La sécurité routière dépend rarement d'un seul facteur. La configuration des routes, les intersections, les conditions de circulation, l'aménagement des quartiers et les caractéristiques communautaires interagissent de manière complexe, difficile à saisir avec les analyses conventionnelles. Une étude réalisée en 2026 par Jiaqing Lu, Ziqi Li, Lei Han et Qianwen Guo aborde ce défi en utilisant une approche d'intelligence artificielle explicable géospatiale, connue sous le nom de GeoXAI.

Cette recherche examine la densité des accidents en Floride et pose une question pratique : pourquoi un même type de route ou de caractéristique de quartier peut-il avoir des relations différentes avec les accidents selon l'endroit où il se trouve ?

<h3>L'importance du lieu</h3>

Les schémas d'accidents de la route ne sont pas répartis uniformément sur une vaste zone géographique. Les quartiers urbains peuvent concentrer de nombreuses routes, intersections et activités de déplacement dans des espaces relativement restreints, tandis que les zones rurales présentent souvent un environnement physique très différent. L'étude se concentre sur les secteurs de recensement de la Floride, permettant aux chercheurs d'examiner les schémas d'accidents à une échelle locale plutôt que de traiter l'ensemble de l'État comme une zone uniforme. L'analyse a couvert les accidents enregistrés entre janvier 2023 et décembre 2024 et a finalement inclus 4 699 secteurs de recensement. La densité des accidents a été calculée en fonction du nombre d'accidents survenus dans chaque secteur par rapport à sa superficie. Cette approche locale est essentielle car une relation globale à l'échelle de l'État peut masquer les différences entre les quartiers. Une caractéristique routière associée à une densité d'accidents plus élevée dans un contexte donné peut avoir une relation différente dans un autre.

<h3>Ce qu'apporte la GeoXAI</h3>

La recherche combine l'apprentissage automatique avec une méthode appelée GeoShapley. En termes simples, ce cadre est conçu pour expliquer non seulement quels facteurs sont associés à la densité prédite des accidents, mais aussi comment ces relations évoluent géographiquement. Les chercheurs ont d'abord utilisé un processus d'apprentissage automatique automatisé pour comparer plusieurs modèles prédictifs. XGBoost a été sélectionné comme le modèle le plus performant. GeoShapley a ensuite été utilisé pour interpréter les prédictions du modèle en tenant compte à la fois de la localisation et des facteurs individuels. Cela diffère des approches conventionnelles qui supposent souvent que les relations restent globalement cohérentes sur toute la zone d'étude. Les chercheurs ont également comparé les résultats de la GeoXAI avec SHAP, une méthode d'explicabilité largement utilisée, et la régression géographiquement pondérée multi-échelle (MGWR), conçue pour examiner les relations variant spatialement.

<h3>La densité routière ne dit pas tout</h3>

Plusieurs caractéristiques routières et de quartier ont montré des relations complexes avec la densité des accidents. Parmi les facteurs mis en évidence figuraient la densité routière, la densité des intersections, la compacité des quartiers et le niveau d'éducation. Leurs relations avec la densité des accidents n'étaient pas de simples lignes droites. Par exemple, l'étude a révélé que des environnements urbains très compacts pouvaient connaître une forte augmentation de la densité prédite des accidents après avoir atteint certains niveaux de compacité. Cela suggère que l'ajout de connexions routières ou la concentration des activités ne produisent pas nécessairement un changement prévisible des schémas d'accidents à chaque endroit.

<h3>Des schémas différents selon les zones</h3>

Les résultats géographiques ont également montré des différences substantielles à travers la Floride. Les zones fortement urbanisées, dont Miami, présentaient des contributions intrinsèques aux accidents beaucoup plus élevées que de nombreuses zones rurales. Orlando, Tampa et Jacksonville ont également été identifiées comme des zones métropolitaines avec des contributions de base élevées dans le modèle. Les chercheurs soulignent que ces différences ne signifient pas qu'un facteur cause automatiquement des accidents partout. Au contraire, les résultats démontrent que la relation entre les caractéristiques routières, socio-économiques et du bâti peut dépendre fortement des circonstances locales. L'étude a également rapporté une relation non linéaire concernant le niveau d'éducation. À des niveaux faibles à modérés, un pourcentage plus élevé de résidents titulaires d'une licence était associé à des contributions prédites aux accidents plus faibles, tandis que la relation s'inversait à des niveaux plus élevés. Le seuil rapporté était d'environ 35 %, illustrant pourquoi supposer une relation linéaire simple peut faire passer à côté de schémas importants.

<h3>Comment ces résultats peuvent aider</h3>

La valeur de cette approche dépasse la simple production d'un nouveau modèle de prédiction. En identifiant où des facteurs particuliers ont des relations plus fortes avec la densité des accidents, les planificateurs des transports peuvent potentiellement examiner les conditions de sécurité à une échelle géographique plus ciblée. Les chercheurs évoquent des stratégies telles que des mesures d'apaisement de la circulation dans les quartiers compacts, des modifications de la conception des intersections et des approches de gestion de la vitesse sur les axes fréquentés. Le cadre pourrait également aider à identifier les zones nécessitant des investigations supplémentaires plutôt que d'appliquer des mesures de sécurité identiques dans tous les quartiers. L'étude présente la GeoXAI comme un moyen de rendre l'analyse de la sécurité routière plus détaillée géographiquement. En réunissant l'apprentissage automatique, l'information spatiale et l'interprétation des modèles, la GeoXAI offre une méthode plus précise pour examiner ces différences et cibler les zones méritant une attention particulière en matière de sécurité.