一項發表於arXiv的新研究提出了一種混合預測框架，用於識別和量化樹相關交通事故的風險因素。樹相關碰撞是路外事故的關鍵子類，往往因高能量衝擊導致致命或嚴重傷害。研究團隊利用2020年至2023年美國撞車報告抽樣系統（CRSS）資料庫，採用多步驟建模方法。首先，基於機器學習的CatBoost分類模型識別與碰撞傷害嚴重性（致命或失能傷害 vs. 非失能或可能傷害）相關的關鍵因素。隨後，使用SHAP工具量化和視覺化主要因素的邊際效應。接著，二元邏輯迴歸模型估計因素效應並驗證SHAP得出的重要性。最後，SHAP互動圖檢查關鍵因素的聯合效應。
結果揭示，未使用安全帶是最具影響力的預測因素，未約束的乘客因被丟擲風險，嚴重結果的機率幾乎增加三倍。車齡、超速違規和駕駛員損傷也顯示出顯著效應，分別反映了車輛耐撞性下降、衝擊力增加和控制能力降低。關鍵互動作用包括：照明條件與車齡、超速與照明條件、安全帶使用與車齡、路面與超速，表明疊加風險效應。例如，在夜間或低照度條件下，車齡較大的車輛與超速行為共同作用，顯著提升嚴重傷害風險。
這些發現為基於安全系統的針對性干預提供了重要見解。研究建議加強安全帶執法，特別是在高風險地區；在低能見度條件下實施速度管理，例如設定動態限速或改善照明；以及推動車輛現代化，淘汰老舊車輛。研究還強調了多因素互動作用在事故預防中的重要性，提示政策制定者需綜合考慮多種因素而非單一措施。該研究為制定更有效的道路安全策略提供了科學依據，並展示了機器學習與傳統統計方法結合在交通安全領域的應用潛力。