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

ある国全体の平均的な健康状態だけを見て、なぜ人々が病気になるのかを理解しようとしている場面を想像してみてください。あなたは「全員に同じビタミンが必要だ」という結論を下せてしまうかもしれませんが、それでは、ある地域は日照不足に苦しみ、別の地域は過剰な湿度に悩まされているという事実を見落としてしまいます。これが交通安全研究の核心的な課題です。何十年もの間、科学者たちは「グローバルモデル」——つまり、カリフォルニアの晴れた海岸からノースダコタの雪深い平原まで、道路のルールはどこでも同じであると仮定する数学的なレシピ——を用いて、なぜ自動車事故が起きるのかを解明しようとしてきました。彼らは国全体を一つの大きな平坦な地図として扱い、都市での衝突事故も、田舎の野原での衝突事故も、全く同じ要因によって引き起こされると考えています。しかし、世界中のさまざまな場所を運転したことがある人なら、それが真実ではないことを知っています。熱帯地方の雨の日は、北部の凍てつく朝とは異なる危険を生み出します。研究者が問いかけている大きな疑問は、「国全体を単一の均一な塊として扱うのをやめ、すべての郡（カウンティ）が持つ独自の、隠れた『個性』を見ることができるか？」ということです。

これこそが、中部南大学（Central South University）と武漢理工大学（Wuhan University of Technology）の研究チームが、新しい研究において取り組んだことです。彼らは、従来の交通データの見方は、複雑な3D彫刻をその平らな影だけで説明しようとするようなものだと主張しています。それでは、問題の曲線、奥行き、そして真の形状を見落としてしまいます。これを解決するために、彼らは**Manifold Spectral SHAP (MSS)**と呼ばれる新しいデジタルツールを構築しました。このツールを、単に事故をカウントするだけでなく、その背後にある「物語」を理解しようとするハイテクな「事故探偵」と考えてください。これは、Graph-based PCAと呼ばれる特殊な数学的手法を用いて、天候、路面の照明、信号、道路のカーブといった25種類の異なる要因による複雑な結び目を、5つの明確で理解しやすい「リスク・テーマ」へと解きほぐします。そして、Gaussian Mixture Modeling（ガウス混合モデル）を使用して、米国の2,851の郡を、これらのテーマに基づいた異なる「事故の個性タイプ」へと分類します。

結果は、ほとんどの地域が標準的な台本に従っている一方で、いくつかの特定の地域は全く別の映画の中に生きていることを発見したかのようです。この研究は、「一律の安全計画」という古い考え方が欠陥を抱えていることを明らかにしました。なぜなら、それは真の危険を隠してしまうからです。例えば、研究者たちは、ノースダコタ州やミネソタ州などの北中西部にある特定の郡のグループが、独自の高リスク・クラスターを形成していることを特定しました。これらの場所は単なる「寒い場所」ではありません。路面を滑りやすくするブラックアイス（路面凍結）と、街灯がないことによる暗闇という、致命的な組み合わせが完璧な嵐を作り出している場所なのです。これらの地域では、リスクは単に道路にどれだけの車がいるかではなく、制動を不可能にする凍結温度と視界不良の致命的なミックスにあります。

対照的に、カリフォルニア州やオレゴン州のような他の地域は、交通量と物流に起因する異なる課題に直面しており、主な問題は天候ではなく、渋滞と車両の膨大な量です。この研究は、もし私たちが古い平坦な地図を使い続けるならば、間違った場所に間違った安全ツールを送ってしまうことになる（例：滑りやすい道路を交通信号機で直そうとするようなもの）可能性があると示唆しています。これらの隠れた「リスクの個性」をマッピングすることで、研究者たちは当局が推測をやめ、精度を持って安全対策をターゲット化し、適切な場所に適切な解決策が適用されるようにしたいと考えています。

大いなる発見：すべてが同じではない

論文は、私たちが通常どのように自動車事故を研究しているかという重大な問題から始まります。伝統的な手法は線形モデルに依存していますが、これは雲の中の点の集まりに対して直線を引くようなものです。それらは、ある州の平均的なリスクを知っていれば、その州内のすべての郡のリスクを知ることができると仮定しています。著者らは、これが大きな間違いであると主張しています。彼らはこれを「マスキング効果」と呼んでいます。データを平均化すると、奇妙で危険でユニークな地点が滑らかに消されてしまいます。それは、砂漠と氷の洞窟の温度を平均して、「穏やかな」数値を出すようなものです。その数値はどちらの場所も正確に説明していません。

著者らは、事故のメカニズムが空間的に定常（stationary）であるという考えに明確に反対しています。平たく言えば、これは「なぜ事故が起きるか」というルールが、どこでも同じであるという概念を拒絶していることを意味します。彼らは、賑やかな都市の交差点での衝突事故と、雪の中の田舎のハイウェイでの衝突事故は、全く異なる要因によって引き起こされることを示しています。これらの違いを無視することで、私たちは「同質性バイアス」に陥ります。つまり、全員が同じであると思い込み、結果として誰の役にも立たない安全計画を導いてしまうのです。

新しいツール：地図を広げる

これを解決するために、チームは巧妙なトリックを用いました。自動車事故に関するデータを、しわくちゃになった紙だと想像してください。しわくちゃのままでは、そこに書かれた文字を読むことは困難です。Graph-based PCAは、その紙を破ることなく、真の平らな表面を明らかにするために慎重に広げるようなものです。この手法は、郡が隣接する郡とどのように繋がっているか（グラフとして）を調べ、データが実際に従っている隠れた曲線の形状（多様体/マニフォールド）を見つけ出します。

データを展開した後、彼らはSHAP（AIがどのように意思決定を行うかを説明するツール）を使用して、見つけた5つの隠れた次元にラベルを付けました。単に「天候」や「道路」を見るのではなく、5つの具体的な「リスクの風味」を見つけ出したのです。

1. 照明の制約（Lighting Constraints）: 暗さや視界不良がどの程度事故に影響するか。
2. 都市部の交通紛争（Urban Traffic Conflicts）: 混雑した都市の交差点や歩行者の混乱。
3. 大気中の水分（Atmospheric Moisture）: 雨、霧、湿度によるリスク（ただし凍結は含まない）。
4. 高深刻度の幾何学的リスク（High-Severity Geometric Risks）: 事故の頻度は高くなくても、重大な負傷を引き起こす危険な道路形状。
5. 熱力学的冬季災害（Thermodynamic Winter Hazards）: 氷、雪、凍結温度による特有の危険。

発見：5つのタイプの事故発生郡

これらの5つの「風味」を用いて、研究者たちは米国のすべての郡を異なるグループ、すなわち**タイポロジー（類型）**に分類しました。彼らは、米国が均一な安全景観ではなく、異なるリスクゾーンのパッチワークであることを発見しました。

• ナショナル・ベースライン（クラスター0）: 東海岸、南部、西海岸を含む国の大部分はこの「グリーン」ゾーンに属します。これらは、交通が比較的スムーズに流れ、リスクが標準的な「通常の」郡です。これは、現在の安全政策のほとんどが基づいているベースラインです。
• 北部の高リスク・アウトライヤー（クラスター3）: これが大きな発見です。研究者たちは、ノースダコタ州、サウスダコタ州、ネブラスカ州、ミネソタ州の郡は、単に「少しリスクが高い」だけでなく、全く異なるカテゴリーに属していることを発見しました。彼らは、これらの地域における特定の致命的な組み合わせを特定しました。それは、熱力学的不安定性（ブラックアイス）と、インフラの欠如（街灯の不足）の組み合わせです。
  • 論文では、**キャス郡（Cass County）**のような場所では、ブラックアイスによって路面の摩擦係数が数分間で通常の0.8から0.1以下にまで低下することが強調されています。
  • この滑りやすい路面を、完全な暗闇（街灯がないため）と高速走行するトラックと組み合わせると、結果として「致命的な結合」が生じ、独自の高リスク環境を作り出します。
  • 研究は、クラスター3がこの凍結天候と照明不足の特定のミックスによって定義されており、それが米国の他の地域には存在しないリスクプロファイルを生み出していると述べています。

また、著者らはサウスダコタ州が、北部の極端な地域とその他の地域の中間に位置する「移行的」なケースであることを発見しました。これは、インフラや交通パターンがわずかに変化するだけでも、地域が異なるリスクカテゴリーへとシフトすることを示しています。

なぜこれが重要なのか

論文は、国全体を一つの大きな「平均的な安全ゾーン」として扱う従来の方法が、失敗していることを示唆しています。この新しいデータ駆動型のマップを使用することで、クラスター3にはクラスター0とは全く異なる戦略が必要であることがわかります。

• 「通常の」郡については、交通信号や渋滞に関する標準的なルールがうまく機能するかもしれません。
• しかし、「ブラックアイス」の郡については、論文は専門化された冬季モビリティ戦略が必要であると示唆しています。これには、より高度な道路気象情報システム、自動防氷技術、そして凍結した路面での停止に必要な追加の距離を考慮した道路設計などが含まれます。

研究は、州レベルの平均値に基づいて安全上の決定を下すことはもはやできないと結論づけています。 「平均」としての州は、一部の郡が精密にターゲットを絞った解決策を必要とする、独特で命に関わる状況に直面しているという事実を隠してしまいます。これらの隠れたパターンを認識することで、私たちは「一律の（one-size-fits-all）」アプローチから、実際に命を救うための「精密な安全性（precision safety）」モデルへと移行することができるのです。