Details

Предметом исследования является влияние микрофакторов дорожно-транспортных происшествий и макроэкономических показателей территорий на вероятность тяжелых последствий ДТП. Целью работы выступает выявление закономерностей, определяющих вероятность тяжёлых исходов ДТП, и оценка применимости современных методов машинного обучения к задачам анализа транспортных данных. Методы исследования: разведочный анализ, эконометрические методы, ансамблевые алгоритмы машинного обучения (в т.ч. градиентный бустинг), комбинаторный анализ (Ablation Study), интерпретация векторов Шепли (SHAP) и каузальный анализ Double Machine Learning. Инструментарий: обработка данных и моделирование проводились в средах Jupyter Notebook и Google Colab с использованием языка Python и библиотек Pandas, Scikit-learn, CatBoost, PyTorch, SHAP. Результаты работы. Построен пайплан обработки микроданных ДТП и агрегации их с социально экономическими показателями территорий. Выявлено превосходство градиентного бустинга (CatBoost) при прогнозировании тяжести ДТП в условиях несбалансированных классов. Доказана определяющая роль физики инцидента (схемы столкновения), поведения участников (возраст, нарушения) и критическая опасность полного отсутствия уличного освещения в темноте. С помощью каузального анализа подтверждено двунаправленное влияние макроэкономики. Область применения: Полученные результаты могут быть использованы органами транспортного планирования для разработки региональных стратегий дорожной безопасности, выявления ключевых факторов риска и оптимизации распределения бюджетов на улучшение инфраструктуры.

The subject of the research is the impact of traffic accident micro-factors and macroeconomic indicators of territories on the probability of severe traffic accident consequences. The aim of the work is to identify the patterns determining the probability of severe traffic accident outcomes and to assess the applicability of modern machine learning methods to transport data analysis tasks. Research methods: exploratory data analysis, econometric methods, ensemble machine learning algorithms (including gradient boosting), combinatorical analysis (Ablation Study), interpretation of Shapley values (SHAP), and Double Machine Learning causal analysis. Tools: data processing and modeling were conducted in Jupyter Notebook and Google Colab environments using the Python language and the Pandas, Scikit-learn, CatBoost, PyTorch, and SHAP libraries. Results of the work: A pipeline for processing traffic accident micro-data and aggregating it with the socioeconomic indicators of territories was constructed. The superiority of gradient boosting (CatBoost) in predicting traffic accident severity under imbalanced class conditions was demonstrated. The decisive role of accident physics (collision schemes), participant behavior (age, violations), and the critical danger of a total lack of street lighting in the dark was proven. The bidirectional impact of macroeconomics was confirmed using causal analysis. Scope of application: The obtained results can be used by transport planning authorities to develop regional road safety strategies, identify key risk factors, and optimize budget allocation for infrastructure improvements.