สถาบันวิจัยระบบสาธารณสุข (สวรส.) เตรียมส่งมอบผลงานวิจัยชิ้นสำคัญ "การใช้ Machine Learning Algorithm และการเรียนรู้เชิงลึกเพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน “กรณีศึกษาในพื้นที่กรุงเทพมหานคร”กว่า 50 เขต
ซึ่งเป็นความร่วมมือกับคณะนักวิจัยจากมหาวิทยาลัยราชภัฏสวนสุนันทา โดยเปิดเผยถึง "Pain Point" หรือจุดปัญหาหลักของอุบัติเหตุจราจรในกรุงเทพฯ ว่า ไม่ได้จำกัดอยู่แค่ช่วงเทศกาลเท่านั้น แต่ความเสี่ยงสูงสุดกลับเกิดขึ้นในช่วง เวลากลางคืนและฤดูฝน โดยเฉพาะใน พื้นที่ชานเมือง ซึ่งมีอัตราการเสียชีวิตสูงอย่างน่าตกใจ !

วันที่ 25 กันยายน 2568 เวลา 09.30 น. ณ ห้องประชุม  Ballroom A ชั้น 2 โรงแรมมารวยการ์เด้น กรุงเทพฯ สวรส. ได้จัดประชุมนำเสนอผลการศึกษา เรื่อง “การใช้แมชชีนเลิร์นนิงอัลกอริทึมและการเรียนรู้เชิงลึกเพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน กรณีศึกษากรุงเทพมหานคร” และรับมอบผลงานวิจัยเพื่อนำไปใช้ประโยชน์ต่อไป

โดย ผศ.ดร.ณยศ  กุลพานิช มหาวิทยาลัยราชภัฎสวนสุนันทา กล่าวรายงานถึงโครงการวิจัย  ว่าได้รับการสนับสนุนทุนวิจัยจากสถาบันวิจัยระบบสาธารณสุข (สวรส.) โดยโครงการนี้มีวัตถุประสงค์เพื่อพัฒนากระบวนการวิเคราะห์ คาดการณ์ และออกแบบนวัตกรรม โดยใช้แบบจำลอง Machine Learning เช่น โลจิสติกส์ เพื่อเฝ้าระวังพื้นที่เสี่ยงจราจรในกรุงเทพฯ ได้อย่างแม่นยำยิ่งขึ้น การประชุมวันนี้มีผู้แทนจากกว่า 30 หน่วยงาน ทั้งภาครัฐและภาคเอกชน อาทิ กรมทางหลวง, กรมการขนส่งทางบก, ตำรวจนครบาล เพื่อร่วมกันพัฒนาข้อเสนอแนะเชิงนโยบาย ซึ่งการมีส่วนร่วมนี้ถือเป็นก้าวสำคัญในการนำผลงานวิจัยไปใช้แก้ไขปัญหาอุบัติเหตุทางถนน พร้อมทั้งได้เชิญ  ผศ.ดร.จรวยพร  ศรีศศลักษณ์ ขึ้นกล่าวเปิดงาน

 ผศ.ดร.จรวยพร  ศรีศศลักษณ์ รองผู้อำนวยการสถาบันวิจัยระบบสาธารณสุข (สวรส.) กล่าวว่า  สำหรับโครงการการใช้แมชชีนเลิร์นนิงอัลกอริทึมและการเรียนรู้เชิงลึกเพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน กรณีศึกษากรุงเทพมหานคร โดย ผู้ช่วยศาสตราจารย์ ดร.มรกต วรชัยรุ่งเรือง มหาวิทยาลัยราชภัฏสวนสุนันทา นักวิจัยเครือข่าย สวรส. นั้น มี วัตถุประสงค์หลักคือ  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

งานประชุมในวันนี้เป็นเวทีที่ได้รวบรวมผู้แทนจากหลากหลายหน่วยงาน ทั้งเจ้าหน้าที่ตำรวจ, กรมการขนส่งทางบก, กรมทางหลวง, นักวิชาการ และบริษัทเอกชน โดย สวรส. ได้ให้ความสำคัญกับประเด็นอุบัติเหตุทางถนน (road traffic injury) และการวิจัยครั้งนี้ได้นำเทคโนโลยีในปัจจุบันมาประยุกต์ใช้ เชื่อว่าการใช้เทคโนโลยีอย่าง AI และ Machine Learning เพื่อสร้างแบบจำลองคาดการณ์ความเสี่ยงจะสามารถวิเคราะห์ได้อย่างครอบคลุมในทุกมิติ ทั้งตัวบุคคล ยานพาหนะ และสภาพแวดล้อม รวมถึงสภาพถนน ซึ่งจะช่วยให้สามารถระบุจุดเสี่ยงได้อย่างแม่นยำ นอกจากนี้ ในงานยังมีการเปิดตัวคู่มือที่นำเสนอข้อมูลจุดเสี่ยงและแนวทางการแก้ไขปัญหาอย่างเป็นรูปธรรม งานวิจัยนี้สำเร็จได้ด้วยความร่วมมือจากทุกภาคส่วน ซึ่งสะท้อนให้เห็นถึงความสำคัญของการป้องกันอุบัติเหตุทางถนนซึ่งเป็นวาระแห่งชาติ และข้อเสนอแนะจากทุกท่านในวันนี้จะเป็น ประโยชน์อย่างยิ่งในการนำผลงานวิจัยไปใช้จริงต่อไป

ต่อมา ผศ.ดร.มรกต วรชัยรุ่งเรือง มหาวิทยาลัยราชภัฏสวนสุนันทา หัวหน้าโครงการวิจัยนักวิจัยเครือข่าย สวรส. ได้ขึ้นบรรยายสรุปผลการศึกษา “การใช้แมชชีนเลิร์นนิงอัลกอริทึมและการเรียนรู้เชิงลึก เพื่อคาดการณ์พื้นที่เสี่ยงต่อการจราจรบนถนน กรณีศึกษากรุงเทพมหานคร พร้อมทั้งสาธิตระบบแพลตฟอร์มคาดการณ์พื้นที่เสี่ยงอุบัติเหตุทางถนน และ ระบบช่วยตัดสินใจเชิงนโยบายด้านอุบัติเหตุ (Haddon Matrix) โดยผลการศึกษาที่วิเคราะห์ข้อมูลอุบัติเหตุระหว่างปี 2563-2566 ในพื้นที่กรุงเทพฯ พบข้อเท็จจริงที่น่าสนใจและต้องเร่งแก้ไข คือในช่วงฤดูฝน เป็นช่วงที่มีอุบัติเหตุสูงที่สุด คิดเป็นร้อยละ 37.6 ของทั้งหมด สาเหตุหลักคือถนนลื่นและทัศนวิสัยจำกัดโดยเฉพาะช่วงเวลากลางคืน 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 โดยเฉพาะ Random Forest และ XGBoost สามารถคาดการณ์พื้นที่เสี่ยงได้แม่นยำกว่า 70% การวิเคราะห์ SHAP ยืนยันว่า ปัจจัยที่ส่งผลต่อความเสี่ยงอย่างมีนัยสำคัญคือ เวลาเกิดเหตุ ประเภทพาหนะ กลุ่มอายุวัยแรงงาน และความหนาแน่นของ POIs ในชุมชน นอกจากนี้ การประยุกต์ใช้เทคนิคเชิงพื้นที่ (Spatial ML) ได้สร้าง แผนที่ความเสี่ยง (Crash-risk Mapping) ที่สามารถบ่งชี้พื้นที่เสี่ยงในเขตชานเมืองอย่างชัดเจนสามารถนำไปสู่การจัดทำเชิงนโยบาย 3 ระยะตามกรอบ Haddon's Matrix 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 เพื่อให้ผู้มีส่วนได้ส่วนเสียสามารถนำเครื่องมือเหล่านี้ไปใช้ในการจัดทำมาตรการเชิงนโยบายเพื่อลดอุบัติเหตุบนท้องถนนได้อย่างมีประสิทธิภาพและตรงจุด