période 2020–2023. L'étude a utilisé un échantillon de 3 778 accidents impliquant des arbres, filtré pour les issues en termes de blessures (excluant les dommages matériels uniquement) et agrégé la gravité des blessures en une classification binaire : Décès/Incapacitant (KA) versus Non incapacitant/Possible (BC).

Le processus de modélisation a suivi un flux de travail en quatre étapes :

1. Classification CatBoost : Un algorithme d'arbres de décision à gradient boosting (CatBoost) a été employé pour identifier les facteurs clés associés à la gravité binaire des blessures dans les accidents. CatBoost a été sélectionné pour sa gestion supérieure des variables catégorielles et sa capacité à prévenir les fuites de cible grâce au boosting ordonné et aux statistiques de cible ordonnées.
2. Interprétabilité SHAP : L'outil SHapley Additive exPlanations (SHAP) a été appliqué au modèle CatBoost pour quantifier et visualiser les effets marginaux des facteurs les plus influents. Cette étape a fourni des classements d'importance des caractéristiques et des effets directionnels (par exemple, si un facteur augmente ou diminue le risque de gravité).
3. Régression logistique binaire : Guidé par les insights SHAP, un modèle de régression logistique binaire a été développé pour estimer statistiquement les effets des facteurs et valider les mesures d'importance dérivées du ML. La multicolinéarité a été évaluée à l'aide du V de Cramér, et les variables fortement corrélées ont été supprimées pour assurer la stabilité du modèle.
4. Analyse des interactions : Des graphiques d'interaction SHAP ont été générés pour examiner les effets combinés des facteurs contributifs clés, révélant des relations non linéaires et des mécanismes de risque synergiques.

Contributions clés

• Cadre hybride : L'étude fait progresser l'analyse de la gravité des accidents en intégrant la puissance prédictive et la reconnaissance de motifs du ML (CatBoost) avec la transparence inférentielle et la quantification de l'ampleur des effets de la régression logistique.
• Découverte d'interactions : Contrairement aux études précédentes qui se concentrent souvent sur les effets principaux, ce cadre identifie et quantifie explicitement des interactions complexes entre les variables (par exemple, conditions d'éclairage × âge du véhicule, excès de vitesse × état de la chaussée).
• Ensemble de variables complet : L'analyse intègre un large spectre de 26 variables indépendantes, incluant le comportement du conducteur, les attributs du véhicule, la géométrie de la voirie et les conditions environnementales, spécifiquement adaptés au contexte des collisions impliquant des arbres.

Résultats clés
L'analyse a identifié plusieurs prédicteurs dominants de la gravité des accidents :

• Utilisation des systèmes de retenue : Le prédicteur le plus influent. Les occupants non retenus étaient près de trois fois plus susceptibles de subir des blessures mortelles ou incapacitantes (Rapport de cotes [OR] = 2,90) par rapport à ceux portant une ceinture de sécurité. Les valeurs SHAP ont confirmé cela, montrant des contributions positives fortes à la gravité pour la non-utilisation.
• Âge du véhicule : Les véhicules plus âgés augmentent significativement le risque de gravité (OR = 2,27 pour les véhicules plus âgés par rapport aux plus récents), reflétant une capacité de résistance aux accidents réduite et des dispositifs de sécurité obsolètes.
• Altération du conducteur et excès de vitesse : L'altération par l'alcool/drogues (OR = 1,71) et les infractions pour excès de vitesse (OR = 1,50) étaient des prédicteurs substantiels, liés à une réduction des capacités de contrôle et à une augmentation des forces d'impact.
• Déploiement des airbags : Contre-intuitivement, le déploiement des airbags était associé à des issues de gravité plus élevées. Les auteurs interprètent cela non pas comme un facteur causal, mais comme un indicateur de chocs à haute énergie ; les airbags ne se déploient que lorsque les capteurs de collision détectent une décélération suffisante, indiquant que l'accident était déjà grave.
• Facteurs environnementaux : Les conditions sombres et non éclairées et les surfaces de chaussée humides étaient associées à une gravité accrue, bien que les effets aient souvent été modérés par d'autres variables.

Effets d'interaction
Les graphiques d'interaction SHAP ont révélé des risques cumulatifs critiques :

• Excès de vitesse × Éclairage : Le risque de gravité de l'excès de vitesse est considérablement amplifié dans des conditions sombres et non éclairées. Alors que l'excès de vitesse en journée montrait un risque modéré, l'excès de vitesse dans des environnements sombres et non éclairés a généré les valeurs SHAP positives les plus élevées, indiquant une convergence catastrophique entre une distance de visibilité réduite et une vitesse excessive.
• Âge du véhicule × Utilisation des systèmes de retenue : Les déficiences de sécurité des véhicules plus âgés sont les plus catastrophiques lorsqu'elles sont combinées à la non-utilisation des systèmes de retenue. Les occupants non retenus dans des véhicules plus âgés ont présenté les issues de gravité les plus élevées, tandis que les véhicules plus récents offraient une base de protection qui était significativement diminuée sans l'utilisation de la ceinture de sécurité.
• Éclairage × Âge du véhicule : Dans des conditions sombres, les conducteurs de véhicules plus récents ont montré des risques de gravité légèrement plus élevés que ceux dans des véhicules plus âgés, indiquant potentiellement des comportements de compensation du risque (par exemple, conduire plus vite) dus à un faux sentiment de sécurité fourni par la technologie avancée du véhicule.

Signification et affirmations
L'article affirme que ses résultats fournissent des informations cruciales pour développer des interventions ciblées basées sur le système de sécurité. En validant les motifs dérivés du ML avec une rigueur statistique, l'étude confirme que les facteurs comportementaux humains (non-utilisation des systèmes de retenue, altération, excès de vitesse) sont les principaux moteurs de la gravité des accidents impliquant des arbres. Les auteurs soutiennent que les interventions doivent dépasser les approches à facteur unique pour aborder la nature cumulative de ces risques.

Des recommandations spécifiques dérivées des résultats incluent :

• Application de la loi : Application de la ceinture de sécurité très visible la nuit et contrôles de sobriété, en particulier le long des corridors bordés d'arbres.
• Infrastructure : Mise en œuvre de l'élargissement des accotements, de bandes rugueuses et du retrait sélectif d'arbres à haut risque ou l'installation de barrières absorbant l'énergie.
• Politique véhicule : Incitations à la mise au rebut des véhicules et aux améliorations de sécurité pour aborder le risque accru posé par les flottes de véhicules plus âgés.
• Éducation : Messages publics mettant en évidence la gravité biomécanique des impacts avec des arbres et les dangers spécifiques de la combinaison de l'excès de vitesse avec des conditions de faible visibilité.

L'étude conclut que, bien que des limitations existent concernant la granularité des données (par exemple, manque d'attributs spécifiques des arbres) et les biais potentiels de signalement, le cadre hybride éclaire avec succès les mécanismes complexes sous-jacents aux accidents impliquant des arbres, offrant une base robuste pour des contre-mesures de sécurité spécifiques au problème.