ANALISIS DE ACCIDENTALIDAD VIAL

[pic 1]

Análisis Espacial de la Accidentalidad Vial en San Isidro, Perú

Lumbre, J. 11, Eto, F. 22, Estrada, M. 33

1: Facultad de Ingeniería Civil, Universidad Nacional de Ingeniería, Perú

2: Facultad de Ingeniería Civil, Pontificia Universidad Católica del Perú, Perú

3: Facultad de Ingeniería Civil, Universidad Nacional de Ingeniería, Perú

Abstract

Este estudio ha tratado el tema de la accidentalidad vial en una zona urbana de Lima Metropolitana, en Perú. Con las nuevas tecnologías y herramientas que brindan los Sistema de Información Geográfica (SIG), es posible llevar a cabo un análisis geoestadístico (espacial), donde se analizaron diversos patrones o indicadores espaciales para determinar puntos negros de accidentes de tránsito en el distrito de San Isidro, de una base de datos de 3629 eventos registrados entre los años 2016 y 2017. De esta manera, se ha logrado identificar los puntos negros más críticos, a partir de indicadores espaciales como la estimación de Densidad de Kernel, con un valor del ancho de banda, para determinar un radio de influencia y así definir un agrupamiento (también conocido como clustering, por su traducción al inglés), que principalmente son las intersecciones de las vías urbanas de la zona de estudio, y que representa un primer paso hacia desarrollar estudios en materia de Seguridad Vial desde un punto de vista ingenieril.

Palabras clave: Análisis Geoestadístico, Accidentes de Tránsito, Estimación de Densidad de Kernel, Ancho de Banda, Puntos Negros

1. Introducción

El problema de la accidentalidad vial es un tema poco tratado en Perú, al punto de no existir metodologías adecuadas respecto de la determinación de puntos negros, tanto en carreteras nacionales como en vías urbanas. Esto se suma a los vacíos que existen acerca de otro tema muy importante que es la recolección de datos de accidentes. De esta manera, hacienda uso de herramientas basadas en SIG, se busca determinar patrones espaciales que proporcionen mayor confiabilidad en la identificación de estos puntos negros, para que además de ello, se pueda proponer e implementar medidas correctivas y/o preventivas, como mejoras en la señalización de las vías o incluso cuestionando si el diseño vial urbano es el correcto o no, que permitan reducir la cantidad de heridos o muertos producto de estos sucesos en zonas urbanas, como lo es este caso de estudio realizado en el distrito de San Isidro en Lima, Perú.

1. Revisión de la Literatura

Flahaut et al. (2002) fue uno de los primeros en llevar a cabo una investigación que abordó el tema del análisis espacial en materia de accidentalidad vial. Su estudio se enfocó sobre un tramo de carretera de 52.7 Km en Bélgica, desde Charleroi a Jodoigne, con datos de registro de accidentes de tránsito entre los años 1992 y 1996, ya que según los autores ese lapso era lo suficientemente prolongado para limitar las fluctuaciones aleatorias de los resultados y muy corto para que algún cambio en la infraestructura vial sea significativo respecto al tráfico. El estudio estaba orientado a establecer una comparación entre los indicadores locales de autocorrelación espacial y el método de densidad de Kernel, los cuales sirvieron para detectar la localización de puntos negros.

Anderson realizó su estudio en un área ubicada al norte de Londres, con datos de accidentes de tránsito aproximadamente de 189 000 eventos registrados entre 1998 y 2002 por la Policía Metropolitana de Londres, con el objetivo de proporcionar un modelo continuo más realista de patrones espaciales de puntos negros que reflejan los cambios de la densidad que a menudo son difíciles de representar utilizando modelos geográficamente limitados tales como la red de transporte o los tramos censales. De esta manera, la estimación de densidad de Kernel es una técnica de interpolación, que es un método para generalizar las ubicaciones de los incidentes en un área completa. Esta técnica es capaz de identificar rápida y visualmente puntos de acceso de grandes conjuntos de datos y, por lo tanto, proporciona un resultado estadístico y estéticamente satisfactorio. Además, presenta muchas ventajas, a diferencia de las técnicas de puntos negros estadístico y de agrupamiento (como K-means), principalmente en que determina la extensión del riesgo de un accidente.

1. Metodogía y procedimiento

En la primera parte se realizó la recolección de datos que básicamente está orientado a completar un registro de los accidentes de tránsito ocurridos en los años 2016 y 2017 en el distrito de San Isidro. La base de datos de accidentes de tránsito preliminar fue facilitada por la Comisaría de San Isidro, en la que se encontraban registrados los accidentes de los siete primeros meses del año 2016. Cabe precisar que, del registro de accidentes mencionado anteriormente, de los meses de enero a abril del 2016 correspondían a ocurrencias denunciadas en la Comisaría de Orrantia del Mar, y el resto de los accidentes denunciados correspondían a datos tomados de la Comisaría de San Isidro.

La información recogida es una información no consolidada, en la que la toma de datos se ha llevado de manera general. Sin embargo, uno de los objetivos de este estudio es sistematizar este tipo de información referida a la accidentalidad vial por lo que se hará uso de los sistemas de información geográfica (SIG).

De esta manera para consolidar la información ha sido necesario crear tablas de atributos en las que sea posible sintetizar esta información, de manera que pueda ser fácilmente entendible, para luego ser empleada en la obtención de los indicadores especiales que determinen si una intersección o una vía es o no un punto negro.

1. Resultados y discusión

En la Figura 1 se presenta la frecuencia de accidentes de tránsito registrado para los años 2016 y 2017 para los cinco sectores del distrito de San Isidro. De esta forma se deduce que el Sector 4 es donde se han registrado la mayor cantidad de accidentes para ambos años, con 560 y 561 eventos registrados.

[pic 2]

Figura 1. Distribución de accidentes de tránsito según sector.

De los resultados del ancho de banda de Kernel que se presentan en la Tabla 1, se puede decir que la accidentalidad vial del distrito de San Isidro para los años 2016 y 2017 exhibe un comportamiento de agrupamiento (clustering) en varios puntos, tomando como radio de acción los valores determinados para el ancho de banda en cada zona, para cada año, y que toma en cuenta el número de accidentes suscitados en dicho espacio y tiempo.

...