Temporal Dynamics and Explainable Risk Factors of Traffic Fatalities: A Large-Scale Study Using PRF Brazil Data (2020-2024)

Elk jaar verliezen meer dan een miljoen mensen het leven bij verkeersongelukken over de hele wereld. Dit zijn niet slechts statistieken; ze vertegenwoordigen een diepgaande uitdaging voor de openbare veiligheid die gemeenschappen, economieën en families overal beïnvloedt. Hoewel de oorzaken van deze crashes complex zijn en variëren van menselijk gedrag en voertuigcondities tot het weer en wegontwerp, blijft de kern van het probleem hetzelfde: hoe kunnen we voorspellen welke ongelukken waarschijnlijk fataal zullen zijn voordat ze gebeuren? Decennialang hebben onderzoekers geprobeerd dit te beantwoorden door naar historische gegevens te kijken, maar de methoden die werden gebruikt om die gegevens te analyseren, waren vaak beperkt. Traditionele benaderingen missen soms de subtiele, niet-lineaire verbanden tussen verschillende risicofactoren, en ze slagen er vaak niet in om rekening te houden met hoe verkeerspatronen in de loop van de tijd veranderen. In een tijdperk waarin mobiliteit snel verschuift — zoals tijdens een wereldwijde pandemie — zijn modellen die getraind zijn op oude gegevens mogelijk niet accuraat genoeg om de gevaren van de wegen van vandaag te weerspiegelen. Om de veiligheid werkelijk te verbeteren, hebben we instrumenten nodig die kunnen leren van enorme hoeveelheden informatie, kunnen aanpassen aan nieuwe omstandigheden en precies kunnen uitleggen waarom ze bepaalde voorspellingen doen.

Dit is de uitdaging waar een team onderzoekers uit Indonesië en Australië zich mee bezighield, die hun aandacht richtten op het uitgestrekte federale snelwegennetwerk van Brazilië. Zij probeerden te begrijpen welke specifieke factoren een verkeersincident in een tragedie veranderen, gebruikmakend van een enorme dataset van meer dan 2,5 miljoen ongegevens verzameld tussen 2020 en 2024. Deze periode was bijzonder significant omdat het de dramatische verschuiving in hoe mensen bewogen tijdens en na de wereldwijde pandemie vastlegde. Aan het begin van de crisis zorgden strikte lockdowns ervoor dat het reizen drastisch afnam, maar naarmate de beperkingen versoepelden, begonnen verkeerspatronen te normaliseren op manieren die niet onmiddellijk voorspelbaar waren. De onderzoekers wilden weten of ze een computersysteem konden bouwen dat in staat is om te leren van de ongelukken van de afgelopen jaren om het risico op overlijden in het meest recente jaar nauwkeurig te voorspellen, een test om te zien of het model in staat is om met de werkelijke veranderingen om te gaan in plaats van alleen oude gegevens te onthouden.

Om dit te doen, maakte het team gebruik van een geavanceerde aanpak die bekend staat als machine learning, waarbij specifiek drie krachtige soorten algoritmen werden ingezet die fungeren als digitale detectives. Deze algoritmen, bekend als Random Forest, XGBoost en LightGBM, zijn ontworpen om door duizenden variabelen te spitten om patronen te vinden die mensen misschien missen. Ze voedden deze systemen met gegevens over alles van het type voertuig dat betrokken was en de weersomstandigheden tot de specifieke tijd van de dag en het type weg waar de crash plaatsvond. Cruciaal was dat de onderzoekers de jaren niet willekeurig door elkaar mengden. In plaats daarvan trainden ze de modellen op gegevens van 2020 tot en met 2023 en vroegen hen vervolgens om de uitkomsten te voorspellen van ongelukken die plaatsvonden in 2024. Deze "out-of-time" testmethode is een rigoureuze manier om te zien of een model zijn kennis werkelijk kan generaliseren naar een nieuwe toekomst, in plaats van alleen het verleden te reproduceren.

De resultaten van dit experiment waren onthullend. Hoewel alle drie de computermodellen redelijk goed presteerden bij het onderscheiden van ongelukken die resulteerden in letsel en die dat niet deden, viel één algoritme op als het meest effectief bij het opsporen van de meest gevaarlijke gevallen. Het LightGBM-model bleek het meest gevoelig en identificeerde succesvol een hoger percentage fatale ongelukken dan zijn concurrenten. Het signaleerde correct ongeveer 60 procent van de ongelukken die in de dood eindigden, een significante verbetering ten opzichte van de andere modellen die veel van deze kritieke gebeurtenissen misten. Deze hoge gevoeligheid ging echter gepaard met een trade-off: het model was ook geneigd tot valse alarmen, waarbij het soms een fataal ongeval voorspelde waar dat niet het geval was. Dit betekent dat hoewel het systeem uitstekend is in het uitwerpen van een breed net om potentiële tragedies te vangen, het nog niet perfect genoeg is om de enige besluitvormer voor beleid te zijn zonder verdere verfijning.

Misschien wel de meest waardevolle bijdrage van dit onderzoek gaat verder dan eenvoudige voorspellingscijfers. Omdat deze geavanceerde computermodellen soms kunnen fungeren als "black boxes" — beslissingen nemen zonder uit te leggen hoe — gebruikten de onderzoekers een techniek genaamd SHAP om het gordijn opzij te schuiven. Deze methode stelde de onderzoekers in staat om precies te zien welke factoren de voorspellingen aanstuurden. Ze ontdekten dat het risico op een fatale afloop niet werd bepaald door één enkele oorzaak, maar door een complexe wisselwerking van verschillende sleutelelementen. Het type weg was de meest invloedrijke factor; bijvoorbeeld, tweebaanswegen zonder barrières waren aanzienlijk gevaarlijker dan andere configuraties. De aard van de botsing zelf deed er ook sterk toe, waarbij frontale botsingen een veel groter risico op overlijden met zich meebrachten dan andere typen. Bovendien speelde de tijd van de dag een cruciale rol, aangezien ongelukken die plaatsvonden tijdens uren met weinig zichtbaarheid of een hoog niveau van bestuurdersvermoeidheid eerder ernstig waren.

De studie bracht ook in kaart hoe deze factoren samenwerken. Bijvoorbeeld, het gevaar van een specifiek wegtype kon worden versterkt als het ongeval 's nachts plaatsvond, of als een minder beschermd voertuig, zoals een motorfiets, betrokken was bij een botsing met hoge snelheid. Deze interacties suggereren dat veiligheid niet alleen gaat over het oplossen van één probleem, maar over het begrijpen van hoe wegontwerp, voertuigtype en menselijk gedrag op specifieke momenten samenkomen. De onderzoekers benadrukten dat hun bevindingen geen definitieve oplossing zijn, maar eerder een krachtig instrument voor risicoselectie. Het vermogen van het model om hoogrisicoscenario's te highlighten, kan autoriteiten helpen bij het prioriteren van waar zij veiligheidsbarrières moeten plaatsen, waar zij controles moeten intensiveren en waar zij de snelheidslimieten strenger moeten handhaven.

Uiteindelijk demonstreert dit onderzoek dat door het combineren van grootschalige gegevens met geavanceerde, verklaarbare kunstmatige intelligentie, we een duidelijker beeld kunnen krijgen van de onzichtbare krachten die leiden tot verkeersdoden. De studie bevestigt dat hoewel geen enkel model de toekomst perfect kan voorspellen, de juiste instrumenten de meest gevaarlijke combinaties van weg, voertuig en tijd kunnen identificeren. Door deze patronen te begrijpen, kunnen beleidsmakers overgaan van reactieve maatregelen naar proactieve strategieën, waardoor potentieel levens worden gered door de specifieke omstandigheden aan te pakken die een routineuze rit in een fataal evenement veranderen. Het werk dient als een herinnering dat in de complexe wereld van verkeersveiligheid de weg vooruit ligt in data die niet alleen wordt geanalyseerd, maar ook echt wordt begrepen.