Identificación de factores ambientales relacionados con las tasas de accidentes de motociclistas: selección de...

Área de la Ciencia:

• Seguridad en el Transporte
• Análisis Espacial
• Sistemas de Información Geográfica (SIG)

Sus antecedentes:

• Los accidentes de motocicleta representan riesgos significativos para la seguridad a nivel mundial, especialmente en los países asiáticos.
• Los métodos tradicionales para analizar los factores de accidentes a menudo descuidan los patrones espaciales y las restricciones de la red de carreteras, lo que limita la precisión.
• Los factores contextuales, como el acceso restringido a ciertas carreteras, son cruciales para comprender las ocurrencias de accidentes de motocicleta.

Objetivo del estudio:

• Introducir un novedoso marco de selección de variables espaciales, Random Forest Espacial con Distancia de Red y Barreras (spatialRF-NDBAR).
• Mejorar la precisión de los modelos de predicción de accidentes de motocicleta incorporando información sobre la distancia de red y las barreras de la carretera.
• Identificar factores y ubicaciones clave asociados con un mayor riesgo de accidentes de motocicleta en entornos urbanos.

Principales métodos:

• Se desarrolló y aplicó el marco spatialRF-NDBAR para la selección de variables en el análisis de accidentes de motocicleta.
• Se utilizaron datos de accidentes de motocicleta (2016-2020) y datos de Puntos de Interés (PDI) de OpenStreetMap para la ciudad de Taipei.
• Se comparó spatialRF-NDBAR con los métodos convencionales spatialRF y spatialRF-ND, evaluando el rendimiento utilizando modelos de Mínimos Cuadrados Ordinarios y Regresión Geográficamente Ponderada Multiescala (MGWR).

Principales resultados:

• El modelo MGWR, utilizando variables seleccionadas por spatialRF-NDBAR, demostró un rendimiento superior con el AICc más bajo (1801.212) y el R² más alto (0.867).
• La incorporación de predictores espaciales redujo efectivamente la autocorrelación espacial residual, lo que condujo a una mejora en la precisión del modelo.
• Se asociaron significativamente PDI específicos, incluidos mercados, restaurantes, bares, hoteles, bancos, paradas de autobús y estaciones de metro, con un mayor riesgo de accidentes de motocicleta.

Conclusiones:

• El marco spatialRF-NDBAR ofrece una mejora significativa para la selección de variables espaciales en el análisis de accidentes.
• Comprender e incorporar las restricciones espaciales y las distancias de red es vital para un modelado preciso de los accidentes de motocicleta.
• Los hallazgos respaldan intervenciones específicas de seguridad vial en torno a los PDI de alto riesgo identificados para mitigar los accidentes de motocicleta.