考虑建成环境因素后，对酒驾（DUI）和醉驾（DWI）事故风险因素的分析

《International Journal of Injury Control and Safety Promotion》：Analysis of risk factors for DUI and DWI crashes considering the built environment

酒驾事故影响因素及机器学习模型研究基于天津3365起案例，对比四类机器学习模型，发现增强CatBoost模型AUC-ROC达0.953最优。关键风险因素包括时间段、交叉路口管控及企业密度。交互分析显示40-50岁司机在交通密集区DWI风险倍增，摩托车夜间事故风险突出。研究为精准交通管控提供数据支撑。

　　

摘要

与酒精相关的交通事故风险水平与饮酒量密切相关。然而，关于导致酒后驾驶（DUI，Driving Under Influence）和醉酒驾驶（DWI，Driving While Intoxicated）的不同影响因素的研究仍然有限。本研究分析了中国天津发生的3,365起与酒精相关的交通事故数据。根据驾驶员的血液酒精浓度，这些事故被分为酒后驾驶和醉酒驾驶两类。研究人员对四种机器学习模型进行了改进并进行了比较，通过准确率、精确度、召回率和F1分数来评估这些模型的性能。利用Shapley加性解释方法对模型输出进行解读，并量化了影响酒后驾驶和醉酒驾驶事故的风险因素及交互效应。改进后的CatBoost模型表现最佳，其AUC-ROC值为0.953。研究发现，事故发生的时间段、交叉路口是否设有控制设施以及公司密度是影响这两种事故的重要因素。交互分析表明，在交叉路口密度较高的地区，40至50岁之间的驾驶员发生醉酒驾驶的风险更高；而在晚上21:00至24:00期间，两轮摩托车驾驶员的醉酒驾驶风险高于汽车驾驶员。这些发现为交通管理部门提供了有价值的参考，有助于他们制定针对酒后驾驶和醉酒驾驶违规行为的精准控制措施。