Bridge Risk Index for Freight Corridor Resilience: A Non-Parametric Machine Learning and Threat Modeling Approach
// Использование индекса риска мостов для обеспечения устойчивого функционирования грузовых маршрутов: Подход с непараметрическим машинным обучением и моделированием угроз //
Raj Bridgelall (USA)
Обеспечение бесперебойности грузоперевозок в значительной мере зависит от надежности одних из наиболее уязвимых мест транспортной сети - мостовых сооружений. Для возможности обеспечения надежности всей транспортной сети в условиях ограниченности ресурсов необходимы инструменты, позволяющие ранжировать мосты по степени их опасности в контексте обеспечения бесперебойности функционирования логистических цепочек. В данном исследовании разработан индекс риска на основе модели «Угроза–Уязвимость–Последствие» (TVC), валидированной с помощью машинного обучения. Угроза определена как среднесуточная интенсивность движения на полосу, уязвимость – как нормированный возраст моста, а последствие – как расстояние объезда в случае аварии сооружения. Отмечено, что наибольшее влияние на индекса риска оказывает возраст сооружений, а также значительная удаленность от основных магистралей. По словам разработчика, предлагаемый индекс представляет собой прозрачный инструмент поддержки принятия решений на основе данных, который может применять для определения приоритетов инвестиций, защиты грузовых коридоров и повышения устойчивости цепочек поставок.
Abstract: Bridges are critical nodes in freight networks, yet limited funding prevents agencies from maintaining all structures in good condition. This creates the need for a transparent and scalable method to identify which bridges pose the greatest risk to supply chain continuity. This study develops a bridge risk index using the threat–vulnerability–consequence (TVC) framework and validates its components with machine learning. Threat is defined as per-lane average daily traffic, vulnerability as effective bridge age (epoch), and consequence as detour distance, with traffic also contributing to disruption magnitude. The methodology applies log transformation and normalization to construct an interpretable multiplicative index, then classifies risk using Jenks natural breaks. The results show that epoch dominates vulnerability, detour distance amplifies consequence, and their interaction explains most of the risk variation. Specifically, effective age explains over three times more variation in bridge condition than any other attribute. The vulnerability–consequence interaction dominates with an R2 = 0.98. The highest-risk bridges are concentrated in rural areas and near major freight gateways where detour options are limited. The proposed TVC index provides a transparent, data-driven decision-support tool that agencies can apply nationwide to prioritize investments, safeguard freight corridors, and strengthen supply chain resilience.
Bridgelall R. Bridge Risk Index for Freight Corridor Resilience: A Non-Parametric Machine Learning and Threat Modeling Approach / R. Bridgelall // Infrastructures. – 2025. – Vol. 10. – Bridge Risk Index for Freight Corridor Resilience. – № 10. – P. 264. DOI: 10.3390/infrastructures10100264
Заглавное изображение - авторов статьи