Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Introducción
Este documento compara tres métodos estadísticos espaciales alternativos para distinguir los
puntos críticos de accidentes de tráfico:
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).
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
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.
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.
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.