Знать ПДД ≠ видеть опасность: 50 лет науки о Hazard Perception и почему это инженерная задача

Навык, которого нет в экзамене

Экзамен на права проверяет две вещи: знание правил и базовые навыки управления автомобилем. Он не проверяет третью — способность заранее увидеть, как опасная ситуация только начинает развиваться.

Разница не умозрительная. Молодые водители знают ПДД не хуже опытных, но попадают в ДТП в 2–3 раза чаще. Исследования с регистрацией движений глаз показывают, в чём дело: опытный водитель распознаёт развивающуюся угрозу за 4–6 секунд до её разрешения, начинающий — за 1–2 секунды либо не распознаёт вообще. Этих нескольких секунд хватает, чтобы снизить скорость или изменить траекторию до столкновения.

Hazard perception — это способность своевременно обнаруживать на дороге ситуации, требующие изменения скорости или направления движения, и реагировать на них до возникновения столкновения. Навык раскладывается на четыре компонента: сканирование дорожной обстановки, распознавание потенциальных угроз, прогнозирование развития ситуации, принятие решения и реакция.

Единственный навык, статистически связанный с аварийностью

Согласно классическому определению Horswill и McKenna (2004), hazard perception — единственный навык водителя, который в множестве независимых исследований статистически достоверно коррелирует с риском попадания в ДТП.

Истоки направления уходят в 1970-е: Pelz и Krupat (1974) показали, что водители с историей ДТП и без неё по-разному реагируют на потенциально опасные стимулы. В 1990-е McKenna и Crick стандартизировали процедуру видео-теста, которая стала золотым стандартом. В 2002 году Великобритания первой в мире сделала HP-тест обязательной частью теоретического экзамена. Австралия последовала в 2007–2008 годах, Нидерланды, Ирландия и Чехия — позднее.

Доказательная база к сегодняшнему дню покрывает все уровни пирамиды доказательной науки — от национальных программных эффектов до рандомизированных контролируемых испытаний и мета-анализов. Ключевые результаты:

Ещё одно показательное исследование — Drummond (2000): среди ~100 000 пробационных водителей те, кто получил низкий балл за HP-тест, имели вдвое более высокую вероятность попасть в фатальное или тяжёлое ДТП в первый год вождения.

Публикации по теме выходят в журналах первого квартиля — Accident Analysis & Prevention, Transportation Research Part F, Human Factors. Связь HP с реальной аварийностью подтверждена на выборках общим объёмом более миллиона водителей.

Почему это инженерная задача

Для технологического сообщества здесь интереснее не сама статистика, а то, что hazard perception как методология — это набор программных и инженерных задач. Их минимум четыре.

Первое — тест как ПО. Классический HP-тест представляет собой серию видеоклипов от первого лица водителя; испытуемый фиксирует момент обнаружения опасности нажатием. Это веб- или мобильное приложение с точным таймингом, логированием времени реакции и валидной системой скоринга. Несложно по архитектуре, но требует психометрически корректной модели оценки.

Второе — переход от response-time к hazard prediction. Современная методология (линия исследований Crundall) отказывается от измерения времени реакции на видимую опасность в пользу формата с occlusion: видео обрывается в критической точке, и водитель должен предсказать, что произойдёт дальше. Ventsislavova et al. (2019), сравнив тесты в Великобритании, Испании и Китае, показали, что такой формат устойчивее к культурным различиям и точнее разделяет водителей по уровню опыта. Для разработчика это уже содержательная задача проектирования: где ставить точку обрыва, как формализовать пространство ответов, как считать дискриминативную способность теста.

Третье — симуляторы и VR. У видео-формата есть фундаментальное ограничение: испытуемый лишён свободы взгляда и не может активно сканировать сцену. Vlakveld (SWOV) разработал SimRAPT — симуляторный тренинг с эффектом проживания виртуальной near-crash-ситуации, и РКИ подтвердили его эффект. Развиваются VR-гарнитуры для тренировки антиципации латентных опасностей. Гибридный формат «видео-сценарий + 3D-тренажёр на Unity» методологически современен; критическое требование — корректная психометрическая валидизация, иначе это просто игра, а не измерительный инструмент.

Четвёртое — стык с ADAS и ML. Системный обзор Cao et al. (2022), обобщивший 50-летнюю историю исследований, выделяет среди главных открытых вопросов поведение hazard perception в эпоху частично автоматизированных автомобилей. Как меняется внимание водителя при использовании удержания полосы, адаптивного круиз-контроля, экстренного торможения? Здесь HP-метрики потенциально становятся частью архитектуры интеллектуальных систем — driver state monitoring, привязка к ML-моделям дорожной сцены, цифровые двойники транспортного поведения. Это направление прямо смежно с исследованиями интеллектуальных систем управления транспортом.

Отдельная задача — национальная библиотека видеосценариев. Прямое заимствование британского теста неоптимально: типы конфликтов и характерные опасности в Казахстане отличаются (выезд из-за стоящего транспорта на нерегулируемых перекрёстках, поведение пешеходов в смешанной застройке, специфика сельских трасс). Создание и разметка такой библиотеки — отдельный продукт на стыке видеопроизводства и компьютерного зрения.

Казахстанский пробел

Поиск в Scopus и Web of Science по запросу «hazard perception» в сочетании с «Kazakhstan» возвращает менее пяти работ. HP-тест не входит в систему лицензирования ни в одной стране СНГ. Наиболее близкая задокументированная казахстанская научная группа — коллектив Toraighyrov University (Балтабекова и соавторы), занимающийся разработкой интерактивного автомобильного симулятора.

Для исследователя это редкая ситуация: зрелая международная методологическая база при практически пустом национальном научном поле. Первая казахстанская публикация в этой области с высокой вероятностью становится национально-пионерской.

Полезно сопоставить порядок величин. В системы автоматической фото-видеофиксации (прежде всего «Сергек») за 2017–2025 годы вложено, по открытым источникам, более 30 млрд тенге; собрано 90–130+ млрд тенге штрафов. При этом годовое число погибших остаётся стабильным в коридоре 2 000–2 500 человек, а доля смертельных ДТП в общем числе аварий — около 11–12% на протяжении всего периода (регрессионный анализ MIND, Maqsut Narikbayev University, 2025). Камеры решают свою задачу — контроль соблюдения правил в городах, — но 48% смертельных ДТП происходят на загородных трассах, вне их покрытия.

Это не аргумент против камер. Международная практика (Великобритания, Австралия) — параллельное использование двух инструментов: камеры дисциплинируют поведение уже существующих водителей, hazard perception формирует когнитивный профиль новых водителей до выхода на дорогу. Они закрывают разные сегменты системы безопасности. По экспертным оценкам, полноценная HP-программа для Казахстана — это порядка 0,5 млрд тенге единовременных затрат, что сопоставимо со стоимостью нескольких десятков камер.

Нормативный контекст этому благоприятствует: дорожная безопасность обозначена как государственный приоритет, а пакет мер по цифровизации подготовки водителей утверждён ещё в декабре 2024 года.

Открытый вопрос к сообществу

Hazard perception — наглядный пример области, где инженерная реализация опережает её отсутствие на рынке: методология описана, доказательная база собрана, технологический стек (веб/мобайл, Unity, VR, ML) полностью доступен. Не хватает не технологий, а валидизированного локального продукта.

Поэтому вопрос к коллегам, кто работает с computer vision, симуляторами, EdTech или транспортной аналитикой: какой формат вы считаете более перспективным для казахстанских условий — классический видео-тест на response time, occlusion-формат hazard prediction или гибрид «видео + 3D-тренажёр»? И отдельно — к тем, кто делал психометрически нагруженные приложения: как бы вы подошли к валидизации такого теста, чтобы он был измерительным инструментом, а не тренажёром-игрой?

Источники

• Horswill M.S., McKenna F.P. (2004). Drivers' hazard perception ability: Situation awareness on the road. In: A Cognitive Approach to Situation Awareness. Ashgate.
• Wells P., Tong S., Sexton B., Grayson G., Jones E. (2008). Cohort II: A study of learner and new drivers. TRL Report PPR355, UK Department for Transport.
• Horswill M.S., Hill A., Wetton M. (2015). Can a video-based hazard perception test used for driver licensing predict crash involvement? Accident Analysis & Prevention, 82, 213–219.
• Thomas F.D., Rilea S.L., Blomberg R.D., Peck R.C., Korbelak K.T. (2016). Evaluation of the Safety Benefits of the RAPT Program for Novice Teen Drivers. NHTSA Report DOT HS 812 235.
• Goh K., Hill A., Watson M.O., Horswill M.S. (2024). The efficacy of hazard perception training and education: A systematic review and meta-analysis. Accident Analysis & Prevention.
• Cao S., Samuel S., Murzello Y., Ding W., Zhang X., Niu J. (2022). Hazard Perception in Driving: A Systematic Literature Review. Transportation Research Record, 2676(11).
• Ventsislavova P., Crundall D. et al. (2019). A comparison of hazard perception and hazard prediction tests across China, Spain and the UK. Accident Analysis & Prevention, 122, 268–286.
• Drummond A.E. (2000). VicRoads Hazard Perception Test: Can it predict accidents? Australian Council for Educational Research.
• Vlakveld W. et al. (2011). Do crashes and near crashes in simulator-based training enhance novice drivers' visual search for latent hazards? Transportation Research Record, 2265, 153–160.
• Baltabekova A.N., Bouchner P., Kassenov A.Zh., Abishev K. (2022). Prerequisites for Creating an Interactive Simulator for Training Drivers of Motor Vehicles. Труды Торайгыров университета.
• Данные по аварийности: Комитет по правовой статистике Генпрокуратуры РК, МВД РК, Бюро национальной статистики; регрессионный анализ MIND, Maqsut Narikbayev University, 2025; UNECE.