Análisis espacial de la accidentalidad vial con uso de herramientas SIG en el distrito de San Isidro

Abstract

Este estudio analiza los puntos negros causados por accidentes de tránsito en el distrito de San Isidro, Lima, entre 2016 y 2019, utilizando cuatro técnicas espaciales: estimación de densidad de Kernel, distancia del vecino más cercano (aplicada en métodos planar y de red), e indicadores locales de autocorrelación espacial (índice de Moran y estadístico de Getis-Ord). La investigación comienza con una descripción del distrito, enfocándose en la caracterización vial de las intersecciones mediante imágenes aéreas obtenidas por RPAS, lo que revela una alta densidad de tráfico y un mayor número de puntos negros. En cuanto a la estimación de densidad de Kernel, el estudio subraya la importancia del ancho de banda, un parámetro clave para determinar el radio de influencia promedio de los accidentes, el cual, aunque se puede calcular con fórmulas, generalmente se asigna por juicio experto para obtener mejores resultados visuales. En relación con la distancia del vecino más cercano, se empleó el método planar para analizar cuatro sectores del distrito, considerando accidentes por tipo y año, y comparando distancias medias observadas y esperadas para los diferentes escenarios propuestos. Los indicadores locales de asociación espacial se calcularon para distintos escenarios de accidentes (todos los accidentes, aquellos que registraron algún lesionado y según el rango horario de ocurrencia), utilizando niveles de significancia "z" y valores de probabilidad "p" para identificar los puntos negros más relevantes en el estudio.

This study analyzes the black spots caused by traffic accidents in the San Isidro district of Lima between 2016 and 2019, using four spatial techniques: Kernel density estimation, nearest neighbor distance (applied with planar and network methods), and local spatial autocorrelation indicators (Moran’s index and Getis- Ord statistic). The research begins with a description of the district, focusing on the road network characterization of intersections through aerial images obtained by RPAS, which reveals a high traffic density and a greater number of black spots. Regarding Kernel density estimation, the study emphasizes the importance of the bandwidth, a key parameter for determining the average influence radius of accidents. Although this can be calculated using formulas, it is generally assigned by expert judgment to achieve better visual results. Regarding nearest neighbor distance, the planar method was used to analyze four sectors of the district, considering accidents by type and year, and comparing observed and expected mean distances for the proposed scenarios. Local spatial association indicators were calculated for different accident scenarios (all accidents, those with injuries, and based on the time range of occurrence), using "z" significance levels and "p" probability values to identify the most relevant black spots in the study.