Estimating Nonlinear and Heterogeneous Determinants of Crash Severity Using Causal Machine Learning

Resumo Técnico: Estimando Determinantes Não Lineares e Heterogêneos da Gravidade de Acidentes Usando Aprendizado de Máquina Causal

Definição do Problema
As colisões de trânsito continuam sendo um problema crítico de segurança global, com o Reino Unido experienciando milhares de acidentes graves e fatais anualmente, apesar das melhorias gerais na segurança. A pesquisa tradicional sobre a gravidade de colisões tem dependido fortemente de modelos de associação estatística (ex: regressão logística, probit ordenado) e aprendizado de máquina preditivo. No entanto, essas abordagens enfrentam duas limitações primárias:

1. Lacuna Causal: Correlação não implica causalidade. Os modelos existentes frequentemente falham em responder à questão relevante para políticas públicas sobre o que aconteceria com a gravidade das lesões se um fator ambiental específico (como o limite de velocidade) fosse modificado.
2. Limitações Estruturais: Os dados de colisões exibem complexidades não lineares e heterogeneidade não observada. Modelos paramétricos tradicionais muitas vezes exigem formas funcionais pré-especificadas e termos de interação, que podem não capturar as formas sutis pelas quais a velocidade interage com iluminação, condições climáticas e condições da superfície da via.

Este estudo aborda essas lacunas investigando o efeito causal de ambientes rodoviários de alta velocidade (definidos como limites de velocidade $\ge$ 50 mph) sobre a gravidade das colisões na Grã-Bretanha, utilizando aprendizado de máquina causal para estimar tanto os efeitos médios quanto os efeitos heterogêneos.

Metodologia
O estudo emprega um rigoroso framework de inferência causal aplicado a 503.475 colisões relatadas pela polícia no banco de dados STATS19 (2020–2024). A análise foca no desfecho binário de "colisão severa" (fatal ou grave) versus "não severa" (leve).

• Dados e Variáveis:
  • Tratamento: Exposição a um ambiente rodoviário de alta velocidade (limite de velocidade registrado $\ge$ 50 mph).
  • Desfecho: Indicador binário de gravidade da colisão.
  • Covariáveis: Nove covariáveis pré-colisão foram retidas para garantir a intercambiabilidade condicional: ano da colisão, dia da semana, número de veículos, instalações de travessia de pedestres, condições de iluminação, condições climáticas, condições da superfície da via, condições de locais especiais e perigos na pista. Variáveis pós-colisão e fatores de vazamento potencial foram excluídos.
• Design Causal:
  • Estimativa do Score de Propensão: Um classificador XGBoost foi treinado para estimar a probabilidade de exposição às condições de alta velocidade.
  • Poda de Suporte (Support Trimming): Observações com scores de propensão fora da região de suporte comum ($0,05 \le e(X) \le 0,95$) foram podadas, removendo 23,17% dos dados de treinamento para garantir a comparabilidade.
  • Ponderação por Sobreposição (Overlap Weighting): Para visar a população onde as unidades tratadas e não tratadas são mais comparáveis, a ponderação por sobreposição foi aplicada. Isso resultou em um tamanho de amostra efetivo final de aproximadamente 229.318.
  • Diagnósticos de Equilíbrio: O equilíbrio pós-ponderação foi verificado usando diferenças médias padronizadas (SMD) ponderadas, sendo a maior SMD absoluta de 0,031 (bem abaixo do limiar de 0,10).
• Estimadores: Dois estimadores de aprendizado de máquina causal foram implementados para estimar o Efeito Médio do Tratamento (ATE) e o Efeito Médio Condicional do Tratamento (CATE):
  1. DR-Learner: Um estimador duplamente robusto combinando modelagem de desfecho e modelagem de tratamento.
  2. CausalForestDML: Uma abordagem de floresta aleatória generalizada especificamente projetada para detectar heterogeneidade nos efeitos de tratamento.
• Interpretabilidade: Valores SHAP (SHapley Additive exPlanations) foram derivados de um modelo substituto XGBoost ajustado aos estimas do CausalForestDML para identificar os impulsionadores da heterogeneidade do efeito de tratamento.

Principais Resultados

• Efeito Médio do Tratamento (ATE): Ambos os estimadores confirmaram um efeito causal positivo e estatisticamente significativo da exposição a ambientes de alta velocidade na gravidade das colisões.
  • DR-Learner: Estimou um ATE ponderado por sobreposição de 0,0627 (IC 95%: 0,0616–0,0639).
  • CausalForestDML: Estimou um ATE de 0,0682 (IC 95%: 0,0677–0,0686).
  • Interpretação: Colisões em ambientes de alta velocidade têm aproximadamente 6 a 7 pontos percentuais mais probabilidade de resultar em uma lesão fatal ou grave em comparação com colisões similares em ambientes de menor velocidade, após o ajuste por covariáveis. Este estimador causal é inferior à diferença de risco não ajustada (8,81%), indicando que as características pré-colisão observadas explicam parte da disparidade bruta.
• Heterogeneidade: O efeito da velocidade não é uniforme. A distribuição do CATE mostra variação substancial, com a mediana do efeito em 0,0716.
  • Impulsionadores Contextuais: A penalidade de severidade é mais pronunciada durante o período diurno, em estradas secas e sob condições climáticas estáveis.
  • Fatores Mitigadores: O efeito diminui no escuro, em superfícies molhadas/úmidas e sob geada/gelo.
  • Análise SHAP: As condições de iluminação e as condições da superfície da via foram identificadas como os principais impulsionadores da heterogeneidade, sugerindo que os motoristas exercem maior cautela (reduzindo a velocidade) em condições de baixa visibilidade ou tração, o que atenua a penalidade marginal de severidade em limites de alta velocidade.

Contribuições e Significância
O artigo reivindica três contribuições primárias:

1. Avanço Metodológico: Demonstra a aplicação de aprendizado de máquina causal (especificamente DR-Learner e CausalForestDML) à análise de gravidade de colisões, indo além da modelagem preditiva para fornecer evidências sobre mecanismos causais.
2. Evidência Relevante para Políticas: Ao quantificar o impacto causal dos ambientes de velocidade, o estudo fornece uma base para políticas de gestão de velocidade direcionadas. Os achados sugerem que as intervenções não devem se limitar a condições adversas (ex: neblina ou gelo), mas devem também abordar condições operacionais "normais" (luz do dia, estradas secas) onde a penalidade marginal de severidade é mais alta.
3. Compreensão Contextual: A pesquisa destaca que a velocidade é um determinante de severidade dependente do contexto. A interação entre velocidade e fatores ambientais (visibilidade e tração) é crítica, desafiando a noção de uma penalidade de velocidade global única.

Limitações e Escopo
Os autores reconhecem as limitações inerentes aos dados observacionais, incluindo a incapacidade de capturar confundidores não observados, como o estado de embriaguez do motorista, características detalhadas de segurança do veículo ou tempos de resposta de emergência. Consequentemente, a interpretação causal depende das suposições de intercambiabilidade condicional e sobreposição. Os resultados são interpretados como efeitos para a população representada pelos dados observados e pelo design de modelagem específico, e não como leis universais. O estudo foca no nível da colisão, em vez de trajetórias individuais de vítimas.