สวรส. จับมือ มรภ.สวนสุนันทา เปิดตัวแบบจำลองคาดการณ์จุดเสี่ยงมรณะในกรุงเทพฯ สู่การจัดทำข้อเสนอทางนโยบายเชิงระบบ

สวรส. จับมือ มรภ.สวนสุนันทา เปิดตัวแบบจำลองคาดการณ์จุดเสี่ยงมรณะในกรุงเทพฯ สู่การจัดทำข้อเสนอทางนโยบายเชิงระบบ

สถาบันวิจัยระบบสาธารณสุขจับมือสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏสวนสุนันทา จัดประชุมนำเสนอผลการศึกษา ชูผลงาน "การใช้ Machine Learning Algorithm และการเรียนรู้เชิงลึกเพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน “กรณีศึกษาในพื้นที่กรุงเทพมหานคร” พร้อมเตรียมส่งมอบผลงานเพื่อนำไปใช้ประโยชน์ โดยมีผู้แทนจากหลากหลายหน่วยงาน ทั้งภาครัฐและภาคเอกชนที่ให้ความสำคัญกับประเด็นอุบัติเหตุทางถนนเข้าร่วมงานรวมกว่า 30 หน่วยงาน ณ ห้องประชุม  Ballroom A โรงแรมมารวยการ์เด้น กรุงเทพฯ

     ผศ.ดร.จรวยพร  ศรีศศลักษณ์ รองผู้อำนวยการสถาบันวิจัยระบบสาธารณสุข กล่าวว่า สถาบันวิจัยระบบสาธารณสุข (สวรส.) ได้ให้ความสำคัญเกี่ยวกับการเกิดอุบัติเหตุทางถนน เนื่องจากเป็นปัญหาด้านสุขภาพ เป็นสาเหตุการตายและการบาดเจ็บอันดับต้นของโลก รวมถึงกรุงเทพมหานครก็มีสถิติอุบัติเหตุจราจรเป็นที่น่ากังวล จึงได้สนับสนุนทุนวิจัยเรื่องของการใช้ machine learning และ deep learning ในการศึกษาพื้นที่เสี่ยงอุบัติเหตุทางการจราจรในกรุงเทพมหานคร โดยมีผู้ช่วยศาสตราจารย์ ดร.มรกต วรชัยรุ่งเรือง ผู้อำนวยการสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏสวนสุนันทา เป็นหัวหน้าโครงการวิจัย ซึ่งจากการศึกษาพบว่าตั้งแต่ปี 2563 จนถึงปัจจุบัน อุบัติเหตุทางการจราจรมีจำนวนค่อนข้างสูงมาก โดยเฉพาะในเขตบางขุนเทียน-พระราม 2  เขตประเวศ และมีนบุรี ควรจะมีการใช้ AI หรือแมชชีนเลิร์นนิงอัลกอริทึมเป็นเครื่องมือในการศึกษาสาเหตุการเกิดอุบัติเหตุในพื้นที่เพื่อแก้ปัญหาให้ตรงจุด การศึกษานี้มีวัตถุประสงค์ 3 ข้อหลักๆ คือ 

   1) เพื่อศึกษาสาเหตุ รูปแบบ และความรุนแรงของการเกิดอุบัติเหตุจราจรบนถนนในกรุงเทพมหานครผ่านแบบจำลอง Deep Learning และ Machine Learning ต่างๆ เพื่อสร้างความรู้ความเข้าใจในอุบัติเหตุจราจร ในกทม. ทั้ง 50 เขต  

   2) เพื่อสร้างแบบจำลองการเกิดอุบัติเหตุจราจรบนถนนผ่านแบบจำลอง Machine Learning และ Deep Learning ต่างๆ พร้อมประเมินความถูกต้องแบบจำลอง และ

   3) เพื่อนำแบบจำลองฯ สร้างแนวทางการแก้ปัญหาเพื่อตอบโต้การเกิดอุบัติเหตุจราจรบนถนน ตามหลักการของ Haddon’s Matrix Model คือ ก่อนเกิดเหตุ ระหว่างเกิดเหตุ และหลังเกิดเหตุ ในมิติของ คน พาหนะ ถนน และสภาพแวดล้อม

          งานประชุมในครั้งนี้จึงเป็นเวทีสำคัญในการเผยแพร่ผลงานวิจัยต่อผู้กำหนดนโยบายและผู้ใช้ผลงานวิจัยจากหลากหลายหน่วยงาน ทั้งผู้บังคับใช้กฎหมาย, เจ้าหน้าที่ตำรวจ, กรมการขนส่งทางบก, กรมทางหลวง, นักวิชาการ และบริษัทเอกชน มารับฟังข้อมูลจากงานวิจัยเกี่ยวกับแนวทางการแก้ปัญหาจุดเสี่ยงอุบัติเหตุในกรุงเทพมหานคร เพื่อร่วมกันพิจารณาแบบจำลองคาดการณ์ความเสี่ยงจากการใช้เทคโนโลยีนี้ในการวิเคราะห์สาเหตุในทุกมิติ ทั้งตัวบุคคล ยานพาหนะ สภาพถนน และสภาพแวดล้อม นอกจากนี้ ในงานยังมีการเปิดตัวคู่มือที่นำเสนอข้อมูลจุดเสี่ยงและแนวทางการแก้ไขปัญหาอย่างเป็นรูปธรรม งานวิจัยนี้สำเร็จได้ด้วยความร่วมมือจากทุกภาคส่วน ซึ่งสะท้อนให้เห็นถึงความสำคัญของการป้องกันอุบัติเหตุทางถนนซึ่งเป็นวาระแห่งชาติ และข้อเสนอแนะจากทุกท่านในครั้งนี้จะเป็นประโยชน์อย่างยิ่งในการนำผลงานวิจัยไปใช้จริงต่อไป

           ด้าน ผศ.ดร.มรกต วรชัยรุ่งเรือง ผู้อำนวยการสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏสวนสุนันทา ในฐานะหัวหน้าโครงการวิจัยนักวิจัยเครือข่าย สวรส. ได้กล่าวว่า การใช้แมชชีนเลิร์นนิงอัลกอริทึมและการเรียนรู้เชิงลึก เพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน กรณีศึกษากรุงเทพมหานครจากระบบแพลตฟอร์มคาดการณ์พื้นที่เสี่ยงอุบัติเหตุทางถนน และ ระบบช่วยตัดสินใจเชิงนโยบายด้านอุบัติเหตุ (Haddon Matrix) โดยผลการศึกษาโดยเฉพาะช่วงเวลากลางคืนเป็นช่วงที่เกือบครึ่งหนึ่งของการเกิดอุบัติเหตุทั้งหมดเกิดขึ้นในช่วงนี้ และมีความเสี่ยงเสียชีวิตสูงกว่ากลางวันมากกว่าสามเท่า และจากข้อมูลค้นพบว่าพื้นที่เสี่ยงเสียชีวิตสูง คือเขตชานเมือง เช่น พื้นที่ลาดกระบัง บางขุนเทียน และมีนบุรี เนื่องจากเป็นเส้นทางหลักของรถบรรทุก และกลุ่มเสี่ยงต่อการเกิดอุบัติเหตุ สูงสุดถึงร้อยละ 58.1 คือ รถจักรยานยนต์ โดยมีปัจจัยเสี่ยงสำคัญคือการไม่สวมหมวกนิรภัยและการขับขี่ด้วยความเร็วสูง นอกจากนี้ ยังพบอีกว่าจุดที่เกี่ยวข้องกับการเกิดเหตุพบว่า Points of Interest (POIs) ประเภทชุมชน เช่น ร้านสะดวกซื้อ โรงเรียน และร้านอาหาร มีความสัมพันธ์กับการเกิดอุบัติเหตุอย่างมีนัยสำคัญ และกลุ่มอายุที่มีความเสี่ยงสูงที่สุด คือ วัยแรงงานระหว่าง 26-59 ปี คิดเป็นร้อยละ 59.2 และยังพบแนวโน้มที่เด็กอายุต่ำกว่า 13 ปี มีสัดส่วนเพิ่มขึ้นอย่างมีนัยสำคัญ

            อย่างไรก็ตาม งานวิจัยนี้พัฒนากลไกและรูปแบบตอบโต้การเกิดอุบัติเหตุจราจรบนถนนโดยการใช้เทคโนโลยีปัญญาประดิษฐ์ หรือ AI หรือเทคนิคอื่นๆที่ได้รับการยอมรับทางวิชาการ และสนับสนุนการวิจัยและสร้างนวัตกรรมเพื่อมุ่งเน้นการยกระดับความมั่นคงทางสุขภาพของประเทศให้สามารถลดภาระโรคที่สำคัญของประเทศ ซึ่ง 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) และมาตราการเพิ่มการตรวจวัดแอลกอฮอล์ในพื้นที่ชานเมือง

   2. ระยะระหว่างเกิดเหตุ  เช่น การกำหนดมาตราการจำกัดความเร็ว โดยเฉพาะในเวลากลางคืนและช่วงเทศกาล, การเพิ่มกล้องตรวจจับและติดตั้งไฟส่องสว่างในเขตชานเมือง, การเสริมมาตรการควบคุมการจราจรในถนนสายหลักและสี่แยกสำคัญ

   3. ระยะหลังเกิดเหตุ เช่น การพัฒนาระบบตอบสนองฉุกเฉิน (EMS) ที่สามารถเข้าถึงพื้นที่เสี่ยงได้อย่างรวดเร็ว, การบูรณาการฐานข้อมูลอุบัติเหตุแบบ Real-time เพื่อสนับสนุนการจัดสรรทรัพยากร

          นอกจากนี้ ในการประชุมฯยังมีการสาธิตเชิงปฏิบัติการแพลตฟอร์ม RoadSafe Shiny App และ Haddon Matrix Application เพื่อให้ผู้มีส่วนได้ส่วนเสียสามารถนำไปปรับใช้ในการจัดทำมาตรการเชิงนโยบายเพื่อลดอุบัติเหตุบนท้องถนนได้อย่างมีประสิทธิภาพและตรงจุดต่อไปในอนาคต

                               ---------------------

By: วัฒนรินทร