1 Análisis estadístico de choques viales a nivel distrital para la Gran Área 2 Metropolitana según uso de suelo y características socioeconómicas 3 Statistical analysis of road crashes at the district level for the Greater Metropolitan 4 Area according to land use and socioeconomic characteristics 5 6 Ing. Darío Vargas Aguilar*. Ing. Jonathan Agüero Varlverde, Ph.D.*
7 Programa de investigación en Desarrollo Urbano Sostenible (Tel: 25112788; e-mail: [email protected]). 8 Programa de investigación en Desarrollo Urbano Sostenible (Tel: 25112787; e-mail: [email protected]).
9 Resumen: Debido al incremento constante de la cantidad de choques viales que ocurren en el país, se 10 buscó determinar las características socioeconómicas de la población y las variables de uso de suelo 11 relacionadas con la frecuencia de choques viales a nivel de distrito en la Gran Área Metropolitana 12 (GAM). De manera que fuera posible incluir criterios de seguridad vial en las políticas de planificación 13 urbana. 14 Se elaboraron modelos estadísticos de estimación de choques, utilizando la distribución binomial 15 negativa a partir del uso de suelo de la GAM. Se incluyeron las variables socioeconómicas de la 16 población y variables asociadas a la red vial. Se determinó las variables representativas en cada uno de 17 los tipos de choque analizados como por ejemplo la población total, y se realizó la estimación de 18 choques esperados para cada uno de los distritos en estudio. Adicionalmente se determinó los distritos 19 con mayor exceso de frecuencia, donde sobresale el distrito de Alajuela que resultó ser el más 20 problemático. También resultaron con importantes excesos de choques los distritos de Uruca y Hospital 21 en San José, San Nicolás en Cartago, Heredia y Río Segundo de Alajuela, entre otros. 22 23 Palabras clave: Choques viales, Modelos Estadísticos, Seguridad vial, Atropellos, Exceso de choques. 24 25 Abstract: Due to the constant increase in the number of road crashes that occur in the country, it was 26 sought to determine the socioeconomic characteristics of the population and the variables of land use 27 related to the frequency of road crashes at the district level in the Greater Metropolitan Area (GAM). 28 So that it was possible to include road safety criteria in urban planning policies. 29 Statistical models of crash estimation were developed, using the negative binomial distribution from the 30 land use of the GAM. The socioeconomic variables of the population and variables associated with the 31 road network were included. The representative variables in each of the types of crashes analyzed were 32 determined, such as the total population, and the estimation of expected shocks was performed for each 33 of the districts under study. Additionally, the districts with the highest frequency were determined, 34 where the Alajuela district stands out, which proved to be the most problematic. The districts of Uruca 35 and Hospital in San José, San Nicolás in Cartago, Heredia and Río Segundo de Alajuela, among others, 36 also resulted in significant excesses of crashes. 37 38 Keywords: Road safety, Road crashes, Run overs, Excesses of crashes, Statistical Models.
39
40 1. Introducción
41 La seguridad vial es un área de estudio que cada año adquiere más importancia, ya que el crecimiento en el nivel de
42 motorización mundial ha agravado la problemática de los choques viales. Este problema ha alcanzado el punto de ser
1
43 declarado un problema de salud pública por parte de la Organización Mundial de la Salud y formar parte de la agenda
44 para el desarrollo sostenible por parte de las Naciones Unidas. Esta problemática genera anualmente la perdida de
45 millones de vidas humanas, así como serias lesiones a otros millones de personas (WHO, 2018). Adicionalmente, a estas
46 pérdidas humanas deben añadirse los costos económicos asociados a las demoras y daños a la propiedad (Sánchez et al,
47 2015). Es por esto por lo que surge la necesidad de buscar maneras de reducir la ocurrencia y gravedad de los choques
48 viales.
49 A nivel internacional existen investigaciones centradas en relacionar las características del uso del suelo con la frecuencia
50 de choques viales, por ejemplo en 2012 Srinivas Pulugurtha; venkata Rammana Duddu y Yashaswi Kotagiri realizaron
51 la investigación “Traffic analysis zone level crash estimation models based on land use”. Utilizando datos de choques
52 viales y uso de suelo del año 2005, el estudio analizó las denominadas zonas de análisis de tráfico en la ciudad
53 de Carlotte, Mercklenburg Country en Carolina del Norte, relacionándolas con diferentes categorías de uso de suelo
54 como por ejemplo residencial, mixto, comercial e industrial. Los investigadores utilizaron un modelo binomial negativo
55 y verificaron los resultados obtenidos mediante una prueba χ2 con 95% de confianza. Determinaron que los diferentes
56 usos de suelo presentaban una estrecha relación positiva con la ocurrencia de choques viales.
57 Otro ejemplo es la investigación de 2015 titulada “Investigating the Effects of Traffic, Socio-Economic and Land Use
58 Characteristics on Pedestrian and Bicycle Crashes: A Case Study of Melbourne, Australia”, Richard Amoh-
59 Gyimah utilizó variables socioeconómicas, densidad poblacional y de uso de suelo para generar modelos estadísticos que
60 permitieran determinar la relación de estas variables con los atropellos y choques a ciclistas. Para los modelos fue
61 utilizada la distribución binomial negativa y se determinó que la cantidad de kilómetros viajados por vehículo, la cantidad
62 de adultos mayores y el porcentaje de hogares sin automóvil, tienen una correlación positiva con respecto a la cantidad
63 de atropellos a ciclistas y peatones. A nivel latinoamericano las investigaciones de este tipo son escasas. En el caso de
64 Costa Rica no existen investigaciones en el tema, por lo que es necesario incursionar en este campo.
65 La presente investigación tiene como objetivo determinar las variables relacionadas con la frecuencia de choques
66 viales en los distritos de la Gran Área Metropolitana de Costa Rica (GAM). Para ello fue requerido elaborar modelos
2
67 estadísticos a partir de características socioeconómicas y de uso del suelo que permitieran identificar las variables que
68 inciden en la ocurrencia de choques viales. Se considera que al identificar estas variables será posible incluir aspectos
69 relacionados al uso del suelo en las políticas y normativas de seguridad vial y se buscará mejorar la implementación de
70 la planificación territorial.
71 2. Metodología
72 2.1 Bases de datos
73 Se utilizó información de diferentes bases de datos tales como el uso de suelo escala 1:1000 del proyecto de Planificación
74 Regional y Urbana de la GAM (PRUGAM), datos socioeconómicos obtenidos del censo poblacional 2011, inventario de
75 carreteras del Ministerio de Obras Públicas y Transportes y bases de datos de choques viales del Consejo Nacional de
76 Seguridad Vial (COSEVI).
77 Se creó una única base de datos unificada, para ello fue necesario como trabajo previo completar el uso de suelo del
78 PRUGAM en el área de estudio, para lo cual se utilizaron fotografías aéreas y sistemas de información geográfica. El
79 uso de sistemas de información geográfica también fue requerido en otras bases de datos, esto con el fin de relacionar
80 las diferentes variables con su respectivo distrito. Una vez unificadas las bases de datos se determinó las posibles
81 variables de interés para incluir en los modelos, estas variables fueron seleccionadas con base a revisión bibliográfica. Se
82 determino además las estadísticas descriptivas de estas variables, algunas de las cuales se muestran en la Tabla 1.
83
84
85
86
87
88
3
89 Tabla 1. Estadísticas descriptivas de algunas variables analizadas
90 91 2.2 Elaboración del modelo binomial negativo
92 Para elaborar modelos estadísticos, se utilizó la distribución binomial negativa. Se consideró que el logaritmo natural del
93 número estimado de choques es una combinación lineal de variables independientes y que la distribución binomial
94 negativa puede tratarse como una distribución de Poisson con promedio 휆, donde 휆 es una variable aleatoria con
95 distribución Gamma (Agüero-Valverde, 2016), entonces para una variable discreta aleatoria, 푌, y la frecuencia
96 observada i donde 푌푖= 1,….,n el modelo binomial negativo es:
97 ln 휆 = 훽푖푥푖 + 휀푖 (1)
98 Para este modelo 휆 es la cantidad esperada de eventos por distrito, 푥푖 es un vector de variables y 휀 representa el error de
99 especificación o la heterogeneidad entre secciones. Donde 훽푖 es el cambio proporcional en el número esperado de eventos
100 por período de una unidad de cambio en una variable independiente 푥푗. (Fuentes y Hernández, 2008)
101 Para la elaboración de los modelos se utilizó el software estadístico R, se consideró un modelo base que relacionó de
102 manera proporcional la cantidad total de choques ocurridos por distrito y el logaritmo natural de los vehículo-kilómetro
103 en el mismo distrito. Al modelo base se agregaron o eliminaron variables hasta no encontrar un modelo capaz de realizar
4
104 una mejor aproximación a los datos observados en la realidad. Para determinar si un modelo realiza una mejor
105 aproximación que el modelo base es necesario verificar la bondad de ajuste. Para ello se utilizaron indicadores
106 estadísticos como la seudo-R2 de McFadden o la prueba de relación del logaritmo de verosimilitud.
107 En el caso de la seudo-R2 de McFadden se tiene que el modelo presenta un mejor ajuste respecto a los datos observados
108 cuando el valor de R2 se acerca a uno y disminuye cuando se aleja de este valor, siempre en el intervalo [0,1]. La prueba
109 de relación del logaritmo de verosimilitud establece el aporte de una determinada variable al ajuste de los datos respecto
110 al modelo base existente, de manera que es posible determinar la independencia de una variable respecto a las presentes
111 en el modelo. Para efectos de esta prueba se utilizó un grado de confianza de 0,05, por lo tanto un modelo era aceptado
112 como de mejor ajuste si 푃휒2(퐷, 퐴) < 0,05 donde 퐷 representa el doble de la diferencia entre el logaritmo de la
113 verosimilitud del modelo base y el logaritmo de la verosimilitud del modelo anidado y 퐴 es la diferencia entre los grados
114 de libertad del modelo base y el modelo anidado.
115 También se utilizó el criterio de AIC para realizar comparaciones entre modelos no anidados, según Caballero (2011) el
116 AIC permite identificar el mejor modelo entre varias opciones, ya que se puede interpretar como una aproximación de la
117 bondad de ajuste del modelo. Este criterio cuenta con dos partes, una que premia la bondad de ajuste del modelo, mientras
118 la segunda parte penaliza la inclusión de parámetros adicionales según el principio de parsimonía, de manera que el
119 modelo con menor valor de AIC es el mejor de los considerados.
120 2.3 Determinación del exceso de frecuencia de choques
121 Una vez determinadas las variables de cada modelo y sus respectivos coeficientes, se estimó la cantidad de choques para
122 cada distrito mediante la función de desempeño asociada al respectivo modelo. Posteriormente, con el fin de determinar
123 los excesos de frecuencia, se calculó un valor de ajuste por peso. Dicho ajuste contempla el parámetro de sobre dispersión,
124 por lo que permite determinar la confiabilidad de la función de desempeño, de manera que al disminuir la dispersión, la
125 función de desempeño es más confiable (Agüero-Valverde, 2016). Este factor de peso se calcula de la manera
1 126 푤 = (2) 1−∅(푁푒푠푡푖푚푎푑표)
5
127 Donde ∅ es el parámetro de sobre dispersión y 푤 se conoce como peso de Bayes empírico. Una vez determinado el peso
128 de Bayes empírico es posible determinar la cantidad de choques esperados en un distrito mediante el uso de la ecuación:
129 푁푒푠푝푒푟푎푑표 = 푤푁푒푠푡푖푚푎푑표 + (1 − 푤)푁표푏푠푒푟푣푎푑표 (3)
130 Conociendo el valor de choques esperados se determina el exceso de frecuencia de choques por distrito de la forma:
131 ∆= 푁푒푠푝푒푟푎푑표 − 푁푒푠푡푖푚푎푑표 (4)
132 3. Resultados
133 3.1 Modelos estadísticos
134 Para la elaboración de los modelos estadísticos se partió de la hipótesis nula de que la cantidad de choques esperados en
135 cada distrito era igual a la media de la distribución de datos. Posteriormente se determinó una variable inicial con el fin
136 de generar un modelo diferente del modelo nulo. La variable seleccionada fue el logaritmo natural del vehículo-
137 kilómetro.
138 Se realizó una prueba de bondad de ajuste con el fin de determinar si la inclusión de esta variable al modelo genera una
139 mejora en la predicción de los datos observados. Como criterio para determinar la bondad de ajuste su utilizó la prueba
140 de relación del logaritmo de verosimilitud a un nivel de confianza de 0,05. Una vez obtenido el nuevo modelo nulo,
141 este se utilizó como base para la generación de modelos más complejos. En los casos en los que existieron dos o más
142 modelos cuya relación del logaritmo de verosimilitud fuera de 0,05 o menor, se utilizó el criterio de AIC y el pseudo
143 R2 para determinar el modelo con mejor ajuste. Se continuó realizando el procedimiento de forma iterativa hasta que
144 ningún nuevo modelo tuviera un valor de 0,05 o menor en la prueba de bondad de ajuste.
145 Mediante el procedimiento anterior, para el modelo de estimación de choques totales, se obtuvieron los parámetros
146 mostrados en la Tabla 2. A su vez, para el modelo de estimación de atropellos a peatones, se obtuvieron los parámetros
147 mostrados en la Tabla 3.
148
6
149 Tabla 2. Modelo de estimación de cantidad de choques totales anuales por distrito para la GAM
150 151 Tabla 3. Modelo de estimación de atropellos a personas por distrito para la GAM.
152 153 También es posible expresar estos modelos en forma de ecuación como se muestra a continuación:
154 • Estimación de choques totales anuales por distrito
0,944 0,254 1,63+8,76푍+19,264푊 155 퐶푇 = 푋 푌 푒 (5)
156 • Estimación de choques de tipo atropello a personas por año y por distrito
1,05 0,085 2,14+0,057푇−13,40푈 157 퐶푃 = 푋 푌 푒 (6)
158 Donde 퐶푇 es la cantidad de choques totales esperados durante un año en un distrito, 퐶푃 es la cantidad de choques de tipo
159 atropello a persona esperados durante un año en un distrito, 푋 es la población total en miles de habitantes, 푌 es la cantidad
160 de vehículo-kilómetro de las rutas nacionales en millones de vehículos, 푇 es la fracción del distrito destinada a uso de
7
161 suelo residencial, 푈 es la fracción de la población entre 0 y 14 años, 푊 es la fracción de la población con 65 años o más
162 y 푍 es la fracción del distrito destinada a uso de suelo comercial y de servicios.
163 De los modelos anteriores se puede apreciar en el caso del modelo de estimación de choques totales mostrado en la Tabla
164 1, que la variable de mayor peso es el porcentaje de personas adultos mayores en el distrito. Se determinó que un
165 incremento del 1% en la población adulta mayor del distrito representa un incremento del 21% en la cantidad de
166 choques estimados. En el caso del porcentaje del territorio destinado al uso de suelo comercial y de servicios se determinó
167 que un incremento del 1% en la variable genera un aumento del 9% en la cantidad de choques estimados.
168 Para la población total del distrito, se obtuvo que al aumentar la cantidad de habitantes del distrito se aumenta la
169 cantidad de choques estimados mediante el modelo. Dichos incrementos en la cantidad de choques son menores con
170 cada mil habitantes adicionales, ya que se presenta una tasa decreciente de aumento. Este mismo efecto sucede con
171 la variable vehículo-kilómetro, comparando los valores de los exponentes de estas dos variables, puede afirmarse
172 adicionalmente que se generan mayores incrementos en los choques estimados al aumentar la población que al aumentar
173 el valor de vehículo-kilómetro.
174 Para el modelo de estimación de choques de tipo atropello a personas, se obtuvo que la variable población total del
175 distrito presenta un aporte positivo al modelo. Esta variable presenta una tasa de aporte creciente, lo que implica que al
176 crecer la población del distrito aumentará la cantidad de atropellos y a su vez, cada unidad (mil habitantes) adicional
177 generará un mayor incremento en la cantidad de atropellos que la unidad previa. En este modelo cobra relevancia el uso
178 de suelo residencial, para esta variable se espera que un incremento de 1% genera un aumento del 0,01% en la cantidad
179 de atropellos a personas estimado. Otra variable importante es el porcentaje de la población que se encuentra entre los 0
180 a los 14 años, esta variable genera un aporte negativo por lo que por cada incremento de 1% representa una disminución
181 del 14,3% de los atropellos estimados.
182 Las variables que se fueron identificadas como relevantes en ambos modelos son consistentes con las investigaciones
183 mencionadas en la sección de introducción, así como otras relacionadas al tema por ejemplo: “Exploring the Effects of
184 Land Use, Travel Behavior, and Socio-Economic Characteristics on Safety at the Planning Level” elaborada por Richard
8
185 Amoh-Gyimah; Meead Saberi y Majid Sarvi y “Predicting Local Road Crashes Using Socio-economic and Land Cover
186 Data” elaborada por Kai Wang 2015 entre otras.
187 Mediante los modelos anteriores se realizó una estimación de los valores esperados para cada uno de los años de los que
188 se tiene registro. Para esto se utilizaron las ecuaciones (5) y (6) en conjunto con los datos de uso de suelo, tránsito y
189 socioeconómicos respectivos de cada distrito. Debido a que el área de estudio comprende un total de 160 distritos
190 únicamente se presenta la información para los 16 distritos con mayor cantidad de choques estimados. En la Figura 1 y
191 la Figura 2 se muestra la cantidad estimada de choques totales estimados y la cantidad de choques de tipo atropello a
192 peatón respectivamente.
Distritos con mayor cantidad de choques estimados
Choques estimados 2012 Choques estimados 2013 Choques estimados 2014
14000 13000 12000 11000 4799 10000 9000 3450 8000 3265 7000 4562 6000 2355 5000 2262 2196 2174 Choques estimados Choques 3293 3112 1815 1810 4000 1611 1411 3000 2228 2118 2076 2039 1265 1742 1122 1061 4317 1698 1526 1058 1013 2000 1321 1197 3163 2984 1067 1006 992 969 1000 2120 2004 1975 1925 1682 1602 1447 1246 1142 1020 959 933 931 0
193 Distrito
194 Figura 1. Cantidad total de choques viales para los distritos con mayor cantidad de choques esperados.
195
9
Distritos con mayor cantidad de atropellos a personas estimados Choques estimados 2012 Choques estimados 2013 Choques estimados 2014 160 150 140 130 57 120 110 47 100 40 90 80 35 35 53 31 70 29 45 27 27 60 27 26 24 24 Choques estimados Choques 38 24 24 50 34 33 30 20 40 28 26 26 26 25 30 23 23 22 22 49 19 20 42 36 32 31 29 27 26 10 25 23 24 22 21 21 21 18 0
196 Distrito
197 Figura 2. Cantidad de choques viales para los distritos con mayor cantidad de atropellos a personas estimados.
198 En la Figura 1, es posible apreciar que con excepción de Alajuela, los distritos con mayor cantidad de choques totales
199 estimados se encuentran ubicados en la provincia de San José, mayoritariamente en el cantón del mismo nombre. El
200 distrito de Pavas es el que presenta más choques estimados superando los 4300 choques para cada uno de los años en
201 estudio, mientras que el distrito de Alajuela se ubica en la posición 16 y la cantidad de choques estimada oscila entre 900
202 y 1000 choques anuales. Sin embargo, según los datos suministrados por el COSEVI el distrito de Alajuela es el que
203 presenta mayor cantidad de choques cada año, esta diferencia entre los choques ocurridos y los estimados implica que
204 existe un exceso de frecuencia de choques para ciertos distritos como es el caso de Alajuela.
205 Una situación similar ocurre con los choques de tipo atropello a peatón, en la Figura 2 se muestra que los distritos con
206 mayor cantidad de atropellos se encuentran en las cercanías de importantes ciudades como San José, Heredia y Alajuela,
10
207 siendo distritos con vocación urbana. Para este caso nuevamente el distrito de Pavas presenta la mayor cantidad estimada
208 de choques, no obstante, esto difiere de la realidad según los datos suministrados por el COSEVI.
209 3.2 Exceso de frecuencia
210 Con el fin de desterminar cuales de los distritos analizados presenta mayor problema de choques se calculó el exceso de
211 frecuencia para cada caso, esto se realizó siguiendo el procedimiento descrito en la sección referente a metodología. Se
212 determinó que para el caso de choques totales 53 de los 160 distritos en estudio presentan exceso de frecuencia, siendo
213 el distrito de Alajuela el que más exceso presenta con valores anuales superiores a mil choques adicionales. En la Figura
214 3 Se muestran los distritos con más exceso de frecuencia, además de Alajuela se detectó que Desamparados, Heredia,
215 Ulloa, Curridabat y San Rafael de Escazú no solo presentan un elevado exceso de frecuencia, si no que forman parte de
216 los distritos con más choques anuales reportados por el COSEVI.
Distritos con mayor exceso de frecuencia
Exceso de frecuencia 2012 Exceso de frecuencia 2013 Exceso de frecuencia 2014
3400 3200 3000 2800 1100 2600 2400 1003 2200 2000 1800 1266 1600 1400 916 608 Choques en exceso en Choques 1200 1000 366 337 339 800 508 351 482 437 600 412 258 1058 498 377 214 169 924 338 306 132 400 191 130 143 342 228 206 230 213 111 200 455 418 380 368 134 154 304 286 259 220 215 194 185 259 0 142 155
217 Distrito
11
218 Figura 3. Exceso de choques totales para los distritos con mayor exceso de frecuencia.
219 Por otro lado al analizar la distribución espacial de los distritos mostrados en la Figura 3, se puede detectar que existen
220 regiones donde se concentra el exceso de frecuencia, para los choques totales se detectaron tres grupos importantes, el
221 primero formado por Alajuela, Río Segundo y San Joaquín, el segundo por Pozos, Santa Ana, Escazú y San Rafael de
222 Escazú y el tercer grupo formado por Oriental, Occidental y San Nicolas de Cartago. Debe señalarse que estos tres grupos
223 de distritos son atravesados por importantes rutas primarias como es el caso de las rutas nacionales 2, 3 y 27.
224
225 Mapa 1. Exceso de frecuencia acumulada de 2012 a 2014 para los choques totales según distrito.
226 En el caso de los choques de tipo atropello a peatones, en la Figura 4 se muestran los distritos con más exceso de
227 frecuencia. Se aprecia que el año 2013 fue especialmente complicado para este tipo de choques ya que se da un
12
228 incremento importante respecto a la cantidad del año 2012, esto ocurre en distritos como Alajuela, Hospital, Merced,
229 Desamparados, Carmen y Guadalupe. A si mismo se da un fenómeno similar de incremento durante el año 2014 para
230 distritos como Heredia, Ulloa y San Rafael de Escazú. También se puede observar que existen al menos siete distritos
231 donde el exceso de frecuencia es de 15 o más atropellos anuales. En estos distritos el exceso de frecuencia oscila entre
232 el 40% y el 80% de la cantidad de choques esperados para su correspondiente distrito. Estos valores especialmente
233 alarmantes al considerar que los peatones son los usuarios más vulnerables de la red vial.
Distritos con mayor exceso de frecuencia en atropellos
Exceso de frecuencia 2012 Exceso de frecuencia 2013 Exceso de frecuencia 2014
180 170 160 150 140 66 130 120 110 100 90 31 80 40 39 70 74
Choques en exceso en Choques 60 50 43 16 30 19 40 44 37 17 30 22 13 18 17 4 20 36 13 8 19 30 17 19 8 6 8 8 10 18 20 8 2 7 9 5 4 15 16 15 15 9 0 8 7 4 5 5 6 8
234 Distrito
235 Figura 4. Exceso de atropellos esperados para los distritos con mayor exceso de frecuencia.
236 En el caso de los atropellos también es posible detectar bloques en los que se concentra el exceso de frecuencia, existe
237 un área importante formada por los distritos de Ulloa, Uruca, Guadalupe, Catedral, Carmen, Hospital y Merced, siendo
238 los tres últimos los que reportan más exceso de atropellos superando los 96 anuales en cada distrito. Adicionalmente
13
239 existe una pequeña región formada por los distritos de Alajuela y San Antonio, como se muestra en el mapa 2. Se debe
240 señalar que los distritos con más exceso de frecuencia de atropellos abarcan los distritos que forman las principales
241 ciudades del país, algunas de estas ciudades como es el caso de San José y Cartago están formadas por más de un distrito.
242
243 Mapa 2. Exceso de frecuencia acumulada de 2012 a 2014 para los choques de tipo atropello a personas según distrito.
244 4. Conclusiones
245 Se determinó la población total del distrito es una variable representativa en todos los modelos evaluados. Esta variable
246 tiene un impacto directo y positivo en la incidencia de choques viales, de manera que incrementos en la población de un
247 distrito repercuten en una mayor frecuencia de choques. Misma situación ocurre con la variable vehículo-kilómetro.
14
248 El porcentaje de uso de suelo comercial y de servicios es una variable representativa para el modelo de choques totales,
249 la variable presenta un aporte positivo al modelo.
250 El porcentaje de uso de suelo residencial es una variable representativa en la estimación de atropellos a personas, se
251 determinó que, a mayor porcentaje de uso de suelo residencial, mayor la cantidad de atropellos en el distrito.
252 Se determinó que el porcentaje de la población con edad igual o mayor a 65 años es una variable representativa, que
253 aporta de manera positiva a la cantidad de choques totales ocurridos durante un año en un determinado distrito.
254 Se determinó que el porcentaje de habitantes entre las edades de 0 a 14 años es una variable representativa y que influye
255 de manera negativa en la incidencia de atropellos en un distrito, por ende, entre mayor la población entre los 0 a los 14
256 años se estima una menor cantidad de atropellos a personas.
257 Se determinó la existencia de bloques de distritos con exceso de choques para todas las categorías de choques analizados,
258 mostrando la posibilidad de realizar análisis espaciales de concentración de choques con una unidad geoespacial diferente
259 del distrito, con el fin de determinar los motivos de estos excesos de frecuencia a nivel regional.
260 El distrito de Alajuela es el distrito más problemático en términos de choques viales, por lo que requiere de especial
261 atención por parte de las autoridades competentes.
262 5. Referencias
263 Agüero-Valverde, J. (2016). Determinación de rutas con potencial de mejora utilizando funciones de desempeño de
264 seguridad vial: caso de Costa Rica. Infraestructura vial/ LanammeUCR vol. 18, num. 32, 39-52.
265 Amoh-Gyimah, R. (2015). Investigating the Effects of Traffic, Socio-Economic and Land Use Characteristics on
266 Pedestrian and Bicycle Crashes: A Case Study of Melbourne, Australia. Clayton, Australia: Monash University,.
267 Amoh-Gyimah, R., Saberi, M. y Sarvi, M. (s.f.). Exploring the Effects of Land Use, Travel Behavior, and Socio-
268 Economic Characteristics on Safety at the Planning Level: Empirical Evidence from Melbourne. Clayton,
269 Australia: Monash University.
270 Caballero, F. (2011). Selección de modelos mediante criterios de información en análisis factorial. Aspectos teóricos y
271 computacionales. Granada: Universidad de Granada.
15
272 Consejo de Seguridad Vial. (2016). GAM datos accidentes de traansito Periodo 2012_2014. Datos sin publicar.
273 Fuentes, C. y Hernández, V. (2008). La estructura espacial urbana y la incidencia de accidentes de tránsito en Tijuana,
274 Baja California. Frontera Norte, 109-138.
275 Instituto Geográfico Nacional. (2008). Uso de suelo de la Gran Área Metropolitana del Proyecto PRUGAM
276 (1:10,000.), San José Costa Rica.
277 Instituto Nacional de Estadística y Censos de Costa Rica. (2011). C.02 Censo 2011 Distribución porcentual de los
278 hogares por número de carencias críticas, según cantón. Obtenido de http://www.inec.go.cr/pobreza-y-
279 desigualdad/otros-metodos-de-pobreza
280 Instituto Nacional de Estadística y Censos de Costa Rica. (2014). Cuadro 4. Costa Rica: Población total proyectada al
281 30 de junio por grupos de edades, según provincia, cantón, distrito y sexo. Obtenido de
282 http://www.inec.go.cr/poblacion/estimaciones-y-proyecciones-de-poblacion
283 Ministerio de Obras Públicas y Transporte. (2012). Anuario de información de tránsito 2012. San José: Departamento
284 de planificación sectorial.
285 Pulugurthaa, S. S., Duddub, V. R. y Kotagirib, Y. (2012). Traffic analysis zone level crash estimation models based on
286 land use. Accident Analysis and Prevention, 678-687.
287 Sánchez, L., Agüero-Valverde, J. y Pujol, R. (2015). Costos de los choques viales en Costa Rica. San José, Costa Rica:
288 Universidad de Costa Rica, Programa de Investigación en Desarrollo Urbano Sostenible.
289 Wang, K. (2015). Predicting Local Road Crashes Using Socio-economic and Land Cover Data. Connecticut, USA:
290 University of Connecticut.
291 World Health Organization (WHO), 2018. Global Status Report on Road Safety 2018.
16