Está en la página 1de 14

MODELACIÓN Y PREDICCIÓN DE ACCIDENTES DE TRÁNSITO EN

INTERSECCIONES SIGNALIZADAS EN LA CIUDAD DE NORFOLK, VA

RESUMEN
Este documento es una extensión del estudio previamente completado de
patrones de accidentes en la ciudad de Norfolk (Maheshwari & D'Souza,
2006). El modelo de regresión múltiple desarrollado en el estudio anterior se
basó en variables relacionadas con la geometría de intersección. En este
estudio, se tienen en cuenta factores de intersección adicionales, que incluyen
datos de límite de velocidad, señalización de carreteras, vegetación y
semáforos. A pesar del conjunto de datos ampliado, muchos otros factores,
como el tipo de señal, las políticas de señalización, los cierres de carreteras,
las condiciones de las carreteras y las condiciones de las señales de tráfico
que podrían afectar los accidentes de tráfico, no estaban disponibles al
momento del estudio. La motivación detrás de esta investigación se basa en la
literatura que indica que los factores de topografía / diseño de la intersección y
las reglas de gestión del tráfico podrían contribuir a los accidentes de tráfico.
Los objetivos de esta investigación fueron desarrollar modelos estadísticos
exploratorios y predictivos completos para accidentes de intersecciones en la
ciudad de Norfolk, VA. El análisis de la investigación se realizó en tres
fases. Primero, se desarrolló un modelo de regresión lineal utilizando las
mismas técnicas aplicadas en el estudio anterior. Esto se hizo para establecer
un modelo de referencia para una comparación de resultados. En la segunda
etapa, se utilizó una técnica de análisis de datos exploratorios (método de
conglomerado de dos pasos) en el que la muestra de estudio de 58
intersecciones se dividió en dos grupos separados de conglomerados según el
tipo de caminos que se encuentran en la intersección arterial, colector y / o
carreteras locales. El primer grupo consistió en las intersecciones entre una
carretera arterial principal y un colector o carretera local, mientras que el
segundo grupo estaba formado por intersecciones de una carretera arterial
principal con otra arterial o una gran carretera de colector. Se desarrollaron dos
modelos de regresión lineal separados para cada grupo.
Se utilizó una muestra independiente de 15 intersecciones para validar estos
modelos de regresión. Los tres modelos mostraron una variación de
aproximadamente 15% a 21% entre los valores reales y previstos de la tasa de
accidentes. En cada caso, sin embargo, la desviación entre los valores reales y
predichos del accidente fue estadísticamente insignificante. La segunda
desviación de la agrupación fue la menor, lo que sugiere que el modelo de
regresión para las intersecciones entre las carreteras arteriales principales o las
carreteras colectoras grandes tenía un poder predictivo algo mejor que el
modelo para las intersecciones entre las carreteras arteriales principales y las
carreteras colectoras o locales.
INTRODUCCIÓN
El objetivo principal de esta investigación fue estudiar las intersecciones
señalizadas en la Ciudad de Norfolk para delinear la geometría de la
intersección, la señalización de la carretera y otros factores de diseño que
pueden estar contribuyendo significativamente a los accidentes de tráfico. Este
proyecto de investigación es una extensión del estudio previamente
completado sobre los patrones de accidentes en la misma ciudad en la que se
desarrolló un modelo de compresión múltiple en un conjunto seleccionado de
intersecciones para la Ciudad. La ciudad de Norfolk es una de las ciudades
más grandes y antiguas de la región de Hampton Roads; y es el hogar de
aproximadamente un cuarto de millón de personas. Es una de las ciudades
más congestionadas de la región por la densidad de población. Además, en
2006, Hampton Roads tuvo los incidentes de choques más altos en el estado
en comparación con otras regiones sobre la base de millones de VMT (millas
recorridas por vehículos) (Nichols, 2007). La ciudad de Norfolk contribuyó con
aproximadamente el 17% de esos choques en la región con un recuento anual
de accidentes de tráfico de aproximadamente 5,400. Estos datos sugieren que
el estudio de seguridad del tráfico podría ser útil para la ciudad y para la región
de Hampton Roads.
Hay evidencia en la literatura que sugiere que los factores de diseño del
camino podrían afectar la seguridad del tráfico. Se estimaron y diseñaron varios
factores de ingeniería vial, como el ancho de los carriles, los anchos de los
hombros, la curvatura horizontal, la curvatura vertical, la tasa de elevación, la
mediana y el carril auxiliar, y se diseñaron en función de algunas
consideraciones de seguridad del tráfico. También se ha informado que
factores adicionales como la señalización vial, la vegetación, la línea de visión
de una señal de tráfico, la curvatura horizontal y vertical y la cantidad de
caminos cerca de una intersección tienen un impacto en la seguridad del
tráfico. Para estudiar el impacto de estos factores junto con las reglas de
control de tráfico, los investigadores han utilizado una variedad de modelos
estadísticos (Maheshwari & D'Souza, 2010; 2006). El modelo más popular es el
modelo de regresión multivariable, donde la variable dependiente generalmente
se basa en accidentes de tráfico y un conjunto de variables independientes
incluye el diseño de la vía, el control del tráfico, las variables demográficas y
más. Para mitigar el impacto de la gran variabilidad entre las tasas de
accidentes en diferentes intersecciones, se empleó un modelo binomial
negativo en el análisis de regresión. Independientemente de las técnicas
estadísticas utilizadas, los resultados de la investigación muestran una relación
entre los diversos factores de diseño y control de carreteras con los accidentes
de tráfico. La investigación también indica divergencia sobre la importancia del
factor individual en la seguridad del tráfico. También hay una diferencia
informada basada en los factores demográficos regionales que indican las
diferencias en la tasa de accidentes regionales debido a las interacciones entre
los factores de diseño y control y la población de conductores locales. Por lo
tanto, este estudio fue diseñado para investigar el impacto de los factores de
diseño de la carretera en la tasa de accidentes de tráfico en un área local.
El modelo de regresión múltiple anterior estableció una relación entre los
factores de diseño de la carretera y las tasas de accidentes, pero el valor
predicho del modelo mostró una variabilidad significativa de la tasa de
accidentes real (Maheshwari y D'Souza, 2010). Para mejorar los resultados del
estudio anterior, se modificaron tanto el conjunto de datos (variables
independientes ampliadas) como las técnicas estadísticas. Los datos sobre
límite de velocidad, vegetación y señalización de carreteras se incluyeron en el
conjunto de datos, junto con el método estadístico exploratorio y el análisis de
conglomerados para mejorar el poder predictivo del modelo de regresión. Los
datos de señalización de la carretera se limitaron al límite de velocidad, el
nombre de la siguiente calle, el carril de giro, la siguiente señal, los puntos de
apoyo y otras publicaciones relacionadas con la seguridad. Los objetivos de
esta propuesta fueron:
1. Desarrollar un modelo estadístico exploratorio que proporcione una
explicación válida de los accidentes de tráfico. Un conjunto de factores
geométricos, de diseño, control y señalización vial se utilizarían como variables
independientes para el desarrollo del modelo.
2. Validar el modelo estadístico desarrollado en el paso uno.
REVISIÓN DE LITERATURA
Los accidentes automovilísticos contribuyen a la asombrosa cantidad de daños
a la propiedad y al gran número de muertes en los Estados Unidos. Según el
Instituto de Información de Seguros, Nueva York (Hot Topic and Issues Update:
Auto Crashes, 2006), 42,636 personas murieron en accidentes automovilísticos
solo en 2004 y otras 2,788,000 personas resultaron heridas. Hubo más de 6
millones de policías reportados en accidentes automovilísticos en 2004. Se
informa que alrededor del 50% de los accidentes ocurren en las intersecciones
(Hakkert y Mahalel, 1978; National Highway R&T Partnership, 2002). Es obvio,
a partir de la experiencia diaria y de los informes en la literatura, que el
volumen de tráfico es el principal factor explicativo de los accidentes de tránsito
(Chao, Quddus e Ison, 2009; Keay y Simmonds, 2005; Mohamed & Radwan,
2000; y Vogt, 1999). Sin embargo, Se han realizado estudios que demuestran
que el diseño y otros factores relacionados contribuyen al 2% al 14% de los
accidentes. Ogden, et al., (1994) informaron que aproximadamente el 21% de
la variación en los accidentes se explicaba por las variaciones en el volumen
del flujo de tráfico, mientras que la mayoría restante de la variación se
explicaba por otros factores relacionados. Vogt (1999) proporciona una buena
revisión de los factores, que se ha considerado en estudios de investigación
anteriores; estos factores incluyen la canalización (carril de giro a la derecha y
a la izquierda), la distancia de visión, el ángulo de intersección, el ancho medio,
el ancho de la superficie, el ancho del hombro, las características de la señal, la
iluminación, el estado de la carretera, el porcentaje de camiones en el volumen
de tráfico, la velocidad publicada, el clima, etc. Estos factores, los
investigadores también han considerado otros detalles como zanjas,
pendientes laterales, protuberancias en la superficie, baches, rugosidad del
pavimento,
La relación entre los accidentes y los factores pertinentes generalmente se
establece mediante el análisis multivariado (Corben y Foong, 1990; Hakkert y
Mahalel, 1978; Keay y Simmonds, 2005; Ogden, et al., 1994; Ogden y
Newstead, 1994; Vogt, 1999 ). Keay y Simmonds (2005) utilizaron la regresión
jerárquica de los árboles para analizar los accidentes en los caminos rurales de
Grecia. Informaron que factores geométricos como el número de carriles, el
índice de servicio, los tipos de pavimento, la fricción de la carretera y otros
factores importantes que contribuyen a los accidentes. También encontraron
diferencias entre los caminos rurales de remolque y de varios carriles. Un
estudio realizado por Corben y Foong (1990) condujo al desarrollo de un
modelo de regresión lineal de siete variables para predecir los choques a la
derecha en las intersecciones señalizadas. Este modelo explica el 85% de la
varianza de la ocurrencia del accidente.
En un estudio de FHWA realizado por Harwood, et al, (2000), los datos
cuantitativos sobre accidentes y otros factores se combinaron con el juicio del
experto sobre los factores de diseño y el impacto esperado de estos factores
de diseño en la tasa de accidentes. Mountain, Fawaz y Jarrett (1996)
demostraron en un estudio británico que las características del diseño de la
carretera "longitud del enlace" se relacionan con la tasa de accidentes,
especialmente en autovías. Retting, et al. (2001) estudiaron el efecto de la
rotonda en los accidentes de tránsito y encontraron que reemplazar las señales
o señales de alto con rotondas podría reducir los accidentes de
tránsito. Factores de diseño de caminos como, la curva de radio, longitudes de
espiral, ancho de carril, ancho de hombros y longitudes tangentes se muestran
para relacionar la frecuencia de colisión (Easa y Mehmood, 2008). Se demostró
a través de un estudio exhaustivo de los datos de accidentes de tránsito en
Corea que tres categorías de factores influyen en la tasa de accidentes:
condición geométrica de la carretera, características del conductor y tipo de
vehículo (Lee, Chung & Son, 2008). Wang, Quddus e Ison (2009) estudiaron
las carreteras en función de la congestión e informaron que, además del
volumen de tráfico, la longitud del segmento, el número o los carriles, la
curvatura y el gradiente también influyen en las tasas de
accidentes. Malyshkina y Mannering (2010) estudiaron el impacto de las
excepciones de diseño permitidas en la construcción de carreteras en la tasa
de accidentes de tráfico (excepción de diseño: desviación de seguridad en los
factores de diseño de carreteras). Encontraron que las excepciones no
necesariamente aumentan los accidentes en su conjunto de datos. En otro
análisis de los datos de 10 ciudades canadienses,
La literatura muestra que se utilizan múltiples modelos estadísticos para el
análisis de accidentes de tráfico. Es evidente que la distribución binominal o
Poisson negativa se emplea a menudo para relacionar la frecuencia de los
accidentes con los factores de diseño (Lord, Guikema, Geedipally, 2008;
Malyshkina y Mannering, 2010; Shankar, Manning y Barfield 1995; y Wang y
Abdel-Aty, 2008). La técnica se utiliza en gran medida para explicar la mayor
variabilidad en la frecuencia de accidentes en diferentes intersecciones. Por
ejemplo, Shankar, et al., (1995) usaron una distribución binomial negativa para
mostrar la interacción entre los factores geométricos de la carretera y los
accidentes climáticos. Demostraron que ciertos elementos geométricos son
más críticos durante las condiciones climáticas severas. Milton, Shankar y
Mannering (2008) utilizaron un modelo logit para incluir varios parámetros como
el clima, el tipo de tráfico,
Muchos investigadores han estudiado varias señales de tráfico y su relación
con la seguridad vial. Carson y Mannering (1999) estudiaron el efecto de las
señales de advertencia de hielo en las frecuencias y severidades de los
accidentes de hielo en el estado de Washington. Informaron que los signos
reales pueden no tener efectos significativos en las tasas de accidentes, ya que
otros factores del diseño de la carretera explicaron toda la variabilidad en las
tasas de accidentes. También se ha informado de que los signos comunes
como las señales de velocidad, por ejemplo, no siempre los utilizan los
conductores para ajustar la velocidad, sin embargo, los conductores prestan
atención a estas señales (Zwahlen, 1987). En un estudio de señalización para
curva severa en una carretera en Francia, Milleville-Pennel, Jean-Michel y
Eliseother (2007) encontraron que los conductores prestan atención a la
señalización de severidad pero invariablemente subestimaron la severidad de
la curva en la carretera. Cruzado y Donnell (2009) informaron que los
conductores redujeron la velocidad del vehículo en función de un dispositivo de
medición de velocidad variable en la carretera, pero el efecto desapareció
cuando se retiró el dispositivo. La señalización vial afecta el comportamiento
del conductor; sin embargo, su impacto en la seguridad no es concluyente.
En los últimos años, los investigadores han aplicado técnicas de minería de
datos junto con modelos estadísticos para determinar el impacto de factores
importantes como el volumen de tráfico y las características de diseño de la
carretera, junto con factores menores como los baches y la rugosidad de la
superficie. Graves, et al, (2005) informaron sobre el impacto de los baches y la
rugosidad de la superficie en las tasas de accidentes. Sin embargo, debido a la
escasez de datos, no se pudo establecer un vínculo claro entre estos factores
de la superficie (agujeros de pozo, rugosidad, etc.). Washington, et al, (2005)
realizaron un extenso estudio para validar los modelos y métodos de predicción
de accidentes informados previamente mediante el recálculo de los coeficientes
del modelo original utilizando años adicionales de datos de un estado
diferente. El estudio informó que, además del volumen de tráfico, otros factores
deberían considerarse caso por caso para un sitio determinado.
Estudios anteriores muestran que una variedad de factores afectan los
accidentes de tráfico, incluida la geometría de la carretera, el diseño y los
factores de control de tráfico. Sin embargo, hay opiniones divergentes sobre
qué factores han influido más en la seguridad. Además, existen diferencias
regionales en la importancia de los factores que influyen en la seguridad. De
manera similar, los estudios sobre carreteras rurales no son directamente
aplicables a los entornos urbanos, ya que el patrón de tráfico y otros factores
difieren en las intersecciones rurales y urbanas. Además, los estudios de antes
y después pueden ser menos valiosos en entornos rurales, ya que los cambios
en el diseño de las carreteras no se realizan tan a menudo como en una ciudad
con un volumen de tráfico creciente. Además, la literatura muestra que los
análisis de accidentes de tráfico se realizan comúnmente en un área geográfica
más grande (uno o más estados).
Procedimiento de investigacion
RECOPILACIÓN DE DATOS: La recopilación de datos se realizó en 73
intersecciones en la ciudad, que incluyeron intersecciones con tasas de
incidentes altas y bajas durante el período de estudio de 2000 a 2004. Este
conjunto de muestras se dividió al azar en dos muestras de 58 y 15. La
muestra más grande se usó para desarrollar modelos estadísticos para la tasa
de accidentes y la muestra más pequeña se usó para la validación del
modelo. En cada intersección, se recopilaron datos sobre la geometría de la
carretera, la señalización de la carretera y otros factores relacionados.
ANÁLISIS: Desarrollo de modelos estadísticos con datos recolectados de
intersecciones y base de datos de accidentes. Se utilizaron métodos de
correlación lineal, análisis de conglomerados y regresión para analizar los
datos. Los modelos estadísticos se desarrollaron para establecer relaciones
entre los factores físicos y las tasas de accidentes, así como para predecir la
tasa de accidentes futuros basándose en esos factores físicos.
VALIDACIÓN DE MODELOS: modelos estadísticos validados desarrollados en
el paso anterior para determinar la precisión de los modelos. A pesar de una
gran variación entre los valores predichos y los valores reales, las diferencias
entre los valores predichos y los valores reales de los modelos fueron
estadísticamente insignificantes.
REVISIÓN DE RESULTADOS Y MODELOS: Una revisión de los resultados
mostró que existe una gran variabilidad en la diferencia de las tasas de
accidentes pronosticadas de los modelos y los valores reales de las tasas de
accidentes. Estos modelos podrían mejorarse si se dispusiera de más datos,
como el tiempo de control de la luz, los cierres de carreteras, etc., y se
recopilaran datos durante el marco temporal del accidente.
METODOLOGÍA
Esta investigación es una continuación de un estudio anterior realizado por
Maheshwari & D'Souza, (2010) que se centró en las intersecciones con altas
tasas de accidentes. En esta investigación, se utilizó la técnica de muestreo
estratificado de datos. El conjunto de intersecciones señalizadas se dividió en
dos grupos de intersecciones en función del total de accidentes reportados
durante el 2000 al 2004. El total de 73 intersecciones seleccionadas de las
cuales 39 fueron de altas tasas de accidentes (tasa de accidentes promedio de
más de 10 por año) y el resto de las intersecciones se seleccionó del grupo de
baja tasa de accidentes (tasa de accidentes promedio de menos de 10
accidentes por año). La muestra de 73 intersecciones se dividió aleatoriamente
en dos partes de 58 y 15 intersecciones. La muestra más grande se usó para
desarrollar modelos estadísticos y la muestra más pequeña se usó para la
validación de estos modelos. Además, a diferencia del estudio anterior, en el
que se descartaron varios puntos de datos debido a la falta de datos de
volumen de tráfico: promedio del tráfico diario (AADT), en este estudio se utilizó
el conjunto de datos completo. Como los datos de volumen de tráfico estaban
altamente correlacionados con los factores de diseño geométrico, como el
número total de carriles, carriles de giro, etc., su efecto en el modelo de
regresión, por lo tanto, no es significativo después de que el número total de
carriles y carriles de giro se incluyeran en el Modelo de regresión.
La ciudad de Norfolk ha acumulado datos de accidentes de tráfico en un
formato electrónico durante los últimos 1 año desde 1994 hasta 2004. En el
estudio solo se consideraron los accidentes relacionados con vehículos
individuales debido a las limitaciones técnicas de importar información de
varios vehículos a la base de datos disponible. La base de datos de accidentes
de la Ciudad se desarrolló a partir de informes individuales de accidentes de la
policía que actualmente incluían el tipo de accidente, las condiciones de las
carreteras, las señales de tráfico y las señales correspondientes, las acciones
de los conductores, las condiciones de los vehículos, los datos demográficos, la
naturaleza de las lesiones y otra información relacionada. todos los cuales se
ingresan posteriormente en la base de datos de accidentes de la Ciudad. Los
accidentes de tráfico sin un informe policial no se incluyeron en esta base de
datos, por lo que se excluyeron de este estudio.
Los datos de volumen de tráfico, Promedio anual de tráfico diario (AADT), no
estaban disponibles para muchas intersecciones. En su lugar, estaba
disponible el tráfico anual promedio de días de la semana (AAWDT) para 2003
y 2004 Estos datos fueron proporcionados por la Comisión del Distrito de
Planificación de Hampton Roads (HRPDC), que es la organización de
planificación metropolitana (MPO) de Hampton Roads, VA. Los datos de
recuento de tráfico en las diversas carreteras locales y secundarias tampoco
estaban disponibles.
Los modelos de accidentes se desarrollaron utilizando un modelo lineal
generalizado (GLM). Primero, se creó un modelo de regresión utilizando todo el
conjunto de datos. Para refinar este modelo, se realizó un análisis de clúster de
dos pasos. Este análisis creó dos grupos de intersecciones. La membresía en
estos grupos se basó en gran medida en el tipo de intersección. Un grupo
formaba las intersecciones de dos carreteras arteriales principales y el otro
grupo generalmente estaba formado por una carretera arterial principal y una
carretera local. Se desarrollaron dos modelos de regresión separados para
cada grupo.
INFORMACION RECOLECTADA
La recolección de datos se llevó a cabo en el sitio entre mayo y septiembre de
2010. Las variables se definen en la Tabla 1. Se recopilaron datos sobre un
total de 104 variables independientes diferentes. Además, los datos sobre el
promedio anual de tráfico semanal del día y la tasa de accidentes (variable
dependiente) se obtuvieron de fuentes relacionadas.
Los datos sobre los atributos físicos incluían el diseño de intersecciones, la
geometría y la señalización. Los factores de diseño incluyeron el número de
carriles, el tipo de carriles, la existencia de una mediana y el hombro, y otras
características de seguridad. Otros factores geométricos incluyeron la
presencia de vegetación, el número de caminos dentro de los 250 'de la
intersección (tanto comercial como no comercial) y más. Los factores de control
incluyeron la presencia de otras señales de tráfico dentro de 250 ', límite de
velocidad, señal izquierda o derecha restringida y más. Las variables de
señalización incluyeron señales para el siguiente nombre de la calle, señales
para la próxima luz, señales para los carriles de giro y otras señales de
seguridad.
Para cada intersección, se recolectaron 104 datos de atributos físicos
diferentes. Sin embargo, 24 de estas variables rara vez estaban presentes, por
lo tanto, se ignoraron en un análisis posterior. El volumen de tráfico para las 49
intersecciones se calculó sobre la base de los datos del tráfico anual promedio
de días de la semana (AAWDT, por sus siglas en inglés) obtenidos de la
Comisión del Distrito de Planificación de Hampton Roads. El AAWDT total para
cada intersección se calculó sumando el recuento del tráfico (AAWDT) en
ambas carreteras de la intersección. El total de AAWDT en una intersección es
la suma del promedio de AAWDT para cada camino de la siguiente manera:
Total de intersección AADT = [(Volumen de tráfico en el tramo 1 o 2) +
(Volumen de tráfico en el tramo 3 o 4)]
De las 73 intersecciones para las que se recolectaron datos topográficos,
AAWDT estuvo disponible para solo 49 intersecciones para los años 2003 y
2004. Los datos de AAWDT en varias calles locales y locales no se pudieron
obtener de las fuentes publicadas. Los datos de accidentes entre 2000 y 2004
se obtuvieron de la base de datos de accidentes de la Ciudad.
RESULTADOS Y ANALISIS
Si bien se recopilaron datos topográficos para cada tramo de la intersección,
los datos del accidente no estaban disponibles para cada tramo debido a la
información faltante o incompleta de los informes policiales o de la base de
datos que se proporcionó al equipo de investigación. Por lo tanto, se crearon
variables topográficas compuestas para cada intersección al agregar valores de
una variable de cada tramo de la intersección, es decir, en lugar de la cantidad
total de carriles en cada tramo de la intersección, se creó una variable
compuesta agregando todos los carriles en Cada pata de la intersección. La
longitud de los carriles de giro a la izquierda (LNLN) y la longitud de los carriles
de giro a la derecha (LNRN) se calcularon utilizando un sistema de puntuación
para la longitud del carril. Los puntajes de longitud de carril (entre 0 y 5) se
asignaron según la longitud del carril en un tramo dado de una intersección y
luego el puntaje asignado se multiplicó por el número de carriles de giro en ese
tramo de la intersección. Ciertas variables, como hombro, paso superior, paso
subterráneo, etc., se excluyeron del estudio ya que muy pocas intersecciones
en el estudio tenían esos atributos físicos. Una lista de todas las variables
independientes utilizadas en el análisis se proporciona a continuación en la
Tabla 2. Estas variables compuestas se ingresaron en los modelos de
regresión, así como en el análisis de conglomerados como variables
independientes.
Para determinar la asociación entre variables dependientes e independientes,
se calcularon los coeficientes de correlación de Pearson. Los coeficientes de
correlación del valor se muestran en la Tabla 3.
De la tabla anterior se desprende que las seis variables, a saber: señal
siguiente, vegetación, número de caminos residenciales, número total de
caminos, pasos de peatones y señales dentro de 250 ', no muestran ninguna
asociación significativa con las tasas de accidentes. Sin embargo, la ausencia
de la relación lineal no excluye la posibilidad de una relación no lineal. Para
probar si alguna de las variables en la Tabla 3 tiene una relación no lineal, se
probaron las relaciones logarítmica, inversa y exponencial para estas
variables. El número total de lados con medianas mostró una relación
exponencial significativamente mejor (mayor valor de Rsquare). Por lo tanto,
para el modelo de regresión, se utilizó una variable de la mediana transformada
(MEDTRAN) en lugar de un número total de la mediana (MEDN). Esta es una
transformación exponencial de la variable, es decir, MEDTRAN es eMED. Se
desarrolló un modelo de regresión lineal que utiliza un método paso a paso
hacia adelante. Todas las variables significativamente correlacionadas y las
variables transformadas se utilizaron en el análisis. Los coeficientes del modelo
de regresión se presentan a continuación en la Tabla 4.
El análisis del modelo lineal mostró que la regresión representó el 59.2% de la
variabilidad en las tasas de accidentes. El análisis de varianza (ANOVA) del
modelo de regresión mostró que la variabilidad explicada por el modelo fue
significativa con un valor de p <0,000.
A partir de la Tabla 4, el modelo de regresión (Modelo 1) se puede escribir
como:
ACCT = -85.483 + 7.060 * TOLN + 2.885 * SPLM - 7.542 * LTLN - 0.382 *
eMEDN- (1)
Este resultado es significativamente diferente del estudio anterior (Maheshwari
& D'Souza, 2010), aunque el valor de R cuadrado es aproximadamente el
mismo. Sin embargo, incluye el límite de velocidad como un factor, que no se
consideró en el estudio anterior.
Para validar estos resultados, se utilizó el modelo de regresión (Modelo 1) para
predecir el número total de accidentes en una muestra diferente de 15
intersecciones. Se encontró que el modelo predecía más bajo que el número
real de accidentes. El valor predicho de las tasas de accidentes fue en
promedio más de 21% más bajo que el valor registrado real de las tasas de
accidentes, aunque se encontró que una prueba t realizada para probar la
importancia de la diferencia entre los valores reales y predichos es
insignificante con p-valor de 0.91. La tabla 5 muestra los resultados.
Se utilizó una técnica simple de análisis de datos exploratorios (análisis de
grupos de dos pasos) para analizar más el conjunto de datos. La agrupación se
realizó para crear grupos estadísticamente significativos de intersecciones. Las
variables categóricas utilizadas para el análisis de conglomerados fueron el
número total de lados con la mediana (MEDN), el número total de signos para
el carril de giro (SGTL), el número total de signos para la siguiente calle
(SGNS) y el número total de tramos con luz restringida para giro a la izquierda
(LTLT). Se formaron dos grupos estadísticamente diferentes. El grupo 1 tiene 3
1 intersecciones y el grupo 2 tiene 27 intersecciones. Una mirada más cercana
a estos grupos muestra que el grupo 2 estaba formado en gran parte por las
intersecciones de dos carreteras arteriales principales, y el grupo 1 estaba
formado por intersecciones entre una calle local / alimentadora y una carretera
arterial.
Está claro, con cierto conocimiento de la red de carreteras de la Ciudad de
Norfolk, que dos grupos representan dos tipos diferentes de intersecciones. El
grupo 1 generalmente está formado por la intersección de una carretera local y
una principal y el grupo 2 está formado por dos vías arteriales. Un modelo
predictivo puede no funcionar para estos dos grupos de la misma manera. Por
lo tanto, se realizaron dos análisis de regresión diferentes, uno para cada
grupo.
Para realizar el análisis de regresión para cada grupo, se siguió un proceso
similar al del modelo anterior. Primero, se calcularon los coeficientes de
correlación de Pearson para delinear variables significativamente asociadas
con la tasa de accidentes. Ambos grupos muestran un conjunto diferente de
variables independientes que se asocian significativamente con la tasa de
accidentes. Las tablas 8 y 9, muestran los coeficientes de correlación para
cada grupo.
La Tabla 8 muestra que el límite de velocidad máxima es el factor más
importante para las intersecciones de una carretera local y una carretera
arterial principal (grupo 1). Mientras que la Tabla 9 muestra otros factores
además del límite de velocidad, como el número total de carriles, la longitud de
los carriles de giro a la izquierda y el número de caminos comerciales, también
se asocian significativamente con las tasas de accidentes del grupo 2
(intersección de dos carreteras arteriales principales). Los modelos de
regresión para los grupos 1 y 2 se presentan en la Tabla 10. Ambos modelos
son estadísticamente significativos con valores de p <0,0001 para la prueba
ANOVA de los modelos. R cuadrado para el grupo 1 es 0.53 y para el grupo 2
es 0.52. Este cuadrado R es ligeramente menor que el cuadrado R en el
Modelo 1 cuando todas las intersecciones se ponen como un grupo para el
análisis de regresión.
Los modelos de regresión para cada grupo se pueden escribir como:
Modelo de regresión 2 para el cluster 1
ACCT = -83.19 + 3.78 * SPLM -9.50 * LTLN + 3.30 * TOLN- * (2)
Modelo de regresión 3 para el cluster 2
ACCT = -35.41 + 3.44 * SPLA + 4.05 * TOLN + 1.34 * LNLN- * (3)
La validación de los modelos de regresión 2 y 3, dio como resultado una
diferencia estadísticamente insignificante (valor p de aproximadamente 0,57)
entre el valor predicho y el valor real del número total de accidentes. Sin
embargo, el modelo del grupo 1 (modelo 2) no predijo el número total de
accidentes en un 15% y el grupo 2 (modelo 3) sobreestimó la misma variable
en un 17%. Los resultados se presentan en las Tablas 1 1 y 12.
DISCUSIÓN
Este estudio intentó ampliar el estudio anterior realizado para relacionar los
accidentes de tráfico y los atributos físicos de las intersecciones señalizadas en
la Ciudad de Norfolk. El estudio anterior se basó en una muestra sesgada más
pequeña que incluía las intersecciones de alta tasa de accidentes, y había
excluido algunos factores importantes de diseño y control de intersecciones. En
este estudio, se seleccionó una muestra más grande de 73 intersecciones
aleatorias. Además, el estudio anterior no incluyó datos de límites de velocidad,
vegetación y señalización de carreteras en el modelo. El análisis, realizado en
la sección anterior, muestra que el límite de velocidad fue una variable
significativa en los modelos de regresión en los que la vegetación y la
señalización de carreteras no desempeñaron ningún papel en los modelos de
regresión. El cuadrado R del modelo general (Modelo 1) se mantuvo en
alrededor del 60% como en el estudio anterior, pero los resultados de la
validación mejoraron significativamente. No hubo diferencia estadística entre el
valor predicho del modelo y el valor real de las tasas de accidentes, mientras
que el modelo en el estudio anterior no logró validar los resultados.
Las técnicas de análisis utilizadas en este estudio incluyeron una técnica
adicional de exploración: análisis de conglomerados de la muestra. La
agrupación en dos pasos mostró dos grupos distintos de las intersecciones en
el análisis. Ambos grupos tenían diferentes modelos de regresión, ya que
diferentes variables mostraron una asociación con las tasas de accidentes en
los diferentes grupos. Los grupos se basaron en gran medida en el tipo de
intersecciones. Las tasas de accidentes mostraron una gran dependencia del
límite de velocidad máxima cuando una arteria principal se interseca con una
carretera local, mientras que otras variables, como la longitud de los carriles de
giro a la izquierda y el número total de carriles, juegan un papel importante
cuando se cruzan dos carreteras arteriales principales. Se desarrollaron dos
modelos de regresión separados para dos grupos diferentes (Modelo 2 y
Modelo 3).
Se utilizó una técnica de regresión gradual para los tres modelos de regresión
para eliminar el efecto de la multicolinealidad. Los modelos resultantes de la
regresión paso a paso se modificaron cambiando los criterios de variable "de
entrada". Sin embargo, los criterios de variable de "entrada" no se cambiaron
para incluir simplemente todas las variables. Todos los modelos de regresión
dieron como resultado un valor inferior al esperado de R cuadrado (menos del
60%).
Los bajos valores de R cuadrado (57% a 59%) en los tres modelos indican que
hay un espacio significativo para mejorar los modelos estadísticos. Esta mejora
se puede lograr ya sea por variables más causales que no se consideraron o
no estaban disponibles en el momento del estudio, o mediante el uso de
diferentes técnicas estadísticas. Como se indica en la revisión de la literatura,
las variables de ingeniería como los radios horizontales y verticales, el grado de
la carretera, etc., junto con las reglas de control de tráfico podrían estar
afectando las tasas de accidentes, sin embargo, estos datos no se pudieron
recopilar. Además, el clima, los cierres de carreteras y otras variables podrían
incluirse para mejorar la explicación de la variabilidad de la tasa de accidentes,
pero dichos datos no estaban disponibles. Similar, una muestra más grande
permitirá un mejor análisis factorial u otras técnicas de reconocimiento de
patrones que podrían mejorar la previsibilidad de los modelos. A pesar de estas
deficiencias, esta investigación tiene una aplicación práctica, especialmente
para predecir las tasas de accidentes en el grupo 2. El grupo 2 muestra varias
variables significativas en el modelo (Modelo 3), así como el modelo de
regresión de este grupo muestra una fuerte capacidad de predicción como la
diferencia promedio entre los valores predichos y los valores reales fue
estadísticamente insignificante. Este modelo (Modelo 3) puede proporcionar
cierta información sobre el diseño de intersecciones. El grupo 2 muestra varias
variables significativas en el modelo (Modelo 3), así como el modelo de
regresión de este grupo muestra una fuerte capacidad de predicción, ya que la
diferencia promedio entre los valores predichos y los valores reales fue
estadísticamente insignificante. Este modelo (Modelo 3) puede proporcionar
cierta información sobre el diseño de intersecciones. El grupo 2 muestra varias
variables significativas en el modelo (Modelo 3), así como el modelo de
regresión de este grupo muestra una fuerte capacidad de predicción, ya que la
diferencia promedio entre los valores predichos y los valores reales fue
estadísticamente insignificante. Este modelo (Modelo 3) puede proporcionar
cierta información sobre el diseño de intersecciones.
CONCLUSIONES Y RECOMENDACIONES
Este estudio del análisis de la tasa de accidentes de las intersecciones
señalizadas en la ciudad de Norfolk se basa en una muestra estratificada de 73
intersecciones. El conjunto de datos de intersección se dividió en dos grupos, a
saber, intersecciones de alta y baja tasa de accidentes antes de muestrear las
intersecciones para este estudio. El primer modelo de regresión se desarrolló
sobre la base de toda la muestra y representó aproximadamente el 60% de la
variabilidad en la tasa de accidentes. Para mejorar los resultados, la muestra
se separó en dos grupos diferentes mediante el análisis de grupos de dos
pasos. Los grupos resultantes del análisis de conglomerados se dividieron en
gran medida según el tipo de intersección (es decir, la intersección de dos vías
arteriales principales y la intersección de una carretera arterial principal y una
carretera local). A pesar de que los modelos de regresión basados en grupos
no pudieron reducir la cantidad de variación explicada (R-cuadrado de menos
60%>), fue claro que los factores que afectan a diferentes grupos de
intersecciones no son los mismos. Las intersecciones de dos arterias
principales requieren un conjunto diferente de variables para explicar la
variabilidad de la tasa de accidentes en comparación con el conjunto de
variables necesarias para explicar la variabilidad del accidente de las
intersecciones entre una carretera local y una carretera arterial
principal. Algunos de los principales hallazgos se enumeran a continuación: Las
intersecciones de dos arterias principales requieren un conjunto diferente de
variables para explicar la variabilidad de la tasa de accidentes en comparación
con el conjunto de variables necesarias para explicar la variabilidad del
accidente de las intersecciones entre una carretera local y una carretera arterial
principal. Algunos de los principales hallazgos se enumeran a continuación: Las
intersecciones de dos arterias principales requieren un conjunto diferente de
variables para explicar la variabilidad de la tasa de accidentes en comparación
con el conjunto de variables necesarias para explicar la variabilidad del
accidente de las intersecciones entre una carretera local y una carretera arterial
principal. Algunos de los principales hallazgos se enumeran a continuación:
1. El límite de velocidad máxima en cualquier tramo de una intersección entre
la carretera local y la carretera arterial es el factor más significativo. Otros
factores topográficos contribuyeron explican poca variabilidad de la tasa de
accidentes y, por lo tanto, contribuyen poco al modelo de regresión.
2. Al diseñar una intersección entre una arteria principal y una carretera local, el
límite de velocidad máxima de todas las piernas que se aproximan a la
intersección debe mantenerse lo más bajo posible para reducir las tasas de
accidentes.
3. El número total de carriles, la longitud de los carriles de giro a la izquierda y
la velocidad promedio de todas las piernas de una intersección son factores
significativos cuando dos vías arteriales principales se intersecan entre sí.
4. Al diseñar una intersección entre dos carreteras arteriales principales, se
deben considerar los siguientes factores de diseño de la carretera para reducir
la tasa de accidentes:
a. Reducir el límite de velocidad en cada tramo de la intersección,
segundo. Aumentar el número total de carriles, y
do. Aumente la longitud de los carriles de giro a la izquierda, siempre que sea
posible.
5. Un modelo de regresión simple puede predecir la variabilidad de la tasa de
accidentes dentro de límites tolerables, es decir, la diferencia entre las tasas de
accidentes pronosticadas y reales es estadísticamente insignificante.
A pesar de algunos resultados significativos, este estudio tenía muchas
limitaciones claras:
1. Los datos de accidentes tienen 6 años de antigüedad en comparación con la
reciente recopilación de datos en las carreteras.
2. Los tres modelos de regresión no pudieron dar cuenta de más del 40% de
las variaciones de accidentes.
3. Las capacidades predictivas de los modelos fueron estadísticamente
significativas, pero tiene una limitación. La importancia estadística se vio
influenciada debido a la alta variabilidad en la tasa de accidentes real y
pronosticada, es decir, la desviación estándar de la diferencia de la tasa de
accidentes real y pronosticada fue muy alta.
4. El impacto de los factores controlables podría estudiarse mejor si los datos
se recopilaran a lo largo del tiempo para captar los efectos de los cambios
realizados en las intersecciones.
5. Muchos factores de diseño y otros datos no estaban disponibles. Estos
factores podrían tener un impacto en las tasas de accidentes (p. Ej., Política de
señales, cierre de carreteras, etc.)
6. El tamaño de la muestra aún era muy limitado: 58 intersecciones para el
modelado y 15 intersecciones para la validación.
EXPRESIONES DE GRATITUD
Los autores agradecen a la División de Transporte de la Ciudad de Norfolk por
proporcionar datos e insumos durante la realización del estudio y reconocen la
asistencia del HRPDC en el suministro de datos de conteo de tráfico. El estudio
fue financiado por el Departamento de Transporte de los Estados Unidos.

También podría gustarte