行人伤情严重性的非线性决定因素：来自大不列颠的行政数据的证据
计算机与社会
2025-12-04 v1
摘要
本研究使用来自大不列颠 2023 年 STATS19 数据集的行政数据，探讨行人伤情严重性的非线性决定因素。为解决包括缺失信息和显著类别不平衡在内的内在数据质量挑战，我们采用严格的预处理流程，利用模式插补和合成少数过采样 (SMOTE)。我们利用非参数集成方法 (Random Forest 和 XGBoost) 来捕捉常被线性模型忽略的复杂相互作用和异质性，同时采用 Shapley 增量解释用于确保可解释性 and isolate 边际特征效应。我们的分析表明，车辆数、限速、照明条件 and 路面状况是严重性的主要预测因子，警察到场情况 and 路口特征进一步区分严重冲突。就空间分布而言，尽管行人风险集中在密集城市本地司法区 (LAD)，但我们识别出某些 rural LAD 在发生冲突的条件下经历不成比例的严重后果。这些发现强调了将空间分析与可解释机器学习结合用于指导地理上面向目标的限速管理、基础设施投资 and 执法策略的价值。
引用
@article{arxiv.2512.04022,
title = {Non-Linear Determinants of Pedestrian Injury Severity: Evidence from Administrative Data in Great Britain},
author = {Yifei Tong},
journal= {arXiv preprint arXiv:2512.04022},
year = {2025}
}
备注
18 pages, 7 figures. Code and data available at: https://github.com/1TSHARUKA/Pedestrian_Safety_Analysis