ระบบเทเลเมติกส์ของแกร็บแสดงถึงการเดินทางที่ปลอดภัยและสะดวกสบายยิ่งขึ้นในปีที่ผ่านมา

ไม่มีใครอยากนั่งรถที่ขับแบบกระตุกกระชาก นั่นจึงเป็นเหตุผลที่แกร็บช่วยให้พาร์ทเนอร์ผู้ขับขี่ของเราเข้าใจพฤติกรรมการขับขี่ยานพาหนะของตนเองเพื่อเปลี่ยนเป็นผู้ขับขี่ที่ดีกว่าเดิม

ด้วยการเก็บข้อมูลผ่านระบบจีพีเอส  เซ็นเซอร์วัดความเร็วเชิงมุม (gyroscope) และเซนเซอร์วัดความเร่ง (accelerometer) จากแอพฯของเราระหว่างการเดินทางด้วยแกร็บ เราจึงสามารถส่งรายงานผลจากระบบส่งข้อมูลทางไกลหรือเทเลเมติกส์ (telematics) รายสัปดาห์ให้แก่พาร์ทเนอร์ผู้ขับขี่ของเรา เพื่อบ่งชี้ลักษณะการขับรถของแต่ละบุคคล เช่น การขับรถเร็ว การเร่งความเร็ว และการเบรกรถ เพื่อให้พวกเขารู้ว่าควรปรับปรุงในจุดใด

ส่งผลให้เกิดการเปลี่ยนแปลงในทางที่ดีขึ้นอย่างมาก ทั่วทั้งภูมิภาคนับตั้งแต่การนำระบบเทเลเมติกส์มาใช้เป็นครั้งแรกในเดือนมีนาคมปีที่แล้ว

โดยเมื่อเดือนกรกฎาคม ปีค.ศ. 2017  สถิติโดยเฉลี่ยของการขับรถเร็วเกินกฎหมายกำหนดอยู่ที่ 0.7 ครั้งต่อ 100 กิโลเมตร ภายในเดือนกรกฎาคมปีนี้ ตัวเลขนี้กลับลดลงกว่า 64% ในทางเดียวกัน สถิติการเบรกรถอย่างกะทันหันและการเร่งความเร็วแบบกระชากโดยเฉลี่ยต่อกิโลเมตรลดลง 23% ในปีที่แล้วและ 50% ในปีนี้

การเหยียบเบรกกะทันหันและการเร่งความเร็วแบบกระชากเป็นเรื่องไม่พึงประสงค์สำหรับผู้โดยสาร ทั้งยังสัมพันธ์เป็นอย่างสูงกับพฤติกรรมที่เป็นอันตรายอื่น ๆ เช่น การจี้ท้ายรถคันหน้า การขับขี่อย่างก้าวร้าว และการเสียสมาธิขณะขับรถ

ยิ่งไปกว่านั้น เมื่อผู้ขับขี่เบรกรถหรือเร่งเครื่องอย่างกะทันหันหรือรวดเร็วเกินความจำเป็น พวกเขาลงเอยด้วยการสิ้นเปลืองเชื้อเพลิงยิ่งกว่าเดิมและยังเป็นการทำให้เบรกและดอกยางเกิดความเสียหาย   พฤติกรรมการขับรถแบบ “ขาซิ่ง” เช่นนี้ได้รับการพิสูจน์แล้วว่าปล่อยแก๊สที่เป็นอันตรายมากกว่า ทั้งยังก่อให้เกิดมลพิษต่อสิ่งแวดล้อมด้วยเช่นกัน

นายนิโคลัส ชุง หัวหน้าฝ่ายความปลอดภัยและความมั่นคงของแกร็บ กล่าวว่า “ผู้ขับขี่มองว่ารายงานเทเลเมติกส์เป็นหนึ่งในหลากหลายเครื่องมือที่นำไปใช้ได้จริงเพื่อช่วยให้พวกเขากลายเป็นผู้ขับขี่ที่ดีขึ้น พวกเขายังตระหนักถึงผลประโยชน์ทโดยตรงเมื่อสามารถเก็บเงินได้มากขึ้นหลังจากใช้เชื้อเพลิงอย่างประหยัดได้ระยะหนึ่ง”

โดยการติดตามข้อมูลจากระบบเทเลเมติกส์และการสังเกตรูปแบบการขับขี่ พวกเรายังได้เพิ่มขีดความสามารถในการจัดการฝึกอบรมเชิงรุกให้แก่พาร์ทเนอร์ผู้ขับขี่ได้เมื่อจำเป็น

รายงานระบบเทเลเมติกส์เป็นส่วนหนึ่งของโร้ดแมปสำหรับเทคโนโลยี Safer Everyday  ซึ่งรวมถึงมาตรการที่มุ่งเน้นการเปลี่ยนแปลงนิสัยด้านความปลอดภัยของผู้ใช้งานโดยเฉพาะ เช่น การตรวจจับอาการเหนื่อยล้าของผู้ขับขี่ เพื่อผลักดันให้เกิดการเปลี่ยนแปลงเชิงพฤติกรรมในระยะยาว

ยกระดับมาตรฐานความปลอดภัยในการเดินทางในอาเซียน

จากจำนวนอุบัติเหตุบนท้องถนนที่ทำให้ถึงแก่ชีวิตทั่วโลกโดยการสำรวจขององค์การอนามัยโลกหรือ WHO พบว่ากว่า 25% เกิดขึ้นในเอเชียตะวันออกเฉียงใต้ (สำหรับ WHO นั่นรวมถึงอินโดนีเซีย เมียนมาร์ และไทย) ขณะที่ภูมิภาคแปซิฟิกตะวันตก (รวมถึงมาเลเซีย สิงคโปร์ ฟิลิปปินส์ กัมพูชา และเวียดนาม) มีอัตราการบาดเจ็บจากอุบัติเหตุบนท้องถนนสูงที่สุดในโลก

อย่างไรก็ตาม อัตราการเสียชีวิตแตกต่างกันอย่างมากในอาเซียน ยกตัวอย่างเช่น อัตราผู้เสียชีวิตต่อประชากรหนึ่งแสนคนในมาเลเซียและไทยสูงกว่าสิงคโปร์ถึง 5 เท่า โดยในประเทศไทย มีจำนวนผู้เสียชีวิตจากอุบัติเหตุทางถนนประมาณ 13,766 รายในปี 2010 คิดเป็นร้อยละ 3 ของผลิตภัณฑ์มวลรวมในประเทศ [1]

เนื่องจากความแตกต่างดังกล่าว เราได้จับมือกับหน่วยงานภาครัฐทั่วเอเชียตะวันออกเฉียงใต้เพื่อพัฒนาโครงการที่เหมาะสมกับแต่ละท้องถิ่นขึ้นมาโดยเฉพาะเพื่อรับมือกับความกังวลหลักในด้านความปลอดภัย ในประเทศไทย แกร็บจะทำงานเพื่อสร้างความตระหนักรู้และป้องกันความรุนแรงต่อผู้หญิงและเด็กผู้หญิงเมื่อเดินทางในเมือง ซึ่งเป็นการสนับสนุนโครงการรณรงค์ของสหประชาชาติเพื่อยุติความรุนแรงต่อผู้หญิง

โครงการที่พุ่งเป้าไปที่การเปลี่ยนเปลงเชิงพฤติกรรม เช่น รายงานจากระบบเทเลเมติกส์ เริ่มผลิดอกออกผลแล้ว แม้ระยะทางการให้บริการของผู้ขับขี่แกร็บจะเพิ่มขึ้นถึงสองเท่าในเดือนกรกฎาคมที่ผ่านมาเมื่อเทียบกับปีที่แล้ว อัตราการขับเร็วเกินกำหนดและการเร่งความเร็วแบบกระชากโดยเฉลี่ยต่อกิโลเมตรกลับลดลงถึง 65% และ 47%  ตามลำดับ เช่นเดียวกันกับตัวเลขการเบรกกะทันหันโดยเฉลี่ยต่อกิโลเมตรที่ลดลงกว่า 21%

วัดความสามารถในการขับขี่ได้จากสมาร์ทโฟน

การใช้ข้อมูลจากระบบเทเลเมติกส์ผ่านสมาร์ทโฟนยังนับเป็นเรื่องใหม่มาก เราจึงต้องสร้างอัลกอริทึมขึ้นมาจากศูนย์เพื่อใช้วัดตัวบ่งชี้การขับขี่ที่ไม่ปลอดภัย

เราเริ่มจากการสร้างรายการสถิติเชิงพรรณนา (descriptive statistics) หรือ “ลักษณะเฉพาะ (features)” ที่เราคิดว่าบ่งบอกถึงการขับขี่ที่เป็นอันตราย เช่น การขับยานพาหนะด้วยความเร็วสูงกว่าความเร็วจำกัดของประเทศนั้น ๆ อาจบอกถึงการขับรถเร็วเกินกฎหมายกำหนด ซึ่งนับว่าไม่ปลอดภัย จากนั้นด้วยการใช้โมเดล Machine Learning ลักษณะเฉพาะที่ตั้งสมมติฐานไว้เหล่านี้จะได้รับการตรวจสอบความถูกต้องโดยใช้ข้อมูลจากการเดินทางจำนวนหนึ่งที่ผู้โดยสารแจ้งว่ามีการขับขี่ที่เป็นอันตรายและได้รับการยืนยันว่าเป็นอันตรายอย่างแท้จริงหลังจากการตรวจสอบโดยแกร็บ ขั้นตอนนี้มีขึ้นเพื่อให้มั่นใจว่าลักษณะเฉพาะนั้นจะสามารถบ่งชี้พฤติกรรมการขับขี่ที่ไม่ปลอดภัยได้อย่างน่าเชื่อถือ

ด้วยอัลกอริทึมนี้ เราจึงสามารถประมวลข้อมูลจำนวนมหาศาลจากจีพีเอสของพาร์ทเนอร์ผู้ขับขี่ของเราได้อย่างมีประสิทธิภาพ

“ฟังดูเหมือนเป็นเรื่องที่รู้กันอยู่แล้วก็จริง แต่ผลที่เราได้มาแสดงให้เห็นว่าผู้โดยสารให้ความสำคัญกับการเดินทางที่มีพฤติกรรมการขับขี่ที่ปลอดภัย  ทั้งนี้ การเดินทางที่โมเดลความปลอดภัยผ่านระบบเทเลเมติกส์แสดงผลว่าปลอดภัยนั้น โดยเฉลี่ยได้รับคะแนนดาวที่สูงกว่าการเดินทางที่โมเดลของเราแสดงผลว่าปลอดภัยน้อยกว่า การเดินทางที่ปลอดภัยจะมีการเบรกกะทันหัน การเร่งความเร็ว หรือการขับเร็วเกินกำหนดที่น้อยกว่า” นายนิโคลัสกล่าว

“ความปลอดภัยบนท้องถนนยังคงเป็นเรื่องที่สำคัญอย่างยิ่งยวดต่อพวกเรา และเรากำลังใช้ระบบเทเลเมติกส์เพื่อปรับปรุงความปลอดภัยในเชิงรุก เพื่อให้ผู้โดยสารไปถึงจุดหมายปลายทางได้อย่างสะดวกสบายและปลอดภัย”