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

Resumo Técnico: Da Copa ao Colisão: Um Framework Preditivo Híbrido para Identificar Fatores de Risco em Acidentes de Trânsito Envolvendo Árvores

Declaração do Problema
Acidentes envolvendo árvores representam um subconjunto crítico de colisões fora da pista (ROR), caracterizados por resultados de lesões e fatalidades desproporcionalmente graves em comparação com outros tipos de acidentes. Dados nacionais indicam que colisões com árvores respondem por aproximadamente um quarto de todas as fatalidades envolvendo objetos fixos. A alta gravidade decorre da incompatibilidade biomecânica entre estruturas rígidas de árvores e sistemas de absorção de energia dos veículos; as árvores atuam como objetos estreitos e não deformáveis que concentram as forças de colisão, frequentemente contornando os caminhos de carga estrutural e causando intrusão severa no compartimento dos ocupantes. Apesar de sua gravidade, acidentes envolvendo árvores receberam atenção limitada na pesquisa sobre gravidade de acidentes em comparação com a literatura mais ampla sobre objetos fixos, e estudos existentes frequentemente dependem de métodos estatísticos tradicionais que lutam para capturar relações complexas, não lineares e efeitos de interação entre as causas multifatoriais (veículo, condutor, via e fatores ambientais).

Metodologia
Para abordar essas lacunas, os autores desenvolveram um framework analítico híbrido integrando aprendizado de máquina (ML) com modelagem estatística tradicional para analisar o banco de dados do Sistema de Amostragem de Relatórios de Acidentes (CRSS) abrangendo 2020–2023. O estudo utilizou uma amostra de 3.778 acidentes envolvendo árvores, filtrando por resultados de lesões (excluindo apenas danos materiais) e agregando a gravidade da lesão em uma classificação binária: Fatal/Incapacitante (KA) versus Não Incapacitante/Possível (BC).

O processo de modelagem seguiu um fluxo de trabalho de quatro etapas:

1. Classificação CatBoost: Um algoritmo de árvore de decisão com gradiente de boosting (CatBoost) foi empregado para identificar fatores-chave associados à gravidade binária de lesões em acidentes. O CatBoost foi selecionado por seu manuseio superior de variáveis categóricas e capacidade de prevenir vazamento de alvos por meio de boosting ordenado e estatísticas de alvo ordenadas.
2. Interpretabilidade SHAP: A ferramenta SHapley Additive exPlanations (SHAP) foi aplicada ao modelo CatBoost para quantificar e visualizar os efeitos marginais dos fatores mais influentes. Esta etapa forneceu classificações de importância de recursos e efeitos direcionais (por exemplo, se um fator aumenta ou diminui o risco de gravidade).
3. Regressão Logística Binária: Orientado pelos insights do SHAP, um modelo de regressão logística binária foi desenvolvido para estimar estatisticamente os efeitos dos fatores e validar as medidas de importância derivadas do ML. A multicolinearidade foi avaliada usando o V de Cramér, e variáveis altamente correlacionadas foram removidas para garantir a estabilidade do modelo.
4. Análise de Interação: Gráficos de interação SHAP foram gerados para examinar os efeitos combinados de fatores contribuintes-chave, revelando relações não lineares e mecanismos de risco sinérgicos.

Principais Contribuições

• Framework Híbrido: O estudo avança a análise de gravidade de acidentes ao integrar o poder preditivo e o reconhecimento de padrões do ML (CatBoost) com a transparência inferencial e a quantificação do tamanho do efeito da regressão logística.
• Descoberta de Interações: Diferentemente de estudos anteriores que frequentemente focam em efeitos principais, este framework identifica e quantifica explicitamente interações complexas entre variáveis (por exemplo, condições de iluminação × idade do veículo, excesso de velocidade × superfície da via).
• Conjunto Abrangente de Variáveis: A análise incorpora um amplo espectro de 26 variáveis independentes, incluindo comportamento do condutor, atributos do veículo, geometria da via e condições ambientais, especificamente adaptadas ao contexto de colisões envolvendo árvores.

Principais Resultados
A análise identificou vários preditores dominantes de gravidade de acidentes:

• Uso de Cinto de Segurança: O preditor mais influente. Ocupantes sem cinto de segurança tiveram quase três vezes mais probabilidade de sofrer lesões fatais ou incapacitantes (Razão de Chances [OR] = 2,90) em comparação com aqueles usando cinto. Os valores SHAP confirmaram isso, mostrando contribuições positivas fortes para a gravidade no caso de não uso.
• Idade do Veículo: Veículos mais antigos aumentaram significativamente o risco de gravidade (OR = 2,27 para mais antigos versus mais novos), refletindo redução na segurança em colisões e recursos de segurança desatualizados.
• Comprometimento do Condutor e Excesso de Velocidade: Comprometimento por álcool/drogas (OR = 1,71) e violações de excesso de velocidade (OR = 1,50) foram preditores substanciais, ligados à redução das capacidades de controle e aumento das forças de impacto.
• Acionamento do Airbag: Contra-intuitivamente, o acionamento do airbag foi associado a resultados de maior gravidade. Os autores interpretam isso não como um fator causal, mas como um proxy para impactos de alta energia; os airbags são acionados apenas quando os sensores de colisão detectam desaceleração suficiente, indicando que o acidente já era grave.
• Fatores Ambientais: Condições escuras e sem iluminação e superfícies de via molhadas foram associadas ao aumento da gravidade, embora os efeitos fossem frequentemente moderados por outras variáveis.

Efeitos de Interação
Os gráficos de interação SHAP revelaram riscos compostos críticos:

• Excesso de Velocidade × Iluminação: O risco de gravidade do excesso de velocidade é dramaticamente amplificado em condições escuras e sem iluminação. Embora o excesso de velocidade durante o dia tenha mostrado risco moderado, o excesso de velocidade em ambientes escuros e não iluminados gerou os maiores valores positivos SHAP, indicando uma convergência catastrófica de distância de visão reduzida e velocidade excessiva.
• Idade do Veículo × Uso de Cinto de Segurança: As deficiências de segurança de veículos mais antigos são mais catastróficas quando combinadas com o não uso de cinto de segurança. Ocupantes sem cinto em veículos mais antigos exibiram os resultados de gravidade mais altos, enquanto veículos mais novos forneceram uma base de proteção que foi significativamente diminuída sem o uso do cinto de segurança.
• Iluminação × Idade do Veículo: Em condições escuras, condutores de veículos mais novos mostraram riscos de gravidade ligeiramente mais altos do que aqueles em veículos mais antigos, indicando potencialmente comportamentos de compensação de risco (por exemplo, dirigir mais rápido) devido a uma falsa sensação de segurança proporcionada pela tecnologia veicular avançada.

Significância e Alegações
O artigo afirma que suas descobertas fornecem insights críticos para o desenvolvimento de intervenções direcionadas baseadas no sistema seguro. Ao validar padrões derivados do ML com rigor estatístico, o estudo confirma que fatores comportamentais humanos (não uso de cinto, comprometimento, excesso de velocidade) são os principais impulsionadores da gravidade de acidentes envolvendo árvores. Os autores argumentam que as intervenções devem ir além de abordagens de fator único para abordar a natureza composta desses riscos.

Recomendações específicas derivadas dos resultados incluem:

• Fiscalização: Fiscalização de cinto de segurança à noite de alta visibilidade e pontos de controle de sobriedade, particularmente ao longo de corredores arborizados.
• Infraestrutura: Implementação de alargamento de acostamento, faixas de alerta (rumble strips) e remoção seletiva de árvores de alto risco ou instalação de barreiras de absorção de energia.
• Política Veicular: Incentivos para aposentadoria de veículos e atualizações de segurança para abordar o risco elevado representado por frotas de veículos mais antigos.
• Educação: Mensagens públicas que destacam a gravidade biomecânica de impactos com árvores e os perigos específicos de combinar excesso de velocidade com condições de baixa visibilidade.

O estudo conclui que, embora existam limitações quanto à granularidade dos dados (por exemplo, falta de atributos específicos de árvores) e possíveis vieses de relato, o framework híbrido elucidou com sucesso os mecanismos complexos subjacentes a acidentes envolvendo árvores, oferecendo uma base robusta para contramedidas de segurança específicas para o problema.