Upload
sabas-vine
View
226
Download
0
Embed Size (px)
Citation preview
Análisis GeoEspacial de Factores que Influyen en Atropellos de Escolares en Santiago-Chile, utilizando ArcGIS
Christian Grob Hernández, MSc.Carola Blázquez Lavín, PhD.
2
Introducción
• Organización Mundial de la Salud (WHO)– Global Burden of Desease• 5° causa de muerte al 2030
• CONASET– Promedio anual de 47.683 siniestros (2000-2009)
– 17,5% (8.353) atropellos– 24,6% corresponde al grupo de 5 a 18 años
3
Objetivo
Analizar espacial y estadísticamente los factores que influyen en los atropellos de escolares en el
Gran Santiago durante el periodo 2007-2012.
4
Metodología
Análisis de los Datos
Regresión Lineal Múltiple
Regresión Geográficamente
Ponderada
Estadística Descriptiva
5
Análisis de Regresión
• Regresión Lineal Múltiple– Amplio uso: Fotheringham et al. (1996), Brown et al.
(2012), entre muchos
– Limitantes: • Supuestos de Gauss-Markov• Análisis macro
Datos no estocásticos
Linealidad
No auto-correlación
Media cero de los errores
Dispersión de los errores
Homocedasticidad
6
Regresión Geográficamente Ponderada
• Geographically Weighted Regression (GWR)– Su mayor ventaja• Variación de los coeficientes según ubicación• Análisis local en un contexto macro
– Mejor comprensión del comportamiento espacial
– Trabaja con unidades espaciales
𝑌 (𝑢 )=𝛽0 (𝑢)+𝛽1 (𝑢) 𝑋 1 (𝑢)+…… …+𝛽𝑛 (𝑢) 𝑋𝑛 (𝑢)+𝜀
Unidad de área
7
Variable Dependiente
La variable dependiente es un promedio de densidad de escolares atropellados para cada
unidad espacial
8
Variables Independientes
• 28 Variables Tipificadas– 4 Categorías
• Kernel y Distancia
Kernel DistanciasRelativo a Colegios
Colegios ColegiosMatricula
Usos de Suelo Área VerdeComercioHabitacionalIndustrialOficinasSaludTransporteEstacionamientosDiversidad de Uso de Suelo
Kernel DistanciasCondiciones
Poblacionales por edad y grupo
socio económico
Población de 0 a 18 añosPoblación TotalABC1C2C3DE
Medios de Transporte y Relacionados
Paraderos ParaderosSemáforos Semáforoscruces peatonales Vías más CongestionadasEstaciones de Metro Estaciones de Metro
Avenidas y Carreteras
9
Análisis Estadístico
Análisis de los Datos
Estadística Descriptiva
10
Temporal
• Anual– 26,8% de reducción 2007 (635) y el año 2012 (465)
• Mensual• Semanal• Horario– 16:00 a 19:00 -> 29,72%– 13:00 a 21:00 -> 62,92% – 07:00 a 09:00 -> 12,70% – 75,61% -> 10 horas
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 230
50
100
150
200
250
300
350
Horas
Núm
ero
de A
trop
ello
s
2007 2008 2009 2010 2011 20120
100
200
300
400
500
600
700
Núm
ero
de a
trop
ello
s
Enero
FebreroMarzo Abril
MayoJunio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
0
50
100
150
200
250
300
350
mes
Núm
ero
de a
trop
ello
s
lunes martes miércoles jueves viernes sábado domingo0
100
200
300
400
500
600
DÍA
NÚM
ERO
DE
ATRO
PELL
OS
11
Nivel de Lesión
• Tipo de Lesión– KSI: 33,7% -> 1051– Leves: 66,3% -> 2066
• Género– 56,37% (1757) varones – 43,63% (1360) mujeres
• Edad– Segmento 15 a 18 años
1,8 veces el de 5 a 8 años.
FEMENINO MASCULINO0
200400600800
10001200140016001800
69,78% 63,57%
30,22%
36,43%
género
Núm
ero
de A
trop
ello
s y
sus
porc
enta
-je
s re
lativ
os
5 6 7 8 9 10 11 12 13 14 15 16 17 180
50
100
150
200
250
Suma de Leves
Suma de KSI
Edades
Núm
ero
de A
trop
ello
s
12
Otros
• Responsabilidad– Peatón 63%
• Espacial– El 33,1% de los incidentes • Puente Alto -> 156• Maipú -> 153• Santiago -> 36 • La Florida -> 105
CONDUCTOR PEATON0
50
100
150
200
250
300
350
400
200720082009201020112012
Núm
ero
de A
TRO
PELL
OS
PUENTE
ALTO
SANTIA
GO
NUNOA
PUDAHUEL
LA PINTA
NA
LA CIST
ERNA
LAS C
ONDES
LA GRANJA
SAN BER
NARDO
EL BOSQ
UE
SAN JO
AQUIN
SAN RAMON
LA REIN
A
VITACURA
LO ES
PEJO
HUECHURABA
LO BARNEC
HEA0
50
100
150
200
250
300
350
Comunas
Núm
ero
de A
trop
ello
s
Análisis GeoEspacial
13
14
Radio de Búsqueda de Kernel
• Suavización de los datos– Mayor cobertura– Diminución de datos atípicos y saltos
• 1000 y 3500 metros– Sugerencia software– Máxima mínima distancia
AtropellosAtropellos
15
Eliminación de datos
• Supuestos Gauss-Markov– Linealidad, heterocedasticidad, estacionariedad
• Coeficiente de Correlación de Pearson– 80% de correlación“Todo está relacionado con todo lo demás, pero las cosas
cercanas están más relacionadas que las distantes”Tobler (1970)
VariablesOriginales
Tras Eliminación por Linealidad
Tras Eliminación por Correlación de Pearson
Dep1000 28 8 6
Dep3500 28 14 10
Orig1000 28 13 10
Orig3500 28 15 13
16
Regresión Lineal Múltiple
• Proceso Iterativo– Variable Inflation Factor (VIF)
• Comprobación Transformación– Eliminación de Modelos– Punto de corte 0,05
AIC R2 Ajustado Jarque Bera Koenker
Orig3500 654 0,82 0,603 0,000026Dep3500 47 0,86 0,0045 0Dep1000 223 0,63 0,408 0,149Orig1000 1080 0,48 0,000001 0,0202
Modelo Dep3500
Modelo Orig1000
17
• Resultados de ambos modelos– Dep1000: R2 -> 62,7%– Orig3500: R2 -> 82,3%
• Orig3500– Heterocedasticidad y estacionariedad espacial– GWR
Selección Final Previo a GWR
AIC R2 Jarque Bera KoenkerOrig3500 654 0,82 0,603 0,000026Dep1000 223 0,63 0,408 0,149
Dep1000
Variable Influencia Coeficiente
INTERCEPTO -------- -0,183601
kMATRICULA 25,7% 0,362608
kPOB. TOTAL 18,8% 0,264288
kGRUPO D 12,9% 0,181203
kPARADERO 24,1% 0,339112
dMETRO** 18,0% 0,253951
dCOLEGIO** 0,5% 0,007545
Orig 3500Variable Influencia Coeficiente
INTERCEPTO -0,059619
kMATRICULA 21,40% 0,29815
kPOBL. 0-18 17,60% 0,245147
kGRUPO ABC1 9,36% -0,130457
kPARADERO 24,11% 0,335873
dMETRO 14,04% -0,195558
dAVDA y CARRETERA 13,49% 0,187902
18
GWR
• Dep1000– Cumple los indicadores
• Orig3500– R2 Locales: 77,8% a 93,8%
Orig3500
GWR RLM
AIC 138,056 654
R2 0,91096 0,82
Dep1000
GWR RLMAIC 434,892 223R2 0,68711 0,63
19
Resultados
Orig3500 GWR Dep1000 RLM
Relativo a ColegioskMATRICULA (+) kMATRICULA (+)
- dCOLEGIO (+)*
Condiciones Poblacionales por edad y grupo socio económico
kPOBL. 0-18 (+) kPOB. TOTAL (+)
kGRUPO ABC1 (-) kGRUPO D (+)
Medios de Transporte y Relacionados
kPARADERO (+) kPARADERO (+)
dMETRO (+) dMETRO (+)
dAVDA y CARRETERA (-) -
Discusión y Conclusiones
21
Estadística Descriptiva
• La educación es vital:– Varones– Independencia móvil– Horarios en torno y posterior a sus actividades– Al final de la semana– Durante el año escolar – Comunas más populares y de alto tráfico.
22
Estadística Espacial
• Modelo Lineal– Pre-selección– Limitantes
• Radios de Kernel– Importancia Variación
• RLM-Espacial– Tobler (1970)– Estacionariedad Espacial
23
Estadística Espacial
• GWR– Diferencia 1000 versus 3500• Mejor Distribuidas (RLM)
– Estabilidad General, desajuste local
• Clusterizadas (GWR)– Tendencia General
– Caso Avenidas
3500
1000
24
Comentarios Finales
• Importancia ambos análisis– Espacial– Datos descriptivos • No agrupables
• Complementariedad– Caso Avenidas• Cantidad de Avenidas• Jordan (1998), Atención del Peatón
25
Trabajos Futuros
• Filtros y segmentación• Sub-sectores• Temporal• Metodología– Kernel– No lineal
• Comparación con otras ciudades
26
Bibliografía• Brown, S., Versace, V. L., Laurenson L., Ierodiaconou, D., Fawcett, J. & Salzman, S. (2012),
Assessment of Spatiotemporal Varying Relationships Between Rainfall, Land Cover and Surface Water Area Using Geographically Weighted Regression, Environ Model Assess, Springer Science & Business Media.
• Calzadilla, J., Guerra, W. & Torres, V. (2002), El uso y abuso de transformaciones matemáticas. Aplicaciones en modelos de análisis de varianza, Revista Cubana de Ciencia Agrícola, Cuba.
• Comisión Nacional de Seguridad de Tránsito, CONASET (2010), Diagnóstico de la Seguridad de Tránsito en Chile (Período 2000 2009)‐ , Área de Estudios y Estadística, CONASET, Ministerio de Transportes y Telecomunicaciones, Santiago, Chile.
• Clifton, K. & Kreamer-Fults, K. (2007) An examination of the environmental attributes associated with pedestrian-vehicular crashes near public schools, Accident Analysis and Prevention.
• Fotheringham, A. S.; Brunsdon, C. & Charlton, M. E. (1996), Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity, Geographical Analysis, Vol. 28, pp. 281-298. Fotheringham, A S.; Charlton, M. (2009); Geographically Weighted Regression White Paper; National Centre for Geocomputation, National University of Ireland Maynooth, Maynooth, Co Kildare, Ireland
• Graham D., Glaister, S., Anderson, R. (2005) The effects of área deprivation on the incidence of child and adult pedestrian casualties in England, Accident Analysis and Prevention,, Department of Civil and Environmental Engineering, Centre for Transport Studies, Imperial College London, London, UK
27
Bibliografía• Jordan, G. (1998) Child Pedestrian–Car Crashes Near Schools Are a Small Percentage
of Total Child Pedestrian Crashes in Philadelphia, Transportation Research Record, Paper No. 98 Vol. 1058
• Jarque, C. M.; Bera, A. K. (1987). A test for normality of observations and regression residuals. International Statistical Review, Vol. 55 (2), pp. 163-172.
• Koenker, R. (1981), A Note On Studentizing A Test For Heteroscedasticity, Journal of Econometrics, Vol. 17, pp.107-l 12. North-Holland Publishing Company.
• LaScala, E. A., Gerber, D. & Gruenewald, P. J. (2000) Demographic and environmental correlates of pedestrian injury collisions: a spatial analysis, Accident Analysis and Prevention Vol. 32, pp. 651-658, Prevention Research Center, Berkeley, CA, USA
• LaScala, E. A.; Gruenewald, P. J. & Johnson, F. W. (2004); An ecological study of the locations of schools and child pedestrian injury collisions, Accident Analysis and Prevention Vol. 36, pp. 569-576.
• Tobler, W.R. (1970), A computer movie simulating urban growth in the Detroit region , Economic Geography, Vol. 46 (2), pp. 234-240.
• World Health Organization (2004) The Global Burden of Disease, Geneva, Switzerland.
Análisis GeoEspacial de Factores que Influyen en Atropellos de Escolares en Santiago-Chile, utilizando ArcGIS
Christian Grob Hernández, MSc.Carola Blázquez Lavín, PhD.