Безопасность на дорогах редко определяется одним фактором. На риск ДТП одновременно могут влиять плотность улиц, количество перекрестков, организация движения, застройка и особенности конкретного района.

Исследование 2026 года, проведенное Цзяцином Лу, Цзыци Ли, Лэем Ханем и Цяньвэнь Го, предлагает анализировать такие различия с помощью геопространственного объяснимого искусственного интеллекта — GeoXAI.

Главный вопрос работы оказался достаточно практичным: почему одна и та же характеристика дороги или района может быть связана с аварийностью по-разному в разных местах?

<h3>Почему место имеет значение</h3>

ДТП распределяются по территории неравномерно. В крупных городах на небольшой площади сосредоточены дороги, перекрестки, транспортные потоки и большое количество поездок. В сельской местности условия совершенно другие.

Авторы изучили данные по 4699 переписным участкам во Флориде. В анализ вошли аварии, зарегистрированные с января 2023 года по декабрь 2024-го.

Плотность ДТП рассчитывали как количество аварий относительно площади каждого участка.

Такой подход позволяет увидеть различия на локальном уровне. Общая статистика по всему штату могла бы скрыть ситуации, когда один и тот же фактор связан с повышенной аварийностью в одном районе и почти не играет роли в другом.

<h3>Как работает GeoXAI</h3>

Исследователи объединили машинное обучение с методом GeoShapley.

Если упростить, система не только определяет, какие характеристики связаны с прогнозируемой плотностью аварий, но и показывает, как сила этой связи меняется в зависимости от местоположения.

Сначала ученые сравнили несколько моделей машинного обучения. Лучший результат показал алгоритм XGBoost.

После этого GeoShapley использовали для интерпретации прогнозов с учетом как отдельных факторов, так и географического положения.

Авторы также сравнили результаты с методом SHAP и мульти-масштабной географически взвешенной регрессией MGWR, которая тоже применяется для анализа пространственно меняющихся связей.

<h3>Плотность дорог решает не все</h3>

Исследование показало, что связь между характеристиками района и количеством ДТП часто оказывается нелинейной.

Среди важных факторов оказались плотность дорожной сети, количество перекрестков, компактность застройки и уровень образования населения.

Например, в очень компактных городских районах прогнозируемая плотность аварий резко увеличивалась после достижения определенного уровня плотности застройки.

Это означает, что более густая дорожная сеть сама по себе не позволяет однозначно предсказать безопасность района.

<h3>Разные города — разные риски</h3>

Заметные различия обнаружились и между отдельными территориями Флориды.

В сильно урбанизированных районах Майами модель показывала значительно более высокий базовый вклад в прогнозируемую аварийность, чем во многих сельских территориях.

Повышенные показатели также наблюдались в Орландо, Тампе и Джэксонвилле.

Однако авторы подчеркивают: это не означает, что одна конкретная характеристика автоматически становится причиной ДТП.

Речь идет о сложном сочетании транспортных, социальных и градостроительных условий.

Интересная нелинейная связь обнаружилась и с уровнем образования. При низкой и средней доле жителей с высшим образованием ее увеличение было связано со снижением прогнозируемого вклада в аварийность. После отметки примерно в 35% направление связи менялось.

<h3>Как это поможет городам</h3>

Главная ценность такого подхода заключается не только в точности прогнозирования.

GeoXAI позволяет увидеть, в каких районах определенные факторы сильнее связаны с ДТП. Это может помочь транспортным специалистам точнее выбирать меры безопасности.

В компактных кварталах это могут быть меры по снижению скорости, изменение организации перекрестков или корректировка движения на наиболее загруженных улицах.

Вместо одинаковых решений для всех районов власти получают возможность сначала определить территории, где нужен более детальный анализ.

Исследование показывает, что аварийность лучше рассматривать не как единый показатель для большого региона, а как результат сочетания множества локальных факторов.

Объединение машинного обучения, географических данных и объяснимых моделей может сделать анализ ДТП точнее и помочь выявлять участки, которым требуется особое внимание.