un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
ABSTRACT
1
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
INTRODUCCIN
Los accidentes de trnsito constituyen la primera causa de muerte para la poblacin entre
los 15 y 29 aos (OMS, 2009), y segn proyecciones ser la quinta causa probable de
muerte a nivel mundial en el 2030 (Mathers C. y Loncar D. ,2005); en el caso colombiano es
la segunda causa de muerte para esa poblacin (INMLCF, 2009). Por estas razones el
estudio de la accidentalidad vial cobra gran significancia, motivando el desarrollo de
investigaciones con el propsito de explicar la ocurrencia de los accidentes de trnsito,
abordando el tema desde diferentes puntos de vista, abarcando reas relacionadas a la
parte legal y jurdica, aspectos tcnicos de vehculos e infraestructura, componentes
psicolgicos, conductuales y socioeconmicos de usuarios del sistema vial, entre otros
(Flahaut, B., 2004). Estadsticamente es comn emplear indicadores para cuantificar el
fenmeno como el nmero de accidentes por ao (frecuencia) o el nmero de accidentes
por milln de vehculos-km; a su vez, los modelos de prediccin hacen uso de tcnicas de
anlisis que bsicamente pueden ser agrupadas en cuatro grupos principales como son:
Anlisis Multivariado, Lgica Difusa, Bayesiano Emprico y Redes Neuronales (Caliendo, C.
et al. 2007).
2
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
ij
(ij ij )
n
e
P nij (1)
nij !
Uno de los principales problemas que pueden tener los modelos basados en la regresin
Poisson es la sobredispersin de los residuos, es decir, el modelo subestima el nivel de
dispersin del resultado, debido a que la distribucin de Poisson asume que la variabilidad
de los recuentos de un grupo de covariantes es igual a la media. En caso de no cumplirse
esta relacin, los coeficientes estimados pueden presentar sesgo y ser ineficientes, por lo
cual conviene utilizar una distribucin Binomial Negativa, basada en un trmino de error
distribuido Gamma. En este caso, el valor esperado del nmero de accidentes se reescribe:
Donde exp(ij) es un trmino de error que distribuye Gamma, que permite diferenciar la
varianza de la media de la siguiente manera:
3
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
1 nij
(nij 1 ) 1 ij
P nij 1 , ij 0, 0 (5)
( 1 )nij ! 1 ij ij
Este modelo, ampliamente utilizado puede ser estimado por mxima verosimilitud (Miaou,
1994; Shankar et al., 1995, 1996; Milton y Mannering, 1998; Carson y Mannering, 2001).
Inicialmente, el mtodo Bayesiano supone que el nivel de accidentalidad en todos los tramos
estudiados es el mismo y es estimado por E(). Seguidamente se utiliza el nmero de
accidente observados en el sitio (nij) para encontrar la distribucin a-posteriori E(ij|nij).
4
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
Para la determinacin de puntos crticos en un grupo de referencia, se estiman los valores
de E(ij|nij) y los parmetros a-posteriori de cada uno de los sitios estudiados. Seguidamente
se determina la probabilidad de que el nmero esperado de accidentes ajustado por el
mtodo Bayes Emprico para un sector del grupo de referencia durante el periodo de
estudio, E(ij|nij), supere al nmero esperado de accidentes para el grupo de referencia
durante el mismo periodo E() utilizando (6):
|nij
E
1 |nij
exp
P ij |nij 1
0
d ( | nij ) (6)
En este mtodo se asume que vara para los diferentes sectores analizados y que el valor
exacto para cualquiera de estos en particular es una variable desconocida con una funcin
de densidad de probabilidad Gamma de la siguiente manera:
1
exp
f ( ) (7)
n
2 n (10)
2
n
n
2
(11)
5
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
E |n
2
Var |n
(15)
Con lo cual se identifican los sitios potencialmente crticos haciendo uso de la ecuacin (6).
6
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
Para la identificacin de los corredores a estudiar se tom como base metodologas
elaboradas por el Transport Research Laboratory TRL, que adems es usada en Gran
Bretaa, Suecia y dems pases miembros de European Road Assessment Programme
(EuroRAP) y la propuesta por el Instituto de Carreteras y Transportes, IHT por sus siglas en
ingls, para el examen de la accidentalidad. La primera establece su anlisis sin tener en
cuenta las posibles causas que provocan de los accidentes; tampoco considera las posibles
irregularidades derivadas de la aleatoriedad de los mismos, de manera que la evaluacin de
las estadsticas define el nivel de riesgo exclusivamente a travs de la evaluacin de los
siniestros y su gravedad, relacionadas con el trfico de la va, estimando un ndice de
Riesgo definido como el nmero de accidentes mortales y graves ocurridos en un tramo por
cada 1.000 millones de vehculos kilmetro. Entretanto, la metodologa del IHT propone
adems un procedimiento claro y detallado para la identificacin, diagnstico y seleccin de
los sitios a estudiar, los cuales fueron identificados con ayuda de un Sistema de Informacin
Geogrfico.
Analizando las estadsticas locales de los ltimos aos, se observa un incremento alarmante
en el nmero de vctimas mortales y heridos, y una estrecha relacin con los volmenes de
motocicletas en circulacin, confirmando que los motociclistas se convierten en un factor
altamente incidente en la cantidad y gravedad de los accidentes de trnsito (Mannering, F. y
Grodsky, L., 1995. Plasncia, A. et al., 1995). Los nmeros son contundentes: 5646
accidentes en el 2008, 73 vctimas fatales y 2187 heridos en accidentes donde se involucran
motocicletas, hecho que se explica en gran medida por el fenmeno del mototaxismo,
transporte informal de pasajeros en motocicletas.
7
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
fenmeno al permitir relacionar las variables involucradas (Anderson T K.; 2009). Aunque el
uso ms simple de los SIG en el anlisis de la accidentalidad es la evaluacin espacial de
las caractersticas de los sectores analizados (Steenberghen, T., et al. 2004), result ser
esencial durante la investigacin; como una muestra, en la Figura 3 se observa la
distribucin espacial de los accidentes analizados, diferenciando por grado de severidad
entre heridos y muertos.
Figura 1 - Localizacin de accidentes de trnsito con heridos y muertos en la Ciudad de Cartagena durante el
ao 2007
Para estimar modelos predictivos fueron analizados todos los accidentes de trnsito con
vctimas (muertos y heridos), clasificados en los 241 tramos viales referidos, de tal manera
que se lograra una agrupacin de los accidentes en trminos de sus caractersticas tomadas
y de las variables explicativas de la frecuencia de accidentes. La identificacin se realiz a
8
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
travs de mtodos multivariados, realizando un anlisis de componentes principales (ACP),
de las variables independientes que expliquen la variable dependiente , frecuencia de
accidentes. El mtodo ACP empleado est basado en la matriz de correlacin, ampliamente
usado cuando los datos no son dimensionalmente homogneos o cuando el orden de
magnitud de las variables aleatorias medidas no es el mismo, como ocurri en el caso de los
datos estudiados.
Fueron estimados modelos predictivos tipo Poisson y Binomial Negativo, que permitieran
describir la variacin de la frecuencia observada de accidentes en el tramo i durante el
perodo j, nij considerada como una variable aleatoria. A su vez i es el valor esperado de la
frecuencia de accidentes en el tramo, dado por el modelo.
Anlisis de variables
La investigacin involucr las siguientes variables X1 es una variable de exposicin dada por
el producto TPDA(trnsito promedio diario)*Longitud del tramo/1000, X2 es el ancho de
calzada del tramo (m), X3 = TPDA * L * proporcin de buses/1000, X4 = TPDA * L
*proporcin de motocicletas/1000, X5 = TPDA *L* proporcin de autos/1000, X6 es una
variable muda que toma el valor de 1 si la va tiene doble sentido de circulacin, X7 es una
variable muda que toma el valor de 1 si el uso de suelo es comercial, 0 en otro caso, y X8 se
define como el nmero de intersecciones por cada 100 m de longitud del tramo.
Desviacin
Media Moda Mximo Mnimo Unidad
estndar
9
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
TPDA* L*P Autos/1000 3,62 4.35 5.09 36.33 0.0104 Autos da-km/1000
No Intersecciones/L 0,01 0,01 0,0068 0,0472 0,0008 N Intersecciones/metro
Longitud Total del Tramo 533.39 500 370.40 4000 80 Metro (m)
No Intersecciones 5 1 4.54 50 1 Unidad
30
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 o
ms
10
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
Modelos estimados
La forma funcional de los modelos sigue una estructura acuerdo con ecuacin (2) para
Modelos tipo Poisson y ecuacin (3) para Binomial Negativa, que se presentan en las tablas
III y IV. La diferencia entre los modelos presentados en cada tabla est en que los segundos
la constante fue fijada en cero. Puede notarse que el parmetro de sobredispersin de los
datos analizados es pequeo y estadsticamente poco significativo, por lo tanto los
estimadores de los parmetros obtenidos en los modelos Binomial Negativa no difieren de
manera sustancial con los modelos Poisson.
Todas las variables del modelo tienen los signos esperados, destacando el importante
efecto que tienen motocicletas y buses al compararlo con los automviles; en este caso, el
efecto marginal de un bus sobre la frecuencia de accidentes con muertes y heridos es cerca
de 2,5 veces el de una motocicleta y 6 veces el de un automvil. A su vez, es claro que
ceteris paribus, para los rangos encontrados, las vas con doble sentido de circulacin
tienden a tener mayor frecuencia de accidentes; igual ocurre con los tramos ubicados en
zonas con uso de suelo comercial, caracterizadas por la fuerte presencia de peatones. La
densidad de intersecciones tambin es un factor que tiende a incrementar la ocurrencia de
accidentes, aunque la significacin estadstica de la variable no es alta.
LN(TPDA x L/1000) ( 0,1813 0,023417 7,7411 0,0000 0,1698 0,015490 10,9636 0,0000
-0,024 0,018458 -1,3014 0,0966 -0,0312 0,015006 -2,0780 0,0189
Ancho calzada (
Doble sentido 0,1376 0,070272 1,9564 0,0251 0,1269 0,068190 1,8605 0,0314
Uso comercial 0,1046 0,075745 1,3811 0,0836 0,1148 0,074123 1,5491 0,0607
No Intersecciones/L 6,8561 4,7278 1,4502 0,0739 6,60138 4,7148 1,3971 0,0807
R2 69,80% 69,75%
2
R ajustado 67,72% 67,90%
11
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
MODELO 1 MODELO 2
Es notorio el hecho que mayor nmero de tramos crticos estn en vas arterias donde un
67,6% de tales tramos analizados son crticos, en un menor porcentaje siguen las vas
12
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
colectoras, de las cuales un 36,5% de los tramos analizados son crticos, siguiendo las vas
locales, donde nicamente el 1,7% pueden ser consideradas crticas en torno a la seguridad
vial. La Figura 3 muestra la distribucin espacial de la densidad accidentes.
CONCLUSIONES
13
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
Al estimar modelos predictivos de la frecuencia de accidentes con muertes y heridos tipo
Poisson y Binomial Negativo y considerando como variable de exposicin el nmero de
vehculo-kilmetro da, se establecen relaciones de causalidad entre la frecuencia de
accidentes y las caractersticas de la va, del control, del entorno y la composicin vehicular.
En ese sentido la investigacin suministra algunos direccionamientos iniciales acerca de
algunas acciones que pueden tomarse respecto de las variables indicadas para reducir la
probabilidad de ocurrencia de accidentes de alto impacto en entornos urbanos.
Futuras investigaciones en torno al tema pueden utilizar anlisis similares a los aqu
presentados para realizar estudios antes-despus, en atencin al inicio de operaciones del
Sistema de Transporte Masivo, que se tiene previsto para 2011. En el presente estudio la
variable de exposicin ha sido el nmero de vehculo-kilmetro, considerando que como
unidad de anlisis se han tomado tramos de vas con caractersticas homogneas en cuanto
a su geometra, uso de suelo y niveles de trnsito; no obstante, es posible evaluar otras
variables de exposicin. Finalmente, otros modelos predictivos tambin pueden ser
utilizados, con diversas formas funcionales, alternativas a las que aqu fueron presentadas.
BIBLIOGRAFA
Anderson T K. (2009) Kernel density estimation and K-means clustering to profile road
accident hotspots. Accident Analysis and Prevention 41, 359364.
Austin, K. (1995). The identification of mistakes in road accident records: part 2, casualty
variables. Accident Analysis and Prevention 27, 277282.
Aguero-Valverde J., Jovanis P. (2008). Spatial analysis of fatal and injury crashes in
Pennsylvania. Accident Analysis & Prevention, Volume 38, Issue 3, 618-625.
Also, J., Langley J. (2001) Under-reporting of motor vehicle traffic crash victims in New
Zealand. Accident Analysis and Prevention 33, 353359.
Brenac, T., Clabaux, N. (2005). The indirect involvement of buses in traffic accident
processes. Safety Science 43, 835843.
14
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
Caliendo C., Guida M., Parisi A. (2007). A crash-prediction model for multilane roads.
Accident Analysis & Prevention, Volume 39, 657-670.
Calvin, T.M. (1990). Bayesian analysis, in Handbook of Statistical Methods for Engineers
and Scientists, Wadsworth H, Editor, Mcgraw-Hill.
Cameron, I.C., Harris, N.J., Kehoe, N.J.S. (2001). Tram-related injury in Sheffield. Injury
International Journal of the Care of the Injured 32, 275277.
Carson, J., Mannering, F. (2001). The effect of ice warning signs on ice accident frequency
and severity. Accident Analysis and Prevention, 33(1), 99109.
Cheng, W., Washington S.P. (2005). Experimental evaluation of hotspot identification
methods. Accident Analysis and Prevention, 37, 870881.
DANE, Departamento Administrativo Nacional de Estadstica, Sistema de Consulta de
Informacin Censal. Proyecciones de Censo 2005-2007.
Elvik, R. (2007). State-of-the-art approaches to road accident black spot management and
safety analysis of road networks. Report 883. Institute of Transport Economics, Oslo.
Flahaut, B. (2004). Impact of infrastructure and local enviroment on road unsafety Logistic
modeling with spacial autocorrelation. Accident Analysis and Prevention No. 36,
1055-1066.
FPV, Fondo de Prevencin Vial Informe final de accidentalidad ao 2002-2007.
Hadi, M., Aruldhas, J., Chow, L-F., & Wattleworth, J. (1995). Estimating safety effects of
cross-section design for various highway types using negative binomial regression.
Transportation Research Record, 1500, 169 177.
Hauer E., Persaud B., Retting R., Vallurupalli R, Mucsi K. (1997). Crash reductions related to
traffic signal Removal in philadelphia Accident Analysis and Prevention., Vol. 29, No.
6, pp. 803-810, 1997
Hauer, E., 1997. Observational BeforeAfter Studies in Road Safety. Pergamon, Oxford, UK.
Hauer, E., Harwood, D.W., Council, F.M., Griffith, M.S. (2002). Estimating safety by the
empirical Bayes method. A tutorial. Transportation Research Record, vol. 1784. pp.
126131. Transportation Research Board, National Research Council, Washington,
D.C, pp. 126131
Hauer, E., Hakkert, A.S. (1988). Extent and some implications of incomplete accident
reporting. Transportation Research Record 1185, 110.
Hamed, M.M., Jaradat, A.S., Easa, S.M., (1998). Analysis of commercial mini-bus accidents.
Accident Analysis and Prevention 30, 555567.
Harris, S. (1990). The real number of road traffic accident casualties in the Netherlands: a
year-long survey. Accident Analysis and Prevention 22, 371378.
Harwood, D.W., Torbic, D.J., Bauer, K.M., Persaud, B.N., Lyon, C.A., Hauer, E. (2002).
Safety Analyst: Software tools for safety management of specific highway sites. White
paper for module 1network screening. Federal Highway Administration,
Washington, D.C.
Hedelin, A., Bunketorp, O., Bjrnstig, U., (2002). Public transport in metropolitan areasa
danger for unprotected road users. Safety Science 40, 467477.
Higle, J.L., Hecht, M.B. (1989). A comparison of techniques for the identification of
Hazardous Locations. Transportation Research Record, vol. 1238. Transportation
Research Board, National Research Council, Washington, D.C, 1019.
15
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
INMLCF, Instituto Nacional de Medicina Legal y Ciencias Forenses (2009). Forensis 2008,
340.
Joshua, S., Garber, N. (1990). Estimating truck accident rate and involvements using linear
and poisson regression models. Transportation planning and Technology 15, 4158.
Jovanis, P., Chang, H.-L. (1986). Modeling the relationship of accidents to miles traveled.
Transportation Research Record 1068, 4251.
Li LH, Zhu L and Sui DZ (2007) A GIS-based Bayesian approach for analyzing spatial-
temporal patterns of intra-city motor vehicle crashes. Journal of Transport Geography
15-4; 274-285
Lord, D. (2006). Modeling motor vehicle crashes using Poisson-gamma models: examining
the effects of low sample mean values and small sample size on the estimation of the
fixed dispersion parameter. Accident Analysis and Prevention 38, 751766.
Lord D., Miranda-Moreno L. (2008). Effects of low sample mean values and small sample
size on the estimation of the fixed dispersion parameter of Poisson-gamma models
for modeling motor vehicle crashes: A Bayesian perspective Safety Science, Volume
46, Issue 5, 751-770.
Mannering, F. Lee, J. (2002). Impact of roadside features on the frequency and severity of
run-off-roadway accidents: an empirical analysis. Accident Analysis and Prevention
Vol 34 No. 1, 149-16.
Mannering, F. Grodsky, L. (1995). Statistical Analysis of motorcyclisys perceived accident
risk. Accident Analysis and Prevention Vol 27 No. 1, 21-31.
Martin, J. L. (2002). Relationship between crash rate and hourly traffic flow on interurban
motorways. Accident Analysis and Prevention, 34(5), 619629.
Mathers C., Loncar D. (2005). Update projections of global mortality and burden of disease,
2002-2030: data sources, methods and results to World Health Organization.
McCarthy, P. S. (1999). Public policy and highway safety: A citywide perspective. Regional
Science and Urban Economics, 29(3), 231244.
Miaou, S. P. (1994). The relationship between truck accidents and geometric design of road
sections: Poisson versus negative binomial regressions. Accident Analysis and
Prevention, 26(4), 471 482.
Miaou, S.P., Lum, H. (1993). Modeling vehicle accidents and highway geometric design
relationships. Accident Analysis and Prevention 25 (6), 689709.
Miaou, S.P., Lord, D. (2003). Modeling traffic crash-flow relationships for intersections:
Dispersion parameter, functional form, and Bayes versus Empirical Bayes.
Transportation Research Record, vol. 1840. Transportation Research Board, National
Research Council,Washington, D.C, 3140.
Miaou SP, Song JJ (2004) Bayesian ranking of sites for engineering safety improvement.
83rd Annual Meeting of the Transportation research board. Washington, District of
Columbia.
Milton, J., Mannering, F., (1998). The relationship among highway geometrics, traffic-related
elements and motor vehicle accident frequencies. Transportation 25 (4), 395413.
Muhlrad N, Lassarre S. Systems approach to injury control. En: TIWARI G, MOHAN D,
MUHLRAD N. (2005). The way forward: transportation planning and road safety.
Nueva Delhi, Macmillan India Ltd., 52-73.
16
Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
OMS, Organizacin Mundial de la Salud. (2009). Informe Global sobre el estado de la
Seguridad Vial: Tiempo para la Accin.
Persaud, B., Lyon, C., Nguyen, T. (1999). Empirical Bayes procedure for ranking sites for
safety investigation by potential for improvement. Transportation Research Record,
vol. 1665. Transportation Research Board, National Research Council, Washington,
D.C, 712.
Plasncia, A.. Borrell, C. Ant, J. (1995). Emergency department and hospital admissions
and deaths from traffic injuries in Barcelona, Spain. A one-year population bases
study. Accident Analysis and Prevention Vol 27 No. 4, 591-600.
Poch, M., & Mannering, F. (1996). Negative binomial analysis of intersection-accident
frequencies. Journal of Transportation Engineering, 122(2), 105 113.
Shankar, V. N., Mannering, F., & Barfield, W. (1995). Effect of roadway geometrics and
environmental factors on rural freeway accident frequencies. Accident Analysis and
Prevention, 27(3), 371 389.
Shankar, V. N., Mannering, F., & Barfield, W. (1996). Statistical analysis of accident severity
on rural freeways. Accident Analysis and Prevention, 28(3), 391 401.
Steenberghen, T., Dufays, T., Thomas, I., Flahaut, B. (2004). Intra-urban location and
clustering of road accidents using GIS: a Belgian example. International Journal of
Geographical Information Science 18 (2), 169181.
Treat, J.R., Tumbas, N.S., McDonald, S.T., Shinar, D., Hume, R.D., Mayer, R.E., Stansifer,
R.L., and Castellan N.J. (1979). Tri-level study of the causes of traffic accidents: Final
report Executive Sumary. Bloomington, in: Institute for Research in Public Safety.
Report No. DOT-HS-034-3-35-79 TAC (S).
Vayre, P., (2001). The Risk of Accident for a Parisian Pedestrian. Comptes-rendus de
lacadmie des sciences, series III, Sciences de la Vie 324, 11751179.
af Whlberg, A.E., (2002). Characteristics of low speed accidents with buses in public
transport. Accident Analysis and Prevention 34, 637647.
af Whlberg, A.E., (2004). Characteristics of low speed accidents with buses in public
transport: Part II. Accident Analysis and Prevention 36, 6371
Washington, S.P., Karlaftis, M.G., Mannering, F.L., (2003). Statistical and Econometric
Methods for Transportation Data Analysis. Chapman & Hall/CRC.
17