Далее мы построили предсказательную модель: как окружение участка дороги и количество погибших и пострадавших на ней связано с вероятностью включения дороги в программу БКД.

Важнейшими результатами данного этапа стали: получение нами значений shap values и shap feature importance для каждого из городов, а также метрик кросс-предсказаний других городов моделями обученными на конкретном городе. Обучение моделей производилось при помощи CatBoostClassifier из библиотеки CatBoost, со спецификацией модели можно ознакомиться по ссылке.

Интерпретация shap values позволяет судить о наличии множества общих моментов в политике ремонтов БКД. Для всех городов общим стало то, что наличие в пространственном контексте участка таких переменных, как «Детские сады», «Детские площадки», «Спортивные сооружения» снижает шансы участка быть включенным в программу БКД.

В то время как большое количество пострадавших в авариях на участке увеличивает шансы для участка быть включенным в программу.

Также интересным для исследования является то, что переменная, отражающая количество погибших, ни в одном городе не вошла даже в топ-20 по feature importance.

Большую разницу в политиках городов делают три переменные: «Парки и скверы» (переменная топ-1 по общему и положительному влиянию в Кемерово и Барнауле, топ-1, но с отрицательным влиянием, в Ярославле, и отрицательное влияние в Ульяновске), «Школы» (нейтральное влияние в Кемерово и Барнауле, отрицательное в Ярославле и Ульяновске), «Продуктовые магазины» (разный эффект по городам).

Со значениями shap values и shap feature importance для городов, а также усредненными общими значениями можно ознакомиться в дашборде ниже.