Comparación de métodos espaciales para medir "puntos calientes" de accidentes de

tráfico: un estudio de caso de Londres

Resumen

Existe una constante determinación por parte de académicos y profesionales de la carretera de

investigar los métodos más apropiados para identificar puntos críticos de accidentes de tráfico,
especialmente en áreas urbanas. Cada vez más, esta investigación ha involucrado el uso de GIS
y análisis espacial para definir tanto visual como estadísticamente lo que se puede definir como
un punto de acceso de accidentes de tráfico. Los métodos tradicionales de detección de punto
de acceso por parte de los profesionales de la carretera han incluido la comparación de los datos
de recuento en diferentes lugares y la calificación de las áreas por gravedad. Sin embargo, el
aumento en el uso de GIS ha llevado a que los académicos usen métodos sofisticados para
cuantificar los hotspots. Sin embargo, no hay una definición universal de un punto de acceso de
accidentes de tráfico, lo que significa que la definición de un punto de acceso público está
abierta a mucha especulación. Este artículo busca investigar los méritos de tres técnicas
espaciales diferentes para cuantificar puntos críticos de accidentes de tráfico. Estimación de la
densidad del Kernel, análisis de red y análisis de área amplia se utilizan para demostrar tres
métodos. Los métodos son revisados. Sin embargo, existe una lista exhaustiva de técnicas de
detección de punto de acceso, no todas ellas se pueden resumir en este documento.

1. Introducción

El análisis del punto negro de los accidentes de tráfico se ha centrado tradicionalmente en

segmentos de carreteras o uniones específicas (Thomas 1996, Cook et al 2001), mientras que
los puntos negros a zonas amplias a menudo se descuidan. La literatura sobre accidentes de
tránsito no ofrece una definición universalmente aceptada de un "punto negro" a accidentes de
tránsito (Brimicombe 2004). Aunque Hauer (1996) describe cómo algunos investigadores
clasifican las ubicaciones según la tasa de accidentes (accidentes por kilómetro vehicular),
mientras que otros investigadores usan frecuencias de accidentes (accidente por kilómetro
recorrido). Desde la década de 1970 ha habido una plétora de modelos estadísticos aplicados a
la comprensión de los accidentes de tráfico. Sin embargo, estos modelos han tendido a
descuidar los patrones espaciales de los accidentes de tráfico.

Este documento compara tres métodos estadísticos espaciales alternativos para distinguir los
puntos críticos de accidentes de tráfico:

• Estimación de densidad de Kernel KDE

• Análisis de red (network analysis)
• Estimación del área de salida del censo (Census Output Area Estimation)

Hay una amplia gama de enfoques adoptados por los investigadores que a menudo se limitan a
modelos estadísticos complejos para identificar puntos críticos de accidentes. Recientemente,
GIS ha tenido un impacto notable en la investigación de accidentes de tránsito y trae consigo
una amplia gama de sofisticadas técnicas de estadísticas espaciales para aumentar la precisión
y la información de los hotspots de accidentes de tráfico. Las zonas críticas de accidentes de
tráfico suelen estar determinadas por una variedad de métodos, sin embargo, no existe un
método universal, por lo que la comparación continua de métodos es vital para que los puntos
críticos de accidentes de tráfico ser determinado de la manera más exitosa.
La base conceptual de este documento radica en la premisa de la propagación del riesgo que
genera una colisión en un área. En muchas circunstancias, ha sido aceptable definir un grupo de
puntos de colisión en un área o en una línea, pero el riesgo de que ocurra una colisión
nuevamente probablemente se extenderá más allá de los límites del clúster de colisión histórico.
Si el grupo de colisiones es pequeño y puntiagudo, el riesgo que rodea al clúster será menor; sin
embargo, si el clúster de colisión es bastante plano pero cubre un área más amplia, el riesgo que
rodea al clúster será mayor pero menos intenso que el clúster con las colisiones más cercanas
juntas (Chainey y Ratcliffe 2005).

Considerar los accidentes de tráfico como puntos en un mapa no es lo suficientemente robusto

como para distinguir las áreas de alto número de accidentes e implementar decisiones de
política efectivas. Esto puede atribuirse a tres razones. En primer lugar, existen posibles
imprecisiones en la recopilación de puntos de ubicación de colisiones viales (Austin 1995ab). En
segundo lugar, en una zona altamente urbana como Londres, donde hay muchas colisiones,
puede ser difícil identificar visualmente las áreas con un gran número de accidentes de tráfico.
En tercer lugar, al considerar los puntos en un mapa, se hace caso omiso de los patrones
espaciales o estadísticos y se basa en la interpretación personal y potencialmente sesgada. En
los últimos años, ha habido muchos métodos para medir los puntos críticos de accidentes de
tráfico que van más allá de los puntos en un mapa. Thomas (1996), por ejemplo, se centró en
los accidentes de tráfico y los segmentos de red, específicamente la longitud más adecuada.
Mientras que Sabel et al. (2005) han utilizado un enfoque de modelado basado en la superficie
para la cuantificación de puntos críticos de accidentes usando la técnica de interpolación,
suavizado de la densidad de Kernel. Finalmente, Transport for London y otras instituciones
gubernamentales usan datos agregados de accidentes, generalmente en los condados, en los
que las tasas de accidentes se utilizan para ilustrar las diferencias entre los distritos de Londres.

2. Métodos

Los accidentes de tráfico están intrínsecamente restringidos por la red vial y se ha llevado a cabo
una investigación considerable sobre la autocorrelación espacial de la red, relacionada con la
longitud óptima de la red vial para estudiar y el flujo del tráfico (véase Thomas 1996, Flahaut
2004, Geurts et al 2005). En otros análisis, los accidentes de tránsito en particular dentro de los
distritos se han vinculado a la información del censo con respecto a la medición de las
características socioeconómicas y de área de las áreas en relación con la ubicación del hogar de
víctimas. Las ventajas de utilizar áreas censales implican la gestión de programas de seguridad
vial que se implementan a nivel de distrito. A menudo, los distritos se desglosan en unidades
más pequeñas con las que proporcionar soluciones a los puntos críticos de accidentes de tráfico.
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. En resumen, las técnicas de
interpolación generalizan las colisiones sobre la región de estudio.

Se utilizó un conjunto de datos de colisión vial que data de enero de 1998 a junio de 2002,
proporcionado por la Policía Metropolitana de Londres, para un área de estudio en el norte de
Londres (Figura 1). Consiste en aproximadamente 189000 colisiones, lo que resulta en lesiones,
y está georeferenciado a una resolución de 10 m. Al utilizar la capa de transporte integrada de
OS MasterMap, se contaron los datos del punto de colisión para cada una de las 374000
polilíneas del segmento de la carretera para Londres. Los recuentos de colisiones para cada Área
de Salida del Censo 2001 en Londres se contaron usando ArcGIS de ESRI.
 Figura 1. Área de estudio en el norte de Londres.

El primer mapa (Figura 2) muestra un área de la red de carreteras en el norte de Londres y los
accidentes asociados. En algunos casos, esto se determina como un accidente por kilómetro
recorrido, pero en el caso del segmento de carretera no se especifica, sino que se utiliza la
longitud natural del camino (que consta de un total de 374000 polilíneas). Fue compilado al unir
espacialmente los accidentes viales a los segmentos de la carretera. En este ejemplo, las uniones
no se incluyeron en el estudio. El segundo mapa (Figura 3) muestra las mediciones agregadas de
las tasas de accidentes tanto para las Áreas de Salida del Censo como para los distritos en
Londres. Este mapa se compiló al agregar accidentes de tránsito a las Áreas de Salida del Censo
y luego se normalizó.

El mapa final (Figura 4) utiliza la estimación de densidad de Kernel para crear una superficie de
densidad de los accidentes utilizando la función de densidad en ArcGIS Spatial Analyst. Para este
mapa, el ancho de banda era de 200 m y el tamaño de la celda era de 100 m.

Con el fin de concentrarse en áreas pequeñas dentro de Londres y probar cómo las restricciones
geográficas afectan a las ubicaciones de los puntos críticos de accidentes de tráfico, se han
elegido dos límites. Los dos métodos alternativos presentados aquí representan dos formas muy
diferentes de analizar la densidad de accidentes con respecto a las limitaciones de los límites.
Ambos métodos tienen una restricción de límites en la forma de la red de carreteras de Londres
y los límites del área de salida del Censo.
 Figura 2. Un análisis de redes de los accidentes de tráfico en carreteras.

Figura 3. Accidentes de tráfico de carretera para los censos de áreas de salida de 2001.

3. Discusión

El uso de superficies de densidad se ha utilizado ampliamente en el análisis de delitos

(Brimicombe 2004, Chainey y Radcliffe 2005) y los analistas de accidentes de carretera lo están
adoptando lentamente (Flahaut et al 2003, Sabel et al 2005).

Dentro de este contexto, ha sido útil para los profesionales del análisis del crimen aplicar la
interpolación de la superficie a los datos del crimen puntual a fin de determinar los puntos
calientes en un área espacial dada (Chainey y Ratcliffe 2005). Chainey y Ratcliffe (2005) dan una
serie de ejemplos del uso de la estimación de la densidad del Kernel para determinar los focos
de delincuencia tanto en el Reino Unido como en los Estados Unidos. La principal diferencia
entre el crimen y los puntos críticos de accidentes de tránsito es que los accidentes viales están
restringidos a la red de carreteras y los puntos conflictivos ocurren en cualquier lugar, ya sea en
la calle o en una casa, o en un parque. Por lo tanto, la aplicabilidad de la estimación de la
densidad del Kernel a las zonas críticas delictivas es de alguna manera más exitosa debido a la
falta de restricciones geográficas en el conjunto de datos del punto.

La estimación Kernel 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. Las ventajas de estas representaciones superficiales particularmente de los
accidentes viales son que pueden proporcionar un modelo continuo más realista de patrones de
puntos críticos de accidentes que reflejan los cambios en la densidad que a menudo son difíciles
de representar utilizando modelos limitados geográficamente limitados tales como la red de
transporte o las secciones censales. A lo largo de los años, se han desarrollado varias
herramientas espaciales que ayudan a comprender las geografías cambiantes de los patrones
de puntos. La más prometedora de estas herramientas es la estimación de densidad de Kernel
(Sabel et al 2005). El uso de la estimación de densidad de Kernel (KDE) presenta muchas ventajas,
a diferencia de las técnicas de hotspot estadístico y de agrupamiento, como K-means. La
principal ventaja de este método particular radica en determinar la extensión del riesgo de un
accidente, descrito anteriormente. Al definir un clúster, se pasa por alto el amortiguador a su
alrededor, que finalmente tendrá un grado de riesgo de accidente para las personas que lo
ingresen. Este grado de riesgo no se mediría usando las técnicas de agrupamiento.

Figura 4. Estimación de Densidad de Kernel de colisiones de tráfico en carreteras.

4. Conclusiones

El uso de la estimación de densidad de Kernel para determinar los puntos críticos de accidentes
de tránsito depende del resultado deseado. Si la intención es utilizar solo datos de accidentes
de carretera para el análisis de puntos negros, entonces otros métodos pueden ser más
adecuados. Sin embargo, la estimación de densidad del kernel se presta a la integración de
conjuntos de datos suplementarios en relación con el entorno de la carretera y las personas
involucradas en el/los accidente(s) de la carretera. Esto se debe a la naturaleza de una
estimación de densidad de Kernel que se basa en una "celda" fija, por lo que los datos
suplementarios se pueden asignar a cada celda.

Las ventajas de las representaciones superficiales particularmente de colisiones viales son que
pueden proporcionar un modelo continuo más realista de patrones de puntos de colisión que
reflejan los cambios en la densidad que a menudo son difíciles de representar utilizando
modelos limitados geográficamente limitados tales como la red de transporte o los tramos
censales.

El propósito de esta comparación es determinar no solo los diferentes métodos espaciales

asociados con la definición de puntos críticos de accidentes de tránsito, sino también evaluar
sus ventajas y desventajas. Es importante entender los contrastes entre los tres métodos para
una comprensión más sólida de las posibilidades dentro del análisis de seguridad vial y
proporcionar un hilo de investigación único que aún no se ha abordado. Las áreas clave de
enfoque aquí son la precisión y la comunicación. En definitiva, definir cuáles son los mapas más
precisos para la mejor comunicación visual para tomadores de decisiones en seguridad vial.

Software

Los mapas adjuntos se compilaron utilizando el software ArcGIS 9.1 de ESRI, que incluye Spatial
Analyst y Hawth's Analysis Tools for ArcGIS.