一项发表于arXiv的新研究提出了一种混合预测框架，用于识别和量化树相关交通事故的风险因素。树相关碰撞是路外事故的关键子类，往往因高能量冲击导致致命或严重伤害。研究团队利用2020年至2023年美国撞车报告抽样系统（CRSS）数据库，采用多步骤建模方法。首先，基于机器学习的CatBoost分类模型识别与碰撞伤害严重性（致命或失能伤害 vs. 非失能或可能伤害）相关的关键因素。随后，使用SHAP工具量化和可视化主要因素的边际效应。接着，二元逻辑回归模型估计因素效应并验证SHAP得出的重要性。最后，SHAP交互图检查关键因素的联合效应。
结果揭示，未使用安全带是最具影响力的预测因素，未约束的乘客因被抛出风险，严重结果的概率几乎增加三倍。车龄、超速违规和驾驶员损伤也显示出显著效应，分别反映了车辆耐撞性下降、冲击力增加和控制能力降低。关键交互作用包括：照明条件与车龄、超速与照明条件、安全带使用与车龄、路面与超速，表明叠加风险效应。例如，在夜间或低照度条件下，车龄较大的车辆与超速行为共同作用，显著提升严重伤害风险。
这些发现为基于安全系统的针对性干预提供了重要见解。研究建议加强安全带执法，特别是在高风险地区；在低能见度条件下实施速度管理，例如设置动态限速或改善照明；以及推动车辆现代化，淘汰老旧车辆。研究还强调了多因素交互作用在事故预防中的重要性，提示政策制定者需综合考虑多种因素而非单一措施。该研究为制定更有效的道路安全策略提供了科学依据，并展示了机器学习与传统统计方法结合在交通安全领域的应用潜力。