สถาบันวิจัยระบบสาธารณสุข จับมือ สถาบันวิจัยและพัฒนา
มรภ.สวนสุนันทา จัดประชุมนำเสนอผลการศึกษา ชูผลงาน "การใช้ Machine
Learning Algorithm และการเรียนรู้เชิงลึกเพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน
“กรณีศึกษาในพื้นที่กรุงเทพมหานคร” พร้อมเตรียมส่งมอบผลงานเพื่อนำไปใช้ประโยชน์ โดยมีผู้แทนจากหลากหลายหน่วยงาน
ทั้งภาครัฐและภาคเอกชนที่ให้ความสำคัญกับประเด็นอุบัติเหตุทางถนนเข้าร่วมงานดังกล่าวรวมกว่า
30 หน่วยงาน ณ ห้องประชุม Ballroom
A ชั้น 2 โรงแรมมารวยการ์เด้น กรุงเทพฯ
ผศ.ดร.จรวยพร ศรีศศลักษณ์
รองผู้อำนวยการสถาบันวิจัยระบบสาธารณสุข กล่าวว่า ทางสถาบันวิจัยระบบสาธารณสุข (สวรส.)
ได้ให้ความสำคัญเกี่ยวกับการเกิดอุบัติเหตุทางถนน
เนื่องจากเป็นปัญหาด้านสุขภาพ เป็นสาเหตุการตายและการบาดเจ็บอันดับต้นของโลก รวมถึงกรุงเทพมหานครก็มีสถิติอุบัติเหตุจราจรที่เป็นน่ากังวล
จึงได้สนับสนุนทุนวิจัย เรื่องของการใช้ machine
learning และ deep learning ในการศึกษาพื้นที่เสี่ยงอุบัติเหตุทางการจราจรในกรุงเทพมหานคร
โดยมีผู้ช่วยศาสตราจารย์ ดร.มรกต วรชัยรุ่งเรือง ผู้อำนวยการสถาบันวิจัยและพัฒนา
มหาวิทยาลัยราชภัฏสวนสุนันทา เป็นหัวหน้าโครงการวิจัย ซึ่งจากการศึกษาพบตั้งแต่ปี 2563 จนถึงปัจจุบันว่าอุบัติเหตุทางการจราจรมีจำนวนค่อนข้างสูงมาก โดยเฉพาะในเขตบางขุนเทียน-พระราม
2 เขตประเวศ
และมีนบุรี ควรจะมีการใช้ AI หรือแมชชีนเลิร์นนิงอัลกอริทึมเป็นเครื่องมือในการศึกษาสาเหตุการเกิดอุบัติเหตุในพื้นที่เพื่อแก้ปัญหาให้ตรงจุด
การศึกษานี้มีวัตถุประสงค์ 3 ข้อหลักๆคือ 1)
เพื่อศึกษาสาเหตุ รูปแบบ
และความรุนแรงของการเกิดอุบัติเหตุจราจรบนถนนในกรุงเทพมหานครผ่านแบบจำลอง Deep
Learning และ Machine Learning ต่าง ๆ เพื่อสร้างความรู้ความเข้าใจในอุบัติเหตุจราจร ในกทม. ทั้ง 50 เขต วัตถุประสงค์ที่ 2 คือ
เพื่อสร้างแบบจำลองการเกิดอุบัติเหตุจราจรบนถนนผ่านแบบจำลอง Machine
Learning และ Deep Learning ต่าง
ๆ พร้อมประเมินความถูกต้องแบบจำลอง และวัตถุประสงค์ที่ 3 คือ การนำแบบจำลอง ฯ
สร้างแนวทางการแก้ปัญหาเพื่อตอบโต้การเกิดอุบัติเหตุจราจรบนถนน ตามหลักการของ Haddon’s
Matrix Model คือ ก่อนเกิดเหตุ ระหว่างเกิดเหตุ
และหลังเกิดเหตุ ในมิติของคน พาหนะ ถนนและสภาพแวดล้อม
งานประชุมในวันนี้จึงเป็นเวทีสำคัญในการเผยแพร่ผลงานวิจัยต่อผู้กำหนดนโยบายและผู้ใช้ผลงานวิจัย จากหลากหลายหน่วยงาน ทั้งผู้บังคับใช้กฎหมาย, เจ้าหน้าที่ตำรวจ, กรมการขนส่งทางบก, กรมทางหลวง, นักวิชาการ และบริษัทเอกชน มารับฟังข้อมูลจากงานวิจัยเกี่ยวกับแนวทางการแก้ปัญหาจุดเสี่ยงอุบัติเหตุในกรุงเทพมหานคร เพื่อร่วมกันพิจารณาแบบจำลองคาดการณ์ความเสี่ยงจากการใช้เทคโนโลยีนี้ ในการวิเคราะห์สาเหตุในทุกมิติ ทั้งตัวบุคคล ยานพาหนะ สภาพถนน และสภาพแวดล้อม นอกจากนี้ ในงานยังมีการเปิดตัวคู่มือที่นำเสนอข้อมูลจุดเสี่ยงและแนวทางการแก้ไขปัญหาอย่างเป็นรูปธรรม งานวิจัยนี้สำเร็จได้ด้วยความร่วมมือจากทุกภาคส่วน ซึ่งสะท้อนให้เห็นถึงความสำคัญของการป้องกันอุบัติเหตุทางถนนซึ่งเป็นวาระแห่งชาติ และข้อเสนอแนะจากทุกท่านในวันนี้จะเป็นประโยชน์อย่างยิ่งในการนำผลงานวิจัยไปใช้จริงต่อไป
ด้าน ผศ.ดร.มรกต วรชัยรุ่งเรือง ผู้อำนวยการสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏสวนสุนันทา ในฐานะหัวหน้าโครงการวิจัยนักวิจัยเครือข่าย สวรส. ได้กล่าวว่า “การใช้แมชชีนเลิร์นนิงอัลกอริทึมและการเรียนรู้เชิงลึก เพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน กรณีศึกษากรุงเทพมหานคร จากระบบแพลตฟอร์มคาดการณ์พื้นที่เสี่ยงอุบัติเหตุทางถนน และ ระบบช่วยตัดสินใจเชิงนโยบายด้านอุบัติเหตุ (Haddon Matrix) โดยผลการศึกษาที่โดยเฉพาะช่วงเวลากลางคืน เป็นช่วงที่เกือบครึ่งหนึ่งของอุบัติเหตุทั้งหมดเกิดขึ้นในช่วงนี้ และมีความเสี่ยงเสียชีวิตสูงกว่ากลางวันมากกว่าสามเท่าและจากข้อมูลค้นพบว่าพื้นที่เสี่ยงเสียชีวิตสูง คือเขตชานเมือง เช่น พื้นที่ลาดกระบัง บางขุนเทียน และมีนบุรี เนื่องจากเป็นเส้นทางหลักของรถบรรทุก และกลุ่มเสี่ยงต่อการเกิดอุบัติเหตุ สูงสุดถึงร้อยละ 58.1 คือ รถจักรยานยนต์ โดยมีปัจจัยเสี่ยงสำคัญคือการไม่สวมหมวกนิรภัยและการขับขี่ด้วยความเร็วสูง นอกจากนี้ยังพบอีกว่าจุดที่เกี่ยวข้องกับการเกิดเหตุพบว่า Points of Interest (POIs) ประเภทชุมชน เช่น ร้านสะดวกซื้อ โรงเรียน และร้านอาหารมีความสัมพันธ์กับการเกิดอุบัติเหตุอย่างมีนัยสำคัญ และกลุ่มอายุที่มีความเสี่ยงสูงที่สุดคือ วัยแรงงานระหว่าง 26-59 ปี คิดเป็นร้อยละ 59.2 และยังพบแนวโน้มที่เด็กอายุต่ำกว่า 13 ปี มีสัดส่วนเพิ่มขึ้นอย่างมีนัยสำคัญ
งานวิจัยนี้พัฒนากลไกและรูปแบบตอบโต้การเกิดอุบัติเหตุจราจรบนถนนโดยการใช้เทคโนโลยีปัญญาประดิษฐ์ หรือ AI หรือเทคนิคอื่นๆ ที่ได้รับการยอมรับทางวิชาการ และสนับสนุนการวิจัยและสร้างนวัตกรรมเพื่อมุ่งเน้นการยกระดับความมั่นคงทางสุขภาพของประเทศให้สามารถลดภาระโรคที่สำคัญของประเทศ Machine Learning คาดการณ์แม่นกว่า 70% งานวิจัยนี้ใช้เทคนิคขั้นสูงอย่าง Machine Learning (Random Forest, Gradient Boosting, XGBoost) และ Deep Learning (Neural Network) ในการวิเคราะห์และคาดการณ์พื้นที่เสี่ยง ผลการวิเคราะห์ยืนยันว่าโมเดลที่พัฒนาขึ้น นำไปสู่การจัดทำเชิงนโยบาย 3 ระยะ ดังนี้
1. ระยะก่อนเกิดเหตุ ที่นำไปสู่การจัดทำข้อกำหนดด้านนโยบาย อาทิ
การรณรงค์และบังคับใช้
มาตราการสวมหมวกนิรภัยในผู้ขับขี่จักรยานยนต์และมาตรการเมาไม่ขับ, การจัดการผังเมือง และสภาพแวดล้อมเพื่อลดความเสี่ยงใกล้ POIs ชุมชน (โรงเรียน, ร้านสะดวกซื้อ) และมาตราเพิ่มการตรวจวัดแอลกอฮอล์ ในพื้นที่ชานเมือง
2. ระยะระหว่างเกิดเหตุ เช่น
การกำหนดมาตราการจำกัดความเร็ว โดยเฉพาะในเวลากลางคืนและช่วงเทศกาล, การเพิ่มกล้องตรวจจับและติดตั้งไฟส่องสว่างในเขตชานเมือง, การเสริมมาตรการควบคุมการจราจรในถนนสายหลักและสี่แยกสำคัญ
3. ระยะหลังเกิดเหตุ เช่น การพัฒนาระบบตอบสนองฉุกเฉิน (EMS) ที่สามารถเข้าถึงพื้นที่เสี่ยงได้อย่างรวดเร็ว, การบูรณาการฐานข้อมูลอุบัติเหตุแบบ Real-time เพื่อสนับสนุนการจัดสรรทรัพยากร
นอกจากนี้ ยังมีการสาธิตเชิงปฏิบัติการแพลตฟอร์ม RoadSafe Shiny App และ Haddon Matrix Application เพื่อให้ผู้มีส่วนได้ส่วนเสียสามารถนำไปปรับใช้ในการจัดทำมาตรการเชิงนโยบายเพื่อลดอุบัติเหตุบนท้องถนนได้อย่างมีประสิทธิภาพและตรงจุดต่อไปในอนาคต
