УДК 004.8, 519.2, 51.7

Прогнозирование тяжести дорожно-транспортных происшествий регионов России методами интерпретируемого машинного обучения

Д.В. Соболев, А.Е. Схведиани, М.И. Геращенко, Т.Ю. Кудрявцева

Санкт-Петербургский политехнический университет Петра Великого, г. Санкт-Петербург, Россия

Аннотация

Прогнозирование тяжести последствий дорожно-транспортных происшествий представляет собой важную прикладную задачу для снижения смертности и травматизма. В условиях высокой размерности, неоднородности и несбалансированности данных традиционные статистические модели не всегда обеспечивают достаточное качество прогноза и ограничены в выявлении сложных нелинейных зависимостей. Цель исследования заключается в разработке и сравнительном анализе моделей машинного обучения для прогнозирования тяжести ДТП на микроуровневых данных Северо-Западного федерального округа, а также в интерпретации вклада ключевых факторов в итоговый прогноз. В работе проверяются две гипотезы: во-первых, поведенческие и пространственно-инфраструктурные характеристики вносят больший вклад в прогноз тяжелых последствий, чем метеорологические и световые условия; во-вторых, ансамблевые методы машинного обучения обеспечивают более высокую прогностическую способность по сравнению с линейными и базовыми древовидными алгоритмами. Эмпирическую базу исследования составили данные о 167 тыс. ДТП, произошедших в 2015–2024 гг. Исследовательская процедура включала агрегацию иерархических записей в аналитическую таблицу, формирование признакового пространства, балансировку классов, построение и сопоставление моделей, а также интерпретацию результатов с использованием SHAP-анализа. Были рассмотрены модели логистической регрессии, деревьев решений, ансамблей градиентного бустинга и полносвязных нейронных сетей с векторными представлениями категорий. В результате экспериментов наилучшую прогностическую способность продемонстрировал ансамбль моделей градиентного бустинга и нейронной сети (ROC AUC 0,746). Установлено, что наибольший вклад в прогноз тяжелых последствий вносят географическая привязка, характеристики транспортных средств и поведенческие характеристики участников движения, тогда как вклад погодных условий оказался вторичным. Полученные результаты подтверждают обе гипотезы исследования. Теоретическая значимость работы состоит в развитии предиктивного подхода к анализу аварийности на основе объяснимого машинного обучения, практическая – в возможности использования результатов при развитии интеллектуальных транспортных систем и приоритизации мер по повышению безопасности дорожного движения.

Ключевые слова

прогнозирование ДТП; машинное обучение; градиентный бустинг; нейронные сети; интерпретируемость моделей; SHAP; безопасность дорожного движения; анализ факторов риска.

JEL classification

Список использованной литературы

1. Ahmed S.K., Mohammed M.G., Abdulqadir S.O., El-Kader R.G.A., El-Shall N.A., Chandran D., Rehman M.E.U., Dhama K. Road traffic accidental injuries and deaths: A neglected global health issue // Health Science Reports. 2023. Vol. 6, Issue 5. e1240. https://doi.org/10.1002/hsr2.1240

          2. Verma R., Agarwal M.M. A Systematic Review on Road Accident Prediction: A Special Attention Toward Machine Learning and Deep Learning Approaches // Journal of Circuits, Systems and Computers. 2026. Vol. 35, No. 2. 2530009. https://doi.org/10.1142/S0218126625300090

          3. Zhang J., Li Z., Pu Z., Xu C. Comparing Prediction Performance for Crash Injury Severity Among Various Machine Learning and Statistical Methods // IEEE Access. 2018. Vol. 6. Pp. 60079–60087. https://doi.org/10.1109/ACCESS.2018.2874979

          4. Skhvediani A., Rodionova M., Savchenko N., Kudryavtseva T. Prediction of the Road Accidents Severity Level: Case of Saint-Petersburg and Leningrad Oblast // International Journal of Technology. 2023. Vol. 14, No. 8. Pp. 1717–1727. https://doi.org/10.14716/ijtech.v14i8.6859

          5. Rodionova M., Skhvediani A., Kudryavtseva T. Determinants of Pedestrian–Vehicle Crash Severity: Case of Saint Petersburg, Russia // International Journal of Technology. 2021. Vol. 12, No. 7. Pp. 1427–1436. https://doi.org/10.14716/ijtech.v12i7.5403

          6. Rodionova M., Skhvediani A., Kudryavtseva T. Prediction of Crash Severity as a Way of Road Safety Improvement: The Case of Saint Petersburg, Russia // Sustainability. 2022. Vol. 14, Issue 16. 9840. https://doi.org/10.3390/su14169840

          7. Jamal A., Zahid M., Tauhidur Rahman M., Al-Ahmadi H.M., Almoshaogeh M., Farooq D., Ahmad M. Injury severity prediction of traffic crashes with ensemble machine learning techniques: a comparative study // International Journal of Injury Control and Safety Promotion. 2021. Vol. 28, Issue 4. Pp. 408–427. https://doi.org/10.1080/17457300.2021.1928233

          8. Mohammadpour S.I., Khedmati M., Zada M.J.H. Classification of truck-involved crash severity: Dealing with missing, imbalanced, and high dimensional safety data // PLoS ONE. 2023. Vol. 18, Issue 3. e0281901. https://doi.org/10.1371/journal.pone.0281901

          9. Najafi Moghaddam Gilani V., Hosseinian S.M., Ghasedi M., Nikookar M. Data-Driven Urban Traffic Accident Analysis and Prediction Using Logit and Machine Learning-Based Pattern Recognition Models // Mathematical Problems in Engineering. 2021. Vol. 2021. Pp. 1–11. https://doi.org/10.1155/2021/9974219

          10. Tang J., Liang J., Han C., Li Z., Huang H. Crash injury severity analysis using a two-layer Stacking framework // Accident Analysis & Prevention. 2019. Vol. 122. Pp. 226–238. https://doi.org/10.1016/j.aap.2018.10.016

          11. Boo Y., Choi Y. Comparison of mortality prediction models for road traffic accidents: an ensemble technique for imbalanced data // BMC Public Health. 2022. Vol. 22, Issue 1. 1476. https://doi.org/10.1186/s12889-022-13719-3

          12. Azhar A., Ariff N.M., Bakar M.A.A., Roslan A. Classification of Driver Injury Severity for Accidents Involving Heavy Vehicles with Decision Tree and Random Forest // Sustainability. 2022. Vol. 14, Issue 7, 4101. https://doi.org/10.3390/su14074101

          13. Sanjurjo-de-No A., Pérez-Zuriaga A.M., García A. Analysis and prediction of injury severity in single micromobility crashes with Random Forest // Heliyon. 2023. Vol. 9, Issue 12. e23062. https://doi.org/10.1016/j.heliyon.2023.e23062

          14. Santos D., Saias J., Quaresma P., Nogueira V.B. Machine Learning Approaches to Traffic Accident Analysis and Hotspot Prediction // Computers. 2021. Vol. 10, Issue 12. 157. https://doi.org/10.3390/computers10120157

          15. Komol M.M.R., Hasan M.M., Elhenawy M., Yasmin S., Masoud M., Rakotonirainy A. Crash severity analysis of vulnerable road users using machine learning // PLoS ONE. 2021. Vol. 16, Issue 8. e0255828. https://doi.org/10.1371/journal.pone.0255828

          16. Das S., Tamakloe R., Zubaidi H., Obaid I., Ashifur Rahman M. Bicyclist injury severity classification using a random parameter logit model // International Journal of Transportation Science and Technology. 2023. Vol. 12, Issue 4. Pp. 1093–1108. https://doi.org/10.1016/j.ijtst.2023.02.001

          17. Siregar M.L., Tjahjono T., Yusuf N. Predicting the Segment-Based Effects of Heterogeneous Traffic and Road Geometric Features on Fatal Accidents // International Journal of Technology. 2022. Vol. 13, No. 1. Pp. 92–102. https://doi.org/10.14716/ijtech.v13i1.4450

          18. Chang F.-R., Huang H.-L., Schwebel D.C., Chan A.H.S., Hu G.-Q. Global road traffic injury statistics: Challenges, mechanisms and solutions // Chinese Journal of Traumatology. 2020. Vol. 23, Issue 4. Pp. 216–218. https://doi.org/10.1016/j.cjtee.2020.06.001

          19. Mehrannia P., Bagi S.S.G., Moshiri B., Al-Basir O.A. Deep representation of imbalanced spatio‐temporal traffic flow data for traffic accident detection // IET Intelligent Transport Systems. 2023. Vol. 17, Issue 3. Pp. 606–619. https://doi.org/10.1049/itr2.12287

          20. Li P., Abdel-Aty M., Yuan J. Real-time crash risk prediction on arterials based on LSTM-CNN // Accident Analysis & Prevention. 2020. Vol. 135. 105371. https://doi.org/10.1016/j.aap.2019.105371

          21. Calsavara F., Kabbach F.I., Larocca A.P.C. Effects of Fog in a Brazilian Road Segment Analyzed by a Driving Simulator for Sustainable Transport: Drivers’ Speed Profile under In-Vehicle Warning Systems // Sustainability. 2021. Vol. 13, Issue 19. 10501. https://doi.org/10.3390/su131910501

          22. Calsavara F., Kabbach Junior F.I., Larocca A.P.C. Effects of Fog in a Brazilian Road Segment Analyzed by a Driving Simulator for Sustainable Transport: Drivers’ Visual Profile // Sustainability. 2021. Vol. 13, Issue 16. 9448. https://doi.org/10.3390/su13169448

          23. Karim F., Albrka Ali S.I. Evaluation of Most Influential Factors Affecting Road Traffic Accidents in Sidon, Lebanon // Jurnal Kejuruteraan. 2020. Vol. 32, Issue 4. Pp. 645–650. https://doi.org/10.17576/jkukm-2020-32(4)-12

          24. Zuraida R., Abbas B.S. The Factors Influencing Fatigue Related to the Accident of Intercity Bus Drivers in Indonesia // International Journal of Technology. 2020. Vol. 11, No. 2. Pp. 342–352. https://doi.org/10.14716/ijtech.v11i2.3792

          25. Khurshid A., Sohail A., Khurshid M., Shah M.U., Jaffry A.A. Analysis of Road Traffic Accident Fatalities in Karachi, Pakistan: An Autopsy-Based Study // Cureus. 2021. Vol. 13, Issue 4. e14459. https://doi.org/10.7759/cureus.14459

          26. Bohn B., Garcke J., Iza-Teran R., Paprotny A., Peherstorfer B., Schepsmeier U., Thole C.-A. Analysis of Car Crash Simulation Data with Nonlinear Machine Learning Methods // Procedia Computer Science. 2013. Vol. 18. Pp. 621–630. https://doi.org/10.1016/j.procs.2013.05.226

          27. Anderson T.K. Kernel density estimation and K-means clustering to profile road accident hotspots // Accident Analysis & Prevention. 2009. Vol. 41, Issue 3. Pp. 359–364. https://doi.org/10.1016/j.aap.2008.12.014

          28. Kang Y., Khattak A.J. Deep Learning Model for Crash Injury Severity Analysis Using Shapley Additive Explanation Values // Transportation Research Record: Journal of the Transportation Research Board. 2022. Vol. 2676, Issue 12. Pp. 242–254. https://doi.org/10.1177/03611981221095087

          29. Benfaress I., Bouhoute A., Zinedine A. Enhancing Traffic Accident Severity Prediction Using ResNet and SHAP for Interpretability // AI. 2024. Vol. 5, Issue 4. Pp. 2568–2585. https://doi.org/10.3390/ai5040124

          30. Le K.G. Improving road safety: Supervised machine learning analysis of factors influencing crash severity // Scientific Journal of Silesian University of Technology. Series Transport. 2025. Vol. 127. Pp. 129–153. https://doi.org/10.20858/sjsutst.2025.127.8

          31. Fiorentini N., Losa M. Handling Imbalanced Data in Road Crash Severity Prediction by Machine Learning Algorithms // Infrastructures. 2020. Vol. 5, Issue 7. 61. https://doi.org/10.3390/infrastructures5070061

          32. Obasi I.C., Benson C. Evaluating the effectiveness of machine learning techniques in forecasting the severity of traffic accidents // Heliyon. 2023. Vol. 9, Issue 8. e18812. https://doi.org/10.1016/j.heliyon.2023.e18812

          33. Alogaili A., Mannering F. Differences between day and night pedestrian-injury severities: Accounting for temporal and unobserved effects in prediction // Analytic Methods in Accident Research. 2022. Vol. 33. 100201. https://doi.org/10.1016/j.amar.2021.100201

          34. Chen S., Shao H., Ji X. Insights into Factors Affecting Traffic Accident Severity of Novice and Experienced Drivers: A Machine Learning Approach // International Journal of Environmental Research and Public Health. 2021. Vol. 18, Issue 23. 12725. https://doi.org/10.3390/ijerph182312725

          35. Zhang G., Xuan Q., Cai Y., Hu X., Hu N., Jiang X., Yao X. Identifying the reciprocal causation between hit-and-run behavior and crash injury severity // Traffic Injury Prevention. 2025. Vol. 26, Issue 2. Pp. 156–163. https://doi.org/10.1080/15389588.2024.2402464

          36. Roussou S., Ziakopoulos A., Yannis G. Investigation of hit-and-run crash severity through explainable machine learning // Transportation Letters. 2025. Vol. 17, Issue 10. Pp. 1755–1770. https://doi.org/10.1080/19427867.2025.2488976

          37. Parenteau C.S., Viano D.C. Light-Vehicle Occupancy and Severe Injury by Vehicle and Crash Type // Traffic Injury Prevention. 2014. Vol. 15, Issue 5. Pp. 457–461. https://doi.org/10.1080/15389588.2013.835044

          38. Ahmed S., Hossain M.A., Ray S.K., Bhuiyan M.M.I., Sabuj S.R. A study on road accident prediction and contributing factors using explainable machine learning models: analysis and performance // Transportation Research Interdisciplinary Perspectives. 2023. Vol. 19. 100814. https://doi.org/10.1016/j.trip.2023.100814

Благодарности

Исследование выполнено за счет гранта Российского научного фонда № 23-78-10176, https://rscf.ru/project/23-78-10176/

Информация об авторах

Соболев Даниил Васильевич

Лаборант-исследователь в научно-исследовательской лаборатории «Системная динамика» Высшей инженерно-экономической школы Института промышленного менеджмента экономики и торговли Санкт-Петербургского политехнического университета Петра Великого, г. Санкт-Петербург, Россия (195251, г. Санкт-Петербург, ул. Политехническая, 29); ORCID https://orcid.org/0009-0000-5869-5317 e-mail sobolevdan2002@gmail.com

Схведиани Анги Ерастиевич

Кандидат экономических наук, заведующий научно-исследовательской лабораторией «Системная динамика», доцент Высшей инженерно-экономической школы Института промышленного менеджмента экономики и торговли Санкт-Петербургского политехнического университета Петра Великого, г. Санкт-Петербург, Россия (195251, г. Санкт-Петербург, ул. Политехническая, 29); ORCID https://orcid.org/0000-0001-7171-7357 e-mail: shvediani_ae@spbstu.ru

Геращенко Максим Иванович

Лаборант-исследователь в научно-исследовательской лаборатории «Системная динамика» Высшей инженерно-экономической школы Института промышленного менеджмента экономики и торговли Санкт-Петербургского политехнического университета Петра Великого, г. Санкт-Петербург, Россия (195251, г. Санкт-Петербург, ул. Политехническая, 29); ORCID https://orcid.org/0009-0004-0383-9204 e-mail Rosefourx@gmail.com

Кудрявцева Татьяна Юрьевна

Доктор экономических наук, профессор Высшей инженерно-экономической школы Института промышленного менеджмента экономики и торговли Санкт-Петербургского политехнического университета Петра Великого, г. Санкт-Петербург, Россия (195251, г. Санкт-Петербург, ул. Политехническая, 29); ORCID https://orcid.org/0000-0003-1403-3447 e-mail: kudryavtseva_tyu@spbstu.ru

Для цитирования

Соболев Д.В., Схведиани А.Е., Геращенко М.И., Кудрявцева Т.Ю. Прогнозирование тяжести дорожно-транспортных происшествий регионов России методами интерпретируемого машинного обучения // Journal of Applied Economic Research. 2026. Т. 25, № 2. С. 596-624. https://doi.org/10.15826/vestnik.2026.25.2.020

Информация о статье

Дата поступления 16 февраля 2026 г.; дата поступления после рецензирования 25 марта 2026 г.; дата принятия к печати 28 марта 2026 г.

DOI: http://dx.doi.org/10.15826/vestnik.2026.25.2.020

Скачать полный текст статьи: