2. Theory, Explanation, and Prediction in Road Safety.pdf

extensión
cromada://efaidnbmnnnibpcajpcglclefindmkaj/http://45.114.134.178:9000/digi/NA02/2013/2
2465.pdf
LA PRENSA DE LAS ACADEMIAS NACIONALES Visite la Prensa de las Academias Nacionales en
NAP.edu e inicie sesión o regístrese para obtener:– Acceso a descargas gratuitas en PDF de
miles de informes científicos– 10 % de descuento en el precio de los títulos impresos–
Notificaciones por correo electrónico o redes sociales de nuevos títulos relacionados a tus
intereses– Ofertas y descuentos especiales    COMPRAR ESTE LIBRO ENCONTRAR
TÍTULOS RELACIONADOS Este PDF está disponible en 
COMPARTIRhttp://nap.edu/22465
Teoría, Explicación y Predicción en Seguridad Vial
0 páginas | 8,5x11 | RÚSTICA ISBN 978-0-309-43384-6 | DOI 10.17226/22465 Bonneson,
James; e Ivan, JohnINVESTIGACIÓN EN TRANSPORTE Número E-C179Diciembre de 2013 Teoría,
explicación y predicción en la seguridad vial Direcciones prometedoras Teoría, explicación y
predicción en la seguridad vial Copyright National Academy of Sciences. Todos los derechos
reservados.Teoría, explicación y predicción en seguridad vial JUNTA DE INVESTIGACIÓN DEL
TRANSPORTE 2013 FUNCIONARIOS DEL COMITÉ EJECUTIVO Presidenta: Deborah H. Butler,
vicepresidenta ejecutiva, planificación y CIO, Norfolk Southern Corporation, Norfolk, Virginia
Vicepresidente: Kirk T. Steudle , Director, Departamento de Transporte de Michigan, División
de Lansing Presidente de Supervisión de la NRC: Susan Hanson, Distinguida Profesora Emérita
de la Universidad, Escuela de Geografía, Universidad de Clark, Worcester, Massachusetts
Director Ejecutivo: Robert E. Skinner, Jr., Junta de Investigación de Transporte JUNTA DE
INVESTIGACIÓN DE TRANSPORTE CONSEJO DE ACTIVIDADES TÉCNICAS 2013–2014 Presidente:
Katherine F. Turnbull, Directora Ejecutiva Asociada, Instituto de Transporte de Texas A&M,
Universidad de Texas A&M, College Station Director de Actividades Técnicas: Mark R. Norman,
Junta de Investigación de Transporte Paul Carlson, Ingeniero de Investigación, Instituto de
Transporte de Texas A&M , Texas A&M University, College Station, grupo de operaciones y
mantenimiento Bar de sillas bara A. Ivanov, Director, Sistemas de Carga, Departamento de
Transporte del Estado de Washington, Olympia, Presidente del Grupo de Sistemas de Carga
Paul P. Jovanis, Profesor, Universidad Estatal de Pensilvania, University Park, Presidente del
Grupo de Usuarios de Seguridad y Sistemas Thomas J. Kazmierowski, Consultor Senior, Golder
Associates, Toronto, Canadá, Presidente del Grupo de Diseño y Construcción Mark S. Kross,
Consultor, Jefferson City, Missouri, Presidente del Grupo de Planificación y Medio Ambiente
Peter B. Mandle, Director, LeighFisher, Inc., Burlingame, California, Presidente del Grupo de
Aviación Harold R (Saltar) Paul, Director, Centro de Investigación de Transporte de Luisiana,
Departamento de Transporte y Desarrollo de Luisiana, Baton Rouge, Representante del DOT
del Estado Anthony D. Perl, Profesor de Ciencias Políticas y Estudios Urbanos y Director,
Programa de Estudios Urbanos, Universidad Simon Fraser, Vancouver , Columbia Británica,
Canadá, Presidente del Grupo Ferroviario Lucy Phillips Priddy, Ingeniera Civil de Investigación,
Cuerpo de Ingenieros del Ejército de EE. UU., Vicksburg, Mississippi Miembros Jóvenes C
presidente del consejo James S. Thiel, consejero general, Departamento de Transporte de
Wisconsin, presidente del grupo de recursos legales Thomas H. Wakeman, profesor de
investigación, Stevens Institute of Technology, Hoboken, Nueva Jersey, presidente del grupo
marino David C. Wilcock, vicepresidente, Michael Baker , Jr., Inc., Norwood, Massachusetts,
Presidente del Grupo de Transporte Público Johanna P. Zmud, Directora, Programa de

Transporte, Espacio y Tecnología, RAND Corporation, Arlington, Virginia, Presidente del Grupo
de Política y Organización Copyright National Academy of Sciences. Todos los derechos
reservados. Teoría, explicación y predicción en la seguridad vial CIRCULAR DE INVESTIGACIÓN
EN TRANSPORTE E-C179 Teoría, explicación y predicción en la seguridad vial Direcciones
prometedoras Preparado por James Bonneson y John Ivan para el Grupo de Trabajo del
Subcomité de Direcciones Futuras para el Desarrollo de una Autopista Manual de seguridad
Consejo de Investigación del Transporte Noviembre de 2013 Consejo de Investigación del
Transporte 500 Fifth Street, NW Washington, DC www.TRB.org Copyright Academia Nacional
de Ciencias. Todos los derechos reservados.Teoría, explicación y predicción de la seguridad vial
CIRCULAR DE INVESTIGACIÓN SOBRE EL TRANSPORTE E-C179 La Junta de Investigación sobre el
Transporte es una unidad del Consejo Nacional de Investigación, una institución privada sin
fines de lucro que es la agencia operativa principal de la Academia Nacional de Ciencias y la
Academia Nacional de Ingeniería. En virtud de una carta del Congreso otorgada a la Academia
Nacional de Ciencias, el Consejo Nacional de Investigación brinda asesoramiento científico y
técnico al gobierno, el público y las comunidades científica y de ingeniería. La Junta de
Investigación de Transporte está distribuyendo esta Circular para que la información aquí
contenida esté disponible para el uso de profesionales individuales en agencias de transporte
estatales y locales, investigadores en instituciones académicas y otros miembros de la
comunidad de investigación de transporte. La información contenida en esta Circular fue
tomada directamente de las presentaciones de los autores. Este documento no es un informe
del Consejo Nacional de Investigación o de la Academia Nacional de Ciencias. Grupo de
Usuarios de Sistemas y Seguridad Paul P. Jovannis, Presidente Sección de Seguridad David L.
Harkey, Presidente Comité de Desempeño de Seguridad Vial John C. Milton, Presidente
Elizabeth Ann Wemple, Secretaria Melissa A. Anderson Geni B. Bahar James A. Bonneson
Cheryl L. Bornheimer Daniel L. Carter Craig A. Copelan Michael A. Dimaiuta Karen K. Dixon Erin
M. Ferguson Srinivas Reddy Geedipally Brelend C. Gowan Michael S. Griffith Douglas W.
Harwood Robert E. Hull John N. Ivan Jake Kononov Francesca La Torre Dominique Lord Yingyan
Lou John M. Mason, Jr. John J. Nitzel Jennifer Harper Ogle Richard F. Pain, representante del
personal de TRB Bernardo B. Kleiner, representante del personal de TRB Junta de investigación
de transporte 500 Fifth Street, NW Washington, DC 20001 www.TRB.org Jose M. Pardillo-
Mayora Stanley F. Polanis Stephen W. Read Venkataraman N. Shankar Xiaoduan Sun Larry
Francis Sutherland Priscilla A. Tobias Daniel S. Turner Ida van Schalkwyk Simon Washington
Javy Awan, editor de producción; Jennifer Correro, Corrección y Maquetación Copyright
Academia Nacional de Ciencias. Todos los derechos reservados.Teoría, explicación y predicción
en la seguridad vial Prefacio E l 20 y 21 de noviembre de 2008, la FHWA y TRB copatrocinaron
un taller titulado Direcciones futuras en el modelado de datos de choques en carreteras. La
Oficina de Investigación y Desarrollo de Seguridad de FHWA y la División de Actividades
Técnicas de TRB fueron responsables de organizar el taller. Consiguieron la ayuda del
subcomité de Direcciones Futuras del Grupo de Trabajo TRB para el Desarrollo de un Manual
de Seguridad Vial. El subcomité proporcionó información técnica sobre la agenda del taller y
preparó este documento. Los autores principales del subcomité incluyen a James Bonneson,
Instituto de Transporte de Texas, y John Ivan, Universidad de Connecticut. Los objetivos del
taller fueron (a) explorar direcciones futuras prometedoras en el modelado de datos de
accidentes de carretera y (b) identificar áreas potenciales para investigación avanzada para
proporcionar una base teórica para explicar la causalidad de los accidentes. El enfoque del
taller fue sobre el efecto de los elementos de la infraestructura vial en la seguridad. Los
objetivos de la investigación identificados por los participantes del taller son el mayor
desarrollo de la evaluación de seguridad basada en la ciencia y el desarrollo de modelos

predictivos de seguridad vial más estables, confiables y transferibles. Veinticinco
investigadores y profesionales de seguridad vial invitados asistieron al taller. Se reunió a
expertos en análisis de datos de seguridad vial con expertos de campos afines (como
epidemiología, salud pública y factores humanos) para compartir sus experiencias y métodos
para cuantificar los efectos del tratamiento. La agenda del taller se proporciona en el Apéndice
A. A través de grupos de trabajo y sesiones plenarias, se pidió a los participantes que
describieran problemas y desafíos críticos; explorar enfoques y conceptos de modelado
alternativos; e identificar nuevas direcciones prometedoras para explicar las causas que
contribuyen a los accidentes. Este documento resume la discusión y describe áreas potenciales
de investigación de seguridad avanzada identificadas por los participantes. i Copyright
Academia Nacional de Ciencias. Todos los derechos reservados. Teoría, Explicación y
Predicción en Seguridad Vial Agradecimientos Agradecimientos sinceros a todas las personas
que participaron en el taller. Un agradecimiento especial a John Mason, Rector Asociado y
Vicepresidente de Investigación de la Universidad de Auburn, por facilitar el debate en las
sesiones plenarias y organizar los comentarios recibidos de las sesiones de trabajo. También
agradecemos a Ray Krammes, FHWA y Richard Pain, TRB, por organizar la reunión, hacer
arreglos locales y brindar coordinación con otras agencias y comités. Se agradecen las
contribuciones de todos los que participaron en el taller. Las discusiones fueron animadas y la
información proporcionada fue invaluable. También se agradecen sus comentarios posteriores
sobre el borrador de este documento. Los participantes del taller se identifican en el Apéndice
B. De particular interés son las valiosas contribuciones de Ezra Hauer y Gary Davis, que se
proporcionan en los Apéndices C, D y E. ii Copyright National Academy of Sciences. Reservados
todos los derechos. iii Contenido Introducción ..............................................
.................................................... .................................. 1. Antecedentes ..............
.................................................... .................................................... ........... 3 Métodos para
estimar la seguridad y el efecto sobre la seguridad .................. ............................................. 3
Investigación y desarrollo Necesidades .................................................
............................................. 7 Resumen ... ....................................................
.................................................... ............................ 10 Temas de investigación ..................
.................................................... .................................................... 11 Área Temática 1:
Modelado Estructural ........................................... ............................................. 11 Área
temática 2: Medidas Sustitutas de La seguridad ................................................. ..........................
13 Área temática 3: Mejorar la evaluación de la eficacia de la intervención ............... ...............
14 Área temática 4: Enfoques de modelado de la seguridad y el comportamiento del conductor
a escala múltiple ............... 15 Resumen .................................................
.................................................... .......................... 16 Apéndice A: Agenda del taller ............
.................................................... .................................. 18 Apéndice B: Participantes del taller
........... .................................................... .......................... 22 Apéndice C: Un cuento de
advertencia y direcciones prometedoras .................. ...................................... 24 Ezra Hauer La
necesidad de una teoría: un cuento con moraleja .. ....................................................
.................................. 24 Direcciones prometedoras ........... ....................................
.................................................... .......... 27 Apéndice D: Enfoque de modelado estructural
........................... ............................................... 29 Gary Davis Problemas
................................................. .................................................... ...................................... 29
Enfoques prometedores ......... ....................................................
.................................................... 30 Investigación necesaria ...............................................
.................................................... ....................... 31 Apéndice E: Datos realistas artificiales: una
herramienta de investigación .................. ....................................... 33 Ezra Hauer Caso 1:

Validar una novela Procedimiento de estimación o determinación del tamaño de la muestra
......... 33 Caso 2: Comparar el desempeño de métodos de detección alternativos .....
.............................. 33 Caso 3: Evaluación de métodos de modo multivariante ling
.................................................. .......... 36 Referencias ...............................
.................................................... .................................................... 39 Teoría, explicación y
predicción en la seguridad vial Copyright National Academy of Sciences. Todos los derechos
reservados. Teoría, explicación y predicción en seguridad vial Copyright National Academy of
Sciences. Todos los derechos reservados.Teoría, explicación y predicción de la seguridad vial
Introducción Un papel importante de la investigación sobre la seguridad vial es el desarrollo de
información para ser utilizada por las agencias que diseñan, operan y mantienen las calles y
carreteras del país. La información que se puede utilizar para hacer que las carreteras sean
más seguras y que los choques sean menos graves es de particular interés para estas agencias.
Los ingenieros que utilizan la información de seguridad son responsables de las decisiones que
se toman a partir de ella y están obligados a emitir algún juicio sobre su credibilidad y
aplicabilidad. Basan sus juicios de credibilidad en el grado en que la información es consistente
con su experiencia, la experiencia de otros e información similar de otras fuentes. La
información que es consistente de esta manera se considera creíble. Los juicios sobre la
aplicabilidad de la información se relacionan con si se cree que la información es precisa
cuando se aplica a un lugar particular con rasgos específicos. En algunos casos, la información
está calificada para aplicarse solo a condiciones específicas. Si estas condiciones no están
presentes en los lugares de interés para el profesional, entonces la información no es
transferible y se considera que tiene una aplicabilidad limitada. La información que es objeto
de discusión en este documento se considera cuantitativa. Es decir, se puede utilizar para
cuantificar la seguridad de una instalación vial o el cambio en la seguridad asociado con un
cambio en la condición de la instalación. La seguridad de una instalación se define como el
número de choques, por tipo y gravedad, que se espera que ocurran en la instalación durante
un período de tiempo específico (1). La investigación sobre seguridad vial durante las últimas
décadas ha desarrollado información cualitativa y cuantitativa que ha sido utilizada de manera
eficaz por las agencias de carreteras para reducir la tasa de muertes por accidentes de tráfico
y, en general, hacer que las carreteras del país sean más seguras. Gran parte de esta
investigación se ha centrado en desarrollar algunas de las estrategias más obvias y
ampliamente aplicables (p. ej., aumentar el uso del cinturón de seguridad, mejorar el
hardware de seguridad en la carretera, mejorar la resistencia a los choques de los vehículos,
etc.). La información sobre nuevas estrategias y tratamientos puede no ser tan obvia o
aplicable a todas las instalaciones. Por esta razón, es posible que se necesiten métodos
científicos más sofisticados para cuantificar la eficacia de las nuevas estrategias. Una pregunta
importante en el futuro es cuál es la mejor manera de utilizar los fondos de investigación
disponibles limitados para lograr mejoras adicionales en la seguridad vial (2). La investigación
sobre seguridad vial durante las últimas décadas se ha basado en el uso de métodos
estadísticos para cuantificar la seguridad de una instalación y estimar la relación entre un
cambio en la condición de la instalación y un cambio en la seguridad de la instalación. Estos
métodos han proporcionado información esencial sobre condiciones que son claramente
inseguras. Sin embargo, también existen algunos desafíos asociados con la dependencia
exclusiva de los métodos estadísticos en términos de su capacidad limitada para hacer frente a
la predicción contrafactual, la adaptación del controlador, la heterogeneidad no observada y la
calidad de los datos. Estos desafíos pueden hacer que sea difícil lograr un mayor avance
utilizando solo métodos estadísticos. Pueden explicar parcialmente la menor reducción en las
tasas de mortalidad a principios de la década de 2000 (en relación, por ejemplo, con la década

de 1980) (3). Los objetivos de este informe son (a) revisar los métodos científicos disponibles
para desarrollar información sobre seguridad vial; (b) destacar los desafíos relacionados con el
uso de los métodos; y (c) describir áreas y componentes potenciales que podrían ayudar a la
investigación de seguridad avanzada a superar estos desafíos. Los métodos de interés incluyen
los utilizados para el diseño del estudio, el modelado y el análisis estadístico. Se identifican
investigaciones que contribuirían a una fundamentación teórica para explicar 1 Copyright
National Academy of Sciences. Todos los derechos reservados.Teoría, explicación y predicción
en la seguridad vial 2 Circular de investigación de transporte E-C179: Teoría, explicación y
predicción en la seguridad vial relaciones de causa y efecto que ocurren en el entorno de
conducción: relaciones que, en última instancia, pueden integrarse en modelos de predicción
de seguridad que sean robustos, transferibles y escalables. El enfoque de la discusión aquí es
sobre la investigación necesaria para desarrollar nuevos métodos (y el perfeccionamiento de
los métodos existentes) para cuantificar la seguridad de una instalación o estimar la relación
entre un cambio en la condición de la instalación y un cambio en la seguridad de la instalación.
En este sentido, los métodos utilizados para desarrollar información de seguridad vial basada
en medidas sustitutas parecen ser un área de investigación fructífera, especialmente cuando
se establece el vínculo entre un sucedáneo y la seguridad. El enfoque de esta circular es la
información relacionada con el efecto del diseño y la operación de la infraestructura vial en la
seguridad del tránsito. Sin embargo, se reconoce que la comprensión del efecto de seguridad
también requerirá una comprensión del comportamiento del conductor, el rendimiento del
vehículo y la resistencia a los choques en relación con la ocurrencia y la gravedad del choque.
La discusión se centra en el uso de datos de accidentes como base para desarrollar
información de seguridad. Sin embargo, se reconoce que los sistemas de conducción
naturalistas y los simuladores de conducción representan fuentes complementarias de
información sobre seguridad. Esta información puede ser particularmente útil en el desarrollo
y prueba de teorías que predicen la causalidad en función del comportamiento del conductor.
El resto de esta circular consta de dos partes principales. La primera parte proporciona algunos
antecedentes sobre los diversos métodos que están disponibles para desarrollar información
de seguridad cuantitativa. La segunda parte describe la investigación de seguridad avanzada
potencial, basada en los aportes de los participantes individuales en el taller de noviembre de
2008. Copyright Academia Nacional de Ciencias. Todos los derechos reservados. Teoría,
explicación y predicción de la seguridad vial Antecedentes Esta parte de la circular proporciona
una discusión de antecedentes sobre los métodos utilizados para desarrollar información
sobre seguridad vial. La primera sección describe los diversos métodos, los desafíos que se
enfrentan al usarlos y el potencial para su mejora. La segunda sección describe las necesidades
potenciales de investigación y desarrollo para mejorar los métodos de evaluación de la
seguridad vial. La última sección ofrece un resumen de los problemas y subraya la necesidad
de un mayor avance en la ciencia del modelado de seguridad vial y el análisis estadístico.
MÉTODOS PARA ESTIMAR LA SEGURIDAD Y EL EFECTO DE LA SEGURIDAD Esta sección analiza
varios métodos utilizados para desarrollar información de seguridad vial. Esta información
puede tomar la forma de un modelo para estimar la seguridad de una instalación vial. También
puede tomar la forma de un modelo para estimar el cambio en la seguridad asociado con un
cambio en la condición de la instalación (por ejemplo, una intervención o tratamiento). La
forma funcional del modelo puede variar en complejidad desde una única constante hasta una
función multivariante y una serie de ecuaciones no lineales que se utilizan en secuencia. En
teoría, un modelo desarrollado para estimar la seguridad de una instalación también puede
usarse para estimar el efecto de seguridad mediante la aplicación sucesiva del modelo, una vez
con y otra vez sin el cambio de condición. Escala de análisis del modelo Los modelos

desarrollados para estimar la seguridad (y aquellos para estimar el efecto de la seguridad) se
pueden describir en términos de su escala de análisis. La escala se describe como microscópica
cuando la unidad básica de evaluación es el vehículo individual en una instalación y la variable
de respuesta es la probabilidad de un choque (o un sustituto similar) para un intervalo de
tiempo determinado basado en el viaje. Por el contrario, la escala se describe como
macroscópica cuando la unidad básica de evaluación es la instalación y la variable de respuesta
es la frecuencia esperada de accidentes (o un sustituto similar) para la población de vehículos,
promediada durante un largo intervalo de tiempo. El período de tiempo representado por el
intervalo de promedio para la escala macroscópica suele estar dictado por los requisitos del
tamaño de la muestra y es inherentemente más largo que el intervalo de tiempo basado en el
viaje. En la aplicación, se puede usar un modelo microscópico para estimar la frecuencia
esperada de choques (o sustituto de seguridad) para la población de vehículos en una
instalación determinada. Esta estimación se obtiene evaluando la seguridad de una
distribución de viajes de vehículos durante un largo intervalo de tiempo y agregando las
respuestas. Una característica atractiva de un análisis microscópico es que permite evaluar la
seguridad de cada vehículo individual para las condiciones ambientales presentes en el
momento del viaje. En cambio, para los análisis macroscópicos, la instalación se evalúa para un
conjunto de condiciones ambientales que se consideran representativas durante el período de
análisis y para las cuales se obtiene una variable de respuesta que representa un promedio
para ese período. Un desafío con el desarrollo de modelos es el de la agregación de datos (4).
La agregación de datos puede generar sesgos en los coeficientes de calibración del modelo e
inferencias inexactas sobre el efecto de seguridad. La agregación de datos puede permitir que
ciertas características de las instalaciones tengan una influencia indebida en la estructura del
modelo o enmascaren el efecto de seguridad en instalaciones individuales. Este problema es
particularmente problemático cuando se desarrollan modelos de seguridad vial dada la
naturaleza poco frecuente de los choques y la 3 Copyright Academia Nacional de Ciencias.
Todos los derechos reservados.Teoría, explicación y predicción en seguridad vial 4 Circular de
investigación de transporte E-C179: Teoría, explicación y predicción en seguridad vial
limitaciones de accidentes y datos de infraestructura. Las medidas sustitutas de seguridad
ocurren con más frecuencia que los choques y los tamaños de muestra deseados se obtienen
en períodos de tiempo más cortos, lo que minimiza algunos de los problemas de agregación de
datos. Sin embargo, su uso supone que se ha establecido una base que vincula la medida
sustituta con la seguridad. Los investigadores que desean desarrollar modelos transferibles a
menudo buscan expandir la extensión espacial del análisis evaluando instalaciones adicionales
y agrupando los datos. Esta opción también es atractiva desde el punto de vista de aumentar
el tamaño de la muestra. Sin embargo, los problemas de agregación de datos se magnifican,
especialmente si uno o más atributos de la instalación no se miden (es decir, aumenta la
heterogeneidad no observada). Enfoque de modelado Los modelos desarrollados para estimar
la seguridad, o el efecto de seguridad, también se pueden describir en términos de enfoque de
modelado. El enfoque de modelado se puede describir generalmente como "estadístico" o
"estructural". El enfoque de modelado estadístico tradicional utiliza los datos ensamblados
para guiar el desarrollo de la forma funcional del modelo y para cuantificar la correlación. Sin
embargo, como señala Hauer (5), los modeladores no tienen una teoría que guíe la elección de
la forma del modelo ni procedimientos reconocidos para formular esta forma. La práctica
actual es plantear algunas funciones alternativas y elegir la que mejor se ajuste a los datos
existentes. Como resultado, las funciones del modelo tienden a tener estructuras demasiado
simplistas y más constantes empíricas que variables. Las formas funcionales incorrectamente
especificadas pueden ser tan problemáticas como tener variables independientes

correlacionadas o heterogeneidad no observada en los datos. Además, una forma funcional
impropia puede inducir correlaciones inexistentes y aumentar artificialmente la varianza del
error. Hauer (6) señala que el desarrollo de modelos estadísticos podría mejorarse si los
modeladores posteriores utilizaran conocimientos previos sobre formas funcionales
específicas y efectos de factores en su desarrollo de modelos estadísticos. Hauer sugiere que la
clave para obtener modelos creíbles es la consistencia con la que se encuentra el mismo efecto
en los datos, y la clave para el avance científico es el grado en que estos hallazgos se utilizan en
desarrollos de modelos posteriores. Sin embargo, la práctica actual en el desarrollo de
modelos estadísticos es usar solo los datos ensamblados para guiar el desarrollo del modelo,
con el resultado, con demasiada frecuencia, de una función diferente y (un conjunto diferente
de coeficientes del modelo) para cada esfuerzo de investigación que investiga un factor o
tratamiento similar. El enfoque de modelado estructural (también conocido como modelado
basado en mecanismos) se caracteriza por utilizar conocimientos previos para describir la
relación entre las variables de entrada (exógenas) y la variable de respuesta. La descripción es
en forma de ecuaciones que describen las dependencias causales entre las variables del
modelo (7). Las ecuaciones pueden basarse en construcciones teóricas o relaciones derivadas
empíricamente. Describen el sistema vehículo-conductor en términos de física,
comportamiento del conductor y la interacción de los vehículos con el entorno de la carretera.
En el Apéndice D se proporcionan más detalles sobre los enfoques de modelado estructural.
Desde el punto de vista del modelado matemático, el enfoque de modelado estructural se
puede caracterizar como un modelo de caja clara (o caja blanca) porque se usa información
previa para desarrollar la formulación del modelo. La ventaja de un modelo de caja clara es
que proporciona un marco para el avance científico y transparencia para la interpretación de
las dependencias causales. Por el contrario, el enfoque de modelado estadístico tradicional se
puede caracterizar como más cercano al modelado de caja negra porque hay una confianza
limitada en la información previa para desarrollar la forma funcional y ningún elemento de
causalidad (solo correlación). Copyright Academia Nacional de Ciencias. Todos los derechos
reservados.Teoría, explicación y predicción en la seguridad vial 5 Antecedentes Método de
calibración del modelo Esta sección describe los diversos diseños de estudio utilizados para la
calibración del modelo. El enfoque de la discusión en esta sección se basa en la predicción de
la frecuencia esperada de choques para una instalación; sin embargo, podrían aplicarse otras
medidas de seguridad o sustitutos. Un criterio para establecer el diseño del estudio se basa en
la aplicación prevista del modelo. Si el modelo pretende cuantificar la seguridad de una
instalación, los datos del historial de accidentes recientes se consideran la mejor
representación. Los datos de series temporales se pueden utilizar para ampliar la extensión
temporal del análisis. Si se pretende que el modelo sea transferible a otras instalaciones, a
menudo se utilizan datos de sección transversal o de panel. Si el modelo está destinado a
cuantificar el cambio en la seguridad asociado con un cambio en la condición de una
instalación, a menudo se utilizan datos de antes y después. Si se pretende que el cambio en la
seguridad sea transferible a otras instalaciones, a menudo se utilizan datos de antes y después
de múltiples instalaciones. Cuando se utilizan datos de múltiples instalaciones, se pueden
utilizar pruebas estadísticas de heterogeneidad no observada para determinar si existen
diferencias sistemáticas no explicadas en la seguridad (o el efecto de la seguridad) entre las
instalaciones. Idealmente, la función del modelo se refina para tener en cuenta estas
diferencias. Cuando la heterogeneidad no puede tenerse en cuenta de esta manera, se tiene
en cuenta en la estructura de varianza del modelo y en los intervalos de confianza de los
coeficientes. En este sentido, la estructura binomial negativa con un término de error
distribuido gamma se usa a menudo para dar cuenta de la heterogeneidad no observada. Sin

embargo, Anastasopoulos y Mannering (8) argumentan que un análisis de parámetros
aleatorios es más eficaz para dar cuenta de la heterogeneidad no observada en los segmentos
de carretera. Por el contrario, Shugan (9) argumenta que la heterogeneidad no observada
debe considerarse un error aleatorio al probar teorías. El resto de esta subsección resume
brevemente los desafíos asociados con el uso de datos de antes y después y de sección
transversal para la calibración del modelo de seguridad. Estos son los tipos de datos más
comunes utilizados para este fin. Sin embargo, es útil señalar aquí que existen otros posibles
enfoques de calibración del modelo. De particular interés es el método propuesto por Davis (4)
para estimar el efecto de un cambio en la seguridad asociado con un cambio en la condición de
una instalación específica. Este método se basa en el modelado estructural de eventos de
choque individuales a escala microscópica. Davis reconoce que este enfoque puede generar
estimaciones sesgadas del efecto de seguridad debido al sesgo de selección. Sin embargo, la
promesa de este enfoque es que describe una cadena causal plausible que explica el efecto del
cambio de condición. Davis plantea que este enfoque proporciona una visión esencial en la
búsqueda de causalidad, la identificación de factores de confusión y la formulación de
estrategias de intervención eficaces. Estudio antes-después Para aplicaciones de seguridad vial
donde los datos son observacionales, el estudio antes-después generalmente se reconoce
como el método más apropiado para cuantificar el cambio en la seguridad debido a un cambio
en la condición de la instalación. Sin embargo, como señaló Hauer (6), los estudios de antes y
después no son factibles en la práctica para la evaluación de muchos tipos específicos de
cambio. Afirma que “…las oportunidades para realizar estudios observacionales de antes y
después sobre, digamos, el efecto de seguridad del cambio en la curvatura horizontal, la
pendiente de la carretera, el ancho del carril, la mediana de la pendiente, etc., son pocas e
imperfectas. Esto es así, en parte, porque cuando se reconstruye una carretera, por lo general
se modifican varios de sus atributos a la vez y es difícil asignar el resultado a un solo factor
causal. Además, la reconstrucción de una carretera a menudo la cambia hasta tal punto que
puede no considerarse la misma unidad después de la reconstrucción” (6). Copyright Academia
Nacional de Ciencias. Todos los derechos reservados.Teoría, explicación y predicción en la
seguridad vial 6 Circular de investigación de transporte E-C179: Teoría, explicación y predicción
en la seguridad vial Una preocupación adicional sobre el estudio antes y después es que se
enfoca, intencionalmente, en un cambio en condición. El estudio de antes y después puede
verse como limitante cuando la condición cambiada representa una entidad que puede variar
en dimensión (p. ej., radio de curva, duración del intervalo amarillo). Efectivamente, sería
necesario realizar múltiples estudios para calibrar un modelo para estimar el efecto de
seguridad en toda la gama de valores dimensionales. El problema aumenta en magnitud
exponencial cuando el efecto de seguridad es una función de múltiples variables (por ejemplo,
número de carriles, velocidad). Elvik (10) describe un procedimiento para calibrar un modelo
de efecto de seguridad basado en los resultados de múltiples estudios de antes y después. Se
refiere a este tipo de modelo como una "función de modificación de accidentes". Demostró el
procedimiento para dos aplicaciones de ejemplo y discutió los desafíos asociados con el uso de
este procedimiento. Estudio transversal El estudio transversal se utiliza a menudo para
cuantificar la seguridad de una instalación. El modelo típicamente desarrollado a partir de
datos de sección transversal se denomina función de rendimiento de seguridad. Este modelo
es ampliamente reconocido como un medio eficaz para resumir la seguridad de una instalación
representada en el conjunto de datos de calibración, ya que puede variar con el tiempo. Sin
embargo, a menudo se usa para describir la seguridad de una instalación similar que no está
representada en el conjunto de datos. Esta aplicación tiene cierto riesgo y la calibración local
de este tipo de modelo generalmente se realiza para minimizar los problemas relacionados.

Hauer (6) exploró en profundidad la oportunidad de utilizar datos transversales para
cuantificar el efecto de seguridad. Cuando se usa para cuantificar el efecto de seguridad, un
modelo calibrado se usa dos veces: una vez para estimar la seguridad de una condición
específica y luego nuevamente para estimar la seguridad con una condición diferente. Luego
se infiere que la diferencia en las estimaciones de seguridad representa el efecto del cambio
en la condición sobre la seguridad. Esta aplicación está limitada a modelos que contienen una
variable que se asocia con la condición que se cambia (por ejemplo, ancho de carril). La
suposición es que el modelo predice con precisión el cambio en la seguridad en el que
incurrirían aquellas instalaciones con la condición "c" si la condición se cambiara a "t", siendo
iguales todos los demás factores. Sin embargo, si las instalaciones con la condición “c” y las
que tienen la condición “t” no son homogéneas, entonces el cambio en la seguridad no puede
atribuirse completamente al cambio en la condición (es decir, el efecto estimado se considera
confuso). Hauer (6) exploró hasta qué punto se pueden eliminar o corregir los posibles factores
de confusión, lo que permite el uso de estudios transversales para cuantificar el efecto de
seguridad. Examinó el uso de la restricción de atributos, la coincidencia de atributos y la
ecualización de atributos (a través de la regresión paramétrica). Los primeros dos métodos
fueron identificados como métodos de corrección más efectivos; sin embargo, tienen algunas
limitaciones que impiden su uso en todas las situaciones. Hauer (6) identificó varios desafíos
que deben superarse antes de que la ecualización de atributos sea un método de corrección
viable. Estos desafíos son La relación funcional elegida para el modelo de regresión puede
influir en el resultado; Una tendencia de los modeladores a depender únicamente de los datos
para cuantificar los coeficientes del modelo (es decir, ignorando el conocimiento previo); y Las
técnicas de modelado estadístico que se utilizan actualmente no están lo suficientemente
estructuradas como para que diferentes investigadores converjan en formas de modelos y
valores de coeficientes similares. Señala que la regresión bayesiana que incorpora
antecedentes informativos (basados en el conocimiento acumulado) puede superar algunos de
estos desafíos. Copyright Academia Nacional de Ciencias. Todos los derechos
reservados.Teoría, explicación y predicción en seguridad vial 7 Antecedentes NECESIDADES DE
INVESTIGACIÓN Y DESARROLLO La discusión en la sección anterior sugiere que se necesitan
avances tanto en la ciencia del enfoque de modelado como en la ciencia de la calibración del
modelo. Esta necesidad se destaca en un informe especial reciente de TRB. Este informe
establece que “los choques son eventos complejos que resultan de una combinación de
factores que afectan al conductor, el vehículo y la carretera. Por lo tanto, comprender los
factores clave que provocan un choque y desarrollar contramedidas efectivas requiere un
enfoque científico riguroso que busque identificar y aislar muchos efectos contribuyentes y, a
menudo, interrelacionados” (2). Evidencia El contenido del Manual de seguridad vial (HSM)
proporciona una perspectiva útil sobre los tipos de información de seguridad que necesitan los
profesionales para la gestión de la seguridad vial (11). Entre los muchos tipos de información
proporcionada, hay (a) modelos que pueden usarse para cuantificar la seguridad de una
instalación y (b) modelos que pueden usarse para estimar la relación entre un cambio en la
condición de la instalación y un cambio en la seguridad de la instalación. . Los métodos
utilizados para desarrollar estos modelos se centraron en gran medida en encontrar una
asociación estadística. El desarrollo del HSM culmina cinco décadas de investigación en
seguridad. Sin embargo, algunos consideran que el progreso es limitado en términos del
desarrollo de conocimientos creíbles y transferibles. Por ejemplo, una revisión de la
investigación de seguridad en la última década indica que poco de lo que se ha aprendido se
usa en investigaciones posteriores para avanzar en la ciencia de la estimación de la seguridad
(especialmente en lo que se refiere a identificar los mecanismos subyacentes relacionados con

la causalidad de los choques). Hauer (6) sugiere que las personas que han intentado una
revisión crítica de la literatura sobre seguridad “... darán fe del hecho de que muchos de los
informes de investigación encontrados se descartarán rápidamente. Se pensará que tienen un
método demasiado deficiente, demasiado pequeños para sacar conclusiones, inconclusos,
obsoletos, de mensaje oscuro, sesgados o gravemente defectuosos. Al final, uno se queda con
muy pocos estudios que no sean obviamente poco confiables y cuyos resultados no se
contradigan entre sí” (6). Una revisión de la literatura sobre seguridad realizada por Davis (4)
reveló preocupaciones de naturaleza similar. Como ejemplo, citó la investigación sobre el
efecto de un aumento de la velocidad (en particular, un aumento en el límite de velocidad
máxima nacional). Identificó dos revisiones de la literatura sobre velocidad y seguridad que
fueron encargadas por el TRB (12, 13). Los dos revisores independientes citaron 73 y 65
fuentes, respectivamente, antes de concluir que "... aunque la evidencia tendió a respaldar la
idea de que el riesgo de accidentes aumentaba con la velocidad, se necesitaban más estudios
para determinar cuándo los cambios en el límite de velocidad afectan los accidentes o para
predecir el tamaño de los accidentes". estos efectos” (4). En el ámbito de la seguridad vial,
este gran número de fuentes que abordan un tema común es raro. Es una indicación de que el
tema de investigación representa un área de importante necesidad de información y la
correspondiente inversión en investigación. El hecho de que se sepa tan poco después de este
nivel de gasto de recursos podría tomarse como una indicación de la necesidad de una mayor
mejora en la ciencia de la estimación de la seguridad (con suerte, este resultado no será
interpretado por las agencias de financiación de la investigación de que la pregunta no puede
responderse). ). Copyright Academia Nacional de Ciencias. Todos los derechos
reservados.Teoría, explicación y predicción en la seguridad vial 8 Circular de investigación de
transporte E-C179: Teoría, explicación y predicción en la seguridad vial Establecimiento de una
base teórica para la explicación Elvik (14) observó que “Uno de los principales problemas de la
seguridad vial investigación de evaluación de seguridad es el hecho de que la mayor parte de
esta investigación no tiene una base teórica sólida, que guía el diseño de los estudios y la
interpretación de los resultados del estudio. La falta de una base teórica sólida para la
investigación significa que pocos resultados de los estudios de evaluación de la seguridad vial
pueden descartarse sobre bases teóricas” (14). Sugiere que un tratamiento de seguridad vial
normalmente influye en la seguridad vial a través de dos cadenas causales: (1) el efecto de
ingeniería y (2) la retroalimentación del comportamiento humano a los cambios de ingeniería
(es decir, el efecto de comportamiento). Ofreció que el efecto de ingeniería de un tratamiento
se puede explicar en términos de uno o más de los nueve factores de riesgo de ingeniería.
Estos factores incluyen: energía cinética, fricción, visibilidad, compatibilidad, complejidad,
previsibilidad, racionalidad individual, vulnerabilidad individual y perdón del sistema. Elvik (14)
planteó que el efecto de ingeniería de un tratamiento se describe por el cambio en uno o más
de los factores de riesgo, en relación con un valor umbral asociado con una condición insegura
percibida. A esta relación la llamó margen estructural de seguridad. Los ejemplos de variables
utilizadas para cuantificar el margen estructural de seguridad incluyeron la distancia visual, la
distancia lateral al peligro en el borde de la carretera, la velocidad, la demanda de fricción, etc.
El efecto conductual de un tratamiento refleja la adaptación del conductor a los cambios en el
diseño, la operación o el nivel de cumplimiento de las instalaciones. Estos cambios influyen en
la percepción de seguridad del conductor y, por tanto, en su respuesta al cambio. Elvik (14)
identifica varios factores que influyen en la adaptación del comportamiento de los usuarios de
la carretera, a saber: la facilidad con que se nota una medida; Adaptación conductual
antecedente a los factores de riesgo básicos (que reduce el potencial de una mayor adaptación
debido a un cambio específico); Tamaño del efecto de ingeniería sobre los factores de riesgo

genéricos; Si una medida reduce o no principalmente la gravedad de las lesiones; El tamaño
probable de los daños materiales incurridos en un accidente; y Si se puede obtener o no una
utilidad adicional. El efecto de ingeniería y el efecto de comportamiento pueden compensarse
en diversos grados, dependiendo de la facilidad con la que los conductores detecten el cambio
y las consecuencias percibidas por el conductor de un choque. El desarrollo de principios
teóricos para guiar la evaluación de la seguridad y formar una base para el desarrollo de
modelos no estará exento de desafíos. Algunos intentos previos de explicación teórica no han
resultado fructíferos y, de hecho, pueden haber sido engañosos. El progreso en el desarrollo
de teorías basadas en la seguridad puede llevar más tiempo que en otras áreas (p. ej., flujo de
tráfico Copyright National Academy of Sciences. Todos los derechos reservados. Teoría,
explicación y predicción en la seguridad vial 9 Teoría de fondo) y requerirá una comprensión
profunda del comportamiento y la adaptación del conductor. El avance creíble requerirá que
todas las teorías se basen en evidencia empírica. Las pruebas necesarias para confirmar las
teorías deberían ser más rigurosas que las utilizadas para establecer la correlación estadística
(9). En el Apéndice C se proporciona más discusión sobre estos temas y desafíos. Enfoque de
modelado estructural Otros campos científicos han experimentado desafíos similares al avance
de los métodos para la evaluación científica. Los investigadores de seguridad vial pueden
aprender de estos campos aliados. Por ejemplo, considere el modelo de tres etapas de Paul
Thagard (15) sobre el progreso en la explicación de la enfermedad. En la primera etapa, los
investigadores identifican asociaciones fiables entre la aparición de enfermedades y otros
factores. Luego, en la segunda etapa, las asociaciones se utilizan para establecer conexiones
causales. Finalmente, en la tercera etapa, los investigadores trabajan para identificar los
mecanismos subyacentes de la enfermedad. Cuando se ha identificado el mecanismo,
aumenta el abanico de posibles tratamientos. Pero mientras que los métodos estadísticos
suelen ser centrales en las dos primeras etapas, a menudo se necesitan diferentes
metodologías para la última etapa. Si el progreso no avanza a través de estas etapas, es
probable que el avance científico se vea limitado y que la inversión en investigación sea
ineficiente. La gestión racional de la seguridad vial requiere modelos causales que permitan
predecir las consecuencias de las decisiones de diseño y operación (16, 17). La teoría se utiliza
para dictar la dirección de la posible causalidad en los modelos estructurales. Los datos son
necesarios para confirmar la teoría. Luego, la teoría se usa para desentrañar las influencias de
confusión y guiar el diseño del estudio. Davis (4) argumenta que el modelado estructural es el
método apropiado para explicar las relaciones causales en la seguridad vial. Un modelo
estructural consistiría en mecanismos deterministas que se basan en conocimientos previos
sobre cómo se comporta el sistema conductor-vehículo-carretera. Usando un modelo
estructural, la predicción del efecto causal agregado de un tratamiento específico se convierte
en un enfoque de abajo hacia arriba. Primero, se identifican los mecanismos relevantes para
un tipo específico de accidente. Luego, se utilizan para cuantificar el efecto causal del
tratamiento en cada mecanismo. Finalmente, las frecuencias de los mecanismos se agregan
para la instalación de interés. Un beneficio citado de usar un enfoque de modelado estructural
es que el conocimiento previo de los mecanismos o relaciones subyacentes ayuda a guiar el
diseño experimental, el análisis de datos y la interpretación. Se proporciona más información
sobre el enfoque de modelado estructural en el Apéndice D. Investigación multidisciplinaria
Una publicación reciente de TRB que examinó la práctica de la investigación de seguridad vial
citó la necesidad de un mayor uso de equipos multidisciplinarios en proyectos de investigación
individuales (2). La razón de esta necesidad fue la observación de que los eventos de colisión
representan el resultado de una combinación compleja de condiciones ambientales, del
conductor y del vehículo que se combinan de una manera única e interrelacionada. Se logrará

una comprensión más completa de estos eventos, condiciones e interrelaciones cuando los
equipos de investigación incluyan personas con conocimientos en una variedad de áreas
disciplinarias, que incluyen: ingeniería, psicología, factores humanos, economía, estadística,
educación, aplicación de la ley, análisis de sistemas, marketing, biomecánica y salud pública.
Copyright Academia Nacional de Ciencias. Todos los derechos reservados. Teoría, Explicación y
Predicción en Seguridad Vial 10 RESUMEN Circular de Investigación en Transporte E-C179:
Teoría, Explicación y Predicción en Seguridad Vial En general, lo que se conoce con base
científica comienza con la observación de eventos, examen de datos y la reflexión sobre el
conocimiento actual. Las preguntas surgen naturalmente en forma de un deseo de
comprensión fundamental o una necesidad de mejorar la toma de decisiones. Se ofrecen
explicaciones e hipótesis (la alternativa es aceptar el statu quo). La explicación planteada se
utiliza para orientar el diseño experimental y la postulación de relaciones explicativas. Se
recopilan datos y se prueba la hipótesis. Los hallazgos se promulgan y hay un discurso
profesional sobre el tema. El conocimiento se gana. El ciclo se repite utilizando los nuevos
conocimientos como punto de partida. Con cada ciclo, la comprensión se vuelve más profunda,
los hallazgos se vuelven más consistentes y la explicación teórica evoluciona volviéndose más
refinada y creíble. En las disciplinas de ingeniería, los métodos estadísticos han proporcionado
una herramienta esencial para formular una comprensión inicial y preliminar de la relación
entre las variables. Sin embargo, un próximo paso esencial en la evolución de la comprensión
es el desarrollo de una base teórica cuantitativa para explicar las correlaciones descubiertas
por el análisis estadístico. Esta teoría se convierte entonces en el fundamento sobre el cual se
basa la comprensión de causa y efecto. Se reduce la carga que pesa sobre las estadísticas y los
datos. Los recursos se destinan al desarrollo de modelos estructurales con una base teórica
sólida, donde los datos se utilizan como medio para confirmar la teoría y calibrar el modelo.
Las generaciones futuras de profesionales reciben educación sobre los principios teóricos y
están equipados para contribuir a este conjunto de conocimientos al ingresar a la fuerza
laboral. Los profesionales reciben los modelos calibrados como base para tomar decisiones
informadas. En la evaluación de la seguridad vial, se sabe mucho sobre la relación entre
variables. Sin embargo, se sabe poco desde una perspectiva cuantitativa y teórica sobre los
procesos complejos que se combinan para desencadenar un choque. Un mayor avance
requiere un desarrollo más rápido de los principios teóricos. Inicialmente, estos principios
pueden ser simples y abordar solo los efectos principales. Se necesitarán estadísticas para
confirmar los principios teóricos. Luego, las relaciones teóricas se utilizarían para construir
modelos estructurales que expliquen la conexión entre el estado de entrada, las variables
intermedias y el resultado. Estos modelos requerirán calibración y validación usando datos. El
debate en la profesión será sobre el rigor de los principios teóricos utilizados y la solidez de los
modelos. En algunos casos, la teoría establecida permitirá a los investigadores posteriores
llenar el vacío de variables faltantes (o datos difíciles de medir) y minimizar los problemas
asociados con la calidad de los datos. Con el tiempo, los principios teóricos se perfeccionarán y
se derivarán otros nuevos; se desarrollarán modelos más robustos. En última instancia, los
principios teóricos serán lo suficientemente maduros como para que la causa y el efecto se
entiendan y acepten, y una amplia gama de modelos de predicción de seguridad estará
disponible para los profesionales para apoyar la toma de decisiones. En resumen, el campo de
la ingeniería de seguridad vial ha avanzado hasta un punto en el que podría hacer la transición
a un desarrollo más formal de principios teóricos para garantizar el uso efectivo de la
financiación limitada de la investigación y establecer una base para el avance científico futuro.
Además, el desarrollo de principios teóricos proporcionará una base sólida para educar a
nuevos profesionales de la seguridad y hacer avanzar la ciencia de la seguridad. Estos

principios formarían la base para el desarrollo de modelos para (a) estimar la seguridad de una
instalación para un conjunto dado de condiciones y (b) estimar el cambio en la seguridad como
resultado de un cambio en la condición. Los modelos formarían la base para futuras ediciones
del HSM y los modelos de simulación de seguridad que podrían complementarlo. Copyright
Academia Nacional de Ciencias. Todos los derechos reservados.Teoría, explicación y predicción
en temas de investigación de seguridad vial E l 20 y 21 de noviembre de 2008, la FHWA y TRB
copatrocinaron un taller, Direcciones futuras en el modelado de datos de choques en
carreteras. Los objetivos del taller fueron explorar futuras direcciones prometedoras en el
modelado de datos de accidentes de carretera e identificar posibles investigaciones de
seguridad avanzadas que podrían proporcionar una base teórica para explicar las causas de los
accidentes. A través de grupos de trabajo y sesiones plenarias, se pidió a los participantes que
describieran problemas y desafíos críticos, exploraran enfoques y conceptos de modelado
alternativos e identificaran las nuevas direcciones más prometedoras para explicar las causas
que contribuyen a los choques. Esta parte del documento resume la discusión y describe las
áreas y los componentes de la investigación de seguridad avanzada potencial identificados por
los participantes individuales en el taller. Se identificaron cuatro áreas temáticas principales de
investigación, como se muestra en la Tabla 1. Cada área temática se muestra en la tabla para
constar de varios componentes de investigación. Estos componentes identifican proyectos de
investigación específicos para abordar los problemas asociados con cada área temática. Estas
áreas y componentes se describen con más detalle en las secciones restantes. ÁREA TEMÁTICA
1: MODELADO ESTRUCTURAL El pronóstico estadístico es una metodología poderosa, pero por
su naturaleza no puede usarse para probar la causalidad. El modelado estructural se ha
propuesto como un enfoque para el análisis de choques que puede identificar cómo y por qué
ocurren los choques. Esta sección describe la investigación para avanzar en la TABLA 1 Áreas
temáticas de investigación y componentes Área temática Componente de investigación
Modelado estructural Documentar el estado del arte en modelado estructural. Desarrollo de
modelos de comportamiento de conductores para modelado estructural. Investigación en el
área de modelado estructural. Relacionar modelos estadísticos y estructurales mediante
simulación estocástica. Medidas sucedáneas de seguridad Esfuerzo sustitutivo de alcance:
definición, criterios, necesidades y prioridades. Evaluar y validar medidas sustitutas candidatas.
Demostrar la aplicación de los sustitutos más prometedores en situaciones apropiadas. Aplicar
sustitutos para desarrollar una comprensión fundamental de los problemas de seguridad.
Derivación de medidas de oportunidad de choque. Mejorar la evaluación de la eficacia de la
intervención Taxonomía de los modelos de predicción de choques: fortalezas, debilidades,
aplicaciones. Mejoras técnicas al enfoque empírico de Bayes. Investigación del uso de ensayos
aleatorios para la investigación de seguridad vial. Métodos de análisis para la evaluación de
entidades de alto rendimiento. Marco para desarrollar y probar la idoneidad de modelos
alternativos o métodos de modelado. Enfoques de modelado de la seguridad y el
comportamiento del conductor a múltiples escalas Simulador de conducción y
complementariedades de datos viales. Modelos que capturan la transición micro-macro
(modelado multiescala). Adaptación del usuario de la vía en múltiples escalas de tiempo
(milisegundos a meses). 11 Copyright Academia Nacional de Ciencias. Todos los derechos
reservados.Teoría, explicación y predicción en seguridad vial 12 Circular de investigación de
transporte E-C179: Teoría, explicación y predicción en seguridad vial comprensión y aplicación
del enfoque de modelado estructural en el área de evaluación de seguridad vial. Documentar
el estado del arte en modelado estructural Este componente de investigación documentaría el
estado del arte en áreas relacionadas con el modelado estructural. Los temas de investigación
incluyen: métodos para agregar información de seguridad, margen de análisis de seguridad,

mecánica de choques de vehículos, modelos de comportamiento de los usuarios de la
carretera, sustitutos de seguridad y métodos estadísticos para la calibración del modelo. Esta
investigación proporcionaría una base de conocimientos para proyectos de investigación
posteriores. Desarrollo de modelos de comportamiento del conductor para el modelado
estructural Desarrolle representaciones realistas del comportamiento de los usuarios de la vía
para su uso en modelos estructurales, teniendo en cuenta a todos los usuarios de la vía,
incluidos los conductores, peatones y motociclistas. El enfoque estaría en los
comportamientos de los conductores asociados con las entradas de ingeniería. Se reconoce
que los desafíos para avanzar en esta área son significativos. Las variaciones demográficas en
el comportamiento de los conductores serán un gran desafío. Investigación en el Área de
Modelado Estructural Esta investigación desarrollaría un marco y procedimientos para
construir modelos estructurales para la predicción de la seguridad vial a nivel microscópico de
detalle. La investigación desarrollaría técnicas para construir una representación gráfica del
sistema conductor-vehículo-entorno y luego usaría esta representación para definir modelos
de mecanismos y modelos empíricos como parte de la cadena causal. Es probable que el
conocimiento y las habilidades para construir modelos estructurales integrales incluyan
experiencia en varias disciplinas que generalmente no se cubren en la educación de posgrado
en ingeniería civil. Por lo tanto, este componente de investigación incluiría una serie de
oportunidades educativas y talleres que demuestren el beneficio del modelado estructural y
describan los procedimientos para construirlos. Relación de modelos estadísticos y
estructurales mediante simulación estocástica Los modelos estructurales son prometedores
para describir con precisión cómo y por qué ocurren los choques a un nivel de detalle
microscópico. Por otro lado, los modelos estadísticos macroscópicos pueden describir la
variación en la ocurrencia de choques sobre la base de muestras grandes que no son prácticas
para los modelos estructurales. Esta investigación exploraría el uso de modelos de simulación
estocástica como un medio para cerrar la brecha entre los métodos de modelado estructural y
estadístico, y también desarrollaría métodos para usar modelos estructurales microscópicos,
simulación o ambos para el desarrollo de modelos macroscópicos de predicción de seguridad.
Copyright Academia Nacional de Ciencias. Todos los derechos reservados. Teoría, explicación y
predicción en seguridad vial 13 Temas de investigación ÁREA TEMÁTICA 2: MEDIDAS DE
SEGURIDAD SUBROGADAS Las medidas de seguridad sustitutas proporcionan un medio
importante para evaluar tratamientos alternativos de seguridad, especialmente cuando estos
tratamientos no se prestan a la evaluación con datos de accidentes . Los sustitutos permiten a
los ingenieros evaluar la seguridad de las instalaciones en un período de tiempo más corto y a
un costo menor de lo que sería necesario al usar datos de accidentes. La evaluación de
medidas sustitutas también podría proporcionar información sobre el proceso de causalidad
del accidente. Esta sección describe la investigación potencial para garantizar la máxima
utilidad de las medidas de seguridad sustitutas. Esfuerzo de determinación del alcance de los
sustitutos: definición, criterios, necesidades y prioridades Un componente de investigación
inicial se centraría en una revisión de vanguardia del conocimiento en el área de las medidas
de seguridad de los sustitutos. Este esfuerzo identificaría y definiría medidas sustitutas
candidatas. Establecería criterios para evaluar la validez de medidas sustitutivas alternativas.
Los criterios considerarían el uso y la utilidad de cada medida en la evaluación de la seguridad
vial. Posteriormente, la investigación identificaría las funciones potenciales de cada medida
candidata (p. ej., para la evaluación de contramedidas o como una variable independiente en
un modelo de predicción de seguridad). Evaluar y validar medidas sustitutas candidatas Este
componente de investigación consistiría en una serie de proyectos de investigación separados.
Cada proyecto evaluaría y validaría una medida de seguridad sustituta candidata o una clase

específica de medidas relacionadas (p. ej., sustitutas de modelos de simulación, sustitutas de
estudios de campo). Un elemento clave de esta evaluación es cuantificar la fuerza de la
relación entre la medida sustituta y la frecuencia de accidentes. La evaluación también se
usaría para identificar las aplicaciones potenciales y el mejor uso de cada medida sustituta. Por
ejemplo, ¿es la medida apropiada para la evaluación de tipos de vías, tipos de vehículos y
áreas geográficas específicas? Se evaluarían y describirían métodos alternativos para medir un
sustituto en el campo. También se abordaría el nivel de esfuerzo para recolectar cada medida
sustituta en el campo. Demostrar la aplicación de los sustitutos más prometedores en
situaciones apropiadas Este componente de investigación consistiría en una serie de proyectos
de investigación separados. Cada proyecto demostraría la aplicación de una medida de
seguridad sustituta (o clase de medidas sustitutas relacionadas). Las medidas consideradas
para esta actividad serían aquellas evaluadas en los componentes de investigación anteriores e
identificadas como las más prometedoras. Se prevé que este componente de investigación
incluiría un circuito de retroalimentación que refinaría aún más la definición, el rol, la
aplicación, el método de recopilación de datos y la utilidad de la medida sustituta. Aplicar
sustitutos para desarrollar una comprensión fundamental de los problemas de seguridad Este
componente de investigación consistiría en una serie de proyectos de investigación separados.
Cada proyecto evaluaría la capacidad de cada sucedáneo de seguridad (o clase de medidas
sustitutas relacionadas) para describir la seguridad de las instalaciones o para cuantificar el
efecto de seguridad de un tratamiento. También se evaluaría el uso potencial de sustitutos en
modelos estructurales y modelos de predicción de seguridad. Copyright Academia Nacional de
Ciencias. Todos los derechos reservados.Teoría, Explicación y Predicción en Seguridad Vial 14
Circular de Investigación en Transporte E-C179: Teoría, Explicación y Predicción en Seguridad
Vial Derivación de Medidas de Oportunidad de Choque El objetivo de este componente de
investigación es evaluar la idoneidad de incorporar el concepto de oportunidades de colisión o
interacciones de vehículos en modelos de predicción de colisiones. Estos tipos de métricas de
exposición reemplazarían la variable de volumen de tráfico actualmente utilizada en la mayoría
de los modelos macroscópicos. La idea es encontrar una métrica que (1) se correlacione de
manera más consistente con el conteo de choques que con el volumen de tráfico y (2) se
observe fácilmente o se pueda estimar con precisión a partir del volumen de tráfico. La
investigación se centraría en el desarrollo de métricas de exposición para tipos de accidentes
específicos, como puede ocurrir en tipos específicos de instalaciones. ÁREA TEMÁTICA 3:
MEJORAR LA EVALUACIÓN DE LA EFICACIA DE LAS INTERVENCIONES Comprender la eficacia de
las intervenciones específicas de seguridad vial sigue siendo un tema crítico en la seguridad
vial. Se han logrado avances en muchos métodos de análisis, pero queda margen para mejorar
su aplicación a la evaluación de la seguridad vial. Esta área temática pretende centrar la
investigación en la mejora de los métodos estadísticos. El objetivo es aumentar la solidez de
los métodos existentes, así como investigar la viabilidad de nuevos métodos. Taxonomía de los
modelos de predicción de choques: fortalezas, debilidades y aplicaciones Este componente de
investigación desarrollaría un documento de síntesis que catalogue las diversas formas de
modelos que se utilizan para predecir la frecuencia de los choques. También describiría la base
teórica o práctica de cada modelo junto con sus fortalezas y debilidades. La información
obtenida a través de esta investigación probablemente sería de valor para los investigadores
centrados en otros componentes de esta área temática. Por lo tanto, este componente de
investigación precedería a los demás componentes de esta área temática. Mejoras técnicas al
enfoque empírico de Bayes La fortaleza del enfoque empírico de Bayes para evaluar el efecto
de seguridad radica en el hecho de que compara la condición de seguridad observada después
del tratamiento con la condición de seguridad esperada en el período de tiempo posterior al

tratamiento si el tratamiento no se hubiera realizado. aplicado (es decir, lo que habría
sucedido sin tratamiento, también conocido como la predicción contrafactual). Sin embargo,
se ha observado que los métodos actuales para la predicción contrafáctica no tienen en cuenta
con precisión el efecto de las tendencias temporales entre los períodos anterior y posterior.
También se ha sugerido que se necesita más investigación sobre la especificación del término
de error utilizado para estimar el resultado contrafáctico. En términos más generales, esta
investigación desarrollaría mejores métodos para la predicción contrafáctica. Investigación del
uso de ensayos aleatorios para la investigación de la seguridad vial Los investigadores médicos,
farmacéuticos y de salud pública han utilizado ensayos aleatorios en sus investigaciones sobre
la eficacia de los tratamientos médicos y farmacéuticos durante décadas. En la investigación de
seguridad vial, se ha afirmado comúnmente que esto no es posible debido a la Academia
Nacional de Ciencias de Copyright. Todos los derechos reservados.Teoría, Explicación y
Predicción en Seguridad Vial 15 Temas de Investigación circunstancias físicas e institucionales
inherentes a la operación vial. Este componente de investigación identificaría oportunidades
para diseñar experimentos controlados para cuantificar la efectividad de tratamientos
específicos de seguridad vial. Estos experimentos cumplirían los objetivos de un marco de
ensayo aleatorio dentro de las limitaciones físicas e institucionales inherentes a las
operaciones viales. Se priorizarían las oportunidades identificadas y se realizarían los
experimentos. Los hallazgos de este componente de investigación se utilizarían para
documentar la promesa potencial de los ensayos aleatorios para la evaluación de la seguridad
vial y los tratamientos a los que puede ser más susceptible. Si es posible, los hallazgos se
compararían con los obtenidos de los hallazgos de estudios antes y después más tradicionales,
se identificarían las oportunidades de mejora del método de estudio antes y después de modo
que sería más probable que arrojara resultados tan precisos como los de un estudio
aleatorizado. prueba. Métodos de análisis para la evaluación de las entidades de mejor
desempeño En la investigación de seguridad vial, la mayor parte del enfoque se ha centrado en
las secciones o intersecciones de carreteras más peligrosas (es decir, las entidades de peor
desempeño) para descubrir qué se debe hacer para que sean más seguras. Por el contrario, los
investigadores deportivos se centran con frecuencia en los atletas de mayor rendimiento para
averiguar qué están haciendo para facilitar su rendimiento superior. Se ha sugerido que los
investigadores de seguridad vial podrían concentrarse en las carreteras e intersecciones de
mejor desempeño, es decir, aquellas con pocos o ningún choque, para ver qué se puede
aprender sobre cómo hacer que todas las carreteras sean más seguras. Este enfoque de
investigación desarrollaría e implementaría un plan para investigar el mérito de este enfoque.
Documentaría los hallazgos y describiría los procedimientos para usar este método para
cuantificar la seguridad de una instalación o el efecto de un tratamiento en la seguridad.
Marco para desarrollar y probar la idoneidad de modelos alternativos o métodos de modelado
Se seguirán desarrollando métodos nuevos y mejorados para el análisis de datos. Lo que falta
es una herramienta para evaluar hasta qué punto un método logra identificar la relación
causa-efecto en los datos. El desarrollo de tal herramienta es factible. Podría consistir en la
construcción de datos realistas artificiales (ARD) en los que una agencia independiente conoce
la estructura causa-efecto subyacente. Luego, los datos serían utilizados por investigadores
que no tienen conocimiento de la estructura causa-efecto y que aplicarían el método que
desean probar. Entonces sería evidente el grado en que lo logran. En el Apéndice E se
proporciona una discusión más completa sobre el papel de ARD en la investigación de
seguridad vial. ÁREA TEMÁTICA 4: SEGURIDAD MULTIESCALA Y ENFOQUES DE MODELADO DEL
COMPORTAMIENTO DEL CONDUCTOR El aspecto más crítico, y quizás el menos comprendido,
de la seguridad vial es el componente humano. El error humano es un factor que contribuye a

los bloqueos, pero se sabe muy poco sobre los comportamientos reales que conducen al
bloqueo. Una mejor comprensión de las acciones (y reacciones) del conductor en respuesta al
entorno de conducción proporcionaría información sobre la selección y el diseño de los
tratamientos de seguridad. Junto con esta investigación, se encuentra la investigación sobre la
evaluación del riesgo del conductor y su influencia en la adaptación del conductor a la
intervención o el cambio. La medida en que esta comprensión Copyright Academia Nacional de
Ciencias. Todos los derechos reservados.Teoría, explicación y predicción en seguridad vial 16
Circular de investigación de transporte E-C179: Teoría, explicación y predicción en seguridad
vial puede describirse en términos de relaciones cuantitativas influirá en la utilidad de los
resultados de la investigación. Una extensión desafiante de esta investigación es la traducción
de las observaciones de las interacciones de los usuarios individuales a la escala de una
carretera o región completa. Los componentes de investigación asociados con este tema de
investigación se describen en el resto de esta sección. Complementidades del simulador de
conducción y los datos de la carretera Los simuladores de conducción se han utilizado
ampliamente para crear un entorno controlado en el que observar la respuesta del conductor
a los cambios en el diseño, la operación o los factores ambientales de la carretera. Si bien la
fidelidad natural de los simuladores de conducción ha avanzado notablemente en los últimos
años, todavía hay algunas dudas sobre su capacidad para capturar la respuesta del conductor
con precisión. El propósito de esta investigación sería investigar la relación entre las
observaciones de la respuesta del conductor a los cambios en el diseño de la carretera, la
operación y los factores ambientales. Estos datos se utilizarían para mejorar los modelos de
simulación de conductores y validar sus predicciones. Modelos que capturan la transición
micro-macro: modelado multiescala La seguridad vial puede observarse y analizarse en una
variedad de escalas físicas, desde la escala de conductores individuales (microscópica), a
segmentos de carretera e intersecciones definidas (macroscópica), a grandes áreas geográficas
(macroscópica ). Los modelos aplicados en cada una de estas escalas utilizan diferentes tipos
de variables predictoras, en parte debido a los diferentes fenómenos involucrados, pero
también por el tipo de observaciones de datos que están disponibles en cada escala. El
objetivo de esta investigación sería desarrollar sistemas de modelos que puedan trascender
estas diversas escalas físicas y hacer uso de toda la información de seguridad disponible.
Adaptación de los usuarios de las carreteras en múltiples escalas de tiempo: de milisegundos a
meses Uno de los principales obstáculos para el desarrollo de modelos estructurales sólidos es
la cantidad limitada de conocimiento sobre cómo los usuarios de las carreteras se adaptan a
las intervenciones y a los cambios operativos y de diseño. Especialmente importante es el
conocimiento sobre la adaptación del conductor a los cambios en el límite de velocidad y, de
manera más general, la adaptación del conductor a cualquier intervención que pretenda
cambiar la velocidad del conductor. La investigación sería exhaustiva en su investigación de los
factores que influyen en la respuesta y la adaptación de los usuarios de las carreteras a lo largo
del tiempo, incluido cómo medir la adaptación y cómo modelarla. RESUMEN Esta sección
proporciona un resumen de la discusión que tuvo lugar durante el taller y destaca los
elementos clave de la investigación avanzada para un mayor desarrollo de la evaluación de
seguridad basada en la ciencia y de modelos predictivos de seguridad vial más estables,
confiables y transferibles. Se reconoce que la actual debilidad de la teoría relacionada con la
seguridad obstaculiza la creación de conocimientos aplicables fiables sobre causa y efecto para
la gestión de la seguridad vial. Los participantes del taller identificaron investigaciones
potenciales para desarrollar esta teoría utilizando un enfoque de modelado estructural. La
investigación desarrollaría relaciones teóricas y empíricas que modelen colectivamente el
sistema conductor-vehículo-ambiente con el propósito de explicar causa y efecto. En este

contexto, se entiende por teoría cualquier construcción que: (a) esté basada en (y sea
coherente con) los derechos de autor disponibles de la Academia Nacional de Ciencias. Todos
los derechos reservados. Teoría, explicación y predicción en seguridad vial 17 Temas de
investigación basados en evidencia y (b) es comprobable con (y es probado por) datos basados
en choques. Se prevé que esta investigación requiera la participación activa de investigadores
de múltiples áreas disciplinarias. Muchos participantes sugirieron que las medidas de
seguridad sustitutas ofrecen una promesa e importancia considerables en la evaluación de la
seguridad vial. Lo que obstaculiza su aplicación es la escasa investigación sobre el vínculo entre
los sustitutos y la seguridad basada en choques. Es comprobable si un determinado sustituto
predice la seguridad basada en choques. Sin tales pruebas, el uso de sustitutos seguirá siendo
cuestionable. Por lo tanto, se identificaron investigaciones para establecer la fuerza de la
relación entre varios sustitutos y la seguridad basada en accidentes. Para crear información
basada en choques sobre el efecto de las intervenciones y decisiones, es necesario predecir
qué habría sucedido si no se aplicara la intervención o si se tomara una decisión diferente.
Dado que los participantes del taller plantearon algunas dudas sobre la precisión de los
métodos de predicción contrafactual que se utilizan en la actualidad, se identificaron
investigaciones para desarrollar mejores métodos de predicción contrafactual. Se seguirán
desarrollando métodos nuevos y mejorados para el análisis de datos. Lo que falta es una
herramienta para evaluar hasta qué punto un método candidato logra identificar la relación de
causa y efecto en los datos. El desarrollo de tal herramienta es factible. Consistiría en construir
ARD, dentro del cual la estructura de causa y efecto es conocida por una agencia
independiente. Luego, los datos serían utilizados por investigadores que no tienen
conocimiento de la estructura de causa y efecto. Los investigadores aplicarían el método que
desean probar y el grado de éxito sería entonces evidente. Los participantes del taller
identificaron investigaciones potenciales para desarrollar y aplicar la herramienta ARD. Uno de
los principales obstáculos para el desarrollo de teorías sólidas es la debilidad del conocimiento
acerca de cómo los usuarios de las vías se adaptan a las intervenciones ya las decisiones de
diseño y operación. Especialmente importante es el conocimiento sobre la adaptación de la
velocidad y cómo las decisiones de ingeniería afectan la elección de la velocidad. Por lo tanto,
se identificó la investigación potencial a largo plazo sobre la adaptación (con prioridad en la
adaptación de la velocidad). Debido a su influencia fundamental en muchos de los
componentes de investigación y áreas temáticas antes mencionadas, muchos participantes
consideraron que sería deseable que la investigación sobre la adaptación de los usuarios de las
carreteras se llevara a cabo en las primeras etapas de la implementación de las actividades de
investigación de seguridad avanzada descritas en este documento. Copyright Academia
Nacional de Ciencias. Todos los derechos reservados. Teoría, explicación y predicción en la
seguridad vial APÉNDICE A Taller sobre direcciones futuras en el modelado de datos de
choques en las carreteras Agenda JUEVES 20 DE NOVIEMBRE DE 2008 8:00 am–5:00 pm
Bienvenido R. Pain, TRB (8:00 –8:10 am) Palabras de apertura J. Toole, FHWA (8:10–8:30 am)
Resumen y objetivos del taller R. Krammes (8:30–8:45 am) Resalte los objetivos del taller y el
producto deseado. Revisar la agenda Creación de modelos macroscópicos J. Bonneson (8:45–
9:30 a. m.) Resuma la necesidad y los beneficios de una base teórica más sólida que subyace al
modelado macroscópico de datos de choques en las carreteras. Descanso (9:30–9:50 am)
Métodos de análisis de seguridad prometedores de Allied Fields R. Krammes, moderador
(9:50–11:30 am; 25 min/orador) Causa y efecto en estudios transversales observacionales E.
Hauer Criterios para la inferencia causal: lecciones de la epidemiología aplicada a la evaluación
de la seguridad R. Elvik Cuantificación del desempeño humano para el modelado de datos de
choques D. Shinar Almuerzo (11:30 a. Moderador (12:30–1:50 p. m.; 20 min/orador) 18

predicción en la seguridad vial Apéndice A Análisis causal en la seguridad vial utilizando
modelos estructurales G. Davis El enfoque de la teoría del valor extremo para la estimación de
la seguridad A. Modelado de Tarko Frecuencia y gravedad de choques fuera de la carretera D.
Sicking Descanso (1:50–2:10 pm) SESIONES DE DEBATE FACILITADAS Parte I Sesión 1: Principios
rectores (para las sesiones del taller y el producto) Sesión plenaria, facilitada por J. Mason,
grabada por J. Bonneson (2:10–2:40 pm) Áreas temáticas candidatas para definir los principios
rectores: Cliente; Ámbito de la investigación (avanzada, aplicada, síntesis, implementación);
Relación con otros planes, proyectos e iniciativas de investigación de seguridad; Marco de
tiempo (corto, largo, ambos, en curso); restricciones; y Otros elementos del alcance o
supuestos. Sesión 2: Reflexión, Evaluación y Formulación del Plan Sesión plenaria, facilitada
por J. Mason, grabada por J. Bonneson (2:40–5:00 pm) Objetivos de la discusión: Identificar y
evaluar métodos prometedores; Identificar los desafíos para el avance de los métodos;
Formular un plan para el avance de la ciencia de la seguridad vial; e Identificar las áreas de
énfasis asociadas con el plan y la investigación avanzada necesaria. 19 Sesión 3: Grupos de
trabajo y temas para la Sesión 3 que se basarán en las áreas de énfasis del plan y las
necesidades de investigación identificadas en esta sesión. Copyright Academia Nacional de
Ciencias. Todos los derechos reservados.Teoría, explicación y predicción en la seguridad vial 20
Circular de investigación de transporte E-C179: Teoría, explicación y predicción en la seguridad
vial VIERNES 21 DE NOVIEMBRE DE 2008 8:00 am–mediodía Plan para el segundo día J.
Bonneson (8 :00–8:15 am) Organizar grupos de trabajo para la Sesión 3 SESIONES DE
DISCUSIÓN FACILITADAS Parte II Sesión 3: Grupos de trabajo para desarrollar áreas de énfasis y
necesidades de investigación Sesión de trabajo, facilitada por el líder de grupo designado, con
el registrador designado (8:159:45 am ) Actividades grupales: Definir visión y metas para el
tema asignado; Identifique el área o áreas de énfasis (panorama general, sin buscar
enunciados de problemas de investigación específicos); y Dentro de cada área Identificar las
necesidades específicas de investigación, describir el estado actual, los resultados o beneficios
esperados, la relación con otras áreas de énfasis, el cronograma o el cronograma. Break
Recorders proporciona archivos de Word o PowerPoint a J. Bonneson (9:45–10:15 am) Sesión
4: Revisión grupal y organización de áreas y necesidades Sesión plenaria, facilitada por J.
Mason, grabada por J. Bonneson (10:15 –10:50 am) Actividades: Informes de registradores por
grupo (2 a 3 min por grupo); Discusión para organizar y refinar áreas de énfasis y necesidades;
y Discusión del plan de avance (cronograma, gestión). Sesión 5: Discusión en grupo Sesión
plenaria, facilitada por J. Mason, grabada por J. Bonneson (10:50–11:35 am) Actividades:
Identificar los socios necesarios (agencias de financiamiento, organizaciones profesionales,
etc.) y Próximos pasos. Copyright Academia Nacional de Ciencias. Todos los derechos
reservados. Teoría, explicación y predicción en la seguridad vial 21 Apéndice A CIERRE R.
Krammes (11:35 am–mediodía) Resumen de resultados Palabras de cierre Copyright National
Academy of Sciences. Reservados todos los derechos. 22 APÉNDICE B Participantes del taller
James Bonneson Instituto de Transporte de Texas j-bonneson@tamu.edu Kenneth Campbell
TRB kcampbell@nas.edu Chou-Lin Chen Centro Nacional de Estadísticas y Análisis NHTSA chou-
lin.chen@nhtsa.dot.gov Forrest Council Highway Centro de Investigación de Seguridad
Universidad de Carolina del Norte, Chapel Hill f_council@unc.edu Gary Davis Universidad de
Minnesota drtrips@umn.edu Rune Elvik Instituto de Economía del Transporte
Rune.Elvik@toi.no Thomas Granda FHWA Thomas.Granda@fhwa.dot.gov David Harkey
Universidad de Carolina del Norte, Chapel Hill david_harkey@unc.edu Doug Harwood Instituto
de Investigación del Medio Oeste dharwood@mriresearch.org Ezra Hauer Universidad de
Toronto ezra.hauer@utoronto.ca Patricia Hu Laboratorio Nacional de Oak Ridge

hups@ornl.gov Universidad John Ivan de Connecticut john.ivan@uconn.edu Paul Jovanis
Universidad Estatal de Pensilvania PPJ2@engr.psu.edu Ray Krammes FHWA
Ray.Krammes@fhwa.dot.gov Dr. John Lee Universidad de Iowa jdlee@engineering.uiowa.edu
Neil Lerner Westat lernern1@w estat.com Universidad John Mason Auburn
jmason@engr.psu.edu Universidad Bhagwant Persaud Ryerson bpersaud@ryerson.ca
Universidad David Ragland de California, Berkeley davidr@berkeley.edu David Shinar
Universidad Ben Gurion del Negev shinar@bgu.ac.il Dean Sicking Universidad de Nebraska
dsicking@unl.edu Carol Tan FHWA Carol.Tan@fhwa.dot.gov Teoría, explicación y predicción en
la seguridad vial Copyright National Academy of Sciences. Todos los derechos reservados.
Teoría, explicación y predicción de la seguridad vial 23 Apéndice A Andrew Tarko Purdue
University tarko@purdue.edu Simon Washington Arizona State University
simon.washington@asu.edu Karen Yunk FHWA Karen.Yunk@fhwa.dot.gov Copyright Academia
Nacional de Ciencias. Todos los derechos reservados.Teoría, explicación y predicción en la
seguridad vial APÉNDICE CA Cuento de advertencia y direcciones prometedoras EZRA HAUER
Universidad de Toronto NECESIDAD DE LA TEORÍA: UN CUENTO DE ADVERTENCIA Se han
articulado dos motivaciones en este documento con respecto a la necesidad de explicaciones
teóricas de los eventos de choque. Se pueden caracterizar como: a. La motivación inmediata es
la dificultad actual de dar interpretaciones causales a los resultados de los modelos
estadísticos multivariables cuando se basan en los datos disponibles. La creencia es que si uno
tuviera una teoría para guiar la selección de ecuaciones de modelos estructurales, entonces la
posibilidad de que los modelos capturen causa y efecto aumentaría notablemente. Solo
cuando un modelo captura la causa y el efecto, uno puede confiar en sus predicciones sobre el
efecto de una intervención o cambio en el diseño o la operación. b. Una motivación más
fundamental es la creencia de que la comprensión de las causas de los accidentes conducirá a
intervenciones nuevas y rentables. Fracaso de las teorías ingenuas para el diseño geométrico
Ya deberíamos saber que hacer suposiciones de sentido común acerca de las causas de los
accidentes ha inducido a error. La teoría era que los accidentes ocurren en curvas verticales (y
en otras circunstancias) cuando la distancia de frenado (determinada por una combinación de
percepción-reacción, fricción y dinámica) es mayor que la distancia visual disponible. Sin
embargo, en las curvas verticales, la limitación de la distancia visual no parece ser una causa
importante de colisiones. La teoría era que cuanto mayor sea la separación lateral entre los
vehículos que se aproximan, menos accidentes ocurrirán. Esto tampoco es cierto más allá de
un cierto ancho de carril. En la formulación de los principios del diseño geométrico hubo clases
de teorías (improvisadas de la herencia del diseño ferroviario, la dinámica de los vehículos y la
opinión profesional) que no sobrevivieron a la prueba de la evidencia empírica. Fracaso de
teorías simples en ergonomía Hay muchos principios, principios y teorías que conforman la
disciplina de la ergonomía en la seguridad vial. Uno de esos principios es que facilitar la tarea
de conducción (p. ej., mejorar la legibilidad y la visibilidad, mejorar la orientación, reducir la
carga de trabajo, etc.) reduce los accidentes. En seguridad vial esto no parece funcionar.
Smiley (18) muestra instancias en las que se redujo la seguridad gracias a una mejor
orientación del camino (p. ej., mediante el uso de delineadores montados en postes,
marcadores de pavimento elevados en curvas pronunciadas y retrorreflectividad mejorada) y
otras instancias en las que se mejoró la seguridad (p. ej., mediante el uso de de bandas
sonoras). También muestra casos en los que el aumento de la dificultad de la tarea mejoró la
seguridad (p. ej., al comparar intersecciones y rotondas) y en los que disminuyó la seguridad.
Por lo tanto, la realidad de la seguridad vial es compleja y no puede ser capturada por unos
pocos dogmas o principios. 24 Copyright Academia Nacional de Ciencias. Todos los derechos
reservados.Teoría, explicación y predicción en seguridad vial 25 Apéndice C Dificultad clave:

adaptación La dificultad clave para desarrollar interpretaciones causales es el comportamiento
adaptativo. Tenemos poca idea sobre cómo predecir la reacción de los conductores a lo que
les presentamos. Tampoco sabemos mucho sobre cómo se comportan los usuarios de la
carretera como grupo (p. ej., por qué las normas difieren de un lugar a otro y de un momento
a otro; en qué medida la emulación forma normas; cómo afecta lo que hacemos a la evolución
de las normas, etc.). En términos generales, la ocurrencia de accidentes no depende
únicamente de las leyes de la física y de unos pocos parámetros desconocidos pero estimables.
También depende de las complejidades del comportamiento humano tanto como individuos
como como grupos. Una teoría construida alrededor de la física y las distribuciones de
probabilidad de los parámetros se quedará corta. Ninguna teoría ni ninguna predicción pueden
estar sobre una base sólida si no implican las complejidades del comportamiento adaptativo.
No está claro si las complejidades del comportamiento pueden entenderse lo suficiente como
para convertirse en parte de una teoría. La opinión del comité que elaboró el Informe Especial
292 fue que, en la actualidad, estamos bastante lejos de tal comprensión, incluso en el nivel
inmediato de un conductor (2). ¿Debe uno creer en los resultados de los modelos causales que
no incluyen la adaptación? No lo creo. Hay demasiados casos de intervenciones con
consecuencias que son marcadamente diferentes de lo previsto. En la mayoría de los casos, la
anticipación se vio frustrada por las complejidades de la adaptación. No es como si no
tuviéramos experiencia con teorías basadas en opiniones, parámetros, física y suposiciones.
Las conclusiones basadas en teorías incompletas (cuyos fundamentos son suposiciones y
opiniones) pueden ser engañosas y, a menudo, lo son. Adaptación común: velocidad La
respuesta del conductor en términos de velocidad es una adaptación común e importante con
consecuencias para la seguridad. Sabemos que la velocidad cambia con el tiempo, el espacio y
en respuesta a la intervención. Sin embargo, a pesar de generaciones de investigación,
sabemos poco sobre lo que da forma a la evolución de la velocidad en el tiempo, en el espacio,
y cómo la elección de velocidad de las personas depende del cambio. Hasta que podamos
cuantificar esta respuesta y anticipar sus consecuencias, las teorías y predicciones no serán
confiables. Ilustración Davis (7) habla de un “…enfoque unificado del análisis causal en la
seguridad vial utilizando modelos causales estructurales”. La intención es demostrar que la
inferencia causal es posible cuando se aplica al accidente individual y que los resultados de
dicha inferencia pueden conducir al desarrollo de factores de modificación del accidente
(AMF). Su pregunta específica es sobre el efecto de seguridad de reducir el límite de velocidad
en una calle residencial. Al hacer algunas suposiciones sobre la distribución de las velocidades
de los vehículos, sobre lo que harán el conductor y el peatón en función de las distancias al
punto de colisión en el momento en que se ven, sobre la distribución de la desaceleración, es
posible escribir ecuaciones para las circunstancias supuestas en las que ocurrirán las colisiones.
Esto, a su vez, se puede conectar a una simulación (utilizando algunas suposiciones más) para
obtener un gráfico de probabilidad de colisión frente a la velocidad media. ¿Cómo se adaptará
la gente a una reducción de 40 a 25 mph en su calle? ¿Los conductores estarán más alertas
(porque creen que hay una razón por la que deben reducir la velocidad) o se relajarán porque
creen que, dado que conducen lentamente, hay menos necesidad de estar atentos? Will
predicción de la seguridad vial 26 Circular de investigación de transporte E-C179: Teoría,
explicación y predicción de la seguridad vial los padres supervisan menos a los niños y
permiten que jueguen en el patio delantero con más frecuencia porque creen que la calle para
estar mas seguro? ¿Serán los niños menos cuidadosos, etc.? No sé, ¿y tú? Además, la teoría no
considera la cuestión de la gravedad del resultado. Si sabemos algo sobre el efecto de la
velocidad en la seguridad es cómo afecta la gravedad (y Davis hace uso de este conocimiento

cuando, más adelante en el mismo artículo, escribe sobre la reconstrucción de accidentes).
Cuanto más grave es un accidente, más probable es que se informe. Por lo tanto, el número de
accidentes notificados refleja tanto la probabilidad de que ocurra un accidente como la
gravedad del resultado. Pero la teoría propuesta se limita a modelar solo la probabilidad de
ocurrencia; no tiene un elemento sobre el cambio en la gravedad. Por lo tanto, su validez no
puede probarse por yuxtaposición con los accidentes informados. Una teoría que no se puede
refutar no se puede utilizar para la predicción. Elemento común En la ilustración mencionada
anteriormente, Davis (4) llega a conclusiones sobre la relación entre la velocidad y la
probabilidad de accidentes sin depender de la evidencia empírica sobre colisiones. De manera
similar, Cunto y Saccomanno (19), al hablar del rendimiento de seguridad de vehículos
simulados en intersecciones señalizadas, definieron un índice de potencial de colisión (CPI) en
términos de la probabilidad de que un vehículo dado exceda su tasa de desaceleración máxima
disponible o su capacidad de frenado por cada 0,1 s. de tiempo simulado.
Desafortunadamente, los investigadores no vieron la necesidad de investigar la relación entre
el IPC y los accidentes. El elemento común aquí parece ser la creencia de que uno puede llegar
a conclusiones sobre el efecto de seguridad de alguna acción o decisión sin evidencia empírica
(directa o indirecta) extraída de la ocurrencia real de un accidente. Una buena teoría es buena,
una mala es mala El desarrollo de buenas teorías es prometedor y el peligro de aplicar las
malas. La especulación no es teoría; la sofisticación matemática no hace una teoría. Según la
Academia Nacional de Ciencias En el lenguaje cotidiano, una teoría significa una corazonada o
especulación. No así en la ciencia. En ciencia, la palabra teoría se refiere a una explicación
integral de una característica importante de la naturaleza que está respaldada por muchos
hechos recopilados a lo largo del tiempo. Las teorías también permiten a los científicos hacer
predicciones sobre fenómenos aún no observados”. (20). Para que la gestión de la seguridad
vial se base en la evidencia, nuestras teorías deben basarse en hechos empíricos y sus
predicciones deben contrastarse con hechos empíricos. Las corazonadas y las especulaciones
son insuficientes. Es en este sentido que la teoría de la homeostasis del riesgo (HR) no es
científica. Primero, el suelo del que creció es ecléctico, los hechos empíricos (algunos de
calidad cuestionable) seleccionados porque apoyan la corazonada. Se ignoraron los hechos
empíricos que no parecían apoyar la corazonada. En segundo lugar, todos los resultados
futuros posibles se pueden considerar compatibles con la teoría de la RH. Esto hace que la
teoría no sea comprobable y sus predicciones sin valor. Para que el modelo de Davis sea una
teoría, habría que saber o demostrar que la mayoría de los choques entre niños que corren
hacia la carretera y automóviles en áreas residenciales ocurren cuando las partes no pueden
verse a tiempo (en lugar de no mirar, estar distraídos, distraídos, cansado, borracho, etc.).
También habría que saber (o demostrar) que cuanto mayor es el límite de velocidad en las vías
residenciales, más numerosos son los accidentes de este tipo. Habría que averiguar cuáles son
los derechos de autor de la Academia Nacional de Ciencias. Todos los derechos reservados.
Teoría, Explicación y Predicción en Seguridad Vial 27 Apéndice C parte del aumento de
accidentes es atribuible a la diferencia en severidad y cuánto es el aumento en frecuencia.
Habría que demostrar que o no hay adaptación al cambio de límite de velocidad (en términos
de tiempo de reacción, atención, juego en el patio delantero, etc.) o saber predecir su alcance.
Para probar la teoría, habría que hacer predicciones sobre qué cambio en los accidentes (neto
del cambio debido a la gravedad) debería esperarse para un cambio dado en la velocidad
media y compararlo con lo que se ha observado. En resumen, la construcción de teorías
requiere el conocimiento de (y contrastar) hechos empíricos que, en última instancia, son
(informados) accidentes. DIRECCIONES PROMETEDORAS Adaptación: una pieza faltante para
construir teorías La experiencia pasada indica que las predicciones de las teorías de seguridad

vial que no tenían en cuenta la adaptación a menudo eran cuantitativamente (ya veces
cualitativamente) incorrectas. Para tener éxito en la formulación de teorías de seguridad vial,
uno debe tener un conocimiento sobre la adaptación. La adaptación puede adoptar muchas
formas: dónde, cuándo y de qué modo se realiza el viaje; qué tan rápido se conduce, qué tan
alerta se está, etc. Por lo tanto, la investigación sobre la adaptación debería ser un elemento
importante de los planes futuros. Dado que la adaptación de la velocidad parece ser una forma
común en la que los usuarios de la vía reaccionan al cambio, su examen debe considerarse en
primer lugar. Métodos mejorados de evaluación Para fundamentar las teorías en hechos
empíricos y probarlas, es necesario realizar comparaciones transversales confiables o antes y
después. El elemento central de todos estos estudios es una predicción de "lo que habría sido"
si no hubiera habido intervención o diferencia. Queda mucho por hacer. Para los estudios
transversales, se necesita más esfuerzo hacia el modelado estructural causal. Para los estudios
de antes y después, es necesario determinar qué métodos de predicción funcionan mejor e
idear mejores métodos. Si bien el método empírico de Bayes parece lógicamente atractivo y
aborda el importante problema de la regresión a la media, existe poca evidencia empírica que
demuestre que produce mejores predicciones que los métodos alternativos. Tampoco hay
evidencia que demuestre que los métodos utilizados para desarrollar AMF y modelos
predictivos en el próximo HSM produzcan mejores predicciones que otros enfoques. En
resumen, se necesita investigación fundamental para avanzar en el arte de sacar conclusiones
de causa y efecto a partir de comparaciones transversales y de antes y después. Somos
afortunados de tener bases de datos transversales como el Sistema de Información de
Seguridad Vial ensamblado por FHWA. Debemos continuar tratando de explotar estas bases de
datos. Ya sabemos que las conclusiones de causa y efecto obtenidas por los métodos utilizados
hasta ahora no son fiables. Mejores métodos pueden llevar a conclusiones más confiables.
¿Cómo sabremos que las conclusiones son confiables? La medida en que un enfoque de
modelado tiene éxito en la detección de relaciones de causa y efecto es a menudo difícil y, a
veces, imposible de determinar. Sin embargo, puede haber una forma de juzgar el éxito de un
enfoque propuesto. El primer paso es crear algunos ARD que incorporen ruido y relaciones de
causa y efecto plausibles y razonablemente complejas. Se pueden utilizar varios niveles de
complejidad. La estructura de causa y efecto detrás de los datos se mantiene en secreto. El
siguiente paso es poner los datos a disposición de los investigadores que quieran probar su
enfoque. Copyright National Academy of Sciences. Todos los derechos reservados. Teoría,
explicación y predicción en la seguridad vial 28 Circular de investigación en transporte E-C179:
Teoría, explicación y predicción en la seguridad vial para descubrir las relaciones causales. El
tercer paso es juzgar el éxito de un enfoque comparando lo que descubrió el investigador con
la estructura causal asumida. Medición indirecta de la seguridad La búsqueda de buenos
sustitutos de la seguridad tiene un gran potencial. La necesidad de (y la promesa de) sustitutos
de seguridad ahora es mayor que nunca. La necesidad es mayor porque la cantidad de
intervenciones potenciales para las que no hay datos sobre accidentes aumenta
continuamente (p. ej., dispositivos a bordo de vehículos) y la calidad de los datos sobre
accidentes no parece estar mejorando (más confianza en el autoinforme). La promesa es
mayor porque la tecnología y la simulación abaratan la recolección de madres de alquiler. Sin
embargo, se debe recordar que la seguridad es la frecuencia esperada de choques por
gravedad. No se puede pensar en ningún sustituto que brinde orientación sobre seguridad
hasta que se conozca su relación con los datos de accidentes y pase el examen de precisión. En
el pasado reciente, se dedicó mucho esfuerzo a establecer la viabilidad tecnológica de la
recopilación económica de datos sobre sustitutos. Se hizo poco esfuerzo para mostrar que los
cambios en los sustitutos y los cambios en la seguridad van de la mano. De ello se deduce que

la investigación sobre la validez de los sustitutos alternativos es ahora de importancia
primordial. Copyright Academia Nacional de Ciencias. Todos los derechos reservados. Teoría,
explicación y predicción en la seguridad vial APÉNDICE D Enfoque de modelado estructural
GARY DAVIS Universidad de Minnesota CUESTIONES El enfoque metodológico utilizado en el
próximo HSM se basa en gran medida en modelos lineales generalizados para predecir las
frecuencias esperadas de accidentes asociadas con las condiciones de referencia, junto con
estimaciones de AMF para capturar el efecto de las modificaciones de las condiciones de
referencia. Aunque plausible, el enfoque utilizado para desarrollar los modelos HSM tiene
algunas limitaciones que podrían impedir que proporcione una solución completa al problema
de predicción de seguridad. Una limitación es que es difícil capturar las interacciones entre dos
o más modificaciones. Otra es que, aunque es relativamente sencillo, dados los datos
suficientes, estimar el AMF asociado con la presencia o ausencia de una modificación, estimar
los AMF para modificaciones que varían continuamente es más difícil. Por lo tanto, si bien se
han realizado estimaciones de AMF para instalar semáforos, es más difícil obtener
estimaciones para cambiar la duración de los intervalos de autorización. Una tercera limitación
surge del hecho de que los modelos de línea de base y los AMF se estiman a partir de una
muestra de sitios viales, por lo que deben aplicarse solo a otros sitios que sean de la misma
población que los de la muestra. La generalización más allá de los conjuntos de datos de
desarrollo y validación del modelo se realiza a riesgo del usuario. Cada una de las limitaciones
anteriores es, en principio, capaz de superarse, con acceso a datos adecuados y atención a los
principios del diseño de experimentos. Una limitación más fundamental es que es probable
que el enfoque actual no nos diga mucho sobre cómo ocurren los accidentes, y esta
comprensión limitada restringirá el rango de modificaciones potenciales que pueden
identificarse y evaluarse en el proceso de diseño. Una forma de entender la importancia de
esta limitación fundamental es apelar a la tesis de Paul Thagard (15) sobre el progreso en la
explicación de la enfermedad. Según Thagard, la comprensión médica implica tres etapas. En
términos generales, avanza desde la identificación de asociaciones entre la aparición de
enfermedades y otros factores, hasta el establecimiento de conexiones causales y, finalmente,
la identificación de los mecanismos subyacentes de la enfermedad. Cuando se ha identificado
el mecanismo, aumenta el abanico de posibles tratamientos. Si bien los métodos estadísticos
suelen ser centrales en las dos primeras etapas de la secuencia de Thagard, a menudo se
necesitan diferentes metodologías para la última etapa. Por ejemplo, existe evidencia sólida
que respalda la idea de que fumar causa cáncer de pulmón, y esta evidencia se ha recopilado a
través de una serie de estudios observacionales bien diseñados. Sin embargo, identificar el
mecanismo por el cual fumar causa cáncer de pulmón no es un problema estadístico. Más
bien, es un problema de biología molecular. Si pudiera especificarse el proceso causal por el
cual se desarrollan las células cancerosas, la información podría conducir a su vez a
intervenciones farmacológicas para compensar la aparición de la enfermedad. Como otro
ejemplo, en el Londres del siglo XIX, John Snow llevó a cabo un estudio observacional clásico
para mostrar que los clientes de una compañía de agua de Londres en particular tenían una
mayor incidencia de cólera que los de otra compañía (21). Sin embargo, la identificación de la
29 Copyright National Academy of Sciences. Todos los derechos reservados.Teoría, explicación
y predicción en la seguridad vial 30 Circular de investigación en transporte E-C179: Teoría,
explicación y predicción en la seguridad vial El microorganismo que causaba el cólera era un
problema de microbiología, no de estadística. Una vez que se identificó el microorganismo, se
podrían idear estrategias para prevenir su introducción en un suministro de agua o
neutralizarlo una vez que esté presente. Si se mantiene esta analogía entre los accidentes de
tránsito y las enfermedades, la identificación de los mecanismos de los accidentes debería

conducir a nuevas modificaciones para prevenir accidentes, así como a un conjunto más
amplio de herramientas para evaluar los efectos de seguridad de los diseños viales. En este
punto, podría ser útil definir algunos términos. Por modelo estructural se entiende lo que Pearl
(22) llama un modelo causal, es decir, un conjunto de variables exógenas, un conjunto de
variables endógenas y, para cada variable endógena, una ecuación que describe cómo cambia
en respuesta a cambios en otras variables. Si es posible especificar valores para todas las
variables exógenas, el modelo será determinista, mientras que si solo se dispone de
distribuciones de probabilidad de las variables exógenas, tendremos un modelo causal
probabilístico. Para un modelo causal gráfico, no es necesario especificar las ecuaciones
estructurales, sino solo un conjunto de nodos gráficos, que representan las variables del
modelo, y arcos dirigidos y flechas dirigidas, que representan las dependencias causales.
ENFOQUES PROMETEDORES El modelado estructural no es nuevo y es un área de investigación
activa, aunque bastante heterogénea. La siguiente lista refleja aquellas actividades con las que
los autores están familiarizados, pero de ninguna manera es completa. Mayne (23) describió
cómo se podría usar una combinación de modelos de trayectoria de peatones y vehículos para
predecir la probabilidad de colisiones entre vehículos y peatones, mientras que Baker (24)
describió el uso de modelos deterministas para evaluar las contribuciones en la reconstrucción
de accidentes. MacLean et al. (25) reconstruyeron una serie de colisiones fatales entre
vehículos y peatones, y luego usaron una variante del modelo de colisión de Mayne para
predecir cómo las diferentes políticas de control de velocidad podrían haber afectado el
resultado de cada uno de los accidentes reconstruidos. Este modelo, a su vez, condujo a una
estimación del efecto de seguridad de estas políticas. Davis (7) señaló cómo el razonamiento
subyacente a este enfoque podría interpretarse como una aplicación del modelo causal de
Pearl. Más recientemente, Najm y Koopman (26) utilizaron un enfoque similar para evaluar el
potencial de un sistema avanzado de prevención de colisiones. Otra dirección de investigación
prometedora consiste en combinar modelos estructurales y estadísticos. Es decir, donde se
pueden identificar variables causales plausibles, pero donde la forma real de la ecuación
estructural sigue siendo esquiva, se puede usar un modelo estadístico para aproximarla. Un
buen ejemplo es el trabajo de Kloeden et al. (27), donde se utilizaron métodos de
reconstrucción de accidentes para estimar las velocidades de los vehículos involucrados en
accidentes. Estas estimaciones de velocidad se utilizaron, a su vez, para estimar un modelo
logit que relaciona la velocidad con el riesgo de accidentes. El modelo logit se usó para estimar
cómo podría cambiar la probabilidad de colisión a medida que se reducía la velocidad. Una
versión bayesiana de este enfoque se describió más tarde en Davis et al. (28). Hourdos (29) usó
un modelo logit para probar la independencia condicional en la construcción de un modelo
causal gráfico detallado para accidentes por colisión trasera en una sección de una autopista
urbana. Un hallazgo interesante en el trabajo de Hourdos fue que un patrón distintivo de las
condiciones del tráfico, que implicaba velocidades y diferencias de velocidad en los carriles de
las autopistas adyacentes, parecía necesario para que ocurrieran los choques traseros. Este
hallazgo es interesante porque conduce naturalmente al tema de las medidas de seguridad
sustitutas. Aún no se ha dado una definición completamente satisfactoria de medidas
sustitutas, pero podría decirse que una medida sustituta debería ser una condición de tránsito
observable, que en cierto sentido rastrea la ocurrencia de un tipo de accidente dado.
predicción en la seguridad vial 31 Apéndice D La identificación de medidas sustitutas que
tengan una relación causal con la ocurrencia de accidentes facilitaría el uso de modelos de
simulación de tráfico para evaluar los efectos de seguridad de las modificaciones. El patrón de
tráfico identificado por Hourdos podría considerarse una medida sustituta plausible para los

accidentes traseros, al menos en la sección de la autopista estudiada. En este sentido, merece
mención el trabajo de Songchitruksa y Tarko (30), que utilizan probabilidades de cola de
distribuciones de valores extremos para construir medidas sustitutas. INVESTIGACIÓN
NECESARIA Antes de continuar, puede ser útil hacer una distinción aproximada entre dos
actividades de investigación relacionadas, pero separadas. El primero involucra el desarrollo de
herramientas para apoyar la acción práctica. El segundo implica mejorar la comprensión de un
fenómeno. Afortunadamente, estas dos actividades a menudo se complementan entre sí, ya
que las necesidades prácticas motivan la búsqueda de una mejor comprensión, lo que a su vez
conduce a una práctica más eficaz. En otras situaciones, sin embargo, estas dos actividades
están desconectadas, los límites entre estas dos actividades no se comprenden bien, y esto
puede resultar en una tendencia a considerar que los métodos apropiados para una actividad
son suficientes para ambas. Podría decirse que este es el caso de la seguridad vial, y Hauer nos
ha brindado una descripción contundente de los riesgos en los que se incurre cuando se utiliza
prematuramente el razonamiento teórico como herramienta de apoyo a la toma de
decisiones. El estándar de diseño geométrico que utiliza la distancia visual para restringir la
longitud de la curva vertical se basa en un mecanismo de choque postulado en el que un
conductor solo puede ver un obstáculo en la carretera cuando está demasiado cerca para
detenerse sin chocar. La suposición no declarada es que una fracción sustancial de los choques
en curvas verticales resultan de este tipo de mecanismo pero, como ha señalado Hauer (16),
este no es necesariamente el caso, por lo que no existe una conexión empírica demostrada
entre una supuesta política de seguridad y seguridad real. Una distorsión más sutil puede
provenir de la otra dirección. El modelado estadístico del tipo utilizado para respaldar la
primera edición del HSM tiene un claro potencial para proporcionar herramientas para la toma
de decisiones cuando la comprensión fundamental de un fenómeno es limitada. Sin embargo,
dado que los modelos estadísticos asumen que los fenómenos observados son resultados de
variables aleatorias, puede haber una tendencia a proyectar esta suposición en la realidad y
suponer que los accidentes de tránsito son eventos inherentemente aleatorios (31, 32). El
peligro potencial aquí es que si los accidentes de tránsito se consideran objetivamente
aleatorios, se puede concluir que no tiene sentido continuar con la tercera etapa de Thagard,
la identificación de los mecanismos. Al menos para la investigación médica, está claro que esto
habría sido un error. Como se indica en el Apéndice C, los métodos basados en mecanismos
requerirán desarrollo antes de que puedan proporcionar herramientas de apoyo a la toma de
decisiones de rutina. Sin embargo, dado que la aplicación práctica a corto plazo es una
expectativa dominante para la investigación sobre seguridad vial, puede ser útil considerar lo
que se necesita para llegar a este punto. Aproximadamente, existen dos enfoques diferentes,
pero relacionados, para aplicar métodos basados en mecanismos a la evaluación de la
modificación (o cambio) de la vía. Un enfoque es comenzar con la reconstrucción de
accidentes reales y luego modelar cómo la modificación habría afectado el resultado de cada
accidente. Como se señaló en la sección anterior, este enfoque ha tenido un uso limitado (7,
25, 26), pero requiere una suposición de cómo cambiarán las variables de fondo del modelo
estructural en respuesta a la intervención. Por ejemplo, en Davis (7) la suposición era que un
límite de velocidad de 25 mph en una calle residencial no tendría efecto en los conductores
cuya velocidad elegida fuera menor que el nuevo límite, y causaría que los conductores cuya
velocidad preferida fuera mayor que el nuevo límite para viajar a 25 mph. Se asumió que todos
los demás factores que afectan un accidente permanecen sin cambios. Lo que este análisis
produce es una conclusión ceteris paribus, por ejemplo, Copyright National Academy of
Sciences. Todos los derechos reservados. Teoría, explicación y predicción en la seguridad vial
32 Circular de investigación de transporte E-C179: Teoría, explicación y predicción en la

seguridad vial en igualdad de condiciones, ¿cuál habría sido el efecto sobre los accidentes que
realmente ocurrieron si los conductores se hubieran visto obligados a viajar? no más rápido
que 25 mph. En este caso, uno tiene accidentes reales a partir de los cuales identificar modelos
de mecanismos plausibles y hacer estimaciones de las variables del modelo. La principal
necesidad de investigación es determinar cómo responderían los usuarios de las carreteras a la
intervención propuesta. Surgen dificultades prácticas con el enfoque de reconstrucción del
accidente porque la información detallada necesaria para la reconstrucción supera la que suele
estar disponible en un informe de accidente estándar. Además, el costo de obtener esta
información limita su recopilación a un número relativamente pequeño de casos importantes.
Entonces puede darse el caso de que, para la vía en la que se están considerando
modificaciones de diseño, no se disponga de accidentes investigados, o de que se disponga de
muy pocos. Una posible solución a este problema de disponibilidad de datos sería el uso
rutinario de video para registrar eventos de accidentes. Como han demostrado Pasanen y
Salmivaara (33), y más recientemente, Davis y Swenson (34), es posible obtener datos de
reconstrucción útiles a partir de grabaciones de vídeo de accidentes. Sin embargo, como se
señaló anteriormente, un desafío técnico más difícil es modelar cómo cambiarían las variables
relevantes del accidente en respuesta a las modificaciones de diseño. El otro enfoque para
aplicar métodos basados en mecanismos sería incluir los mecanismos de accidentes como
parte integral de los modelos de simulación de tráfico, como los que se utilizan actualmente
para evaluar los efectos operativos de las modificaciones de diseño. La implementación
completa de este enfoque requerirá una identificación razonablemente completa de los tipos
de mecanismos de accidentes relevantes, una buena comprensión de las condiciones que
conducen a la activación de estos mecanismos y, finalmente, como antes, una buena
comprensión de cómo cambiarán estas condiciones en respuesta a los cambios propuestos.
modificaciones El programa de seguridad SHRP 2 puede proporcionar al menos parte del
conocimiento necesario para implementar el enfoque del modelo de simulación, al menos
para un conjunto limitado de tipos de accidentes. Copyright Academia Nacional de Ciencias.
Todos los derechos reservados.Teoría, explicación y predicción en seguridad vial APÉNDICE E
Datos realistas artificiales: una herramienta de investigación EZRA HAUER Universidad de
Toronto En la investigación sobre seguridad vial, rara vez se conoce el estado real de las cosas.
Esto hace que sea difícil evaluar el mérito de ciertos métodos de investigación y la validez de
algunos hallazgos. Así, por ejemplo, no se conoce la dependencia causal de la frecuencia o
gravedad de los accidentes con las variables. Por lo tanto, no se puede decir si una ecuación
modelo estimada puede servir como fuente de AMF. De manera similar, no se puede conocer
la proporción esperada de algún tipo de accidente para una unidad. Por lo tanto, es difícil
saber cuál de los varios métodos alternativos identifica mejor los sitios con proporciones
inusualmente altas. En algunas circunstancias, ayuda pretender que se conoce el verdadero
estado de las cosas y, utilizando estos valores supuestos, generar una ARD. Cuando el ARD se
somete al tipo de análisis que se aplicaría a los datos reales, se puede determinar hasta qué
punto lo que se estima se aproxima a lo que se suponía que era cierto. Tres de estos casos se
describen en este apéndice. CASO 1: VALIDA UN NUEVO PROCEDIMIENTO DE ESTIMACIÓN O
DETERMINE EL TAMAÑO DE LA MUESTRA Cuando los datos provienen del laboratorio o de
ensayos aleatorios, la estimación y la determinación del tamaño de la muestra están bien
guiadas por procedimientos estadísticos convencionales. Sin embargo, en los estudios
observacionales, la naturaleza de los datos y la complejidad de las circunstancias a menudo
limitan la aplicabilidad de las estadísticas convencionales. Para ilustrar, considere la tarea de
utilizar los datos disponibles para determinar la medida en que la retrorreflectividad de las
marcas en el pavimento afecta la probabilidad de que ocurra un accidente (objetivo) (35). El

tipo de datos de observación típicamente disponibles son sobre accidentes (dónde, cuándo y
de qué tipo), sobre carreteras (geometría y tráfico) y, en el presente contexto, sobre marcas
(materiales de señalización utilizados, cuándo y dónde se aplican). La retrorreflectividad de las
marcas declina con el paso del tiempo; si la retrorreflectividad del marcado afecta la
frecuencia de accidentes, esto podría ser perceptible en la serie temporal de conteos de
accidentes. La mencionada complejidad de circunstancias se deriva del hecho de que la
demarcación de pavimentos es una actividad planificada y está relacionada con las estaciones
del año. Debido a que los recuentos de accidentes también experimentan variaciones
estacionales, se debe poder diferenciar el cambio en la serie temporal de los recuentos de
accidentes que se debe a la disminución de la retrorreflectividad y el que se debe a la variación
estacional normal. Con este objetivo en mente, se tuvo que especificar un modelo que
representara ambas dependencias temporales y se sugirió un procedimiento para estimar sus
parámetros (35). No estaba claro si, con el tipo de datos que podrían obtenerse, el
procedimiento de estimación sugerido 'funcionaría'. Aquí es donde la ARD se volvió necesaria y
útil. La característica clave de un ARD es hacer suposiciones plausibles sobre lo que en realidad
no se sabe. Para crear este ARD, se asumió que la disminución de la retrorreflectividad afecta
la frecuencia de accidentes objetivo de una manera específica. Usando esta suposición, un ARD
muy grande (uno que consiste en una 33 Copyright National Academy of Sciences. Todos los
derechos reservados. Teoría, explicación y predicción en seguridad vial 34 Circular de
investigación de transporte E-C179: Teoría, explicación y predicción en seguridad vial una gran
cantidad de segmentos de carretera) se generó y se utilizó para estimar la relación entre la
retrorreflectividad y los accidentes objetivo. La relación estimada resultó replicar bien lo que
se suponía cuando se generó el ARD. Este hallazgo se interpretó en el sentido de que el
procedimiento de estimación, tal como se especifica, puede producir resultados válidos
cuando se dispone de una gran cantidad de datos. Habiendo establecido que el procedimiento
funciona, la siguiente tarea fue determinar cuántos años-milla de datos de observación son
necesarios para estimar con suficiente precisión. Esto fue simple de hacer. Todo lo que se
necesitaba era generar varios ARD que difieran en millas-año de datos y examinar las
diferencias entre los valores de los parámetros estimados y supuestos. De esta manera, la idea
del ARD ayudó a realizar las dos tareas esenciales: (a) probar que el procedimiento de
estimación sugerido puede producir resultados correctos en el entorno del mundo real del que
provienen los datos de observación, y (b) determinar cuántos años-milla de datos son
necesarios para producir resultados convincentes. La idea básica es transparente: (1) Suponga
que se sabe lo que se busca → (2) El uso de esta suposición genera datos realistas pero
hipotéticos → (3) Utilice los datos hipotéticos para estimar lo que se busca con los mismos
métodos que pretende utilizar en datos reales y → (4) Determine si sus resultados replican lo
que se suponía que era cierto y con qué precisión. Para dar una idea de lo que significa la frase
"realista", es mejor describir cómo, en este caso, se generaron los datos hipotéticos. El ARD
consta de filas de celdas, cada fila perteneciente a un segmento de carretera. Un segmento de
carretera es un tramo de carretera que se remarcó como una unidad, es decir, en las mismas
semanas y con el mismo material. La información esencial sobre un segmento de carretera son
los recuentos de accidentes objetivo mensuales durante varios años, de modo que para cada
mes se sabe cuánto tiempo pasó desde la observación más reciente. Esta información se
generó de la siguiente manera: a. Se anticipó que los tramos de carretera diferirán en el
número de años para los que hay datos disponibles. Para generar este número al azar se
utilizaron las proporciones de la Tabla E-1: b. Para generar aleatoriamente la longitud del
segmento de carretera, se supuso que una longitud típica señalada bajo el mismo contrato,
con el mismo material y métodos y dentro de un período de tiempo de unas pocas semanas se

distribuye uniformemente entre 5 y 15 millas. C. Para cada tramo de carretera y cada año, se
debía generar el número medio anual de accidentes objetivo. Se pensaba que los accidentes
nocturnos eran el objetivo. La frecuencia media de accidentes se eligió al azar del rango 2 × 10-
4 - 3 × 10-4 por milla y el tráfico diario promedio anual (AADT) que representa caminos rurales
de dos carriles. Durante el primer año, la AADT se extrajo al azar de una distribución uniforme
en el rango de 5.000 a 15.000. Luego se supuso que el tráfico aumenta de año en año por un
factor extraído al azar del rango de 1,00 a 1,03. d. La frecuencia objetivo media anual de
accidentes se separó en medias mensuales usando los factores estacionales mensuales en la
Tabla E-2. Estos factores estacionales son promedios de todo el estado y no se aplican a un
segmento de carretera y año específicos. En consecuencia, se generó un valor aleatorio de una
distribución uniforme de 0,2 de ancho (y centrado en el valor correspondiente de la Tabla E-2).
TABLA E-1 Proporciones de datos-años Años de datos 1 2 Proporción de segmentos de
carretera 3 4 0.4 0.3 0.2 0.1 Copyright Academia Nacional de Ciencias. Todos los derechos
reservados. Apéndice E 35 TABLA E-2 Factores estacionales Fuente: E. Hauer, The Effect of
Resurfacing on the Safety of Two-Lane Rural Roads in New York State, abril de 1993. e. Con los
resultados de (c) y (d), se calculó el número mensual esperado de accidentes como si el
remarcado del pavimento no afectara la frecuencia de accidentes. F. El efecto del remarcado
sería más fácil de estimar si se tratara de una actividad durante todo el año. Por el contrario, el
efecto sería imposible de estimar si todos los segmentos se remarcaran en el mismo mes,
pues, en ese caso, el efecto del remarcado y el de la variación estacional no podrían separarse.
La ARD se generó para dos escenarios: (1) un escenario desfavorable en el que el mes en que
se remarca un segmento se distribuye uniformemente entre el 1 de mayo y el 1 de octubre (5
meses) y (2) un escenario más favorable en el que el mes en que se remarca un segmento
segmento se remarca se distribuye uniformemente entre el 1 de marzo y el 1 de diciembre (9
meses). Se supuso que hay 12 meses entre observaciones consecutivas. gramo. El siguiente
paso fue definir cómo el remarcado podría afectar la frecuencia de accidentes. Nuevamente se
consideraron dos escenarios; uno con la suposición de que en un segmento recién marcado
hay un 10% menos de accidentes que cuando las marcas están desvanecidas, el otro supuso
que esta diferencia es del 5%. Entre las marcas frescas y descoloridas, se supuso que la
disminución del efecto de la retrorreflectividad en la frecuencia de accidentes era pronunciada
al principio y gradual más tarde. Estos supuestos se usaron para modificar las frecuencias
medias mensuales de accidentes en (e), lo que representa el efecto (supuesto) de la
observación. H. En este punto, teníamos para cada segmento de carretera una serie de tiempo
de frecuencias mensuales de accidentes esperadas que estaban formadas por un conjunto
bastante completo de variables (número de meses de datos, longitud del segmento, TDMA,
frecuencia de accidentes, factores estacionales mensuales, el mes de remarcado y el supuesto
efecto de remarcado) de modo que cada valor de variable se extrajo de lo que se pensaba que
era una distribución realista. i. El paso final en la creación de un ARD fue extraer recuentos de
accidentes distribuidos por Poisson a partir de estos medios mensuales. Habría sido difícil
evaluar la viabilidad de una estimación imparcial y la precisión de los parámetros estimados
por medios estadísticos convencionales. La ARD permitió ambos. Puede hacerse de manera
relativamente simple y con un grado de verosimilitud que puede justificar la confianza en los
resultados. CASO 2: COMPARAR EL DESEMPEÑO DE MÉTODOS ALTERNATIVOS DE DETECCIÓN
A veces, la presencia de algunos factores causales remediables se manifiesta en un sitio como
una proporción inusual de accidentes de cierto tipo. Así, por ejemplo, la baja fricción del
pavimento (o la necesidad frecuente de frenar, o las altas velocidades, etc.) pueden aparecer
como una proporción superior a la media de los accidentes por derrape. Meses 1 2 3 4 5 6 7 8
9 10 11 12 1,25 0,97 0,97 0,79 0,84 0,89 0,96 0,98 0,85 0,95 1,15 1,40 Teoría, explicación y

predicción en seguridad vial Copyright National Academy of Sciences. Todos los derechos
reservados. Teoría, explicación y predicción en la seguridad vial 36 Circular de investigación de
transporte E-C179: Teoría, explicación y predicción en la seguridad vial tipos de accidentes son
prometedores, la agencia responsable generalmente aplica una evaluación de alta proporción
a todos los sitios. Hay varios métodos alternativos para la detección de alta proporción. Al
considerar qué método usar, el mejor método de detección es el que tiene cerca de la parte
superior de su lista clasificada la mayor cantidad de sitios donde la proporción es realmente
alta. La dificultad es que, en realidad, nunca se conoce la verdadera proporción de un sitio y,
por lo tanto, es difícil proporcionar una prueba clara de cuál es el mejor método de selección.
Aquí nuevamente, el artificio ARD se vuelve útil. Para crear este ARD, se comienza asumiendo
frecuencias esperadas realistas de accidentes 'objetivo' (μt) y de 'otros' (μo) en muchos sitios.
La relación µt/(µt + µo) es la verdadera proporción de accidentes objetivo para un sitio.
Utilizando las dos frecuencias de accidentes esperadas, μt y μo, se generan al azar recuentos
de accidentes a partir de las distribuciones de Poisson correspondientes. Los métodos de
detección alternativos se aplican luego a este ARD. Hay tantas listas clasificadas como métodos
de selección. Dado que ahora se conoce la proporción real de cada sitio, es fácil determinar la
parte superior de las listas clasificadas que contienen una distribución más rica de
proporciones reales. CASO 3: MÉTODOS DE EVALUACIÓN DEL MODELADO MULTIVARIANTE
Hay muchas formas de ajustar un modelo estadístico multivariante a los datos. Las formas
difieren en los datos utilizados, en las suposiciones hechas sobre la estructura del error, en las
decisiones sobre qué variables incluir en la ecuación del modelo y cuáles excluir, en la elección
de la función matemática para ajustarse a los datos, en el criterio de optimización utilizado. ,
etc. La mayoría de los modelos ajustados hacen un buen trabajo al estimar la frecuencia
esperada de accidentes. Sin embargo, la mayoría parece hacer un trabajo cuestionable al
predecir las consecuencias de seguridad de las manipulaciones. Para que una ecuación prediga
las consecuencias de las manipulaciones, la expresión de su lado derecho debe estar en una
relación de causa-efecto con la variable de respuesta del lado izquierdo. La dificultad reside en
el hecho de que los modelos estadísticos multivariados representan las asociaciones en los
datos (covariación, correlación) y las asociaciones existen por muchas razones, siendo solo una
de ellas la relación entre causa y efecto. Debido a la tendencia generalizada de utilizar los
resultados del modelado estadístico multivariado como si predijeran el efecto de las
manipulaciones, es importante preguntarse cuál de las muchas formas de modelado
multivariado se acerca más a la representación de causa y efecto y si el mejor enfoque de
modelado viene suficientemente cerca. Como no se conocen los verdaderos vínculos causales,
esta pregunta tan importante es difícil de responder. Una vez más, el uso de un ARD puede
ayudar. El penúltimo paso en la creación de ARD es construir una frecuencia esperada de
accidentes para cada unidad. Esta frecuencia esperada de accidentes es el punto de partida
para el paso final: la creación de recuentos de accidentes. La forma en que debe construirse la
frecuencia esperada depende de las preguntas que se supone que debe responder el ARD. En
el presente caso, la pregunta principal es sobre la identificación de la estructura causal que dio
origen a los datos. En consecuencia, las frecuencias esperadas de accidentes en el ARD deben
construirse para representar de manera realista los principales obstáculos que ocultan a la
vista las estructuras causales. Lo que obstruye nuestra capacidad para detectar estructuras
causales en los datos de observación se comprende bastante bien. Las principales dificultades
son: a. El uso de variables agregadas y promedios. Por ejemplo, modelado de accidentes
totales en lugar de tipos de accidentes separados; representar el tráfico por AADT (que es el
promedio de un día representativo de un año) en lugar de, digamos, por volúmenes por hora;
obstáculos que representan por Copyright National Academy of Sciences. Todos los derechos

reservados. Teoría, explicación y predicción de la seguridad vial 37 Apéndice E la calificación de
peligrosidad en la vía (que es una impresión promedio para todo el segmento) en lugar de
obstáculos individuales; o el uso de la densidad de accesos (en lugar de accesos individuales
por tipo). b. Errores en la variable (p. ej., las estimaciones de AADT se factorizan a partir de
unos pocos días de conteos realizados una vez cada pocos años y se interpolan para los años
en los que no se realizaron conteos). C. La ausencia común de variables causales importantes
[p. ej., precipitación; distribución de velocidad; fricción del pavimento; edad del conductor,
sexo, ingresos y contenido de alcohol en sangre (BAC); masa, antigüedad y ocupación del
vehículo; calidad de los servicios médicos de emergencia, distancia del hospital, etc.] d. La
presencia de dependencias complejas entre las variables (por ejemplo, AADT afecta la elección
de la velocidad de diseño que a su vez influye en varios elementos de diseño geométrico y, por
lo tanto, afecta el comportamiento del usuario de la carretera y la elección de la velocidad.
Además, AADT refleja e influye en los patrones de acceso y uso del suelo adyacente ). mi. El
uso de funciones matemáticas simples (generalmente sin interacciones) para representar las
complejidades y complejidades de las redes causales. Un ARD (cuyo propósito es responder a
la pregunta sobre qué tan bien un enfoque de modelado puede identificar una relación causa-
efecto específica) debe abordar los puntos (a) a (e). Es decir: Anuncio (a). El ARD debe
contener los valores desagregados a los que se pueden atribuir las relaciones causales ya partir
de los cuales se pueden calcular los agregados y promedios utilizados para el modelado. Así,
por ejemplo, la probabilidad de que ocurra un accidente de un solo vehículo puede depender
más claramente del flujo horario promedio por hora del día que del flujo promedio diario. Por
lo tanto, la ARD quizás debería contener el perfil de flujos de 24 horas para cada día del año.
Anuncio (b). Cuando se usa el ARD para crear los datos para el modelado, se deben crear las
incertidumbres y errores apropiados. Así, por ejemplo, para crear el AADT para su uso en el
modelado, se podría tomar una muestra de unos pocos días del perfil de tráfico detallado,
introducir algunos errores de conteo y los factores de expansión habituales para crear una
estimación de AADT para los años en los que se realiza un conteo. se lleva a cabo y un valor
interpolado para los años sin contar. Anuncio (c). El ARD debe construirse a partir de la
mayoría de las variables que influyen en la ocurrencia y gravedad de los accidentes, no solo de
aquellas para las que se pueden obtener datos. Todas estas variables servirán para generar las
frecuencias y severidades esperadas de accidentes. Sin embargo, solo una parte de este
conjunto servirá para generar los datos variables explicativos utilizados para el modelado. Esta
característica del ARD permitirá al investigador examinar la importancia de las variables
faltantes. Supongamos, por ejemplo, que se encuentra que el contenido de BAC superior al
promedio está asociado a caminos que tienen estándares geométricos inferiores al promedio y
donde los hospitales y las estaciones de ambulancias son raros. La ARD debe construirse con la
distribución de BAC y el tiempo de acceso al hospital como variables causales. La ausencia de
estos en los datos del modelo provocará un sesgo en la influencia de las variables geométricas.
Agregar). Hay muchas asociaciones causales y correlacionales entre las variables explicativas.
Así, por ejemplo, la velocidad de circulación depende de la geometría de la vía y de su tráfico.
Esto hace que sea difícil separar por medios estadísticos los efectos causales, velocidad,
geometría y tráfico. De manera similar, como se señaló anteriormente, AADT es una influencia
causal no solo de la ocurrencia de accidentes sino también de muchas variables (p. ej., la
presencia de plazas comerciales, el nivel de mantenimiento invernal o la intensidad de la
vigilancia policial). Para ser realista, el ARD debe captar las complejas relaciones entre las
variables explicativas. Copyright Academia Nacional de Ciencias. Todos los derechos
reservados.Teoría, explicación y predicción en la seguridad vial 38 Circular de investigación de
transporte E-C179: Teoría, explicación y predicción en la seguridad vial Anuncio (e). En el ARD,

se debe representar una estructura causal plausible, realista y detallada. Las muchas
complejidades y complejidades de la red causal se harán evidentes al detallar el ARD. La
construcción de un ARD de este tipo requiere mucho pensamiento y es probable que sea una
empresa importante. La recompensa es que las preguntas importantes que hasta ahora no
tenían respuesta pueden volverse contestables. La pregunta principal es sobre las
herramientas de modelado con las que las preguntas casuales de interés pueden responderse
de manera suficientemente confiable. Sin embargo, hay muchas otras preguntas que el ARD
puede responder: ¿Qué variables se pueden agregar y en qué medida? ¿Qué variables son
esenciales y cuáles secundarias? ¿Qué tamaño de muestra se requiere? Copyright Academia
Nacional de Ciencias. Todos los derechos reservados.Teoría, explicación y predicción en
seguridad vial Referencias 1. Hauer, E. Estudios observacionales antes-después en seguridad
vial. Elsevier Science, Inc., Tarryton, NY, 1997. 2. Informe especial 292: Investigación de
seguridad en infraestructura y operaciones de carreteras: mejora de las prioridades, la
coordinación y la calidad. Junta de Investigación de Transporte de las Academias Nacionales,
Washington, DC, 2008. 3. Evans, L. El fracaso dramático de la política de seguridad vial de EE.
UU.: la ingeniería es importante, la política pública es crucial. TR News, No. 242. Junta de
Investigación del Transporte, Consejo Nacional de Investigación, Washington, DC, enero–
febrero de 2006, págs. 28–31. 4. Davis, G. Posibles sesgos de agregación en la investigación de
seguridad vial y un enfoque de mecanismo para el modelado de accidentes. Análisis y
prevención de accidentes, vol. 36, 2004, págs. 1119–1127. 5. Hauer, E. Información de
seguridad sobre la pesca en aguas turbias. Revista de ingeniería de transporte, vol. 131, núm.
5, 2005, págs. 340–344. 6. Hauer, E. Causa y efecto en estudios transversales observacionales
sobre seguridad vial. Papel inédito. 2005. Disponible en
http://www.roadsafetyresearch.com/March 2009. 7. Davis, G. Towards a Unified Approach to
Causal Analysis in Traffic Safety Using Structural Causal Models. Teoría del transporte y el
tráfico en el siglo XXI (M. Taylor, ed.), Elsevier Science, Inc., Tarryton, NY, 2002, págs. 247–266.
8. Anastasopoulos, P. y F. Mannering. Una nota sobre el modelado de frecuencias de
accidentes de vehículos con modelos de conteo de parámetros aleatorios. Análisis y
prevención de accidentes, vol. 41, 2009, págs. 153–159. 9. Shugan, S. Editorial: errores en las
variables, heterogeneidad no observada y otras formas de ocultar el error estadístico. Ciencias
del marketing, vol. 25, núm. 3, 2006, págs. 203–216. 10. Elvik, R. Desarrollo de funciones de
modificación de accidentes: estudio exploratorio. En Registro de Investigación de Transporte:
Revista de la Junta de Investigación de Transporte, No. 2103, Junta de Investigación de
Transporte de las Academias Nacionales, Washington, DC, 2009, págs. 18–24. 11. Manual de
Seguridad Vial. AASHTO, Washington, DC, 2010. 12. Shinar, D. Velocidad y choques: un tema
controvertido y una relación esquiva. Informe especial 254: Gestión de la velocidad: Revisión
de la práctica actual para establecer y hacer cumplir los límites de velocidad, TRB, Consejo
Nacional de Investigación, Washington, DC, 1998, págs. 221–276. 13. McCarthy, P. Efecto de
los límites de velocidad en las distribuciones de velocidad y la seguridad vial: un estudio de la
literatura. Informe especial 254: Gestión de la velocidad: revisión de la práctica actual para
establecer y hacer cumplir los límites de velocidad, TRB, Consejo Nacional de Investigación,
Washington, DC, 1998, págs. 277–358. 14. Elvik, R. ¿En qué medida puede la teoría dar cuenta
de los resultados de los estudios de evaluación de la seguridad vial? Análisis y prevención de
accidentes, vol. 36, 2004, págs. 841–849. 15. Thagard, P. Explicando la enfermedad:
correlaciones, causas y mecanismos. Mentes y máquinas, vol. 8, 1998, págs. 61–78. 16. Hauer,
E. La Ingeniería de la Seguridad y la Seguridad de la Ingeniería. Desafiando el Viejo Orden:
Hacia Nuevas Direcciones en la Teoría de la Seguridad Vial (J. Rothe, ed.), Transaction
Publishers, Londres, 1990, pp. 29–71. 17. Davis, G. Factores de reducción de accidentes e

inferencia causal en estudios de seguridad vial: una revisión. Análisis y prevención de
accidentes, vol. 32, 2000, págs. 95–109. 18. Smiley, A. Comportamiento del conductor: un
objetivo en movimiento. TR News, No. 254, Junta de Investigación del Transporte, Consejo
Nacional de Investigación, Washington, DC, 2008, págs. 19–24. 19. Cunto, F. y F. Saccomanno.
Calibración y Validación del Desempeño de Seguridad de Vehículos Simulados en
Intersecciones Señalizadas. Análisis y prevención de accidentes, vol. 40, 2008, págs. 1171–
1179. 20. Ciencia, evolución y creacionismo. Folleto adaptado de Science and Creationism: A
View from the National Academy of Sciences, segunda edición, Instituto de Medicina,
Academia Nacional de Ciencias, Washington, DC, 2008. 39 Copyright Academia Nacional de
Ciencias. Todos los derechos reservados.Teoría, explicación y predicción en seguridad vial 40
Circular de investigación de transporte E-C179: Teoría, explicación y predicción en seguridad
vial 21. Freedman, D. From Association to Causation: Some Remarks on the History of
Statistics. Informe técnico 521, Universidad de California–Berkeley, 2002. 22. Pearl, J.
Causality: Models, Reasoning, and Inference. Cambridge University Press, 2000. 23. Mayne, A.
El problema del peatón descuidado. Proc., Segundo Simposio Internacional sobre la Teoría del
Tráfico Vial (J. Almond, ed.), OCDE, 1965, pp. 279–285. 24. Baker, J. Manual de investigación de
accidentes de tráfico, Instituto de Tráfico de la Universidad Northwestern, 1975. 25. McLean,
J., R. Anderson, M. Farmer, B. Lee y C. Brooks. Vehicle Travel Speeds and the Incidence of Fatal
Pedestrian Crashes, Unidad de Investigación de Accidentes Viales, Universidad de Adelaida,
1994. 26. Najm, W. y J. Koopman. Desempeño de un sistema de prevención de choques
traseros en una prueba operativa de campo. Documento técnico SAE 2006-01-0573, 2006. 27.
Kloeden, C., J. McLean y G. Glonek. Reanalysis of Travelling Speed and the Risk of Crash
Involvement in Adelaide South Australia, Road Accident Research Unit, University of Adelaide,
2002. 28. Davis, G., J.-P. Pei y S. Davuluri. La velocidad como factor de riesgo en colisiones
graves fuera de la carretera: análisis de casos y controles bayesiano con incertidumbre de la
velocidad del caso. Revista de Transporte y Estadística, vol. 9, 2006, págs. 17–28. 29. Hourdos,
J. Dinámica del flujo de tráfico propenso a colisiones: identificación y detección en tiempo real.
Doctor. tesis, Universidad de Minnesota, 2005. 30. Songchitruksa, P. y A. Tarko. El enfoque de
la teoría del valor extremo para la estimación de la seguridad. Análisis y prevención de
accidentes, vol. 38, 2006, págs. 811–822. 31. Hauer, E. Conflictos de tráfico y exposición.
Análisis y prevención de accidentes, vol. 14, 1982, págs. 359–364. 32. Lord, D., SP Washington
y JN Iván. Desafíos estadísticos con el modelado de accidentes automovilísticos: comprensión
de la implicación de enfoques alternativos. Presentado en la 83.ª Reunión Anual de la Junta de
Investigación del Transporte, Washington, DC, 2004. 33. Pasanen, E. y H. Salmivaara. Velocidad
de conducción y seguridad de los peatones en la ciudad de Helsinki. Traffic Engineering and
Control, junio de 1993. 34. Davis, G. y T. Swenson. ¿Responsabilidad colectiva por accidentes
de colisiones traseras en autopistas? Una aplicación de modelos causales probabilísticos.
Análisis y prevención de accidentes, vol. 38, 2006, págs. 728–736. 35. Masliah, M., GBBahar y
E. Hauer. Aplicación de la metodología innovadora de series de tiempo a la relación entre la
retrorreflectividad de las marcas de pavimento y los choques. En Registro de investigación de
transporte: Revista de la Junta de investigación de transporte, No. 2019, Junta de investigación
de transporte, Washington, DC, 2007, págs. 119–126. extensión de
cromo://efaidnbmnnnibpcajpcglclefindmkaj/https://t2.unh.edu/sites/t2.unh.edu/files/docum
ents/newsletters/2011/2011_summer.pdf
LA CIENCIA DE LA SEGURIDAD VIAL
Centro UNH T2

Nota tecnica
La ciencia de la carretera
Seguridad El Manual de Seguridad Vial es una herramienta valiosa para las agencias locales
Presentado por John Ryynanen, Editor, Centro de Tecnología y Capacitación, Michigan Tech
Transportation Institute
Como ingeniero civil (o alguien que trabaja en estrecha colaboración con ingenieros civiles),
sabe que cuando está diseñando una intersección y tiene una pregunta sobre la distancia
visual, puede consultar la Política de la Asociación Estadounidense de Funcionarios de
Transporte de Carreteras Estatales (AASHTO) sobre Diseño geométrico de carreteras y calles
para una respuesta (también conocido como el Libro Verde de AASHTO). De manera similar,
cuando tenga una pregunta sobre letreros, marcas en el pavimento y señales para la misma
intersección, sabe que encontrará todas las respuestas en su copia del Manual sobre
Dispositivos Uniformes de Control de Tráfico (MUTCD). Pero, ¿dónde mira cuando tiene una
pregunta sobre seguridad vial? Por ejemplo, ¿cuál es la nota técnica n.° 22 de NH LTAP en la
Universidad de New Hampshire, el método más seguro para manejar los movimientos de giro
a la izquierda en una intersección señalizada de cuatro vías? Hasta hace poco, habría tenido
que examinar múltiples fuentes de información y no había garantía de que encontraría una
respuesta definitiva. La pregunta sobre los movimientos de giro a la izquierda expone un
dilema con el que los profesionales de la seguridad han lidiado durante años: ¿Qué constituye
la seguridad en una carretera? ¿Debe un camino simplemente adherirse a los estándares de
diseño establecidos para ser considerado seguro, o requiere algo más? Los estándares no son
suficientes El Dr. Ezra Hauer, profesor emérito del Departamento de Ingeniería Civil de la
Universidad de Toronto y experto en seguridad vial reconocido internacionalmente, introdujo
los adjetivos "nominal" y "sustantivo" para ayudar a arrojar más luz sobre el tema de las
carreteras. la seguridad. En un artículo de 1999 titulado "Seguridad en los estándares de
diseño geométrico", Hauer escribió: "La seguridad nominal se juzga por el cumplimiento de los
estándares, garantías, políticas y procedimientos sancionados... La seguridad sustantiva se
mide por la frecuencia y la gravedad esperadas de los choques" (Hauer 19). La seguridad
nominal, entonces, se refiere solo a si los municipios cumplen con los estándares mínimos de
seguridad establecidos por ley. La seguridad sustantiva, que Hauer indica que es tan
importante como cumplir con los estándares, se refiere a lo que es más seguro para una
situación determinada. Verano de 2011 página S1El problema de definir la seguridad como una
función del cumplimiento de las normas, afirmó Hauer, es que “las normas límite no le dicen al
diseñador cuál es el diseño más seguro. Más bien, especifican el límite de lo que es
permisible”. (Hauer 2). Esto significa que las normas, por sí solas, no son suficientes para
garantizar la máxima seguridad vial, sino solo las expectativas mínimas. Hoy en día, el Manual
de seguridad vial (HSM), que está disponible a través de AASHTO, es la fuente definitiva de
respuestas sustantivas a las preguntas sobre seguridad vial. El manual fue desarrollado y
refinado por un equipo diverso de partes interesadas en seguridad vial durante los últimos diez
años para proporcionar una fuente única de información y herramientas de seguridad en una
forma que facilite la toma de decisiones basada en bases de datos. Gran esfuerzo La creación
del HSM comenzó en mayo de 2000, bajo la dirección de un grupo de voluntarios de ocho
subcomités diferentes de la Junta de Investigación del Transporte (TRB) en Washington DC. La
investigación y el desarrollo para el esfuerzo fueron financiados en gran parte por el Programa
Cooperativo Nacional de Investigación de Carreteras (NCHRP) y la Administración Federal de
Carreteras (FHWA) proporcionó fondos adicionales y apoyo para la investigación. En 2006, se

tomó la decisión de publicar el HSM como un documento de AASHTO, momento en el que se
formó un grupo de trabajo conjunto con representantes de los subcomités de AASHTO sobre
diseño, ingeniería de tráfico y gestión de la seguridad. Durante los siguientes tres años, el
grupo de trabajo examinó el HSM para asegurarse de que satisficiera las necesidades de los
Departamentos de Transporte estatales y de las agencias locales. Durante ese tiempo, los
miembros del grupo de trabajo también trabajaron para promover el HSM dentro de sus
respectivos subcomités. En 2009, después de nueve años de desarrollo intensivo y
refinamiento cuidadoso, la junta directiva de AASHTO aprobó la distribución del HSM. Recurso
valioso, pero no estándar Priscilla Tobias, Jefa de Seguridad de la Oficina Verano de 2011
página S2 Ingeniería del Departamento de Transporte de Illinois (IDOT) se desempeña como
presidenta del grupo de trabajo que supervisa el mantenimiento y el desarrollo continuo del
HSM. Está muy complacida de que una herramienta tan poderosa esté disponible para las
agencias propietarias de carreteras. “Este manual representa la mejor ciencia relacionada con
la seguridad de nuestros días”, dice ella. “Y ha sido examinado minuciosamente por expertos
en seguridad y representantes de todos los grupos involucrados con la seguridad vial para
garantizar que sea preciso y relevante para todas las partes interesadas. Esta es la primera vez
que tenemos un recurso de este tipo”. Tobias tiene cuidado de enfatizar que el HSM no es un
estándar, como el MUTCD. Ella advierte: “El manual pretende ser una guía; nada en él
constituye una norma legal, ni impone responsabilidades. Es simplemente una gran
herramienta para tomar decisiones informadas sobre cómo asignar recursos para abordar los
problemas de seguridad de manera más efectiva”. Nueva dirección en seguridad vial La clave
de la utilidad del manual radica en su enfoque científico completo para identificar, analizar y
resolver problemas de seguridad. En primer lugar, muchos métodos de selección de sitios en el
HSM ayudan a las agencias viales a concentrarse en los sitios más relevantes eliminando de la
consideración los sitios que tienen una fluctuación alta o baja aleatoria en los choques. Esto
significa que solo se identifican aquellos sitios que son consistente y habitualmente inseguros,
no solo los sitios que se encuentran en un punto alto o bajo inusual en los bloqueos. Después
de identificar un sitio, la nota técnica n.º 22HSM del NH LTAP de la Universidad de New
Hampshire proporciona un medio para analizar el impacto de las decisiones en la seguridad en
todas las etapas del proceso de desarrollo del proyecto. Las agencias que utilizan el HSM
pueden ver la efectividad de cada mejora de seguridad. Finalmente, el HSM incluye un extenso
catálogo de factores de modificación de choque (CMF) probados para una variedad de tipos de
tratamiento geométrico y operativo. Usando CMF, los profesionales pueden predecir el
impacto de seguridad que un tratamiento o diseño potencial puede tener en su sistema vial. El
Dr. Hauer, experto en seguridad vial, se complace en que el manual esté disponible. Señala
que “La publicación del Manual de seguridad vial indica un amplio reconocimiento de la
necesidad de abordar la seguridad de alguna manera basada en la evidencia. Con
procedimientos que examinan la seguridad cuantitativamente en lugar de subjetivamente, el
documento es un primer paso importante en la dirección correcta”. Los primeros usuarios
lideran el camino En tres volúmenes y casi mil páginas, el HSM contiene una cantidad
formidable de formación en NH LTAP en la Nota técnica n.º 22 de la Universidad de New
Hampshire, especialmente para aquellos que no tienen experiencia en la práctica de analizar y
mejorar las carreteras. la seguridad. Para ayudar a que dicha información esté disponible y
alentar a las agencias propietarias de caminos a usarla, el NCHRP está patrocinando un
esfuerzo que implica mostrar las experiencias de diferentes estados con el HSM. El esfuerzo,
titulado oficialmente Iniciativa de los Estados Líderes para Implementar el Manual de
Seguridad Vial, involucra a funcionarios de transporte estatales y locales en trece estados. El
director del proyecto de Lead States Initiative es Charles Niessner, oficial superior de

programas del NCHRP. Para iniciar el proyecto, Niessner trabajó con el grupo de trabajo
AASHTO de Tobias en el HSM para solicitar participantes de los Departamentos de Transporte
del Estado (DOT). Se sintió alentado por la respuesta. “Treinta DOT inicialmente expresaron
interés”, dijo Niessner. “Eso fue alentador. No esperábamos ese tipo de respuesta de los
estados porque lanzar algo como esto no es algo simple, es un gran esfuerzo”. Niessner cree
que la voluntad de involucrarse se debe al requisito de la ley de transporte trans Trans
Summer 2011 page S3portation de 2005 (Ley de equidad en el transporte seguro, responsable,
flexible y eficiente: un legado para los usuarios, o SAFETEA-LU), que requería que cada DOT
estatal para establecer un plan estratégico de seguridad vial antes del 1 de octubre de 2007.
Niessner continúa: “Exigir planes estratégicos de seguridad vial realmente elevó la importancia
de la seguridad vial y ayudó a todos a moverse con más propósito en esa dirección. Creo que la
respuesta a nuestra invitación muestra que nuestros DOT estatales ven el HSM como otra gran
herramienta para ayudar a refinar nuestro enfoque colectivo para mejorar la seguridad de
nuestras carreteras”. Michigan es un estado líder Tracie Leix, ingeniera supervisora de la
Unidad de Programas de Seguridad del Departamento de Transporte de Michigan (MDOT),
está administrando la participación de MDOT en la Iniciativa de los Estados Líderes. Leix está
especialmente emocionada con el HSM porque espera que mejore la ya saludable relación de
su grupo con las agencias viales locales. Ella y su equipo han visto de primera mano cómo la
participación de socios locales en proyectos de seguridad puede producir grandes resultados.
En 2004, el grupo de Leix, en ese momento bajo el liderazgo de Dale Lighthizer (retirado en
2010), estableció la Iniciativa de seguridad local para ayudar a las agencias viales locales en
Michigan a implementar mejoras de seguridad. “A través de la iniciativa de seguridad local,
enfatizamos la importancia de medir la seguridad y cuantificar la efectividad de las mejoras”,
explicó Leix. “El HSM será una gran herramienta para respaldar estos esfuerzos a medida que
continuamos trabajando junto con nuestros socios locales para mejorar la seguridad de las
carreteras de Michigan”. Para ayudar a las agencias locales a comprender y utilizar el HSM en
Michigan, Leix y un equipo de implementación de HSM de la agencia local están trabajando
con el Programa de asistencia técnica local (LTAP) de Michigan para producir materiales de
capacitación para varios grupos de partes interesadas que participan en la toma de decisiones
de seguridad vial. “Entre nuestros socios de agencias locales, tenemos agencias
metropolitanas, urbanas y rurales. Y dentro de cada agencia tenemos personas dedicadas al
diseño, desarrollo, seguridad y otras áreas de enfoque”, dijo Leix. “No importa dónde se
encuentre alguien en el proceso de mejora de la seguridad vial, ciertos aspectos del manual se
aplican a ellos. Estamos trabajando para asegurarnos de que la capacitación sea relevante para
las necesidades de cada grupo”. No solo para los DOT estatales Tony Giancola, director
ejecutivo de la Asociación Nacional de Ingenieros del Condado (NACE), también está
entusiasmado con la disponibilidad y relevancia del HSM para las agencias propietarias de
carreteras en todo el país. “Esta es una herramienta muy útil”, dijo. “Será de gran ayuda para
las agencias viales a nivel estatal y local a medida que evalúan, diseñan, planifican e
implementan mejoras de seguridad en sus respectivas comunidades”. Todos los que están
familiarizados con el HSM están de acuerdo en que será una gran herramienta para mejorar la
seguridad vial, pero algunos esperan más, especialmente aquellos que tienen experiencia en la
implementación de mejoras de seguridad a nivel local. Wayne Schoonover, PE, ingeniero de
carreteras del condado para la Comisión de Carreteras del Condado de Ionia en Michigan, dice
que el HSM podría ayudar a las agencias viales locales a pagar los proyectos viales. Ha sido un
participante entusiasta en el programa de Iniciativa de Seguridad Local del Departamento de
Transporte de Michigan (MDOT) desde que se creó en 2004. “El éxito que hemos tenido en
asegurar fondos federales de seguridad para las mejoras viales del Condado de Ionia es un

gran ejemplo del valor de un enfoque de seguridad basado en datos”, dijo Schoonover. “Si no
fuera por las soluciones cuantificables que el grupo de Iniciativa de Seguridad Local de MDOT
nos ayudó a definir, no hubiéramos calificado. El Manual de Seguridad Vial puede ayudar a
cualquier agencia a definir soluciones cuantificables para sus problemas de seguridad, lo que
podría ayudarlos a obtener una financiación similar”. Para más información:
www.highwaysafetymanual.org. Referencias • Hauer, E. Seguridad en los estándares de diseño
geométrico. Recuperado el 9 de diciembre de 2010, de
https://ceprofs.civil.tamu.edu/dlord/CVEN_635_Course_Material/Safety_in_Geometric_Desig
n_ Standards.pdf. NH LTAP en la Nota técnica n.° 22 de la Universidad de New Hampshire

2. Theory, Explanation, and Prediction in Road Safety.pdf

Más contenido relacionado

Similar a 2. Theory, Explanation, and Prediction in Road Safety.pdf (20)

Más de FRANCISCOJUSTOSIERRA (20)

Último (20)

2. Theory, Explanation, and Prediction in Road Safety.pdf