Unraveling Spatial Heterogeneity in Traffic Safety: A Data-Driven Typology of US Counties Using Explainable Machine Learning

कल्पना कीजिए कि आप केवल पूरे देश के औसत स्वास्थ्य को देखकर यह समझने की कोशिश कर रहे हैं कि लोग बीमार क्यों होते हैं। आप निष्कर्ष निकाल सकते हैं कि सभी को एक ही विटामिन की आवश्यकता है, लेकिन वह इस तथ्य को नजरअंदाज कर देगा कि एक क्षेत्र धूप की कमी से जूझ रहा है जबकि दूसरा अत्यधिक आर्द्रता (humidity) से संघर्ष कर रहा है। यही यातायात सुरक्षा अनुसंधान (traffic safety research) की मुख्य चुनौती है। दशकों से, वैज्ञानिक यह पता लगाने की कोशिश कर रहे हैं कि कार दुर्घटनाएं क्यों होती हैं, इसके लिए "ग्लोबल मॉडल" का उपयोग करते हुए—गणितीय रेसिपी जो यह मानती हैं कि सड़क के नियम हर जगह एक समान हैं, चाहे वह कैलिफोर्निया के धूप वाले तट हों या नॉर्थ डकोटा के बर्फीले मैदान। वे पूरे देश को एक बड़े, सपाट मानचित्र की तरह मानते हैं जहाँ शहर में होने वाली दुर्घटना के कारण वही हैं जो एक ग्रामीण खेत में होने वाली दुर्घटना के कारण होते हैं। लेकिन जिसने भी दुनिया के विभिन्न हिस्सों में यात्रा की है, वह जानता है कि यह सच नहीं है। उष्णकटिबंधीय (tropics) क्षेत्रों में एक बरसाती दिन, उत्तर के ठंडे सुबह की तुलना में अलग तरह के खतरे पैदा करता है। शोधकर्ता जो बड़ा सवाल पूछ रहे हैं वह यह है: क्या हम पूरे देश को एक एकल, समान पिंड (uniform blob) के रूप में देखना बंद कर सकते हैं और इसके बजाय प्रत्येक अकेले काउंटी (county) की अनूठी, छिपी हुई "व्यक्तित्व" को देख सकते हैं?

यही वह काम है जिसे सेंट्रल साउथ यूनिवर्सिटी और वुहान यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने अपने नए अध्ययन में करने का प्रयास किया। उनका तर्क है कि यातायात डेटा को देखने का पुराना तरीका एक जटिल, 3D मूर्ति को केवल उसकी सपाट छाया देखकर वर्णित करने जैसा है। यह समस्या के घुमाव, गहराई और वास्तविक आकार को छोड़ देता है। इसे ठीक करने के लिए, उन्होंने मैनिफ़ोल्ड स्पेक्ट्रल SHAP (MSS) नामक एक नया डिजिटल टूल बनाया। इस टूल को एक उच्च-तकनीकी "दुर्घटना जासूस" के रूप में समझें जो केवल दुर्घटनाओं को गिनता नहीं है; बल्कि यह उनके पीछे की कहानी को समझने की कोशिश करता है। यह ग्राफ-आधारित PCA (Graph-based PCA) नामक एक विशेष प्रकार के गणित का उपयोग करता है ताकि 25 विभिन्न कारकों—जैसे मौसम, सड़क की रोशनी, ट्रैफिक सिग्नल और सड़क के घुमाव—की एक उलझी हुई गांठ को पांच स्पष्ट, समझने योग्य "जोखिम विषयों" (risk themes) में सुलझा सके। फिर, यह गौसियन मिक्सचर मॉडलिंग (Gaussian Mixture Modeling) तकनीक का उपयोग करता है ताकि अमेरिका के 2,851 काउंटियों को इन विषयों के आधार पर विभिन्न "दुर्घटना व्यक्तित्व प्रकारों" में वर्गीकृत किया जा सके।

परिणाम कुछ हद तक इस खोज की तरह हैं कि जबकि अधिकांश देश एक मानक पटकथा का पालन करते हैं, कुछ विशिष्ट क्षेत्र पूरी तरह से एक अलग फिल्म जी रहे हैं। अध्ययन ने पाया कि "एक ही आकार सबके लिए" (one-size-fits-all) वाली सुरक्षा योजना का पुराना विचार त्रुटिपूर्ण है क्योंकि यह वास्तविक खतरों को छिपा देता है। उदाहरण के लिए, शोधकर्ताओं ने उत्तरी मिडवेस्ट (जैसे नॉर्थ डकोटा और मिनेसोटा) के एक विशिष्ट समूह की पहचान की जो एक अद्वितीय, उच्च-जोखिम वाला क्लस्टर बनाते हैं। ये केवल "ठंडी जगहएं" नहीं हैं; ये वे स्थान हैं जहाँ ब्लैक आइस (जो सड़कों को फिसलन भरा बनाती है) और घोर अंधेरा (क्योंकि वहां स्ट्रीटलाइट्स नहीं हैं) का एक घातक संयोजन एक गंभीर दुर्घटना के लिए पूर्ण तूफान पैदा करता है। इन क्षेत्रों में, जोखिम केवल इस बारे में नहीं है कि सड़क पर कितने वाहन हैं; यह जमने वाले तापमान और खराब दृश्यता का वह घातक मिश्रण है जो ब्रेकिंग को असंभव बना देता है।

इसके विपरीत, देश के अन्य हिस्से, जैसे कैलिफोर्निया या ओरेगन, भारी यातायात और लॉजिस्टिक्स द्वारा संचालित विभिन्न चुनौतियों का सामना करते हैं, जहाँ मुख्य मुद्दा वाहनों की संख्या और भीड़भाड़ है न कि मौसम। अध्ययन सुझाव देता है कि यदि हम पुराने, सपाट मानचित्रों का उपयोग करना जारी रखते हैं, तो हम गलत जगहों पर गलत सुरक्षा उपकरण भेज सकते हैं—जैसे कि अधिक ट्रैफिक लाइट लगाकर फिसलन भरी सड़क को ठीक करने की कोशिश करना। इन छिपे हुए "जोखिम व्यक्तित्वों" को मैप करके, शोधकर्ता इस उम्मीद में हैं कि वे अधिकारियों को अनुमान लगाने के बजाय अपनी सुरक्षा प्रयासों को सटीकता के साथ लक्षित करने में मदद कर सकेंगे, यह सुनिश्चित करते हुए कि सही समाधान सही पड़ोस में लागू किए जाएं।

बड़ी सच्चाई: यह सब एक जैसा नहीं है

पेपर इस बात पर जोर देकर शुरू होता है कि हम आमतौर पर कार दुर्घटनाओं का अध्ययन कैसे करते हैं उसमें एक बड़ी समस्या है। पारंपरिक तरीके रैखिक मॉडलों (linear models) पर निर्भर करते हैं, जो बिंदुओं के बादल के माध्यम से एक सीधी रेखा खींचने जैसा है। वे मानते हैं कि यदि आप एक पूरे राज्य के औसत जोखिम को जानते हैं, तो आप उसके भीतर प्रत्येक काउंटी के जोखिम को जानते हैं। लेखक तर्क देते हैं कि यह एक बड़ी गलती है। वे इसे "मास्किंग प्रभाव" (masking effect) कहते हैं। जब आप डेटा का औसत निकालते हैं, तो आप अजीब, खतरनाक और अद्वितीय स्थानों को सुचारू (smooth over) कर देते हैं। यह एक रेगिस्तान और एक बर्फ की गुफा के तापमान का औसत निकालने जैसा है; आपको एक "मध्यम" संख्या मिलेगी जो दोनों स्थानों का सटीक वर्णन नहीं करती है।

लेखक स्पष्ट रूप से इस विचार के विरुद्ध तर्क देते हैं कि दुर्घटना तंत्र स्थानिक रूप से स्थिर (spatially stationary) हैं। सरल शब्दों में, इसका अर्थ है कि वे इस धारणा को खारिज करते हैं कि दुर्घटना क्यों होती है इसके नियम हर जगह एक समान हैं। वे दिखाते हैं कि एक व्यस्त शहर के चौराहे पर दुर्घटना, बर्फ में एक ग्रामीण राजमार्ग पर दुर्घटना से पूरी तरह से अलग कारणों से होती है। इन अंतरों को अनदेखा करके, हम "समरूपता पूर्वाग्रह" (homogeneity bias) की ओर बढ़ते हैं, जहाँ हम सोचते हैं कि सभी एक जैसे हैं, जिससे ऐसी सुरक्षा योजनाएं बनती हैं जो किसी के लिए भी काम नहीं करतीं।

नया टूल: मानचित्र को खोलना

इसे हल करने के लिए, टीम ने एक चतुर तरीका अपनाया। कल्पना कीजिए कि कार दुर्घटनाओं के बारे में डेटा एक मुड़े हुए कागज के टुकड़े की तरह है। यदि आप इसे मुड़े हुए रूप में पढ़ने की कोशिश करते हैं, तो यह एक गड़बड़ी है। ग्राफ-आधारित PCA उस कागज को सावधानी से खोलने जैसा है ताकि नीचे की वास्तविक, सपाट सतह को प्रकट किया जा सके, लेकिन बिना उसे फाड़े। यह तरीका देखता है कि काउंटियाँ अपने पड़ोसियों से कैसे जुड़ी हुई हैं (एक ग्राफ की तरह) और उन छिपे हुए, घुमावदार आकारों (manifolds) को ढूंढता है जिनका डेटा वास्तव में अनुसरण करता है।

एक बार जब उन्होंने डेटा को खोल दिया, तो उन्होंने पांच छिपे हुए आयामों को लेबल करने के लिए SHAP (एक उपकरण जो बताता है कि AI निर्णय कैसे लेता है) का उपयोग किया। केवल "मौसम" या "सड़कें" देखने के बजाय, उन्होंने पांच विशिष्ट "जोखिम स्वाद" (risk flavors) पाए:

1. प्रकाश संबंधी बाधाएं (Lighting Constraints): अंधेरे और खराब दृश्यता का दुर्घटनाओं को कितना प्रभावित करता है।
2. शहरी यातायात संघर्ष (Urban Traffic Conflicts): व्यस्त शहरी चौराहों और पैदल यात्रियों का कोलाहल।
3. वायुमंडलीय नमी (Atmospheric Moisture): बारिश, कोहरे और आर्द्रता (लेकिन ठंड के बिना) से जुड़े जोखिम।
4. उच्च-गंभीर ज्यामितीय जोखिम (High-Severity Geometric Risks): खतरनाक सड़क आकार जो गंभीर चोटों का कारण बनते हैं, भले ही दुर्घटनाएं बहुत अधिक न हों।
5. ऊष्मागतिक शीतकालीन खतरे (Thermodynamic Winter Hazards): बर्फ, हिमपात और जमने वाले तापमान का विशिष्ट खतरा।

खोज: दुर्घटना काउंटियों के पांच प्रकार

इन पांच "स्वादों" का उपयोग करते हुए, शोधकर्ताओं ने अमेरिका की प्रत्येक काउंटी को विभिन्न समूहों, या टाइपोलॉजी (typologies) में वर्गीकृत किया। उन्होंने पाया कि अमेरिका एक समान सुरक्षा परिदृश्य नहीं है; यह विभिन्न जोखिम क्षेत्रों का एक पैचवर्क क्विल्ट है।

• राष्ट्रीय आधार रेखा (क्लस्टर 0 - The National Baseline): अधिकांश देश, जिसमें पूर्वी तट, दक्षिण और पश्चिमी तट शामिल हैं, इस "हरे" क्षेत्र में आते हैं। ये वे "सामान्य" काउंटियाँ हैं जहाँ यातायात अपेक्षाकृत सुचारू रूप से चलता है, और जोखिम मानक हैं। यह वह आधार रेखा है जिस पर वर्तमान में अधिकांश सुरक्षा नीतियां बनाई गई हैं।
• उत्तरी उच्च-जोखिम वाले आउटलेयर्स (क्लस्टर 3 - The Northern High-Risk Outliers): यह बड़ी खोज है। शोधकर्ताओं ने पाया कि नॉर्थ डकोटा, साउथ डकोटा, नेब्रास्का और मिनेसोटा की काउंटियाँ केवल "थोड़ी अधिक जोखिम भरी" नहीं हैं; वे पूरी तरह से एक अलग श्रेणी में हैं। उन्होंने इन क्षेत्रों में एक विशिष्ट, घातक संयोजन की पहचान की: ऊष्मागतिक अस्थिरता (thermodynamic instability) (ब्लैक आइस) के साथ बुनियादी ढांचे की कमी (स्ट्रीटलाइट्स का अभाव)।
  • पेपर इस बात पर प्रकाश डालता है कि कैस काउंटी (Cass County) जैसी जगहों पर, ब्लैक आइस के कारण सड़क का घर्षण (friction) मिनटों में सामान्य 0.8 से गिरकर 0.1 से नीचे जा सकता है।
  • जब आप इस फिसलन भरी सड़क को पूर्ण अंधेरे (क्योंकि वहां लाइटें नहीं हैं) और हाई-स्पीड ट्रकों के साथ जोड़ते हैं, तो परिणाम एक "घातक युग्मन" (lethal coupling) होता है जो एक अनूठा, उच्च-जोखिम वाला वातावरण बनाता है।
  • अध्ययन नोट करता है कि क्लस्टर 3 इस विशिष्ट मिश्रण—ठंड और खराब रोशनी—द्वारा परिभाषित है, जो एक ऐसा जोखिम प्रोफाइल बनाता है जो देश के बाकी हिस्सों में मौजूद नहीं है।

शोधकर्ताओं ने यह भी पाया कि साउथ डकोटा एक "संक्रमणकालीन" (transitional) मामले के रूप में है, जो उत्तरी चरम और देश के बाकी हिस्सों के बीच स्थित है, जो यह दर्शाता है कि बुनियादी ढांचे या यातायात पैटर्न में छोटे बदलाव भी किसी क्षेत्र को एक अलग जोखिम श्रेणी में बदल सकते हैं।

यह क्यों मायने रखता है

पेपर सुझाव देता है कि काम करने का पुराना तरीका—पूरे देश को एक बड़े, औसत सुरक्षा क्षेत्र के रूप में मानना—हमें विफल कर रहा है। इस नए, डेटा-संचालित मानचित्र का उपयोग करके, हम देख सकते हैं कि क्लस्टर 3 को क्लस्टर 0 की तुलना में पूरी तरह से अलग रणनीति की आवश्यकता है।

• "सामान्य" काउंटियों के लिए, ट्रैफिक लाइट और भीड़भाड़ के मानक नियम ठीक काम कर सकते हैं।
• लेकिन "ब्लैक आइस" काउंटियों के लिए, पेपर सुझाव देता है कि हमें विशेषीकृत शीतकालीन गतिशीलता रणनीतियों की आवश्यकता है। इसमें बेहतर सड़क मौसम सूचना प्रणाली, स्वचालित एंटी-आइसिंग तकनीक और ऐसी सड़क डिजाइन शामिल हैं जो बर्फ पर रुकने के लिए आवश्यक अतिरिक्त दूरी को ध्यान में रखती हैं।

अध्ययन निष्कर्ष निकालता है कि हम सुरक्षा निर्णय लेने के लिए राज्य-स्तरीय औसत पर अब भरोसा नहीं कर सकते। "औसत" राज्य इस तथ्य को छिपा देता है कि कुछ काउंटियाँ अनूठी, जीवन के लिए खतरा पैदा करने वाली स्थितियों का सामना कर रही हैं जिनके लिए सटीक-लक्षित समाधानों की आवश्यकता है। इन छिपे हुए पैटर्न को पहचानकर, हम "एक ही आकार सबके लिए" वाले दृष्टिकोण से "सटीक सुरक्षा" (precision safety) मॉडल की ओर बढ़ सकते हैं जो वास्तव में जीवन बचाता है।