那些被平均值掩蓋的死亡：AI找到了行人事故里最致命的隱藏規律

車越造越安全。

走路卻反倒變得越來越危險。

這組真實數據，看完格外扎心。

每年都有超 4 萬人死于車禍。

有一項數據卻格外刺眼。

過去十年，駕乘人員死亡比例持續走低。

安全帶、氣囊、自動緊急制動確實起到作用。

可同一時間段，行人死亡人數逆勢上漲 48%。

到 2022 年，行人死亡人數已經達到 7500 人。

汽車安全配置不斷升級，步行出行卻風險飆升。

這種矛盾，讓交通安全研究者百思不解。

傳統交通安全研究，只盯著最常見的事故場景。

行人事故大多發生在白天城市十字路口。

光線良好，道路通行條件也很正常。

這類事故雖然發生頻次高。

但造成的傷害程度往往比較輕。

城市管理的整改措施，也全都集中在這些地方。

優化信號燈、改造斑馬線、增設交通島。

年復一年都在重復同類常規改造。

田納西大學博士生和導師，發現了關鍵漏洞。

最常見的事故，并不是最致命的事故。

只針對常規場景做優化，根本救不了多少人。

專家舉了很現實的例子。

深夜大雨天氣，行人和司機都可能存在飲酒情況。

這類場景極易引發重大傷亡事故。

只因偏離日常平均事故特征太遠。

直接被研究人員當成異常值剔除。

只為讓整體數據趨勢看起來更規整。

真正的問題就藏在這里。

為了數據清晰刻意刪掉的異常值。

恰恰是造成人員死亡最多的高危場景。

科研團隊用到全新研究方式。

采用無監督機器學習聚類算法分析數據。

錄入一萬多份警方交通事故報告。

每份報告包含限速、照明、路面狀況。

還有行人位置等幾十個關鍵變量。

算法不按人為預設標準硬性分類。

讓數據自主梳理事故之間的相似性。

再根據和平均場景的差異，劃分不同風險層級。

最終對比結果，看得人觸目驚心。

常規典型事故的致死率只有 8%。

邊緣偏離常態的事故，致死率高達 37%。

這些被視作罕見的特殊事故。

死亡概率直接是普通事故的近 5 倍。

研究人員坦言，罕見場景往往更致命。

必須深挖背后誘因，才能真正降低傷亡。

深入拆解高風險事故后，找到了共性規律。

大多集中在夜間無路燈路段、高速和郊區路肩。

往往都是多種風險條件疊加到一起。

這類事故需要多重不利條件同時出現。

日常發生概率偏低，可一旦出事生還率極低。

這項研究最大價值，是重新梳理整改優先級。

很多致命事故，都發生在沒有人行道的路肩。

在這類路段增設人行道、加裝路燈。

才能精準直擊最致命的交通安全隱患。

反觀設施完善的城市路口，繼續優化收益極小。

這項研究對自動駕駛行業同樣意義重大。

自動駕駛訓練數據，大多都是日常常見路況。

極端惡劣場景樣本太少，容易出現感知盲區。

研究識別出的各類高風險事故模式。

可以搭建專屬極端場景測試庫。

專門校驗車輛在黑夜、惡劣天氣下的應對能力。

以及郊區路肩行人識別等特殊路況表現。

相關教授也坦然承認，落地執行難度很大。

夜間公路、郊區路段的整改方式更復雜。

安全改造總偏愛聚焦大眾化常規問題。

優化十字路口，預算清晰、整改效果直觀。

在政績呈現上也更好交代。

而給偏遠公路裝路燈、修建人行道。

成本分散，受益人群不夠集中。

很難被納入亮眼的政績規劃當中。

這份現實層面的考量與取舍。

比技術攻堅本身還要難以解決。

但至少如今已經看清真相。

那些看似極少發生的極端事故。

才是交通安全最該重點解決的問題。

單純用平均數據來制定安全政策。

就是用正確的方式，去解決錯誤的問題。