Какой фактор в наибольшей степени влияет на увеличение вероятности дтп
Обновлено: 03.07.2024
Чаще всего в аварии попадают пешеходы, мотоциклисты, бедные и молодые мужчины.
Ежегодно в результате дорожно-транспортных происшествий погибает более 1,25 млн. человек во всем мире, сообщает Всемирная организация здравоохранения. При этом именно от дорожных аварий чаще всего гибнут люди в возрасте от 15 до 29 лет. Еще 20-50 млн. человек получают травмы в ДТП.
Кто больше всего рискует погибнуть в дорожной аварии?
Согласно исследованию ВОЗ, почти половина тех, кто умирает на дорогах мира, является "уязвимыми участниками дорожного движения", то есть пешеходами, велосипедистами и мотоциклистами.
Бедные умирают чаще
90% мировых смертей на дорогах происходит в странах с низким и средним уровнем дохода, хотя в этих странах ездит всего 54% мировых транспортных средств. Даже в странах с высоким уровнем дохода люди с меньшим социально-экономическим происхождением, скорее всего, будут задействованы в дорожно-транспортных происшествиях.
Молодые мужчины – в зоне риска
Люди в возрасте от 15 до 44 лет составляют 48% мировых смертей от дорожного движения. При этом молодые мужчины имеют вероятность погибнуть на дороге в три раза больше, чем женщины аналогичного возраста.
Скорость влияет на смертность
Увеличение средней скорости напрямую связано как с вероятностью аварии, так и с тяжестью ее последствий. Например, увеличение скорости движения автомобиля на 1 км/ч приводит к увеличению частоты аварий на 3%, что приводит к травмам и увеличением частоты смертей на 4-5%. Риск смерти взрослых пешеходов составляет менее 20%, если он поражен автомобилем со скоростью 50 км/ч и почти на 60% при достижении скорости 80 км/ч.
Алкоголь и наркотики
Вождение под воздействием алкоголя и любого психоактивного вещества или наркотика повышает риск аварии, что приводит к смерти или серьезным травмам. В случае вождения за рулем в нетрезвом риск дорожно-транспортного происшествия начинается с концентрации алкоголя в крови от 0,04 промилле. В отношении наркотиков, то в зависимости от их приема и ДТП прослеживается от типа психоактивного препарата. Например, риск фатальной катастрофы среди тех, кто употреблял амфетамины, примерно в 5 раз превышает риск того, кто этого не сделал.
Ремни безопасности и шлемы
Применение ремней безопасности снижает риск смерти пассажиров на переднем сиденье на 40-50%, а на заднем сиденье – на 25-75%. Если детские сиденья правильно установлены и использованы, это снижает смертность среди младенцев примерно на 70%, а среди маленьких детей составляет – на 54% – 80%. Правильное использование мотоциклетного шлема может уменьшить риск смерти почти на 40% и риск серьезной травмы на более чем 70%.
Телефон за рулем
Что делать?
Чтобы уменьшить количество смертей в авариях, мировая организация здравоохранения предлагает использовать "безопасный системный подход". Это значит, система должна быть в состоянии простить человеческие ошибки. Такая системность должна быть применена при проектировании и строительстве дорог и их обочин, транспортных средств, ограничений скорости и других факторов, которые влияют на безопасность дорожного движения.
Кто из водителей чаще попадает в аварии: любители "валить" или "шахматить"? Что опаснее: резкие ускорения, торможения или боковые маневры? Получить достоверные ответы на эти вопросы позволили телематические системы, установленные в 20 тысячах российских автомобилей.
Аналитики "Лаборатория умного вождения", занимающейся разработкой аппаратных решений для сбора телематических данных, выяснили, что резкие торможения и ускорения увеличивают вероятность ДТП примерно одинаково - в 2,5 раза. При этом водителей, которые на 100 км пути совершают хотя бы 7 резких ускорений, оказалось меньше тех, кто резко притормаживает, - соответственно 7% и 5%. А злоупотребляющих боковыми маневрами выявлено и вовсе 2%. Но именно в этой группе водителей наиболее высок риск ДТП - он вырастает в 5 раз.
Распространенное мнение говорит о том, что в количественном выражении чаще других в аварии попадают те, кто регулярно превышают скорость. Таких автолюбителей в выборке исследователей оказалось 95%! Но среди тех, кто 30 и более раз нарушает скоростной режим на каждые 100 км пути, в аварии попадают только 3%. И риск ДТП у них выше лишь вдвое, чем у остальных. Такой же показатель и у тех, кто чаще остальных ездит в темное время суток. При совмещении таких факторов аварийности как "ночное вождение" и "опасные маневры" вероятность попадания в ДТП увеличивается в 5 раз, заключили в "Лаборатории".
"На основе наших телематических данных мы выявили неочевидные факторы, которые эффективно оценивают персональную вероятность попасть в ДТП. Например, водители могут водить автомобиль идеально и не совершать резких манёвров, но при этом часто проводить время за рулём ночью, что увеличивает риск попадания в ДТП. Аварийные ситуации в таких условиях могут происходить не только ночью, но и днем, что объясняется усталостью водителя после ночных поездок", - отметил директор департамента статистики и аналитики компании Александр Морозов.
Представление о том, что человеческий фактор – главный виновник ДТП, стало сегодня общепринятым. Его разделяют автопроизводители, ГИБДД, чиновники. И, конечно, в этом убеждены многие разработчики беспилотных автомобилей: Яндекс, Baidu, Waymo. Однако публичные высказывания на этот счет не приводят никаких аргументов в защиту этого представления. И потому мало известно о том, кем, когда и как были проведены подобные исследования. В этой статье хотелось бы рассказать о том, как появилось представление о человеческом факторе, как оно делалось все более и более популярным, какая модель дорожной ситуации вшита в это представление и какая критика существует сегодня.
Tri-level study: неожиданная находка в исследованиях безопасности на дороге
Самое первое исследование, где было показано, что человеческий фактор – виновник большинства аварий, было сделано университетом Блумингтон в штате Индиана США в середине 1970-х годов. Делалось оно по заказу Национального управления безопасностью движения на трассах США (National Highway Traffic Safety Administration) – агентства, которое в 60-е годы заинтересовалось вопросом безопасности автомобилей. Люди, проводившие данное исследование, были уверены, что главным виновником аварий будут именно автомобили.
Исследование было сделано лишь для одного округа (части штата) Монро в штате Индиана. Состояло оно из двух частей. Первая: полиция сообщала исследователям, что произошло ДТП, и исследователи (два технических специалиста) выезжали на место, а затем тщательно его обследовали. Таким образом было обследовано 2 258 аварий. Вторая: исследовательская команда отбирала случаи аварий, где можно было поговорить с выжившими водителями. Эти случаи исследовались более детально. Специалисты брали интервью у водителей, реконструировали движение автомобиля, водители проходили тестирование у психолога на предмет адекватности восприятия и реакции, а автомобильный инженер тщательно исследовал части автомобиля, которые могли быть релевантны для аварии. Так было глубоко исследовано 420 аварий.
Однако полученные данные не были репрезентативны для всего США, не говоря уже о мире, и зачастую основывались на исследовании только тех случаев, где удалось договориться с водителями о сотрудничестве. Тем не менее, это было первое масштабное исследование причин аварий в США и мире.
Результаты исследования удивили: оказалось, что человеческие ошибки и недостатки были вероятными причинами в 90-93% аварий. Помимо них, 34% аварий случались по вине факторов окружающей среды (туман, дождь, скользкая дорога), и 13% — по вине транспортного средства (отказавшие тормоза, заклинивший руль).
Исследователи также выяснили, что в большинстве случаев (88%) аварии совершались водителями без измененного состояния сознания, то есть они не находились под влиянием алкоголя, наркотиков, болезни или суицидальных мыслей. Это означает, что аварии случались с нормальными водителями, которые адекватно воспринимали дорогу.
От находки к факту: другие исследования человеческого фактора
Обнаружение важности человеческого фактора могло бы остаться незамеченным, поскольку Tri-level study делалось лишь для одного округа США. Однако, наряду с этим исследованием, появилось много схожих работ, и все они свидетельствовали о правоте Tri-level study.
В 1970 году Исследовательской транспортной лабораторией (Великобритания) было проведено схожее с Tri-Level study исследование. Отчет указывал на схожие результаты: британские ученые показали, что человеческий фактор – виновник аварий в 94% случаев (дорожная среда – в 28%, и транспортное средство – в 8% случаев).
С тех пор идея о человеческом факторе как главном виновнике аварий начала закрепляться в головах у автопроизводителей, чиновников, транспортных инженеров. Однако в то же время сама дорожная система и автомобили стремительно менялись. Вместе телематикой появлялись мобильные средства коммуникации, ремни и подушки безопасности, дорожные материалы становились все более надежными, а освещение на дорогах – лучше. Это натолкнуло ученых на проведение новых исследований с целью ответить на вопрос: что же теперь на дорогах главный фактор аварии.
В 2001 году вышло исследование Национального управления безопасностью движения на трассах США. В нем было проанализировано 723 случая аварий. В отличие от исследования 70-х годов, на этот раз данные отбирались случайным образом из базы данных. В то же время методология была схожей: каждый аварийный случай изучался с помощью специальной анкеты, которая предполагала три причины аварии: человеческий фактор, дорожную ситуацию и транспортное средство.
Главные причины аварий по результам исследования Национального управления безопасностью движения на трассах в 2001 году
Новое, репрезентативное для США, исследование показало, что человеческий фактор все еще остается главным виновником аварий (99,2%), и со временем влияние других факторов (среды и транспортного средства) значительно снизилось.
В 2009 году немецкие ученые провели еще одно глубокое исследование, где изучили и проанализировали 248 аварий легковых автомобилей в стране (German In-Depth Accident Study). Труды показали, что человеческий фактор ответственен за 97% всех случаев.
В итоге, за последние 40 лет гипотеза о том, что человеческий фактор – главный виновник аварий, была подтверждена в разных странах, причем для нескольких типов автомобилей — легковых и грузовиков.
Что не так с этим представлением?
Несмотря на то, что представление о 94% аварий по вине человеческого фактора подтверждено исследованиями, оно вызывает много вопросов у экспертов сегодня.
Клинические и натуралистические исследования
Весь этот набор допущений, а также его недостатки, приводят к тому, что сегодня в исследованиях аварий пробуются другие методологии. Можно выделить как минимум два метода: эпидемиологический и натуралистический.
Эпидемиологический подход опирается на идею экспериментальной статистики, где идет сравнение двух групп случаев: например, случаев аварий и случаев обычной езды. К примеру, мы можем исследовать много аварий и увидеть, что зачастую они происходят, потому что люди говорят по мобильному телефону. Но дальше мы можем исследовать случаи, когда люди говорят по мобильному, но аварий не происходит. Соответственно, мы можем понять, каково влияние разговора по мобильному телефону на вероятность возникновения аварии.
Натуралистический подход предполагает непосредственный сбор данных из автомобиля о всех действиях водителя, включая те, что привели или были связаны с авариями. В рамках такого подхода с помощью телематики и специальных датчиков собирается информация об автомобиле (скорость движения, повороты руля и нажатия на педали тормоза-газа), и о водителе (повороты взгляда, усталость, разговоры по телефону). И затем, если авария случается, то анализируется та информация, которая ей предшествовала. Затем она сравнивается с информацией, которая близка ей, но для случаев, когда авария не произошла. Так можно лучше понять то, какие факторы увеличивают вероятность аварий.
К примеру, в середине 2000-х в США таким образом было проведено исследование 100 частных автомобилей, информацию о которых писали в течении 43 000 часов (для всех машин в общем). За это время 100 машин попали в 69 аварии, 761 около-аварийные ситуации и в 8296 мелких инцидентов. Было выяснено, что водители очень часто невнимательны на дороге, но это не приводит к авариям! Зато оказалось, что сонливость и утомленность способны повлиять на инцидент.
Человек или система?
Вторая проблема с человеческим фактором — в наборе допущений, что мы можем отделить человека как водителя от всего многообразия причин и влияний, которые есть на дороге. Это представление нацелено на то, чтобы при любой аварии находить виновным конкретного водителя. Это удобно с точки зрения права и анализа, но проблематично, если мы говорим о попытках сделать дороги более безопасными. Не говоря уже о том, что появление телематики, интеллектуальных транспортных систем, помощников водителя приводит к повышенной нагрузке на психическую систему человека.
В 1997 году в Швеции была принята государственная стратегия, названная the Vision Zero. Суть ее в том, чтобы уменьшить количество смертей или серьезных телесных повреждений на дорогах до нуля. Если бы Швеция стремилась сделать это, ориентируясь на представление о том, что человек – виновник всех аварий, то стратегия наверняка бы была направлена на пропаганду безопасной езды, повышение штрафов за нарушение ПДД, оборудование автомобиля устройствами, которые не дают водить машину человеку, находящемуся под влиянием наркотиков или алкоголя. Однако в Швеции поступили по-другому.
Считается, что большую часть процессов дата саентист выполняет с помощью готовых библиотечных решений. Но в реальности в типовых задачах нужно уметь проверить, насколько подходит выбранный метод и при необходимости модифицировать его под свои условия. Вместе с Петром Лукьянченко, преподавателем высшей математики для Data Science в OTUS, а в прошлом Team Lead Analytics в Lamoda, мы разбираем, как математика выручает в реальных бизнес-задачах.
Первая из трех частей этой темы посвящена регрессионному анализу.
Бизнес-задача: Каршеринговой компании нужно выявить зависимость, как серия факторов — стаж вождения, погода, состояние автомобиля и дорожного покрытия, трафик, населенность города и т.д — влияют на вероятность попадания в ДТП.
Для Data Scientist эта задача выглядит так: Вычислить уравнение зависимости одного набора наблюдений от набора других параметров.
Проблема типового решения: Модели, которые предлагают библиотеки, по умолчанию используют ошибку нормального распределения. Ее расчет довольно грубый, и редко когда подходит к полученной зависимости. При этом включение неточно выбранной ошибки в уравнение приводит к тому, что с каждым новым набором параметров предсказание становится все менее точным.
Как спасает математика
Начнем с описания зависимости для одного фактора — стажа вождения. В модели классической парной линейной регрессии задействуются два коэффициента. Первый коэффициент α (альфа) — безусловное значение, когда была бы просто общая вероятность ДТП вне зависимости от каких-либо параметров, просто по стечению обстоятельств. Второй коэффициент β (бета) определяет чувствительность фактора стажа вождения на вероятность ДТП. Коэффициент β также называется наклоном в уравнении зависимости. А так как всегда будут факторы, которые мы забыли или не смогли учесть, мы должны добавить в уравнение некую ошибку Ui.
Собственно, задачей аналитика является поиск таких коэффициентов, при которых ошибка Ui была наименьшей.
Разновидностей расчета ошибок довольно много. Самая популярная за счет своей простоты абсолютная ошибка — отклонение предсказанного значения от абсолютного значения. Общая ошибка в этом случае является суммой модулей. Проблема модуля заключается в том, что эта функция не дифференцируема на всем пространстве чисел. Тогда математики придумали взять непрерывную трансформацию, чтобы обобщить ошибку, и стали суммировать квадраты таких отклонений. Так как эта функция непрерывна, мы можем применить оптимизацию по Лагранжу (оптимизацию функции двух переменных). Вычислив производные функции по α и по β, находим точки экстремумов, потом классифицируем их через свойство Гессиана (по правилу Гессе). Образуется два коэффициента α’ и β’, соответствующие методу наименьших квадратов. Он лежит в основе теоремы Гаусса-Маркова, которая является самой оптимальной моделью парной регрессии. Полученные ей оценки являются лучшими и их результаты перебить никакими другими методами невозможно.
Масштабируем процесс
Теперь мы переходим к тому, что на вероятность попадания в ДТП влияет множество других параметров, которые могут быть выражены в количественной оценке. Получается, что Y зависит от n-го числа переменных X. Чтобы не повторять однотипное вычисление всех коэффициентов α и β для каждого параметра, мы переходим к матричному уравнению зависимости. Аккуратно проведя дифференцирование, можно получить матрицу коэффициентов, таким образом, парное уравнение регрессии мы обобщаем до многомерного.
Ошибка — ключ к разгадке
Еще один важный момент решения задач регрессии связан с выбором ошибки. Часто, аналитики выбирают нормально распределенную ошибку. По факту это устаревший метод. Он все еще хорошо работает в теоретических условиях, но уже слишком примитивен для наших постоянно усложняющихся и стремящихся к истине алгоритмов. Для грамотного специалиста ошибка — предмет исследований, который помогает лучше понять саму суть регрессии. Построив одну регрессию, он смотрит, какие ошибки она породила, и исследует все облако ошибок. Например, если отклонения усиливаются — это признак гетероскедастичности, т.е. значит мы забыли учесть какие-то переменные Х и не посчитали их. Если он обнаруживает, что ошибки расположены по некоторому закону и замечает в них автокорреляцию, тогда это признак того, что мы ошиблись с моделью. В идеале нужно стремиться минимизировать отклонение ошибки от нуля.
Итак, какие знания высшей математики нам понадобились для построения сложной зависимости вероятности ДТП от набора факторов:
- Мат. анализ для оптимизации функции регрессии
- Линейная алгебра, т.е. определение, свойства и дифференцирование матриц, для перехода от парной регрессии к многомерной
- Анализ и подбор типа распределения ошибки. Например, специалист может взять распределение обобщенное нормально, бета-распределение или распределение Стьюдента. Особенно необходимо это в случаях, когда нет хорошей выборки и когда ее нельзя улучшить. А так же когда нарушается условие теоремы Гаусса-Маркова и появляется необходимость иначе строить уравнение регрессии или использовать другие методы классификации и оценки вероятности.
Для базового курса — старт 29 января — достаточно знаний школьной программы, для продвинутого — старт 31 января — требуются знания 1-2 курсов института.
Читайте также: