《Scientific Reports》：Evaluation of the level of responsibility in pedestrian crashes using machine learning algorithms
编辑推荐：
本研究致力于解决行人交通事故中责任认定复杂且主观性强的问题。研究人员运用机器学习(ML)技术，通过对比决策树(DT)、朴素贝叶斯(NB)和支持向量机(SVM)等模型，旨在构建一个客观、高效的责任分级框架，以辅助司法和警方决策。研究发现，决策树模型表现最优，并识别出驾驶执照状态是影响责任判定的最关键变量。这项研究为提升道路交通安全政策的制定提供了数据驱动的科学依据。
行人，作为道路交通中最脆弱的参与者，其安全事故往往伴随着严重的伤亡后果。每当悲剧发生，厘清事故责任便成为一项至关重要却又极为复杂的任务，这不仅关系到受害者的权益与正义，也直接影响着驾驶员可能面临的民事、行政乃至刑事后果。然而，当前在科学文献中，专门针对交通事故责任归属，尤其是行人碰撞事故责任判定的研究却凤毛麟角。传统的责任认定过程高度依赖现场勘察报告和执法人员的经验判断，缺乏统一、客观的量化标准，容易引发争议。为了填补这一研究空白，并为司法和警务实践提供更高效、客观的决策支持工具，一项发表于《Scientific Reports》的研究应运而生。该研究创新性地引入机器学习（ML）算法，旨在系统性地评估行人交通事故中驾驶员与行人的责任等级。
为达成研究目标，该研究主要采用了以下关键技术方法：首先，构建了一个包含510起真实行人交通事故的数据集，数据来源于西班牙巴达霍斯市警察局（LPB）的事故报告和西班牙司法机构（SJ）的判决。其次，研究基于“人-技术-结构-规范”四个子系统，提取并定义了14个二进制变量作为模型特征。最后，研究团队训练并比较了多种监督分类模型，包括决策树（DT）、朴素贝叶斯（NB）和支持向量机（SVM），以评估它们对责任等级的分类性能，并进一步通过特征重要性分析，识别出影响责任判定的关键因素。
模型性能初步评估
研究人员首先对多种机器学习模型进行了初步测试。结果显示，决策树（DT）、朴素贝叶斯（NB）和支持向量机（SVM）模型在所有被分析的模型中展现了最佳的性能。这三个模型在初步评估阶段表现突出，因此被选定进入下一轮的深入比较。
最优模型比较与选择
在确定DT、NB和SVM为候选模型后，研究对这三者进行了详细的性能指标比较。各项评估指标一致表明，决策树（DT）模型是解决当前责任分类问题的最佳选择。其在准确性、鲁棒性等方面的综合表现优于其他两种模型。
特征重要性分析
研究利用决策树模型进行了特征重要性分析，以探究14个预设变量对责任判定结果的影响程度。分析揭示，在决定事故责任时，最具影响力的因素是驾驶员是否持有有效驾照，其贡献度高达47.26%。其他重要因素依次为：行人的事发时所在位置（如是否在斑马线上），影响权重为15.35%；驾驶员是否受酒精或药物影响，占7.24%；以及驾驶员是否存在分心驾驶行为（如使用手机），占7.04%。
研究结论与讨论
本研究的核心结论是，基于真实事故数据，决策树模型能够有效地对行人交通事故中的责任等级进行分类，且其分析结果具有明确的解释性。通过特征重要性分析，研究不仅验证了“持证驾驶”作为合法驾驶资格的基础性法律意义在责任判定中的压倒性权重，也量化了行人行为（位置）、驾驶员危险状态（酒驾/毒驾）和危险行为（分心驾驶）的具体影响。这一发现具有双重重要意义：在实践层面，它为警察和司法部门提供了一套可量化的、基于数据的决策辅助工具，有助于提升责任认定的客观性与效率，减少主观判断带来的偏差。在政策层面，研究清晰地指出了几个关键的风险干预靶点，例如严厉打击无证驾驶、加强对酒驾药驾的监管、整治分心驾驶行为，以及通过基础设施设计引导行人安全通行。这为城市管理者和交通安全政策制定者设计更精准、有效的道路安全改善策略提供了坚实的科学依据。
