Statistisch model voorspelt de kans op overlijden, koppelgedrag en andere variabelen voor auto-ongelukken

Een voorspelbaarheidsmodel dat is gebouwd door een SMU-onderzoeksteam kan de kans berekenen dat bepaalde variabelen – zoals rijden onder invloed of 20 mijl te hard rijden boven de limiet – resulteren in een ernstig auto-ongeluk.

Het statistische model voorspelt bijvoorbeeld dat een 25-jarige man die betrokken is bij een ongeval met twee auto’s een kans van 2 procent heeft om bij dat ongeval te overlijden, als hij om 14.00 uur in een Ford Focus uit 2012 op een droge weg in Dallas rijdt. Dat is als er geen alcohol bij betrokken is, en hij rijdt 80 mph op de snelweg met een snelheidslimiet van 70 mph.

Toch loopt de kans dat de crash voor dezelfde bestuurder in dezelfde auto met dezelfde snelheid dodelijk zou zijn, op tot 10 procent als hij alcohol drinkt, voorspelt het model.

Het onderzoeksteam heeft een interactief online systeem gemaakt waarmee iedereen zijn voorspellende model kan gebruiken. Dat systeem is te vinden op http://gessmu.azurewebsites.net/ onder sectie VII. Accident Price Explorer-systeem.

Tony Ng, een SMU-hoogleraar statistische wetenschappen en een van de mede-makers van het model, zei dat de tool vooral nuttig zou kunnen zijn als een educatief hulpmiddel om de werkelijke impact van bepaalde rijomstandigheden en gedragingen concreet te maken voor verschillende doelgroepen, zoals jonge automobilisten.

“Dit kan hopelijk het gedrag van bestuurders positief beïnvloeden en het aantal ongevallen verminderen door bestuurders bewuster te maken van gevaarlijke rijgewoonten”, aldus Ng.

Door gegevensanalysetechnieken zoals het SMU-model te gebruiken om verkeersgegevens te analyseren, kunnen mogelijk hotspots voor ongevallen en de redenen erachter worden geïdentificeerd, waardoor verkeersfunctionarissen de verkeersveiligheid kunnen verbeteren. De gegevens kunnen bijvoorbeeld worden gebruikt om snelheidslimieten op een bepaalde snelweg aan te passen of om de plaatsing van camera’s te vragen waarvan bekend is dat bestuurders te hard rijden, zei Ng.

SMU (Southern Methodist University) gebruikte het General Estimates System van het Amerikaanse Department of Transportation gegevens, wat een representatieve steekproef is van door de politie gemelde motorvoertuigongevallen van alle soorten verzameld door de National Highway Transportation Safety Administration voor alle staten van 1988 tot 2013. Ng en een team van oud-studenten van de SMU Department of Statistical Science gebruikten ook auto veiligheidsclassificaties van het Amerikaanse ministerie van transport en informatiebladen voor staatsspecifieke kosten van dodelijke ongevallen om met het model te komen.

Ze publiceerden een studie over het voorspellende model in het tijdschrift Computational Statistics. Het artikel is gebaseerd op een inzending van de GSS Data Challenge 2016, georganiseerd door drie secties van de American Statistical Association: Statistical Computing, Statistical Graphics en Government Statistics.

De student-co-auteurs zijn Gunes Alkan, Robert Farrow, Haichen Liu, Clayton Moore, Yihan Xu, Ziyuan Xu, Yuzhi Yan en Yifan Zhong. Deze studenten leverden een belangrijke bijdrage aan het verzamelen van de gegevens, het voorbereiden van die gegevens voor analyse, het opstellen van een wiskundig model dat kon worden gebruikt en het creëren van het interactieve online systeem. Lynne Stokes, hoogleraar Statistical Science aan SMU, droeg ook bij aan het onderzoek.

Het model dat ze hebben gemaakt, gebruikt 11 verschillende variabelen om het maximale letsel voor de bestuurder te voorspellen. Ze hielden rekening met zowel menselijke factoren, zoals de leeftijd en het geslacht van de bestuurder, als zaken als de toestand van de weg, de snelheidslimiet en de staat waarin het ongeval plaatsvond.

Onderzoekers gebruikten die variabelen om te analyseren hoe waarschijnlijk het is dat een auto-ongeluk letsel veroorzaakt, van licht letsel tot dodelijk letsel. Ze keken ook naar wat de materiële schade zou zijn als gevolg van een ongeval met een of meer voertuigen, evenals de medische kosten.

Ng waarschuwt dat het model dat ze hebben gemaakt slechts zo goed is als de gegevens. Zoals bij elk gemaakt statistisch model, kunnen er fouten in de bevindingen zitten, omdat de gegevens die ze als belangrijkste bron hebben gebruikt, meetfouten bevatten.

Toch benadrukte Ng: “Het model kan worden beschouwd als een nuttig educatief hulpmiddel om het grote publiek bewust te maken van het risico en om slecht rijgedrag zoals te hard rijden en rijden onder invloed te vermijden.”