Aplicac ForAccidTransito

Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde
un enfoque bayesiano
CANTILLO, Vctor; GARCS Patricia
ANLISIS DE LA ACCIDENTALIDAD VIAL

EN TRAMOS URBANOS MEDIANTE EL
USO DE SIG PLANTEADO DESDE UN
ENFOQUE BAYESIANO
Patricia Garcs, Universidad de Cartagena, Cartagena. email:

pgarcesd@unicartagena.edu.co
Vctor Cantillo, Universidad de Norte, Barranquilla. email: vcantill@uninorte.edu.co
ABSTRACT
En la ocurrencia de accidentes de trnsito en un contexto urbano inciden factores

relacionados con las condiciones fsicas de la va y el entorno, las caractersticas del
trnsito y el control. En el presente artculo, mediante el uso de modelos
estadsticos, incluyendo los populares Poisson y el Binomial Negativo, se evala la
incidencia de tales factores en los accidentes con consecuencias (heridos y muertes)
en corredores urbanos de Cartagena de Indias, Colombia. Se complementa el
estudio con un anlisis espacial utilizando Sistemas de Informacin Geogrfico para
la identificacin de los tramos de estudio. Seguidamente, mediante un enfoque
bayesiano emprico la frecuencia esperada de los accidentes basada en la
distribucin marginal y en la distribucin posterior son consideradas como criterio
para la evaluacin de la bondad de ajuste de los modelos.
El trabajo permiti verificar la validez del uso de la aproximacin Bayes Emprica

para estimar la frecuencia esperada de accidentes. Se destaca de los resultados
obtenidos que las motocicletas y buses tienen un impacto mucho ms significativo
en la accidentalidad que los automviles.
Keywords: Bayes Emprico, Accidentalidad Vial, Sistema de Informacin Geogrfico.
XVI PANAM, July 15-18, 2010 Lisbon, Portugal
1
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).
En teora, la reduccin en el nmero de accidentes se puede lograr mediante el empleo de

acciones en el campo de la seguridad vial en sitios en los cuales durante el perodo de
estudio la frecuencia de accidentes as lo amerite; sin embargo, en la prctica, la situacin
es ms compleja, considerando que no se trata de uno o varios factores que puedan ser
analizados individualmente, y que son muchas las variable involucradas (Treat, J.R., et al,
1979 ; Muhlrad y Lassarre, 2005). Dada la complejidad del tema, un primer propsito al
abordarlo consiste en realizar un anlisis espacial de la accidentalidad con el apoyo de
Sistema de Informacin Geogrfico (SIG) sobre los cuales hay amplia experiencia en su uso
para el tratamiento de la accidentalidad (Li et al, 2007). Ello facilita realizar el anlisis
estadstico relacionando, mediante modelos de prediccin, factores de la va, el trnsito y el
control, con la frecuencia de los accidentes de trnsito en vas urbanas, involucrando
tcnicas bayesianas.
Anlisis de la accidentalidad vial
Se ha demostrado que los modelos de regresin lineal convencionales resultan inadecuados

para la modelacin de frecuencias de accidentes de trnsito, dado que pueden arrojar
inferencias errneas (Jovanis y Chang, 1986; Joshua y Garber 1990; Miaou y Lum, 1993).
En vista de que los indicadores analizados en estudios de accidentalidad generalmente son
frecuencia o rata de accidentes, los cuales son nmeros enteros no negativos, una
alternativa razonable para la modelacin estadstica de la accidentalidad vial son los
modelos de recuento (Washington et al., 2003) puesto que stos tienen como variable
dependiente el conteo de eventos de forma discreta la cual debe ser entera y acotada por
cero, caractersticas propias de estos indicadores. De los modelos de recuento ms
empleados se encuentran: el modelo de regresin de Poisson y el modelo de regresin
Binomial Negativo.
2
En la literatura es frecuente encontrar investigaciones recientes en torno al tema de la

accidentalidad vial que fundamentan sus metodologas en el desarrollo de modelos tipo
Poisson y Binomial Negativo (Jovanis y Chang, 1986; Miaou, 1994; Hadi, et al., 1995;
Shankar, et al,1995; Poch & Mannering, 1996; McCarthy, 1999; Carson y Mannering, 2001;
Martin, 2002; Mannering, F. y Lee, J., 2002, entre otros). Tpicamente, la distribucin
observada de la accidentalidad podra ser representada por una distribucin Poisson (Lord y
Miranda-Moreno, 2008; Aguero-Valverde y Jovanis, 2008) o una distribucin Binomial
Negativa con una distribucin a priori Gamma o Beta (Calvin, R. 1990).
En los modelos regresin de tipo Poisson, la probabilidad de que ocurran n accidentes en el

tramo de va i durante el perodo j est dada por la siguiente expresin:
ij
(ij ij )
n
e
P nij (1)
nij !
A su vez, ij es el valor esperado de nij, que puede expresarse en funcin de un vector de

variables relevantes Xij que describen las caractersticas geomtricas, ambientales y otras
condiciones que afectan la frecuencia de accidente en los tramos estudiados de va; a estas
variables se une una variable de exposicin que se relaciona con el volumen de trnsito del
tramo (Normalmente el Trnsito Promedio Diario, TPD) o con los vehculos-kilmetro
recorrido (TPD por la longitud del tramo), que denominaremos Vi. Una de las propiedades
de la distribucin Poisson es que se basa en el principio de equidispersin, es decir la media
es igual a la varianza. El valor esperado del nmero de accidentes puede estimarse con la
expresin:
E nij ij exp(Xij LnVij ) (2)
Dado que se trata de un modelo de regresin no lineal, , en conjunto con el vector de

parmetros se estiman por el procedimiento de mxima verosimilitud.
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:
E nij ij exp(Xij LnVij ij ) (3)
Donde exp(ij) es un trmino de error que distribuye Gamma, que permite diferenciar la
varianza de la media de la siguiente manera:
3
Var nij E nij 1 E nij E nij E nij2 (4)
En este caso es conocido como el parmetro de sobredispersin, notando que para un

=0 se reduce a la distribucin de Poisson. De esta forma la probabilidad Binomial Negativa
la siguiente forma matemtica:
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).
Identificacin de sectores crticos de accidentalidad mediante mtodo Bayes

Emprico
El enfoque Bayesiano Emprico se ha venido desarrollando para el anlisis de la seguridad

vial durante los ltimos treinta aos, consolidndose como un mtodo confiable para estimar
el nmero esperado de accidentes (Hauer, E. et al., 2002).
Este mtodo en un principio fue desarrollado con el objetivo de controlar el denominado

efecto de "regresin a la media" en el anlisis de estudios de seguridad vial de "antes y
despus" (Hauer, E. et al 1997; Hauer, E. 1997; Miaou and Song, 2004). Actualmente
tambin es usado para la identificacin o reconocimiento de sectores de va crticos de
accidentalidad, tal como se muestran en trabajos realizados por Persaud et al., 1999;
Harwood et al., 2002; Elvik, 2007; Higle y Hecht, 1989; Lord, 2006; Miaou y Lord, 2003;
Cheng y Washington, 2005, entre otros. La aproximacin considera que la frecuencia de
accidentes de un sector especfico es una variable aleatoria y hace uso de una combinacin
de las caractersticas regionales de accidentes y la historia de accidentes de un grupo de
referencia. En consecuencia, la aproximacin Bayesiana es un mtodo probabilstico que
actualiza y mejora la ms reciente informacin utilizando los datos histricos o un
conocimiento a-priori disponibles. El enfoque Bayesiano asume que una distribucin de
probabilidad puede ser hallada previamente con los datos disponibles llamada la
distribucin a-priori de los parmetros-.Una vez se tenga nueva informacin, el teorema de
Bayes puede ser utilizado para convertir la distribucin a-priori en una distribucin a-
posteriori; siendo utilizado recurrentemente el teorema en caso de disponer de mayor
informacin para actualizar y mejorar la confiabilidad en la estimacin de los parmetros.
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
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)
Si la probabilidad anteriormente calculada sobrepasa un umbral que define el nivel de

confianza escogido, entonces el sector se considera crtico.
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)

En estas ecuaciones es el parmetro de forma y es el parmetro de escala de la funcin

Gamma, con media y varianza dadas por (8) y (9), respectivamente:

E ( )
(8)
E ( ) 2
Var
2 (9)
Los parmetros de la funcin, son determinados a partir de los datos de accidentalidad
disponibles del grupo de referencia de la siguiente manera:
n

2 n (10)
2
n

n
2
(11)
Siendo n el nmero de accidentes ocurridos en un determinado sector, los parmetros de la

distribucin a posteriori, la cual ser tambin de tipo Gamma estarn dados por:
n (12)
1 (13)
Donde el valor esperado y la varianza estarn dados por:

E |n
(14)
5
E |n
2
Var |n
(15)
Con lo cual se identifican los sitios potencialmente crticos haciendo uso de la ecuacin (6).
ANLISIS DE CASO UN CASO URBANO
El presente estudio fue realizado en la ciudad de Cartagena de Indias (Colombia), la cual

cuenta con una extensin de 616 km2, una poblacin de 923.219 habitantes en el 2007 y
una malla vial urbana de 656 km de longitud. Sus actividades econmicas se desarrollan en
los sectores turstico, petroqumico y portuario. El anlisis de la accidentalidad vial se
realiza con la informacin recopilada de reporte de los accidentes ocurridos durante el ao
2007, no fueron considerados para este estudio los accidentes con categora solo daos a
la propiedad, de manera que el anlisis se centra en los accidentes con heridos y muertos;
esta decisin se tom considerando que la calidad de la informacin de los accidentes
simples es poco confiable. Fue tomado como ao base y punto de partida el ao 2007,
cuando se present un incremento marcado en la accidentalidad vial respecto de los los
aos precedentes y dado que para el 2008 en una de las arterias principales de la ciudad, la
Avenida Pedro de Heredia, se realizaban trabajos de construccin del proyecto de
transporte masivo troncoalimentador sobre buses (BRT) TRANSCARIBE, lo cual implic
eventuales cambios en la movilidad y flujos vehiculares, no solo en esta arteria sino en la
malla vial de toda la ciudad.
Es de anotar, que en Colombia al igual que en muchos pases, el uso de datos de

accidentalidad obtenidos de reportes de polica de trnsito o afines, implica problemas con la
calidad de la informacin (Brenac y Clabaux 2005; Alsop y Langley, 2001; Austin, 1995;
Harris, 1990; Hauer y Hakkert, 1988) y no todos los accidentes de trnsito con vctimas son
reportados por la polica, por lo tanto se procedi a comparar esta fuente inicial de
informacin con la suministrada por el Fondo de Prevencin Vial (FPV) para el mismo
periodo; a su vez, dado que la informacin del FPV es obtenida de los consolidados del
Instituto de Medicina Legal (IML) generada de los reportes de los centros hospitalarios
donde son remitidas las vctimas de los accidentes, se explica que el nmero de personas
heridas y muertas en accidente de trnsito ser siempre mayor a los obtenidos de los
reportes de accidentes de la polica de trnsito. Otra razn de la diferencia es que el FPV y
IML considera como causa de muerte accidente de trnsito los decesos ocurridos dentro
de los treinta das despus del siniestro, en concordancia con los lineamientos de la
Organizacin Mundial de la Salud (OMS). En sntesis, al realizar una compilacin de los
datos concurrentes entre los obtenidos de los reportes de los accidentes y el FPV se
complementaron los datos existentes, obteniendo como resultado de esta fase una base de
datos de accidentalidad con un total de 1367 accidentes de trnsito, todos con vctimas
(heridos y/o muertos).
6
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.
En Cartagena las vctimas fatales en accidentes de trnsito son en un 42,9% motociclistas,

siguiendo los peatones con un 28,6% del total de estas muertes. La composicin vehicular
result ser una variable a considerar, con el propsito de comparar no solo el efecto de las
motocicletas en la frecuencia de accidentes sino tambin el de buses y camiones, ello en
atencin a referentes que demuestran especficamente la incidencia de los buses sobre la
accidentalidad, en forma directa e indirecta (Cameron et al.; 2001; Hedelin et al.,2002,
Hamed et al.; 1998; Vayre, 2001; af Whlberg, 2002, 2004; Brenac, T.; Clabaux, N. 2005).
Aplicacin de SIG en el anlisis de la Accidentalidad Vial
En este estudio se realizo un anlisis exploratorio de la informacin inicial, con el objeto de

hacer una evaluacin de los factores relacionados con la va, el trnsito, el entorno y la
frecuencia de accidentes. De esta manera, se aliment una base de datos georeferenciada
incorporando informacin concerniente a usos de suelo, volumen y composicin del trnsito,
ocupacin de espacio pblico, geometra de las vas, entre otras. Con esta informacin, se
procedi a clasificar la malla vial en sectores con caractersticas homogneas, logrando
identificar bajo dicha clasificacin 241 tramos. En cada uno de los corredores se tena
adems informacin relativa a la frecuencia y caractersticas de los accidentes, que tambin
fue incorporada al Sistema de Informacin Geogrfico, obteniendo as su distribucin
espacial. La herramienta SIG facilita el anlisis espacial de la accidentalidad y la
consecuente identificacin de tramos crticos a travs de una comprensin integral del
7
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
Estimacin y anlisis de modelos estadsticos
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
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.
El ACP dio como resultado la identificacin de las siguientes variables explicativas en la

frecuencia de los accidentes: ancho de calzada (m), TPDA (vehculos/da), longitud del
tramo (m), nmero de intersecciones, sentido de circulacin (variable muda que toma el
valor de 1 si el tramo tiene doble sentido de circulacin, 0 en otro caso), y uso de suelo
(variable muda que toma el valor de 1 si el uso de suelo es comercial y 0 en otro caso).
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.
Seguidamente, a travs de un anlisis Bayesiano Emprico se logr, adems de una mejora

en la estimacin del nmero esperado de accidentes para cada tramo utilizando la
informacin conocida, la identificacin de los sitios crticos a nivel de seguridad vial o APLs.
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.
Un resumen estadstico de las variables consideradas se muestra en la Tabla I; en tanto

que la matriz de correlaciones se presenta en la Tabla II. A su vez, el histograma que
muestra la distribucin de la frecuencia de accidentes en los tramos estudiados puede
observarse en la Figura 2.
Tabla I Resumen estadstico de variables independientes
Desviacin
Media Moda Mximo Mnimo Unidad
estndar
LN(TPDA*L/1000) ( 7,64 9.24 1.98 11,13 2.96 Vehculos da-km/1000

Ancho calzada ( 7,82 7,30 2.00 15,60 4,00 Metros (m)
TPDA * L*P Buses/1000 ( 1,04 2.69 1,65 11.54 0.0006 Buses da-km/1000
TPDA *L*P Motos/1000 ( 2,53 3.31 4,15 36.46 0.00321 Motos da-km/1000
9
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
Tabla II Matriz De Correlaciones de las variables independientes analizadas
No TPDA*L* TPDA*L* P TPDA*L* Doble Uso

Ancho calzada
Intersecciones/L P BUSES/1000 MOTOS/1000 P AUTOS/1000 sentido comercial
0,0193 0,6495 0,6648 0,5462 -0,1747 0,4928

Ancho calzada 1,00
(0,7710) (0,0000) (0,0000) (0,0000) (0,0081) (0,0000)
0,0193 -0,1622 -0,0997 -0,1893 0,2686 -0,0644
No 1,000
Intersecciones/L (0,7710) (0,0140) (0,1324) (0,0040) (0,0000) (0,3322)
0,6495 -0,1622 0,7477 0,8022 -0,1347 0,5166
TPDA*L* 1,000
P BUSES/1000 (0,0000) (0,0140) (0,0000) (0,0000) (0,0417) (0,0000)
0,6648 -0,0997 0,7477 0,8398 -0,1483 0,4558
TPDA*L* 1,000
P MOTOS/1000 (0,0000) (0,1324) (0,0000) (0,0000) (0,0248) (0,0000)
0,5462 -0,1893 0,8022 0,8398 -0,1989 0,3442
TPDA*L* 1,000
P AUTOS/1000 (0,0000) (0,0040) (0,0000) (0,0000) (0,0025) (0,0000)
-0,1747 0,2686 -0,1347 -0,1483 -0,1989 -0,0570

Doble sentido 1,000
(0,0081) (0,0000) (0,0417) (0,0248) (0,0025) (0,3906)
0,4928 -0,0644 0,5166 0,4558 0,3442 -0,0570
Uso comercial 1,000
(0,0000) (0,3322) (0,0000) (0,0000) (0,0000) (0,3906)
Total sectores analizados: 229 para cada variable p-value (0.000)
30
25
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 o
ms
Figura 2. Distribucin de la frecuencia de accidentes en los sectores analizados
10
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.
Tabla III Estimacin de modelos basados en regresin de Poisson

MODELO POISSON
MODELO 1 MODELO 2
Error Estadstico Error Estadstico
Parmetro Estimacin Valor-P Estimacin Valor-P
estndar T Estndar T
Constante -0,1481 0,223352 -0,6630 0,2536 - - - -
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 (
TPDA x L x 0,0817 0,02434 3,3866 0,0004 0,0873 0,022580 3,8684 0,0001

P BUSES / 1000 (
TPDA x L x
0,0317 0,008191 3,8682 0,0001 0,0330 0,007940 4,1551 0,0000
P Motos /1000 (
TPDA x L x
0,0117 0,00887 1,3638 0,0863 0,0120 0,008578 1,3953 0,0815
P Autos / 1000
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
Tabla IV Estimacin de Modelos Basados Regresin de Binomial Negativo (Mxima Verosimilitud)

MODELO BINOMIAL NEGATIVA
MODELO 1 MODELO 2
Estimacin Error Estadstico Valor-P Estimacin Error Estadstico Valor-P

Parmetro Estndar T Estndar T
Constante -0,1481 0,214645 -0,6902 0,2451 - - - -
0,1813 0,022439 8,0782 0,0000 0,1698 0,013967 12,1589 0,0000

LN(TPDAxL/1000) (
-0,0240 0,016879 -1,4220 0,0773 -0,0312 0,013863 -2,2497 0,0123

Ancho calzada (
TPDA x L x
P BUSES /1000 (
0,0817 0,021360 3,8254 0,0001 0,0874 0,019568 4,4644 0,0000
TPDA x L x 0,0317 0,006689 4,7381 0,0000 0,0330 0,006325 5,2147 0,0000

P Motos /1000 (
TPDA x L x 0,0117 0,007050 1,6625 0,0482 0,01197 0,006864 1,7448 0,0405

P Autos /1000
Doble sentido 0,1375 0,065347 2,1055 0,0177 0,1268 0,062614 2,0245 0,0215
Uso comercial 0,1046 0,069853 1,4976 0,0671 0,1148 0,067598 1,6985 0,0447
No Intersecciones/L 6,856 4,4292 1,5449 0,0608 6,6014 4,37459 1,5090 0,0656
0,0250 (Valor-P= 0,1643) 0,0250 (Valor-P= 0,1081)
2
R 81,94% 52,96%
2
R ajustado 76,36% 49,75%
Identificacin de tramos crticos
Siguiendo la metodologa planteada para la aplicacin del Enfoque Bayesiano Emprico, se

calcularon los siguientes parmetros para el grupo de sectores o tramos analizados:
. Parmetros apriori . Fueron identificados un total de 69 tramos
crtico o APLs del total analizados, que corresponden a un 28,6%, de stos en la Tabla V se
presenta un resumen de acuerdo a la categora de la va al que pertenece cada sector.
Tabla V Identificacin de Sectores Crticos

Categora de los Sectores segn Nmeros Total Sectores crticos
el Tipo de Va de sectores Identificados
Arterias 71 48
Colectoras 52 19
Vas Locales 118 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
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.
Figura 3 Densidad de Accidentalidad
CONCLUSIONES
El estudio ha logrado exitosamente involucrar el anlisis espacial de la accidentalidad a

travs del uso de un GIS para identificar tramos homogneos en Cartagena de Indias,
identificando 241 tramos.
13
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.
Se encontr que el efecto marginal sobre la accidentalidad de los buses es

significativamente superior al de las motos y el de stas al de los autos. En relacin a
variables de la va y el entorno, para los valores encontrados, los tramos con doble sentido
de circulacin son ms riesgosos que los que tienen sentido nico, en tanto que el nivel de
riesgo disminuye con el ancho de la calzada. A su vez, los tramos ubicados en zonas
comerciales, con alta presencia de peatones tienden a presentar mayor frecuencia en la
ocurrencia de accidentes con consecuencias.
Adems, a travs de un Anlisis Bayesiano Emprico ha sido posible identificar tramos

crticos, favoreciendo adems la realizacin de anlisis comparativo de la rata de accidentes
de un grupo de sectores, considerando parmetros que relacione volmenes vehiculares,
longitudes u otro factor de exposicin. En este caso, claramente las vas arteriales son las
que presentan mayor riesgo.
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
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
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
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

Aplicac ForAccidTransito

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aplicac ForAccidTransito

Diunggah oleh

Hak Cipta:

Format Tersedia

Anlisis de la accidentalidad vial en zonas urbanas mediante el uso de SIG planteado desde

ANLISIS DE LA ACCIDENTALIDAD VIAL

Patricia Garcs, Universidad de Cartagena, Cartagena. email:

Vctor Cantillo, Universidad de Norte, Barranquilla. email: vcantill@uninorte.edu.co

En la ocurrencia de accidentes de trnsito en un contexto urbano inciden factores

El trabajo permiti verificar la validez del uso de la aproximacin Bayes Emprica

Keywords: Bayes Emprico, Accidentalidad Vial, Sistema de Informacin Geogrfico.

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

En teora, la reduccin en el nmero de accidentes se puede lograr mediante el empleo de

Anlisis de la accidentalidad vial

Se ha demostrado que los modelos de regresin lineal convencionales resultan inadecuados

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

En la literatura es frecuente encontrar investigaciones recientes en torno al tema de la

En los modelos regresin de tipo Poisson, la probabilidad de que ocurran n accidentes en el

A su vez, ij es el valor esperado de nij, que puede expresarse en funcin de un vector de

E nij ij exp(Xij LnVij ) (2)

Dado que se trata de un modelo de regresin no lineal, , en conjunto con el vector de

E nij ij exp(Xij LnVij ij ) (3)

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Var nij E nij 1 E nij E nij E nij2 (4)

En este caso es conocido como el parmetro de sobredispersin, notando que para un

Identificacin de sectores crticos de accidentalidad mediante mtodo Bayes

El enfoque Bayesiano Emprico se ha venido desarrollando para el anlisis de la seguridad

Este mtodo en un principio fue desarrollado con el objetivo de controlar el denominado

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Si la probabilidad anteriormente calculada sobrepasa un umbral que define el nivel de

En estas ecuaciones es el parmetro de forma y es el parmetro de escala de la funcin

Siendo n el nmero de accidentes ocurridos en un determinado sector, los parmetros de la

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

ANLISIS DE CASO UN CASO URBANO

El presente estudio fue realizado en la ciudad de Cartagena de Indias (Colombia), la cual

Es de anotar, que en Colombia al igual que en muchos pases, el uso de datos de

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

En Cartagena las vctimas fatales en accidentes de trnsito son en un 42,9% motociclistas,

Aplicacin de SIG en el anlisis de la Accidentalidad Vial

En este estudio se realizo un anlisis exploratorio de la informacin inicial, con el objeto de

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Estimacin y anlisis de modelos estadsticos

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

El ACP dio como resultado la identificacin de las siguientes variables explicativas en la

Seguidamente, a travs de un anlisis Bayesiano Emprico se logr, adems de una mejora

Un resumen estadstico de las variables consideradas se muestra en la Tabla I; en tanto

Tabla I Resumen estadstico de variables independientes

LN(TPDA*L/1000) ( 7,64 9.24 1.98 11,13 2.96 Vehculos da-km/1000

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Tabla II Matriz De Correlaciones de las variables independientes analizadas

No TPDA*L* TPDA*L* P TPDA*L* Doble Uso

0,0193 0,6495 0,6648 0,5462 -0,1747 0,4928

-0,1747 0,2686 -0,1347 -0,1483 -0,1989 -0,0570

Total sectores analizados: 229 para cada variable p-value (0.000)

Figura 2. Distribucin de la frecuencia de accidentes en los sectores analizados

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Tabla III Estimacin de modelos basados en regresin de Poisson

TPDA x L x 0,0817 0,02434 3,3866 0,0004 0,0873 0,022580 3,8684 0,0001

XVI PANAM, July 15-18, 2010 Lisbon, Portugal

Tabla IV Estimacin de Modelos Basados Regresin de Binomial Negativo (Mxima Verosimilitud)

Estimacin Error Estadstico Valor-P Estimacin Error Estadstico Valor-P

Constante -0,1481 0,214645 -0,6902 0,2451 - - - -

0,1813 0,022439 8,0782 0,0000 0,1698 0,013967 12,1589 0,0000

-0,0240 0,016879 -1,4220 0,0773 -0,0312 0,013863 -2,2497 0,0123

TPDA x L x 0,0317 0,006689 4,7381 0,0000 0,0330 0,006325 5,2147 0,0000

TPDA x L x 0,0117 0,007050 1,6625 0,0482 0,01197 0,006864 1,7448 0,0405

Identificacin de tramos crticos

Siguiendo la metodologa planteada para la aplicacin del Enfoque Bayesiano Emprico, se

No TPDAL TPDAL P TPDAL Doble Uso