印度車禍數據藏著1個反直覺真相：夜間死亡率比白天高47%

每年印度公路上發生超過45萬起交通事故，但Kunal chandelkar在清理這份數據時發現了一個被忽視的盲區——我們以為的"隨機意外"，其實藏著可預測的模式。

他花了三周時間，用Python清洗了包含缺失值和混亂分類的原始數據，用SQL做深度關聯分析，最后用Power BI把結果可視化。當圖表最終渲染完成時，一個從未被量化的規律浮出水面。

夜間不是事故高發時段，卻是死亡高發時段

數據清洗后的第一個沖擊：夜間事故數量并非全天最高，但致死率顯著攀升。Kunal chandelkar在分析中寫道，「能見度下降和駕駛員警覺性降低形成了致命組合」。

這個發現與直覺相悖。大多數人以為夜間車少路空會更安全，但數據呈現的曲線截然相反——夜間事故的傷亡嚴重程度遠超白天。換句話說，事故數量和時間分布并不等同于傷害程度分布。

當路燈成為稀缺資源，每一盞未亮的燈都在數據里記了一筆賬。

速度閾值：超過某個臨界點，傷亡曲線陡然上升

Kunal chandelkar對速度變量做了分段統計。結果顯示，極端速度區間與嚴重/致命事故存在強相關性。這不是線性增長，而是某個閾值后的陡然躍升。

他用了一個精妙的類比：速度表上的數字在數據里會"變色"——從黃色警告區直接跳向紅色危險區，中間幾乎沒有緩沖地帶。

酒精變量的介入讓模型變得更殘酷。涉及酒駕的案例中，嚴重或致命 outcomes 的概率大幅抬升。數據把"喝酒不開車"的常識轉化成了具體的風險系數——每一個百分點的提升都對應著真實的人命。

無管控路段：基礎設施的缺席被數據坐實

交通控制設施的有無，直接決定了事故的嚴重程度等級。Kunal chandelkar發現，缺乏信號燈、標志牌或交警值守的路段，事故后果普遍更重。

這個變量與夜間、高速、酒駕形成疊加效應時，數據呈現的傷害指數呈幾何級增長。單一風險因素尚可規避，多重因素交織則構成死亡陷阱。

數據集里最沉默的字段是"事故原因不詳"——但Kunal chandelkar通過交叉分析發現，這些"不詳"案例高度集中在基礎設施薄弱區域。

當數據清洗掉噪聲，留下的信號指向同一個結論：印度公路上的死亡不是命運抽簽，而是一組可干預變量的函數輸出。夜間照明、速度執法、酒駕檢測、交通管控——每一項投入都能在數據曲線的某個拐點被看見。

Kunal chandelkar在項目總結里留下了一個未被回答的問題：如果把這些發現嵌入實時導航系統，讓司機在駛入高風險組合區域時收到預警，能否把那個47%的夜間死亡溢價壓下來？