基于GM(1,1)与GM-BP联合模型的山东省道路交通死亡率预测研究：精准防控与政策优化

本研究针对山东省高发的道路交通伤害（RTIs）问题，创新性地结合灰色系统理论（GM(1,1)模型）与机器学习（BP神经网络），构建GM-BP联合模型预测不同道路使用者（行人、非机动车驾驶员等）的标准化死亡率。结果显示，GM-BP模型对波动数据的预测精度显著优于传统GM(1,1)模型（MAPE<10%），为高风险群体精准防控提供了理论依据，对交通管理部门制定差异化干预策略具有重要参考价值。

　　

论文解读

在全球范围内，道路交通伤害（RTIs）每年造成135万人死亡，其中93%发生在中低收入国家。作为全球第二大RTIs死亡负担国，中国每年因交通事故死亡人数超过25万，而山东省因其密集的路网和区域发展不均衡，成为全国事故高发区。尽管近年来死亡率有所下降，但RTIs仍是该地区居民健康寿命损失和经济负担的首要原因。传统观点认为交通事故具有偶然性，但研究表明其发生存在内在规律性，这为预测和干预提供了可能。然而，现有研究多聚焦于交通流量、道路能见度等因素，缺乏针对致命性事故的预测模型，尤其在数据波动大、样本量有限的情况下，亟需开发更精准的分析工具。

为填补这一空白，来自德阳市人民医院、山东大学公共卫生学院和山东省疾病预防控制中心的研究团队，基于2012-2022年山东省176,129例道路交通死亡数据（源自中国CDC人口死亡信息登记管理系统，ICD-10编码V01-V99），首次将灰色系统理论中的GM(1,1)模型与BP神经网络结合，构建GM-BP联合预测模型。研究通过三折交叉验证评估模型性能，采用MSE、MAE、MAPE和RMSE四项指标对比两种模型的预测精度，最终成果发表于《Scientific Reports》。

关键技术方法

1. 数据来源：从中国CDC获取经质量控制的ICD-10标准化死亡数据（含人口统计学特征），结合山东省统计年鉴人口数据计算标准化死亡率。
2. 模型构建：使用灰色建模软件V7.0建立GM(1,1)模型，通过SPSSPRO软件V1.0.11训练BP神经网络，以GM(1,1)预测误差作为BP网络输入进行联合建模。
3. 评估指标：采用均方误差（MSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）量化模型性能。

研究结果

描述性统计
2012-2022年间，山东省道路交通死亡者平均年龄52.65±17.94岁，男性占比73.5%（性别比2.77:1），已婚者占83.08%，79.6%为初中及以下学历。标准化死亡率显示，机动车驾驶员死亡率最高（17.21/10万），其次为行人（0.27/10万）和非机动车驾驶员（0.78/10万）。

GM(1,1)模型预测
该模型对总人群和机动车驾驶员预测效果最佳（平均相对误差<3%），但对行人、非机动车驾驶员和乘客的预测误差较高（4.5%-4.9%），反映出其对小幅波动数据的适应性不足。

GM-BP联合模型预测
联合模型显著提升了对波动数据的拟合度，R²值在非机动车驾驶员组高达0.983。其MAPE在行人（2.80%）、非机动车驾驶员（1.81%）和乘客（5.53%）组均优于GM(1,1)模型，验证了神经网络对非线性关系的捕捉能力。

模型评估
对比显示，GM(1,1)在总人群（MAPE=0.448%）和机动车驾驶员（0.565%）预测中仍具优势，而GM-BP在行人（RMSE降低20%）、非机动车驾驶员（MSE降低66.7%）等群体中表现更优，证实联合模型能有效平衡趋势提取与波动适应。

结论与意义
本研究创新性地将灰色系统理论与机器学习结合，证实GM-BP联合模型可提升对山东省道路交通死亡率的预测稳定性，尤其适用于数据波动明显的非机动车驾驶员等高风险群体。这一成果为交通管理部门提供了三方面决策支持：

1. 精准防控：针对非机动车驾驶员（死亡率0.78/10万）可强制头盔使用，优化高风险路段监控；
2. 资源分配：依据预测结果优先升级鲁中经济圈等发展不协调区域的路网设施；
3. 政策迭代：建立动态数据整合机制，适应自动驾驶技术等新兴变量对模型的影响。

尽管存在家庭死亡报告误差、变量有限等局限，但该研究为RTIs预测提供了方法论范式，其“立法-技术-数据”协同框架对全球高负担地区具有借鉴价值。未来研究可纳入气象、行为等多元数据，进一步优化模型鲁棒性。