Contenido principal del artículo

Flor Ángela Cerquera Escobar
Universidad Pedagógica y Tecnológica de Colombia. UPTC.
Colombia
https://orcid.org/0000-0001-7666-8654
Biografía
Gonzalo Pérez Buitrago
Universidad Pedagógica y Tecnológica de Colombia
Colombia
https://orcid.org/0000-0002-4371-4260
Biografía
Fredy Alberto Guío B.
Universidad Pedagógica y Tecnológica de Colombia
Colombia
https://orcid.org/0000-0001-9433-6303
Biografía
Vol. 62 Núm. 1 (2023), Artículos, Páginas 50-70
DOI: https://doi.org/10.30827/cuadgeo.v62i1.18025
Recibido: Jan 17, 2021 Aceptado: Oct 14, 2022 Publicado: Jan 3, 2023
Derechos de autor Cómo citar

Resumen

Se presenta un método para identificar y determinar agrupaciones con sectores de riesgo por mayor ocurrencia de accidentes de tránsito en áreas urbanas como un componente integral en la gestión de seguridad vial. La metodología se enmarcó en el Análisis Espacial con estadística geográfica fundamentada sobre el Análisis Exploratorio de Datos (AED), la estimación Densidad Kernel (KDE), y la aplicación de técnicas de correlación y geoprocesamiento. Los datos de accidentes recopilados entre 2015 a 2018 de la zona urbana de Tunja, Boyacá, Colombia, fueron la base para el estudio de la distribución de eventos, caracterización de agrupaciones, dinámica de ocurrencia y la modelación de patrones. La definición y delimitación de riesgos dependió de la dispersión o agrupamiento (Hotspots) hallados con Kernel ponderado junto con la interrelación socioespacial de procesos subyacentes por la dinámica territorial del sector. Los resultados revelan patrones de eventos en focos de concentración con diferentes niveles de riesgo, en el que coexisten usos de suelo de características opuestas de acuerdo con sus actividades [comercial y residencial], sectores socioeconómicos de estratos bajos con mezcla de red vial arterial que por su funcionalidad moviliza altos flujos vehiculares y peatonales. A pesar de que el análisis se limita a un estudio de caso, los hallazgos muestran una perspectiva prometedora en seguridad vial al delimitar sitios de riesgo por accidentes de tráfico a través de la incidencia de variables territoriales.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Citas

Afshin, S.M.; Matin, Shahri & Babak, Mirbagheri. (2013). GIS-based method for detecting high-crash-risk road segments using network kernel density estimation, Geo-spatial Information Science; 16(2), p.113-119. https://doi:10.1080/10095020.2013.766396

AGENCIA NACIONAL DE SEGURIDAD VIAL-ANSV. (2019). Sistemas de información. Observatorio Nacional de Seguridad Vial, ONSV. Mintransporte, Colombia. En https://ansv.gov.co/observatorio/indexb31b.html?op=Documentacion&id=49

Ashar, Ahmed; Ahmad, F.M.S. & Ahmad, S.Y. (2017). Errors in accident data, its types, causes and methods of rectification analysis of the literatura. Accident Analysis & Prevention; 130, pp.3-21. https://doi.org/10.1016/j.aap.2017.07.018Get rights and content

Bailey, T.C. & Gatrell, A.C. (1995). Interactive spatial data analysis. Addison Wesley Longman Limited, Harlow, England.

BID. (2015). Las ciudades intermedias con mayor potencial en Colombia. Un sistema de identificación. Banco Interamericano de Desarrollo. https://publications.iadb.org/publications/spanish/document/Las-ciudades-intermedias-con-mayor-potencial-en-Colombia-Un-sistema-de-identificaci%C3%B3n.pdf

Blazquez, C.A. & Celis, M.S. (2012). A spatial and temporal analysis of child pedestrian crashes in Santiago, Chile. Accident Analysis & Prevention; 50, pp.304–311

Briz-Redóna, Álvaro, Martinez-Ruiz, Francisco & Montes, Francisco. (2019). Identification of differential risk hotspots for collision and vehicle type in a directed linear network. Accident Analysis & Prevention; 132-105278, pp.1-11. https://doi.org/10.1016/j.aap.2019.105278

Cioca, L.I. & Ivascu, L. (2017). Risk Indicators and Road Accident Analysis for the Period 2012–2016. Sustainability; 9, p.p.1530.https://doi.org/10.3390/su9091530

Cheng, W. & Washington, S. (2008). New criteria for evaluating methods of identifying hotspots. Transportation Research Board; 2083. Washington, D.C., pp.76–85. https://doi:10.3141/2083-09

Cheng, A.S.K.; Liu, P.Y. & Tulliani, N. (2015). Relationship between driving-violation behaviours and risk perception in motorcycle accidents. Hong Kong. Journal of Occupational Therapy; 25, pp.32–38.

Cerquera-Escobar, F.A. (2015ª). Análisis espacial de la accidentalidad vial urbana : método de investigación con SIG. Colección Investig. Uptc. ISBN: 9789586602099. Tunja. Colombia

Cerquera-Escobar, F.A. (2015b). Modelo patrón de evaluación de la accidentalidad vial en áreas urbanas de Bogotá (Colombia). Carreteras; 202(3), pp.45–62, Madrid-España.

Hedges, L.V. & Rhoads, C. (2010). Statistical Power Analysis. International Encyclopedia of Education (Third Edition); Elsevier; p.436-443. https://doi.org/10.1016/B978-0-08-044894-7.01356-7.

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. (2nd ed.), Lawrence Erlbaum Associates. Hillsdale Publishers. NJ: ISBN 0-8058-0283-5. http://www.utstat.toronto.edu/~brunner/oldclass/378f16/readings/CohenPower.pdf.

Dall’erba, S. & Chen, Z. (2020). Exploratory Spatial Data Analysis. Ed: Audrey Kobayashi. International Encyclopedia of Human Geography (Second Edition). Elsevier; pp.357-365. ISBN:9780081022962. https://doi.org/10.1016/B978-0-08-102295-5.10541-4.

Dereli, M.A. & Erdogan, Saffet. (2017). A new model for determining the traffic accident black spots using GIS-aided spatial statistical methods. Transportation Research Part A; 103, pp.106–117. http://dx.doi.org/10.1016/j.tra.2017.05.031

DNP. (2018). Documento Compes 3918. Estrategia para la implementación de los objetivos de desarrollo sostenible (ODS) en Colombia. Departamento Nacional de Planeación. https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3918.pdf

Faul, F.; Erdfelder, E.; Buchner, A. & Lang, A.G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods; 41, pp.1149–1160. http://dx.doi.org/10.3758/BRM.41.4.1149.

Flahaut, B.; Mouchart. M.; San Martín, E. & Thomas, I. (2003). The local spatial autocorrelation and the kernel method for identifying black zones, A comparative approach. Accident Analysis & Prevention; 35(6), pp.991-1004. https://doi.org/10.1016/S0001-4575(02)00107-0

Haagsma, J.A.; Graetz, N.; Bolliger, I.; Naghavi, M.; Higashi, H.; Mullany, E.C.; Abera, S.F.; Abraham, J.P.; Adofo, K.; Alsharif, U.E.A.; Ammar, W.; Antonio, C.A.T.; Barrero, L.H.; Bekele, T. et al. (2016). The global burden of injury: incidence, mortality, disability-adjusted life years and time trends from the Global Burden of Disease study 2013. Injury & Prevention; 22, pp.3–18. http://dx.doi.org/10.1136/injuryprev-2015-041616.

INMLCF. (2016, 2017, 2018). Forensis. Datos para la vida. Instituto Nacional de Medicina Legal y Ciencias Forenses. https://www.medicinalegal.gov.co/cifras-estadisticas/forensis

Johnsson, C.; Laureshyn, A. & DeCeunynck, T. (2018). In search of surrogate safety indicators for vulnerable road users: a review of surrogate safety indicators. Transport Reviews; pp.1-21. https://doi.org/10.1080/01441647.2018.1442888.

Kar, Sonali; Das, S.C.; Tiwari, A.; Pharveen, Irfana. (2016). Pattern of Road Traffic Accidents in Bhubaneswar, Odisha. Clinica epidemiology and global health; 4(6), pp.115-119. http://dx.doi.org/10.1016/j.cegh.2015.07.003

Kelley, K., & Preacher, K. J. (2012). On effect size. Psychological Methods; 17(2), p.137–152. https://doi.org/10.1037/a0028086

Kundakci, E. & Tuydes-Yaman, H. (2014). Understanding the distribution of traffic accident hotspots in Ankara, Turkey, p.17. TRB 93rd Annual meeting conference, pp.12–16.Washington.

Kuo, P.F.; Lord, D. & Walden, T.D. (2013). Using geographical information systems to effectively organize police patrol routes by grouping hotspots of crash and crime data. Journal of Transport Geography; 30 pp.138-148. https://doi.org/10.1016/j.jtrangeo.2013.04.006

Lassarre, Sylvain; Bonnet, Emmanuel; Bodin, Franck; Papadimitriou, Eleonora; Yannis, George & Golias, John. (2012). A GIS-based methodology for identifying pedestrians’ crossing patterns. Computers, Environment and Urban Systems; p.321-330.

Lorda, M.A.; Campos, M.M.; Bróndolo, M. y Espejo, N. (2005). Procesos e interacciones en el espacio geográfico. Unidades geoespaciales en el suroeste bonaerense: escenarios posibles para experiencias de enseñanza-aprendizaje. Anais do X Encontro de Geógrafos da América Latina, marzo, Universidade de São Paulo.

Maestre, F.T.; Escudero, A. y Bonet, A. (2008). Introducción al Análisis Espacial de datos en ecología y ciencias ambientales: Métodos y aplicaciones. Universidad Rey Juan Carlos, Editorial Dykinson S.L., Madrid, España. 849pp. ISBN 978-84-9849-308-5. Citando a Legendre, P., Fortin M.J. 1989. Spatial pattern and ecological analysis. Vegetation; 80, pp.107-138.

Mandacarua, P.M.P.; Andrade, A.L.; Souza-Rochad, M.; Pinheiro-Aguiard, F.; Nogueirae, M.S.M.; Girodof, A.M.; Galas-Pedrosag, A.A.; Alves-de-Oliveirah, V.L.; Malheiros-Alvesi, M.M.; Paixãof, L.M.M.; Carvalho-Maltaj, D.C.; Alves-Silvac, M.M.; De-Morais-Neto, O.L. (2017). Qualifying information on deaths and serious injuries caused by road traffic in five Brazilian capitals using record linkage Accident Analysis and Prevention; 106, pp.392–398. http://dx.doi.org/10.1016/j.aap.2017.06.018

Mazurek, Hubert. (2018). El espacio o la organización de las localizaciones. Cap. 2, In: Espacio y territorio: Instrumentos metodológicos de investigación social. Marseille: Ed. IRD ISBN: 9782709925723. https://doi.org/10.4000/books.irdeditions.17840

Mena, D.V.; Gutiérrez, J.A. & Jaraíz, F.J. (2018). Metodología para la clasificación y caracterización de unidades territoriales homogéneas: El caso de los países de Centroamérica. Cuadernos Geográficos 57(2), 261-282. http://dx.doi.org/10.30827/cuadgeo.v57i2.6043

MINTRANSPORTE. (2012). Por la cual se adopta el nuevo informe policial de accidentes de tránsito (IPAT), manual de diligenciamiento, se dictan otras disposiciones. http://legal.legis.com.co/document/Index?obra=legcol&document=legcol_d1a2e67f64080098e0430a0101510098

Mohaymany, A.S.; Shahri, M. & Mirbagheri, B. (2013). GIS-based method for detecting high-crash-risk road segments using network kernel density estimation. Geospatial Information Science; 16 (2), pp.113-119.

Murphy, K.R., Myors, B., & Wolach, A.H. (2014). Statistical power analysis: A simple and general model for traditional and modern hypothesis tests. 4th Edition. ISBN:9781315773155. Routledge. https://doi.org/10.4324/9781315773155

Olszewski, Piotr; Szagała, Piotr; Rabczenko, Daniel & Zielińska, Anna. (2019). Investigating safety of vulnerable road users in selected EU countries. Journal of Safety Research; 68, pp. 49–57. https://doi.org/10.1016/j.jsr.2018.12.001.

Ouni, Fedy & Belloumi, Mounir. (2018). Spatio-temporal pattern of vulnerable road user’s collisions hot spots and related risk factors for injury severity in Tunisia. Transportation Research Part F; 56, pp.477–495. https://doi.org/10.1016/j.trf.2018.05.003

Pérez-Buitrago, G. y Cerquera-Escobar, F.A. (2017). Análisis y evaluación del factor humano en los trabajos de auditorías e inspecciones de seguridad vial urbana en Colombia. Revista Carreteras, 215(3), pp.61–73, Madrid-España.

POT. (2014). Plan de Ordenamiento Territorial. Alcaldía de Tunja. Acuerdo 0014. Boyacá, Colombia.

Pulugurtha, S.S.; Krishnakumar, V.K. & Nambisan, S.S. (2007). New methods to identify and rank high pedestrian crash zones: An illustration, Accident Analysis & Prevention; 39, No. 4, 2007, pp.800-811.

Raghad, Z.A. Majeed & Hussein, A.E. (2020). Spatial Analyses of Traffic Conflicts to Assess Safety at Signalised. Intersections IOP Conf. Ser.: Materials. Science Engineerin; 671012092, pp.1-13. https://iopscience.iop.org/article/10.1088/1757-899X/671/1/012092

Rosenblatt, M. (1956). Remarks on sorne nonparametric estimates of a density function, Annals of Mathematical Statistics; 27, pp.832-837.

Rueda-Villar, O., Cerquera-Escobar, F.A. & Pérez-Buitrago, G. (2019). Vulnerable Road Users, Prioritization of Urban Sectors with High Accident Rates. Review and Evaluation Of Methods. Ing. Solidaria, 15 (3), pp.1-26. https://doi.org/10.16925/2357-6014.2019.03.04

Saadat, Soheil; Rahmani, Khaled; Moradi, Ali; Zaini, Salah & Darabi, Fatemeh. (2019). Spatial analysis of driving accidents leading to deaths related to motorcyclists in Tehran. Chinese Journal of Traumatology; 22, p.148-154. https://doi.org/10.1016/j.cjtee.2018.12.006

Sabel, C.E.; Kingham, S.; Nicholson, A. & Bartiel, P. (2005). Road Traffic Accident Simulation Modelling-A Kernel Estimation Approach. 17th Annual Colloquium of the Spatial Information Research Centre University of Otago, Dunedin, New Zealand November 24th-25th.

Saffet, Erdogan. (2009). Explorative spatial analysis of traffic accident statistics and road mortality among the provinces of Turkey. Journal of Safety Research; 40. pp.341–351

Silverman, B.W. (1986). Density estimation for statistics and data analysis. New York: Chapman and Hall.

Shafabakhsh, G.A.; Famili, A. & Bahadori S. (2017). GIS-based spatial analysis of urban traffic accidents: Case study in Mashhad, Iran. Journal of Traffic and Transportation Engineering (English Edition); 4(3):pp.290-299 http://dx.doi.org/10.1016/j.jtte.2017.05.005

Tapia, Z.R.; Lange, V.C. & Larenas, S.J. (2009). Factores de deterioro del hábitat residencial y de vulnerabilidad social en la conformación de barrios precarios: breve revisión de algunos programas de barrios en Chile y en región. Cuaderno trabajo vol. N°1. Santiago, Chile; pp.47-93. ISBN 978-956-19-0656-3.

Thakali, L.; Kwon T.J. & Fu, L. (2015). Identification of crash hotspots using kernel density estimation and kriging methods: a comparison. Journal Modern Transportation; 23(2) pp.93-106. https://doi.org/10.1007/s40534-015-0068-0

Wang, Kaifeng; Zhao, Xikang; Peng, Biyu & Zeng, Yunmin. (2020). Spatio-temporal pattern and driving factors of municipal solid waste generation in China: New evidence from exploratory spatial data analysis and dynamic spatial models. Journal of Cleaner Production; pp.1-11. https://doi.org/10.1016/j.jclepro.2020.121794 0959-6526/.

WHO. (2018). Global Status Report on Road Safety. ISBN 978-92-4-156568-4. Geneva. https://www.who.int/violence_injury_prevention/road_safety_status/2018/en/

Xiao, Qin; Ghazan, K. & Noyce, D.A. (2007). A Spatial Statistical Approach to Identifying Snow Crash-Prone Locations, p.20. TRB 86th Annual meeting compendium of papers CD-Rom.

Xie, Z. & Yan, J. (2008). Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems; 32(5) pp.396-406. https://doi:10.1016/j.compenvurbsys.2008.05.001

Zhao, S. (2009). Road accidents in China. IATSS Research; 33, pp.125–127. https://doi.org/10.1016/S0386-1112(14)60251-X