Development of safety_performance_functi baby

Accidente Análisis y Prevención 95 (2016) 250–265
Desarrollo de seguridad rendimiento Funciones para Español dos
carrilesrural Carreteras en plano terreno
Laura Garach, Juan de OÑun∗
, Griselda LópeZ, Leticia Baena
TRYSE Investigación Grupo Departamento de Civil Ingeniería Universidad de Granada ETSI Caminos, Canales y Puertos, c/ Severo Ochoa s/n, 18071 Granada España
un R T Yo C l E Yo N F o un B S T R un C T
Artículo historia:
Recibido 24 Febrero 2016
Recibido en forma revisada el 15 de
julio de 2016Aceptado 18 Julio 2016
Disponible en línea 25 Julio 2016
Palabras clave:
Acumulativo Residuos
Funciones de rendimiento de
seguridadDos carriles rural
Carreteras
Terreno llano
Parsimonioso modelos
Completamente
modelos
Sobre Décadas seguridad rendimiento Funciones (SPF) have sido desarrollado como un herramienta para
tráfico seguridad en orden Paraestimar el número de Accidentes en un específico camino sección. A pesar
de el firme progresión de methodologi- Cal Innovaciones en el estruendo análisis campo mucho
fundamental cuestiones have no sido completamente Dirigida. Para instancia: Es eso mejor Para uso
parsimonioso o completamente especificado ¿modelos? Cómo deber el bondad-de-ajuste deel modelos ser
¿Evaluó? Es eso mejor Para uso un General modelo para el entero muestra o específico modelos basado en
muestra ¿Estratificaciones? Éste papel Investiga el encima cuestiones por medio de varios SPFs
desarrollado Usandomodelos de regresión binomial negativa para carreteras rurales de dos carriles en
España. Los modelos se basaron en estruendo datos reunido sobre un 5 años periodo Usando un ancho
número de explicativo Variables relacionado Para expo-seguro, geometría, consistencia de diseño y
características de la carretera. Los resultados muestran que el principio de parsimonia Podría ser también
restrictivo y ese eso con tal que simplista modelos. Más anterior Estudios aplicar convencionalmediciones
(es decir, R2
, BIC, AIC, etc.) para evaluar la bondad de ajuste de los modelos. Rara vez se aplican los
estudios análisis de residuos acumulativos (CURE) como herramienta para la evaluación de modelos.
Este trabajo muestra que cure parcelas son esencial herramientas para Calibración SPF, mientras Además
Proporcionar información para posible muestra estratificación.Los autores anteriores sugieren que la
segmentación de la muestra aumenta la precisión del modelo. Los resultados presentadosaquí confirmar
ese hallazgo y mostrar ese el número de significativo Variables en el final modelos Aumenta con
estratificación de muestras. Este trabajo señala que los modelos completamente basados en la
segmentación de la muestra y en CURE puede proporcionar información más útil sobre los accidentes de
tráfico que los modelos parsimoniosos generales cuando Desarrollo SPF.
© 2016 Elsevier Ltd. Todo derechos reservado.
1. Introducción
Según Para el Mundo Salud Organización aproximadamente
1.24 millón gente son matado cada año en el de mundo carreteras
yotros 20-50 millones sufren lesiones no fatales como resultado
de la carreteraAccidentes. Por lo tanto, todos los esfuerzos para
reducir los accidentes de tráfico son bien justi- Fied. En Europa,
aproximadamente el 60 % de las muertes por accidentes de tráfico se
producenen carreteras rurales de dos carriles (Cafiso et al., 2010).
Dos factores principales aliado jugar un importante rol en tráfico
accidente ocurrencia: el Primero está relacionado con el
conductor; y el segundo está relacionado con la calzada diseño
(Abdel-Aty y Radwan, 2000).
Las funciones de rendimiento de seguridad (SPF) permiten
pre- Dict el número de Accidentes ese Mayo tomar lugar en un
dado elasticidadde calzada con ciertas características. Durante
muchos años este tipo de modelo era desarrollado Usando
sencillo o múltiple lineal regres-
* Correspondiente autor.
E-correo Direcciones: lgarach@ugr.es (L. Garach), jdona@ugr.es (J. de OÑa),
griselda@ugr.es (G. López), lbaenar@ugr.es (L. Baena).
Sion técnicas. Sin embargo Miaou (1994) Mostró ese Poisson
modelos de regresión o, en el caso de datos excesivamente dispersos,
Nega- Los modelos de regresión binomial (NB) tivos son más
apropiados. Más tardela investigación mostró que, en general, el
número de accidentes utilizados cuando calibrar los modelos de
predicción presenta sobre-dispersión, con un mayor dispersión de la
que sería consistente bajo un modelo de Poisson(Hauer et al., 2002).
Por lo tanto, la mayoría de los estudios de hoy en día asumen que el
número de bloqueos sigue a una distribución NB (Persaud et al.,
1999; Cheng y Washington 2008; Montella Et al., 2008; CafisoEt
al., 2010; FHWA, 2010; Montella, 2010; Camacho-Torregrosa
Et al., 2013).
Aunque se han llevado a cabo investigaciones sustanciales sobre
el desarrollo, Opment de modelos de choque, hay cuestiones
todavía en la vanguardia en relación con: modelos generalizados;
heterogeneidad no observada; con- fundador variables; Variables
Para ser Considera en modelos y cómo Para agregar ellos
(parsimonioso vs. completamente especificado modelos);
sobreajustede modelos; Medidas usado en Evaluar el bondad de
ajuste; y el conveniencia de Estratificación un muestra Para
Obtener mejor modelos.
Los modelos generalizados son utilizados por las autoridades
para estudiar la seguridad de Otro Ubicaciones en un dado
región ese have characteris-
Contenido Listas disponible en ScienceDirect
Accidente Análisis y Prevención
jou Rn al Hom Ep edad:

http://dx.doi.org/10.1016/j.aap.2016.07.021
0001-4575/© 2016 Elsevier Ltd. Todos los derechos reservados.

L. Garach Et al. / Accidente Análisis y Prevención 95 (2016) 250–265
25
Tics Similar Para aquellos de el ubicación usado Para construir el
modelo. Asílos modelos que contienen variables con parámetros
altamente significativos pueden predecir las frecuencias de
accidentes en nuevas ubicaciones no utilizadas en el modelo
desarrollo. Además, porque las variables explicativas que tienen los
parámetros del modelo estadísticamente significativos ayudan a
explicar la variabil- ción de los datos de accidentes, su inclusión en
el modelo mejora sucaber con el datos (Sawalha y Sayed 2006).
En cuanto a la heterogeneidad no observada, el hecho de que
se estrella implican interacciones complejas entre humanos,
vehículos, carreteras, tráficosFic y elementos ambientales hace que
sea imposible de tener en cuenta cuenta todo Factores Influenciar
el probabilidad de carretera Accidentes.Las bases de datos de
accidentes contienen mucha información sobre carreteras,
vehículos y medio ambiente características todavía ca y Otro
Elementos quedarno observado, como el comportamiento humano,
mediciones de fricción, etc. Estos Factores constituir inobservado
heterogeneidad y enlatar intro-variación duce en el impacto del
efecto de las variables observadas sobre la probabilidad de
accidente (Modales et al., 2016). Inobservado het-la erogeneidad
se puede definir como variaciones en el efecto de las variables A
través de el muestra población ese son desconocido Para el
investigador. Si se omite este problema y los efectos de las
variables observables es considerado el mismo en todas las
observaciones, el modelo puede ser erróneo. especificado y los
parámetros estimados pueden estar sesgados, lo que lleva a
predicciones erróneas (Modales et al., 2016). Aunque rel-
investigaciones recientes han explorado la heterogeneidad no
observada, permitiendo que se extraigan nuevos conocimientos
de las bases de datos de bloqueo, el el proceso de la modelo-
estimación implicado llega a ser considerablemente más
complejo; el resultado obtenido de métodos tales como el param-Es
posible que los modelos eter no sean fácilmente transferibles a
otros conjuntos de datos o diferentes ubicaciones desde el
parámetro individual vector associ- ated con cada observación es
único a esa observación (Señor y Ayesamiento, 2010; Modales Et
al., 2016).
Otra cuestión que preocupa a los investigadores es la de la
confusión Variables. En general, las variables de confusión son
aquellas que no son controlado en el modelo pero puede tener un
efecto latente. Una confusión- El factor de ción puede definirse como
cualquier variable, distinta de la causa de principal interés en un
estudiar—que enlatar cualquiera de los dos a) generar Efectosque
pueden mezclarse con los efectos de la variable causal, (b)
distorsionar los efectos atribuidos a la variable causal, por ejemplo,
modificar su dirección o fuerza, o (c) ocultar los efectos de la
variación causal capaz (Elvik, 2011). El controlar para los factores de
confusión es importante en el establecimiento de la causalidad, y el
control deficiente de los factores de confusión Puede distorsionar
gravemente los resultados de los estudios de seguridad vial y hacer
ellos completamente sin valor (Elvik, 2008). Sin embargo, el número
de factores potencialmente confusos que se controlan con éxito para
siempre está limitado debido al hecho de que la mayoría son
desconocidos. Más... sobre eso es un falacia Para creer ese si un
modelo Encaja el datos muyperfectamente, esto demuestra que
incluye todos los factores importantes y que los factores no incluidos
en el modelo no pueden tener efectos importantes (Elvik, 2011). Por
lo tanto, este asunto puede ser una limitación en la mayoría de los
accidentes. frecuencia Estudios. En los modelos aplicados a todos los
accidentes, hay es una ligera confusión debido a la mezcla de
diferentes niveles de gravedad del accidente (Elvik, 2011).
SPF son usado para un variedad de Propósitos. Más
frecuentemente Ellos servir Para estimar el Esperado estruendo
Frecuencias De varios calzada entidades (autopistas,
intersecciones, interestatales, etc.) e identificar geométrico
medioambiental y operacional Factores ese son associ-ated con
accidentes. Con respecto a la selección de variables, el las
variables explicativas que son potencialmente relevantes en SPF
pueden ser agrupados en dos categorías principales: a) Variables
que describen la exposición Para estruendo riesgo; b) Riesgo
Factores ese influencia el número de Accidentes Esperado Para
ocurrir en un camino.
En la primera categoría, la mayoría de los estudios incluyen
promedio anual diario Tráfico (AADT) y sección largura como
Exposición Variables (Hadi Et al., 1995; Anderson et al., 1999;
Persaud et al., 1999; Pardillo y Llamas, 2003; Ng y Sayed 2004;
Pardillo et al., 2006; Dell'Acqua y Russo 2008; Cafiso Et al., 2010;
Parque y Abdel-Aty, 2015).

25 L. Garach Et al. / Accidente Análisis y Prevención 95 (2016) 250–265
Entre las variables de exposición, algunos autores, además,
toman en cuentacontabilizar el porcentaje de vehículos pesados
(Fitzpatrick et al., 2000;Elvik,2007; Ramírez Etal.,2009;Montella,
2010;HosseinpourEtal.,2014).
En la segunda categoría, entre los factores de riesgo que
influyen en la número de accidentes que se espera que ocurran en
una carretera, la mayoría de los autores considerar las variables
explicativas incluidas en una de las tres siguientes: ing grupos:
variables geométricas, variables de consistencia o contexto
Variables. Un número de Estudios have Intento Para cuantificar el
Efectos de camino geométrico diseño Variables y Exposición
Variablesen accidente Frecuencias (Hadi Et al., 1995; Persaud Et al.,
1999; Fitzpatrick Et al., 2000; Anastasopoulos et al., 2008;
Dell'Acqua y Russo 2008; Cafiso et al., 2013; Parque y Abdel-Aty,
2015). Alguno Autores have Miró en el influencia de consistencia
variables—o una combinación de geométrica, entorno y consis-
variables de latencia: en el desarrollo de SPF para carreteras rurales
de dos carriles (Anderson et al., 1999; Ng y Sayed 2004; Cafiso et
al., 2010; De OÑun Et al., 2014). Otros have desarrollado
consistencia Índices ese se pueden utilizar como variables
independientes en SPF (Polus y Mattar- Habib 2004; Camacho-
Torregrosa, 2014; Garach et al., 2014). Alguno los estudios han
intentado relacionar la frecuencia de los accidentes con el medio
ambiente. tal variables como la densidad de la calzada (Pardillo y
Llamas, 2003; Pardillo Et al., 2006; Cafiso Et al., 2010).
Dentro de este importante cuerpo de investigación sobre el
desarrollo del SPF, la gran mayoría de los estudios de SPF incluyen
algún tipo de medida de exposición, como AADT o longitud de
segmento. Aún así, hay una falta de consenso sobre el número de
variables que deben agregarse en el modelo, y las cuestiones
relativas a parsimonioso vs. ificado modelos.
Según Para Sawalha y Sayed (2006), modelo generalidad
Requiere ese un modelo ser desarrollado en conformidad con el
principiode la parsimonia, que exige explicar tanta variabilidad de
la datos como sea posible utilizando el menor número de variables
explicativas. La noción que subyace al principio de parsimonia es
evitar el sobreajuste. tintinear. Si mucho Variables son incluido en
un modelo un Perfecto caber Podríaobtenerse; pero el modelo
desarrollado no produciría fiable predicciones cuando se aplican a
un conjunto diferente de ubicaciones. Ademásya que los datos
disponibles para los investigadores son a menudo limitados, y
muchos vari- Ables conocido Para significativamente afectar el
frecuencia de Accidentes MayoNo estar disponible, también hay
una necesidad de desarrollar relativamente simplis- Los modelos
de tic que utilizan sólo variables explicativas que, en la práctica,
pueden ser reunido y Proyectado para uso. Dado estos datos
Limitaciones y elnecesidad de especificar modelos con algunas
variables explicativas simplistas, modelos parsimoniosos son
frecuentemente estimativo.
Sin embargo Otro Autores discrepar con el concepto de
parsimo-nious modelos. Según Modales y Bhat (2014), lo real el
problema con ellos es que los modelos que tienen unos cuantos
explana simplistas- Las variables tory podrían excluir variables
explicativas significativas; y el modelo-estimado parámetro para
el básico Variables (como tráficovolumen) podría estimarse con
sesgo (sesgo de variables omitidas). El la aplicación del modelo
sería fundamentalmente defectuosa, porque Los cambios en las
variables omitidas no se pueden capturar ni predecir las
frecuencias de choque serán incorrectas. Modales et al. (2016)
indi- Cated que si los factores que afectan a la probabilidad de
un accidente no son incluidos (heterogeneidad no observada),
estos factores podrían introducir variación en el impacto de el
efecto de Observado Variables en acci- abolladura de la
probabilidad. La omisión de variables importantes introduce sesgo
en modelar parámetros, y dará lugar a una inferencia incorrecta
(WashingtonEt al., 2010; Mitra y Washington 2012).
Con respecto a modelo evaluación mucho Estudios uso
estadístico mea-sures tales como Akaike Information Criterion
(AIC) o Pearson Chi- estadísticas cuadradas, entre otras. Pocos
utilizan el análisis residual acumulativo-sis como método para
evaluar los modelos de predicción calibrados. Hauer (2015)
recomienda analizar las gráficas de residuos como herramienta
esencial Para calibrar estruendo modelos. Señor y Persaud (2000)
aplicado cumu-lativo residual análisis Para evaluar predicción
modelos Mostrando

25
LH
CCRsecta = Yo
Yo
la variación de la siniestralidad en años consecutivos; y ellos
Gobernado fuera el uso de el convencional R2
.
Otro emitir Para considerar es ese cuando un estudiar usos
datos Decarreteras que cubren una amplia región, puede haber
muy diferentes características en tramos de carretera del mismo
tipo general. Para por ejemplo, en los estudios citados
anteriormente, los modelos calibrados incluyeron una amplia gama
de AADTs, desde tan solo 166 veh/día (Anderson et al., 1999) hasta
25.000 veh/día (Parque y Abdel-Aty, 2015). En tal Situación, incluso
si los modelos obtenidos son válidos, pueden salir margen de
mejora. Este punto fue sacado a relucir por Vogt yBared (1998):
Ellos Concluyó ese su modelo Podría ser mejoradosi la muestra se
hubiera dividido sobre la base de intervalos de algunos de los
explicativo Variables. Vogt y Bared (1998) vino Para éste conclu-
sion después de analizar los modelos a través de una
comparación de acumulativaResiduos Trazado contra principal
Variables así que como Para comprobar para sys- tendencias
tematic que podrían contradecir la forma de modelo asumida o
sugerir refinamientos de modelos. Pardillo et al. (2006) mostró
que elestratificación del modelo orientado por los resultados del
acumulado el análisis de residuos es un método válido para refinar
la predicción de fallos mod- Els. Según Para Hauer (2004), cuando un
modelo es usado para predicciónes importante que se ajuste bien en
todo el rango de cada variable. Sugirió la posibilidad de estratificar
los modelos a superar la falta de flexibilidad de los funcionales
exponenciales más comunesFormas.
El objetivo de éste papel es desarrollar SPF analizando cumula-
tivo Residuos para dos carriles rural Carreteras Usando un Alto
número de explicativo Variables relacionado Para Exposición
geométrico diseño consistencia de diseño y características de la
carretera. En el proceso de adición Variables al modelo, se comparan
dos tipos de modelos: parsi- modelos moniosos frente a modelos
completamente especificados. El trabajo está organizado en cuatro
secciones principales. La primera sección ha presentado una
introducción ción a los conceptos principales y a los modelos de
choque anteriores. En el segundo , describimos la base de datos y la
metodología. La tercera en la sección se presentan los resultados y la
discusión. Por último, en el último segundo segundo, ción el
principal Conclusiones de éste estudiar son dado.
2. Datos y metodología
Mesa 1
AADT y adoquinado Ancho Intervalos Considera.
Variable Gama
AADT (veh/día) [500–1000]
(1000–3000]
(3000–5000]
(5000–10,000]
>10.000
Adoquinado Ancho m) ≤5
(5–6.5]
>6.5
2.2. Metodología
Inicialmente, cada camino se dividía en curvas horizontales y
bronceadas. Caballeros. El próximo paso era Para subdividir el
muestra en homogéneosegmentos de carreteras. A continuación, se
seleccionaron las variables explicativas. Alguno de ellos podrían
obtenerse directamente de la base de datos, mientras que otros,
relacionados con la consistencia del diseño, se obtuvieron de la
operación velocidad Perfiles en cada homogéneo camino
segmento. Una vez el vari- se seleccionaron los modelos de
predicción, se calibraron los modelos de predicción y Evaluado por
medio de varios estadístico Medidas.
2.2.1. Homogéneo camino Secciones
Varios autores han señalado la necesidad de estudiar
segmentos con características homogéneas para garantizar una
seguridad vial coherenteestudios (Resende y Benekohal, 1997;
Fitzpatrick et al., 2000; Pardillo y Llamas, 2003; Cafiso Et al., 2010;
Garach Et al., 2014).Tras estudios previos (Cafiso et al., 2010; Garach
et al., 2014), en orden Para trabajo con tal homogéneo camino
Segmentos el fol- berrido Parámetros Fueron usado: AADT,
promedio adoquinado Ancho (PW) ycurvatura cambio tasa (CCR).
Para AADT, se identificó un nuevo segmento cuando había un
cambio de los intervalos especificados en Cuadro 1 (AASHTO, 2010;
Garachet al., 2014). Para el ancho de la carretera, la distribución
de los anchos de las carreteras se analizaron y se definieron los
rangos en Cuadro 1 se utilizaron. El segundo ciones con CCR
constante se identificaron sobre la base de la sección curvatura
cambio tasa (CCRsect), definido como Sigue:
¿
|«Y |
Este estudio se llevó a cabo en 972 km de altura rural de dos
carriles. caminos sobre terreno llano en Andalucía (España). Los
datos de la carretera fueronObtenido De el General Dirección de
Carreteras debajo el Andalu-El Gobierno Regional de Sian e incluye
inventarios de carreteras con características de la carretera y
volumen de tráfico. Segmentos urbanos, Intersecciones1
y se
quitaron los carriles de paso o escalada porque de sus
características, como SPF utilizado para predecir accidentes en
estos los casos son muy diferentes del SPF que se obtenería en
convencional dos carriles rural Carreteras. Además solamente
aquellos sec-ciones en cuál AADT era superior que 500 veh/día
Fueron incluido enel estudiar como eso era supuesto ese cuando
tráfico Volúmenes son bajar las condiciones del tráfico y los
problemas de seguridad no son representativos de la Caminos
rurales de dos carriles. Segmentos que experimentan cambios
significativos durante el estudiar periodo Fueron Excluidos De el
muestra. Como un resultado606 Km de dos carriles rural Carreteras
Fueron implicado en el análisis.
Accidente datos Fueron Obtenido De España "Generalidades
Tráfico-Dirección de Accidentes" (DGT) por un período de cinco
años (2006-2010). El total número de Accidentes en el estudiado
carreteras era 1443.
1
Un porción de el camino era Considera intersección si eso Tenía un parar y
Izquierda giroCarril en el principal camino.
2.1. Camino y accidente
(1

Dónde CCRsect = sección curvatura cambio tasa (gon =
kilómetro); «YYo = ángulo de deflexión para un elemento
continuo i (curva o tangente) (gon: Centesimal grado); LHS =
camino segmento largura (km).
Para cada segmento de carretera, se dibujó un diagrama. La
suma de la «YYoera Representado en el eje Y y el distancia en el
eje x. CaminoSecciones con homogéneo horizontal alineación
Fueron identificadoen este diagrama por secciones donde la
pendiente del ángulo acumuladocurva de desviación (CCRsecta)
fue relativamente constante. Basado en el Ger-procedimiento del
hombre (RAS-L, 1995), una longitud mínima de sección de 2 km
fue aprobado. Una sección se consideraba homogénea cuando
el Tres Parámetros Discutido (AADT, camino Ancho y CCR)
Fueron con-stant. Aplicando estos criterios a todas las carreteras
en estudio, 456 tramos con homogéneo características Fueron
identificado.
2.2.2. Explicativo Variables
Una vez el homogéneo Secciones Tenía sido definido el
VariablesConsidera para el modelo desarrollo Fueron
seleccionado. Explicativovariables relacionadas con el volumen
de tráfico, características geométricas, diseñoconsistencia y
orilla del camino contexto Fueron Considera. Un soltero valor
para cada variable era asignado Para cada homogéneo camino
sección.Cuadro 2 muestra las variables inicialmente
consideradas, agrupadas por cat- egories (exposición,
geometría consistencia y contexto), a lo largo de conel
principal estadística con respecto a el Variables (media,
mínimo máx.
imum y estándar desviación).

25
Mesa 2
Explicativo Variables y resumen de el valores de homogéneo camino Secciones.
Variable grupo Abreviatura (unidades) Descripción Significar Min. Máximo. Estándar
desviaciónExposición
AADT (veh/día) Promedio anual diario Tráfico 5065 531 20,642 4883
%hv (%) Porcentaje de pesado vehículos 0.07 0.01 0.34 0.05
LHS (km) Largura de homogéneo
sección
1.33 0.20 7.12 1.09
Geométrico y operacional
Lw m) Carril Ancho 2.75 1.96 3.79 0.32
Sw m) Hombro Ancho 0.30 0.00 1.50 0.50
Prisionero de guerra m) Adoquinado Ancho 6.40 3.92 10.14 1.44
LGr (%) Promedio longitudinal grado 17.46 1.65 80.03 14.51
R m) Horizontal curva radio 5523 144 9000 2604
TR (%) Tangente Proporción 0.59 0.00 1.00 0.31
CR (%) Curvatura Proporción 0.41 0.00 1.00 0.31
CCR (gon/km) Curvatura cambio tasa 0.07 0.00 0.63 0.09
Consistenci
a
V85avg (km/h) Promedio operativo velocidad
DeOSP*
98.43 57.30 110.00 10.03
un (km/h) Estándar desviación de OSP 6.18 0.00 24.00 4.46
Ra (m/s) Pariente área Limitada por el
OSP
Ea10 (m/s) Área acotada por la OSP yel
promedio OSP más y menos
10 km/h.
Ea20 (m/s) Área acotada por la OSP yel
promedio OSP más y menos
20 km/h.
Av10 (n◦
/km) Velocidad diferencial
densidad
(más alto que 10 km/h) en el
sección
Av20 (n◦
/km) Velocidad diferencial
densidad
(más alto que 20 km/h) en el
sección
�(V85i − V85i+1)Avg (km/h) Promedio diferencia entre
la velocidad de
funcionamiento de la
sucesivo Elementos
1.45 0.00 5.76 1.07
0.23 0.00 3.33 0.43
0.04 0.00 1.67 0.15
2.40 0.00 12.50 2.12
1.45 0.00 10.00 1.47
2.17 −5.28 14.01 2.16
�(V85i −
VD)Avg(km/h)
Diferencia media entreV85 y
el diseño velocidad
−6.21 −19.18 9.48 5.19
Relacionados
con el contexto
Estruendo datos
Cp (m/s) Polus Índice 1.49 0.00 2.81 0.91
CG (m/s) Garach Índice 1.62 −0.62 2.94 0.93
CC (s)1/3) Camacho Índice 11.34 2.36 30.00 10.93
DD (número de calzadas/km) Entrada densidad 1.83 0.00 15.06 1.90
%SH (m/m) Porcentaje hombro 0.21 0.00 1.00 0.39
%SHp (m/m) Porcentaje de adoquinado hombro 0.20 0.00 1.00 0.39
Vlimit (km/h) Velocidad límite 59.95 50 90 12.27
Total Accidentes Bloqueos totales en un segmento 3.16 0.00 32.00 4.55
*
OSP es Operativo Velocidad Perfil.
2.2.2.1. Exposición y variables geométricas. AADT y porcentaje de los
vehículos pesados se obtuvieron directamente de la base de datos de
carreteras. El la longitud de la sección es equivalente a la longitud de
la homogéneacamino segmento como establecido encima.
El Variables Carril Ancho hombro Ancho plataforma Ancho
longitudinal grado y radio Fueron Además Tomado
directamente De el caminobase de datos. Así un valor para cada
Uno de estos Variables era Obtenidopara cada homogéneo camino
sección.
Otro geométrico y operacional Variables tal como el Curva-
tura Proporción - (CR) Señor Presidente, señoras y señor y
Tangente Proporción (TR), Fueron Computada Usando el
siguiente Ecuaciones:
K
LCj
curvas (km); y LTj es la longitud de la jésima tangente en la
homogéneasección compuesto por K Tangentes (km).
2.2.2.2. Consistencia Variables. Para obtener el consistencia
Variableses necesario conocer la velocidad de funcionamiento (V85)
para cada carretera elemento. Con este fin, los respectivos perfiles de
velocidad de funcionamiento fueron: Construido Usando el
criterios establecido por De OÑun Et al. (2014). Para construir
el velocidad perfil Uno mosto Primero definir una operación
velocidad en Curvas un operativo velocidad en Tangentes y un
accel-borrado o desaceleración entre el Dos Elementos. Dado el
importancia de Usando modelos de predicción de velocidad
calibrados accord- Ing a las condiciones locales (Misaghi y Hassan
2005), el modelo de Camacho-Torregrosa Et al. (2013) era aplicado

=
TR J=1
LHS
en éste estudiar
CR J=1
LHS
(2) ajustado para horizontal Curvas en bidireccional rural Carreteras
en España(Eqs. (4)–(5)).
K
LTj
Dónde LHS es el total largura de el homogéneo sección (km); LCjes
el largura de tt6 curva en el homogéneo sección compuesto por K
V85 = 102.048 − 3, 990.26/R para 70 M < R ≤ 400M (5)
Dónde R = radio de curvatura m).
=
(3 V85 = 97.4254 − 3, 310.94/R para 400 M < R ≤ 950M (4)

25
LH
−
=
un
(
=
20
El pariente área Limitada por el velocidad perfil (Run) y el
promedio operativo velocidad De velocidad perfil (V85avg) Fueron
S=1
N
2004)
3,
R Yo=1 (m/s)
(7)
u
D
máximo min
éxtasis
2 × l
M/
=
10 =
Para construir el perfil de velocidad, se consid- una velocidad de
curva constante ered. El valor de velocidad tangente considerado fue
de 110 km/h (deseado velocidad según Para Camacho-Torregrosa
Et al., 2013). De otra maneralas tasas de aceleración y desaceleración
propuestas por Fitzpatrick y Collins (2000) para horizontal Curvas
Fueron Tomado en cuenta.
El promedio operativo velocidad De el velocidad perfil (V85avg)
era
Mesa 3
Umbrales para Diseño Consistencia Calidad
Determinación. Consistencia Medidas Diseño
consistencia calidad
Bien Aceptable Pobre
Run Run ≤ 1 M/s2 1 < Run ≤ 2 M/s Run > 2 M/s
un un ≤ 5 km/h 5 < un ≤ 10 km/h un > 10 km/h
Computada en el base de el operativo velocidad perfil como
Sigue:
Cp Cp > 2 M/s 1 < Cp ≤2 M/s Cp ≤ 1 M/s
N
V85iLYo
CG CG > 2 M/s 1 < CG ≤2 M/s CG ≤ 1 M/s
V85avg = Yo=1
(km/h) (6)
donde V85i es la velocidad de funcionamiento de la iésimo elemento
geométrico (km/h) Computada Usando el operativo velocidad
perfil; LYo el Yoésimo ele-la longitud de la sección homogénea (km); y
n es el número de geométrico Elementos a lo largo de un sección.
La variable de coherencia L1(V85i VD)Avg se calculó como el
diferencia entre la velocidad de funcionamiento del perfil de
velocidad y el diseño velocidad de el camino.
N
|V85i − VD|
sidered como diseño consistencia Variables como pozo como el estándar Usando Run y un, Polus y Mattar-Habib
(2004) desarrollado undesviación (un) de el operativo velocidad perfil. Ellos Fueron calculado consistencia índice (Cp) basado en
un Negativo exponencial función.
por medio de el siguiente Ecuaciones (Polus y Mattar-Habib,
p
−0,278
[
Run∗
( un
]
N
unYo
Garach Et al. (2014) desarrollado un mejorado Versión de el Polus
N
(V85i − V85avg)2
oped el consistencia índice CG, de la misma manera dependiente en Ra
y un:
un Yo=1 (km/h) (8)
N
CG = (
un
195.073
— 5.7933 (4.1712 − R ) − 26.6047
+ 6.7823(m)/s) (14)
promedio operativo velocidad línea (m2
/s); V85i es el operativo
velocidad dela iésimo elemento geométrico (km/h); V85avg es el
promedio operativo velocidad a lo largo de toda la sección
homogénea de longitud LHS (km/h); y n es el número de elementos
geométricos en el homogéneo sección.
Dado el operativo velocidad Perfiles Dos más indicadores
Fueron Derivado:
Polus y Mattar-Habib (2004) estableció algunos umbrales para Cp,
Ra y un. En consecuencia consistencia Podría ser Considera como
bienaceptable o deficiente (Cuadro 3). Los mismos límites que para
el modelo de Polus y Mattar-Habib (2004) se propusieron para la CG
índice (Garach et al., 2014).
Camacho-Torregrosa (2014) desarrollado otro consistencia índice
(CC) que era definido como Sigue:
• Ea10 (m/s) es una medida de la dispersión de velocidad. Similar a
Runesoes el área Limitada por el operativo velocidad perfil y el
aver-edad operativo velocidad perfil más y menos 10 km/h. El
largura
CC =
3
V85avg
S1/3
(15)
D85Avg
de el camino segmento finalmente Divide ese área.
• Ea20 (m/s) es Similar Para el anterior indicador pero dado20
km/h.
donde V85avg es la velocidad de funcionamiento promedio del
perfil de velocidad (m/s), y d85avg es la tasa media de
desaceleración (m/s2
) definido como:
Dos Otro consistencia indicadores Fueron Además
seleccionado en luz de
(
V
2
— V
2
1 ( 2
geneous sección Usando el siguiente Ecuaciones:
L1V
N(L1V > 10)
(km/h) (9)
LHS
L1V
N(L1V > 20)
(km/h) (10)
LHS
Dónde N(.6.V > 10) es el número de velocidad Diferenciales (.6.VS)
superiorde 10 km/h en el tramo homogéneo; y N(.6.V > 20) es el número
de diferenciales de velocidad (.6.VS) superior a 20 km/h en el
homogéneo sección.
Uno más consistencia indicador era Obtenido con considerar
Para velocidad Diferenciales entre contiguo Elementos en un
el velocidad Diferenciales entre contiguo Elementos en el homo-
=
85 3.6
L1(V85i − VD)Avg (km/h) (12)
C = 2, 808 ∗
(m/s)
consistencia modelo Indicando ese el Texto original en
consistencia modeloecuación era no ideal para consistencia
Dónde unYo es el área delimitada por el perfil de velocidad de 3,
(16
L1

S= +
segmento homogéneo. La reducción de velocidad media variable
L1(V85i − V851+1)Avg era calculado como Sigue:
Dónde en giro Vmáximo es el operativo velocidad antes el
desaceleración(km/h), vmin es la velocidad de funcionamiento
después de la desaceleración (km/h) y l es el largura de el
velocidad transición m).
2.2.2.3. Variables de contexto. Como se ha demostrado que los
accesos a las carreteras pueden aumentar significativamente los
accidentes (Miaou et al., 1996), la densidad de la calzada (DD) se
consideró relevante y gath-ered De el calzada base de datos.
El Porcentajes de existente hombro (%SH) y de existente
adoquinado hombro (%SHp) en el homogéneo sección Fueron
Obtenido en vistade el hombro Ancho variable disponible en el
calzada base de datos. Para cada segmento homogéneo la
proporción de existencia de El hombro fue obtenido. Límite de
velocidad (Vlímite) también se tomó de la calzada base de datos.
N
|V85i − V85i 1|
donde n.6.V es el número de diferenciales de velocidad en el
homogéneosección y V85i es el operativo velocidad de el Yoésimo
geométrico elemento (km/h). Se espera que los segmentos de
carreteras sean más inconsistentes, ya que estovariable Aumenta
porque de el superior velocidad Reducciones.
acercarse. El enfoque GLM tiene la ventaja de superar ellimitaciones
asociadas con el uso de la regresión lineal convencional-Sion en
modelado tráfico Colisiones (Hauer y Lovell 1988; Sawalhay Sayed
2001, 2006). El modelo forma usado es Mostrado abajo.
NL1
L1(V85i − V851+1)Avg (km/h) (11) 2.2.3. Modelado tráfico Accidentes
SPF son desarrollado Usando el General lineal regresión

25
2.2.3.1. SPF forma. El relación entre estruendo Frecuencias ylas
variables seleccionadas relacionadas se modelaron utilizando la
regresión loglineal. Sion modelos y Negativo Binomio (NB)
distribución. El NB y
debe estar dentro de ciertos límites para que el modelo se considere
bien ajustado. En consecuencia, se darían los límites superior e
inferior. por 2 ∗ ˆ'
S(Yo), Dónde ˆ'
S(Yo) tiene el siguiente expresión:
Poisson Distribuciones son un apropiado elección desde
accidente
las frecuencias son Enteros relativamente pequeño Números y
necessar-ily no negativo. El Poisson distribución era no usado
porque
ˆ S(Yo)
=
+
ˆS(Yo)
−

1 −
ˆ2
S(Yo
)
ˆ2
S(N)
(18)
es apropiado en aquellos casos en los que la media y la varianza
son igual. Cuando se viola sustancialmente esta suposición
básica, el La distribución de NB puede ser una mejora sobre el
Poisson distribución (Señor y Ayesamiento, 2010).
Según Sawalha y Sayed (2006), la forma matemática utilizado
para cualquier SPF debe cumplir las siguientes condiciones: registro
de rendimiento- Resultados icales (no debe conducir a la predicción
de un número negativo De los accidentes, debe garantizar una
predicción de cero accidentes. quency para cero valores de el
Exposición variables) y allí mostoExiste una función de vínculo
conocida que puede linealizar el modelo para el propósito de la
estimación del coeficiente. La forma matemática gener-aliado
aceptado en el literatura (Pardillo y Llamas, 2003; Sawalhay Sayed
2006; Cafiso Et al., 2010; Montella, 2010; De OÑun Et al., 2014) es:
Ê Y) Señor Presidente, señoras y señores, = Eˇ0 ∗ AADTˇ1 ∗ Lˇ2 *E
(ˇYo∗éxtasisYo) (17)
Dónde Ê Y) Señor Presidente, señoras y señores, es el estimativo
número de accidentes; L es el largura deel segmento (km); AADT es
el tráfico diario anual promedio (AADT) (veh/día); éxtasisYo son las
variables explicativas; y ˇYo son el modelo Parámetros.
Hauer (2015) Tiene ese el número de Accidentes Depende en el
cantidad de tráfico y la longitud del segmento, que considera que
ser intuitivamente obvio y empíricamente sustanciado. Por lo tanto,
es Claro que una variable de tráfico y una variable de longitud de
segmento deben ser en la ecuación del modelo. La intuición es, sin
embargo, insuficiente. Ing Otro Variables. El investigación
perspectiva Ofrece No consensualprocedimiento estadístico para
agregar o eliminar variables de un modelo ecuación; el pregunta de
cuál Procedimientos Para uso Obedece "a Bien trato de juicio
personal" (Pañero y Herrero 1981). En algunos Casos el
parámetro ese Acompaña el Variables en el modelos resulta
incorrecto y, por lo tanto, se elimina del modelo equa-ción. Según
Para Hauer (2015), el propósito de Agregar un variable a la
ecuación del modelo es aumentar la precisión con la que el
número de Accidentes es estimativo mientras Reducir el magnitud
de eldesviación estándar. Según Sawalha y Sayed (2006), inclu- Sion
de un grande número de explicativo Variables Mayo causa
modelosobreajuste.
2.2.3.2. Evaluación de modelos. Cuatro medidas fueron utilizadas
aquí para evaluar la bondad de ajuste del modelo. Son: los
ordinarios múltiple correlación coeficiente (R2
), Akaikeı's
Información Criterio(AIC), el Pearson generalizado 2 la estadística y
la desviación escalada (SD). El AIC compara diferentes modelos
basados en el balance entre el predisposición y varianza Explicó
por ellos. El Pearson 2la estadística se puede utilizar para la prueba
de significación de hipótesis nulas respecto- ing la equivalencia de la
varianza asumida en el esfuerzo de modelización y el muestra
varianza. El SD es útil para Comparar el pro-Planteado modelo y
el saturado modelo. Sin embargo otra vez según ParaHauer (2015),
el bondad-de-ajuste Medidas describir solamente cómo el el
modelo se ajusta a la general; por lo tanto, un solo número es
insuficiente. El modelo la estimación debe ser casi imparcial para
todos los valores de las variables. Para esto razón, se recomienda
comúnmente para trazar residuos acumulados (CURE) para
examinar el ajuste del modelo en detalle (Hauer, 2015). Los residuos
son iguales a la diferencia entre lo observado y lo estimado valores
de el dependiente variable.
Cada variable en el modelo tendrá su propia gráfica CURE para
ser utilizado en el examen de la bondad de ajuste para cada
variable y para examinar las formas en que se podría mejorar el ajuste
de esa variable. Estos Residuos calculado basado en cada Uno de
el Variables
∗

Dónde ˆ S(Yo) es el límite de el Residuos acumulado para el variable
de análisis; ˆS (Yo) es el cuadrado raíz de el varianza ˆ2
S(Yo);
ˆ2
S(Yo) esel varianza de el acumulado Residuos hacia arriba Para
el homogéneosección i); y ˆ2
S(N) es el varianza de el acumulado
Residuosen el total homogéneo Secciones n).
2.2.3.3. Selección de variables del modelo. Como se mencionó
anteriormente, el el problema de selección de variables ha llamado
la atención en los trabajos anteriores. fic investigación de choques.
Si se incluyen muchas variables en un modelo, un Perfecto caber
Para el datos enlatar ser Logrado. Todavía el mismo modelo
Podríaestar sobreajustado y rendir mal cuando se aplica a una
nueva muestra. Sawalha y Sayed (2006), la aplicación del principio
de parsimonia, encontró que el uso de menos pero estadísticamente
significativa vari- los ables pueden evitar el sobreajuste y mejorar
la fiabilidad de un modelo. Aún así, como se ha señalado por
Modales y Bhat (2014), modelos parsimoniosos no solo son
sesgados, sino que son fundamentalmente defectuosos, y ofrecen
poco valor práctico. Para controlar el sobreajuste cuando se
especifica completamente mod-Els son desarrollado Hauer (2015)
fundar ese modelos cuyo CURAR conspirarhace no ir más allá de el
0.5uı' Límites son cerrar Para ser imparcial yese Intentos Para más
lejos "mejorar" tal modelos tribunal el peligrode sobreajuste. Con
esta pauta una puede decidir si un modelo requiere mejoría o es lo
suficientemente bueno como para dejarlo solo. En este se
desarrollan modelos de papel, parsimonia y modelos
completamente especificados y comparado. Estos últimos se
conocen aquí como el accidente de mejor ajuste predicción
modelos.
El Pasos Seguido en el selección de modelo Variables Fueron
comoSigue:
• Paso 1: construir un modelo con las variables AADT y
longitud. El bondad-de-ajuste criterios Mostrado encima como
pozo como el cumula- tivo Residuos de el modelo son
Analizado. Éste Proporciona el BásicoModelo.
• Paso 2: Desarrollo mejor ajuste accidente predicción modelos.
Otro
las variables predictivas se introducen posteriormente en el
modelo, hasta que todas las variables (y sus combinaciones) se
prueban. Modelos con todo posible Combinaciones de el
disponible Variables son desarrollado y Analizado. El
decisión Para guardar un variableen el modelo se basa en
cuatro criterios. En primer lugar, el estadístico t para cada
parámetro tenía que ser significativo en el nivel de confianza del
95%. Segundo ingeniería juicio considerado el variables' firmar
Para serlógico. Tercero el variable Exhibió un Bajo correlación
(es decir, <0,7) con otras variables independientes ya en el
modelo (Wei y Lovegrove, 2013). En cuarto lugar, se verificó
que el acumulado los residuos estaban dentro de los límites
establecidos. Además, ing a Hauer (2015), para evitar el
sobreajuste del modelo, se verificó que la trama CURE del
modelı no superó el 0,5uı' límites. Elorden en cuál Variables son
Añadido era basado en su t-stat, Desumamente Para Menor.
• Paso 3: Verificar cuál de el modelos desarrollado en paso 2
realmente
cumplir el criterio parsimonioso. Así, en este paso parsimonioso
se desarrollan modelos de predicción de accidentes. Una nueva
introducción variable- duced en el modelo en el paso 2 se
mantiene si la adición de este nuevo variable generó una caída
significativa en el SD para un nivel del 95% (>3.84). De lo
contrario, el criterio parsimonioso dicta que el variable deber no
ser Considera (Sawalha y Sayed 2006).
Basado en Sawalha y Sayed (2006), un análisis atípico fue por-
formado para todos los modelos. En primer lugar, se detectan
posibles valores atípicos y Ellos son Quitado Uno por Uno. El
Soltar en SD es Observado después el

25
±
≤
eliminación de cada punto. Entonces Puntos causal un significativo
Soltar en SDson Considera influyente Afloramientos y así Ellos son
eliminado.
En cuanto a la correlación entre las variables indicadas en pasos
2 y 3, según Tornero et al. (2012), identificación de variable
Correlaciones es Obligatorio Para evitar teniente Dos o más sig-
nificantly correlacionada Variables en el mismo predicción modelo.
En talcasos la variabilidad dentro de una variable lo hace, hasta
cierto punto, predecir el variabilidad en el correlacionada
variable. El Autores pieles-ther indicar ese Agregar un variable
correlacionada Para aquellos ya enun existente modelo hace no
mejorar el caber de el modelo Comparado con la adición de
importantes variables no correlacionadas. En el caso a mano, la
matriz de correlación se calculó previamente. Alguno Variables
tal como adoquinado Ancho y hombro Ancho Fueron altamente cor-
relacionado (coeficiente sobre 0.70). Sin embargo eso era decidido
Para guardar ambosvariables en el análisis, pero imponiendo que
dos variables correlacionadasFueron nunca en el mismo modelo.
3. Resultados
Habiendo identificado los 456 tramos homogéneos mediante
las variables AADT, ancho pavimentado y CCR, los valores de las
variables en cada una de estas secciones se calcularon (véase
Cuadro 2). Abajoel modelos son desarrollado.
3.1. Paso 1 resultados: base modelo
Siguiendo el proceso descrito en la metodología, la base modelo
Considera solamente Dos Variables: AADT y largura (Eq. (19)).
Ê Y) Señor Presidente, señoras y señores, = E−12.3248
∗ AADT0.7512
∗
L1.0083
(19)
Higo. 1 Muestra el residualanálisis para el Variables AADT (Higo.
1a),longitud (Figura 1b) y choques instalados (Figura 1c). Figura
1B y c muestra satisfactorio Resultados.
Sin embargo, la gráfica de residuos acumulados de AADT mostró
que el el ajuste no era bueno (Figura 1a). Por un lado, en una gama
de AADT entre 9200 y 19.000 veh/día los valores de los residuos
sur- pasar los límites de 2u; y por otro lado, después de un AADT
de aproximadamente 4000 veh/día, la curva comienza a subir
considerablemente y continuamente. De un AADT de 5000 veh/día
adelante el num-Ber de Accidentes Observado es mayor que el
Accidentes estimativo conel modelo (la suma acumulada de las
diferencias entre el los accidentes que se produjeron y los esperados
son positivos, y por lo tanto el curva es encima el éxtasis eje).
Esto se nota, como se ha destacado Hauer (2004), que por lo
general no esfácil de encontrar una función relativamente simple
que se adapte a los datos a lo largo de su entero dominio. Para éste
razón y según Para Otro Autores (Vogty Bared 1998; Hauer, 2004;
Pardillo et al., 2006), el ejemplo era estratificado. Un
estratificación de el muestra basado en desdoblamiento elmuestra
por AADT Gamas era Explorado.
Se eligió la relación "Observado/Ajustado" para examinar si
estaba ajustado valores son en línea con Observado valores (Mesa
4).
Como Mesa 4 Muestra el AADT Gamas en cuál allí son mayor
Diferencias entre Equipadas y Observado valores son el 4000–
5000rango (relación 1.20) y el rango 5000–6000 (relación 1.27).
Diferente estratificaciones de la muestra considerando los
diferentes umbrales para cada gama Fueron Explorado:
• AADT ≤ 4000 y AADT > 4000
• AADT ≤ 5000 y AADT > 5000
• AADT ≤ 6000 y AADT > 6000
Los primeros estratos (AADT) Se seleccionó 4000 y AADT > 4000)
porque los modelos proporcionaron mejores resultados generales
que los dedesarrollado en el Otro Estratificaciones. Así el muestra era
divididoen Dos sub-muestras (uno en cuál todo el AADT valores
Fueron menos

que 4000 veh/día y otro en el que todos los valores de AADT
fueronmayor que 4000 veh/día), y se podrían derivar diferentes
modelos según Para estos diferentes rangos de AADT.
Mesa 5 (modelo 1) y Mesa 6 (modelo 1) mostrar el básico
modelos obtenidos para los dos valores diferentes de AADT. En
ambos mod- els AADT y la longitud son significativos. Además,
sus coeficientes presentar las señales esperadas (positivas):
mayor volumen de tráfico y mayor sección largura son asociado
con más accidentes. En cuanto ala bondad general del ajuste, la
R2
los valores obtenidos fueron similares a los reportados por
autores anteriores (Abdel-Aty y Radwan, 2000; Camacho-
Torregrosa et al., 2013).
Higo. 2 Muestra el residual análisis para el modelos
calibrado paraAADT < 4000 veh/día y para AADT > 4000 veh/día
con respecto a el Variables AADT, largura y Equipadas
Accidentes. Como enlatar ser visto ellos residuos se mejoran
sustancialmente. Por lo tanto, se crearán modelos para
diferentes valores de AADT, ya que mejorarán
significativamente elbase modelo.
En cuanto a los valores atípicos, la diferencia entre
ajustados y Los valores observados se calcularon en toda la
base de datos y el datos ese Tenía un grande diferencia entre
el Dos Fueron Considera como posibles valores atípicos.
Diecisiete puntos (3,74% de la muestra) fueron detectados
como posibles valores atípicos. Ninguno de ellos causó un
significativo caída en la desviación escalada y por lo tanto se
mantuvieron en el analy- sis (Sawalha y Sayed 2006). Se llevó a
cabo el mismo proceso de valores atípicosfuera en cada de el
Bases (AADT < 4000 y AADT > 4000) y el se obtuvieron los
mismos resultados; por lo que se mantuvieron todos los
posibles valores atípicosen el análisis.
En adición según Para el Aislados Ignorando acercarse (El-
Basyounii y Sayed 2010), si poco Afloramientos son identificado
que representa un pequeño porcentaje del tamaño de la muestra
(por ejemplo, menor que 5%), todavía es aceptable incluirlos,
especialmente si los analistas son no Cierto acerca de si o no Ellos
son Afloramientos.
3.2. Paso 2: resultados de los modelos de mejor ajuste
En éste punto el Variables de Mesa 2 son Añadido Para el
exponenteparte de el modelo de Eq. (17). Estos modelos son
desarrollado con todoposibles combinaciones de las variables
disponibles que cumplan con todo el criterios Listado en paso
2, relacionado Para t-estadística, lógico firmar Nocorrelación
y residuos acumulativos. Los modelos están calibrados con-
sidering, por separado, la base de datos AADT < 4000 veh/día
(Cuadro 5) y la base de datos AADT > 4000 veh/día (Cuadro 6).
Cuadro 5 Presenta estimaciones de parámetros, p-valores, y las
medidas de bondad de ajuste para el modelos con AADT < 4000
veh/día.
Cuadro 5 sólo muestra modelos con cuatro variables.
Modelos con más (cinco y Seis variables) son incluido en
Apéndice Un Para simplificarlectura. Estos modelos dar cada
vez más complejo modelos sin proporcionando mejoras
significativas. Ningún modelo con más de seis Variables
Cumple el condiciones de paso 2.
Mesa 5 Muestra ese el Variables AADT y largura son
significativo y presente el Esperado Signos. El Variables
participante en elmodelos Construido con un soltero variable
en el exponente parte son:
- El consistencia índice CC
- El entrada densidad (DD).
El Variables ese participar en el modelos con Dos Variables
en el exponente parte son:
- El DD combinado con Variables: porcentaje de hombro;
por-centage de adoquinado hombro; consistencia índice CC
- El longitudinal grado (LGr) combinado con Variables:
promediovelocidad de funcionamiento y consistencia índice CG.
Todas las variables en Cuadro 5 son significativos (p < 0,05). Los
dos Exposición Variables AADT y largura have Positivo Signos
Indicando

25
Higo. 1. Acumulativo Residuos vs. AADT, Largura y Equipadas Accidentes.
Mesa 4
Observado y Equipadas Accidentes en diferente AADT Gamas.
N◦
Segmentos AADT Gama Observado Accidentes - (O) Señor
Presidente, señoras y señor
Equipadas Accidentes F) O/F
Proporción
91 0–1000 66 89.55 0.74
71 1000–2000 110 100.78 1.09
46 2000–3000 128 129.93 0.99
49 3000–4000 145 143.08 1.01
27 4000–5000 115 96.20 1.20
39 5000–6000 210 164.89 1.27
19 6000–7000 105 116.37 0.90
14 7000–8000 59 54.44 1.08
9 8000–9000 47 33.10 1.42*
25 9000–10,000 145 138.12 1.05
156 >10.000 313 383.35 0.82
*
El 8000–9000 gama no contener bastante Segmentos Para ser Considera.
que el volumen de tráfico y la longitud aumentan la ocurrencia de
bloqueos. En el siguientelos coeficientes obtenidos para el resto de
las variables serán Interpretado.
Modelo 5 en Cuadro 5 presenta los mejores valores de bondad
de ajuste según Para Tres de el Cuatro Medidas de caber
calculado(R2
= 0,571; AIC = 797.446; éxtasis2 = 263.985) e incluye
el vari- Ables: AADT, largura porcentaje de adoquinado hombro
en el seccióny entrada densidad.
Mesa 6 Presenta las estimaciones de parámetros, p-value,
y bondad-de-ajuste Medidas para el modelos con AADT
> 4000 veh/día.
Cuadro 6 sólo muestra modelos con cuatro variables.
(Modelos concinco variables se muestran en Apéndice Un.) Ningún
modelo con más deCinco Variables Cumple el condiciones de paso
2.
Todo el Variables de Mesa 6 son significativo en el 95%
confianzanivel. El Variables AADT y largura have como en Mesa
6, PositivoSignos. El importancia de el reposo de el Variables es
Explicó abajo.
En el caso de un soltero variable en el exponente parte el
Variablesese intervenir son:
- Porcentaje de pesado vehículos
- Promedio operativo velocidad
- Consistencia índice Cp
- Entrada densidad.
En el caso de Dos Variables en el exponente parte el Variables
intermedio son:

Mesa 5
Modelo Parámetros y bondad-de-ajuste indicadores para AADT < 4000
veh/día. Modelo forma (AADT < 4000 veh/día): Ê Y) Señor Presidente,
señoras y señores, = E 0 ∗ AADT 1 ∗ L 2 *E( Y o ∗éxtasisYo+ J ∗éxtasisJ )
- Porcentaje de pesado vehículos combinado con el Variables:
CCR;promedio operativo velocidad; consistencia índice Cp;
consistencia índice
�V10
- El significar longitudinal grado combinado con Variables: CCR;
aver-edad de funcionamiento de la velocidad; índice de coherencia
Cp; índice de coherencia CG; consistencia índice �V10; y
consistencia índice CC
Los modelos con variables en la parte exponente presentan muy
Similar valores para R2
, AIC SD y éxtasis2.
En los modelos desarrollados en ambas bases de datos (AADT <
4000 y AADT > 4000 veh/día), explicativo Variables ese have
estadísticamentesignificativo modelo Parámetros contribuir Para
el explicación de elvariabilidad de estruendo datos y conceder
Predecir estruendo Frecuencias ennuevas ubicaciones no utilizadas
en el desarrollo del modelo. Además es visto ese No modelo es
sobreajuste, y por lo tanto el Resultados Sería ser transferible a
diferentes ubicaciones. Aún así, la extrapolación de estos
Resultados Para el mismo tipo de calzada en Otro Países es un
materiaPara ser Acercado con cautela.
3.3. Paso 3: modelos parsimoniosos
En este punto es necesario confirmar las variables que fueron
añadido en el paso 2 (cumpliendo los criterios relacionados con la
estadística t, lógico signo, sin correlación y residuos acumulativos),
además generadouna caída significativa en el SD a un nivel del 95%.
Si una variable dada lo hace no generar un significativo Soltar eso
es no mantenido en el modelo. Mod- Els son calibrado dado
separadamente el AADT < 4000 veh/díabase de datos y el AADT >
4000 veh/día base de datos.
Si el parsimonia criterio es aplicado en el AADT < 4000 veh/díabase
de datos solamente Dos modelos son Obtenido: modelo 1 (básico
modelo)
# Parámetro estimar y estadística t Evaluación
0 1 2 Yo J
Básico Modelo
1
CONST
−12.4437**
AADT
0.8355**
L
0.9328**
R2
= 0.477
AIC = 810.379
SD = 251.719
Modelo con 3 Variables 2
CONST
−12.0296**
AADT
0.8566**
L
0.863**
CC
−0.00001*
éxtasis2 =
300.559
R2
= 0.493
AIC = 808.186
SD = 252.979
CONST AADT L DD
éxtasis2 =
299.413
R2
= 0.551
3 −12.6535**
0.892**
0.8688**
0.1145**
AIC = 800.031
SD = 252.567
Modelo con 4 Variables
4
CONST
−12.831**
AADT
0.9289**
L
0.8628**
DD
0.1128**
%SH
−0.5116*
éxtasis2 =
265.030
R2
= 0.561
AIC = 799.067
SD = 254.846
CONST AADT L DD %SHp
éxtasis2 =
271.958
R2
= 0.571
5 −12.963**
0.9458**
0.8647**
0.1121**
−0.6464**
AIC = 797.446
SD = 254.308
6
CONST
−12.2342**
AADT
0.91**
L
0.8017**
DD
0.1141**
CC
−0.00001*
éxtasis2 =
263.985
R2
= 0.565
AIC = 797.645
SD = 254.159
7
CONST
−10.2021**
AADT
0.8994**
L
0.9125**
LGr
−0.0171*
V85avg
−0.023*
éxtasis2 =
266.522
R2
= 0.509
AIC = 807.077
SD = 250.768
8
CONST
−11.288**
AADT
0.866**
L
0.8212**
LGr
−0.0128*
CG
−0.2347*
éxtasis2 =
283.513
R2
= 0.501
AIC = 807.396
SD = 250.587

25
y modelo 2 en Mesa 5. El entrada densidad (DD) variable es el
sólo uno que debe conservarse en el modelo. Ninguno de los
otroslas variables deben agregarse de acuerdo con el criterio
de parsimonia porque ninguno de ellos cumple los criterios
anteriores (t-ratio de su esti- el parámetro acoplado no es
significativo en el nivel de confianza del 95%, el parámetro
mated no es significativo en el nivel de confianza del 95%, el La
adición de la variable al modelo no provoca un aumento
significativoSoltar en el Escala desviación en el 95% confianza
nivel o eso haceno have un lógico signo).
Si el parsimonia criterio es aplicado en el AADT > 4000
veh/díabase de datos el solamente resultante modelo es modelo
1 (básico modelo) deCuadro 6. Ninguna de las otras variables
debe agregarse de acuerdo con éste criterio.
En ambos Bases el parsimonioso modelos have
Demostrado Para serbastante simplista. Esta es una buena
solución si los datos disponibles para los investigadores son
limitados. Además, como se subraya en Modales y Bhat (2014),
si un modelo es desarrollado Usando solamente el volumen de
traf- fic y longitud como variables explicativas, excluirá
significativavariables explicativas sesgo porque claramente
hay muchas otras Factores afectar el frecuencia de Accidentes.
3.4. Análisis de variables En modelos
En orden Para facilitar interpretación de el modelos
Obtenidopara AADT debajo y sobre 4000 veh/día, siguiendo a
varios autores (Osgood 2000; Olmstead 2001; Mentón y Quddus,
2003), el ataúd-Los cients se transforman en ratios de tasas de
incidencia (TIR), es decir, e bastante que . TIR enlatar tomar en
diferente valores. Si el TIR de un dado variablees mucho menos
que 1.0, entonces un aumentar en el valor de el variablese
asocia con una mejora significativa en la seguridad. En cambio si
el TIR es mucho mayor que 1.0, un aumentar en el valor de el

Mesa 6
Modelo Parámetros y bondad-de-ajuste indicadores para AADT > 4000 veh/día.
Modelo forma (AADT > 4000 veh/día): Ê Y) Señor Presidente, señoras y señores, = E 0 ∗ AADT 1 ∗ L 2 *E( Y o ∗éxtasisYo+ J∗éxtasisJ )
# Parámetro estimar y estadística t Evaluación
SD = 224.758
éxtasis2 =
191.848
variable es asociado con un significativo rechazar en seguridad. De
otra manerael variable tiene No efecto en seguridad (Mentón y
Quddus, 2003).
Cuadro 7 muestra el conjunto final de todas las variables
incluidas en el modelos su máximo y mínimo Coeficientes el
modelos donde aparecen y la TIR correspondiente. Para facilitar la
inter- depretación, el TIR0.10
es dado Indicando el efecto ese un 10%
el aumento de la variable independiente tendría sobre el número
total Ber de Accidentes.
3.4.1. Modelos para AADT < 4000 veh/día base de datos
De todas las variables geométricas consideradas en los modelos
cali- trenzado en el AADT < 4000 veh/día base de datos el
solamente unos mantenidoen los modelos son el grado longitudinal
medio (LGr) y el promedio operativo velocidad (V85avg). LGr
presenta un signo negativo, lo que indica que cuando el grado
longitudinal medio aumenta,la ocurrencia de accidentes disminuye.
Varios estudios (Pardillo y Llamas, 2003; Pardillo et al., 2006;
Montella et al., 2008; Montella, 2010; CaFiasí que Et al., 2013)
informe Similar Resultados. El Coeficientes para
0 1 2 Yo J
Básico Modelo CONST AADT L R2
= 0.592
1 −8.9652**
0.3766**
1.0155**
AIC = 942.200
SD = 227.420
2
CONST
−9.5152**
AADT
0.4143**
L
1.0262**
%hv
1.7613*
éxtasis2 =
196.458
R2
= 0.597
AIC = 941.311
SD = 228.593
3
CONST
−7.8382**
AADT
0.3979**
L
1.0346**
V85avg
−0.0144*
éxtasis2 =
200.782
R2
= 0.602
AIC = 939.849
SD = 226.189
4
CONST
−8.254**
AADT
0.351**
L
0.9746**
Cp
−0.1274*
éxtasis2 =
193.580
R2
= 0.604
AIC = 939.906
SD = 226.328
CONST AADT L DD
éxtasis2 =
193.229
R2
= 0.599
5 −8.8975**
0.3804**
0.984**
0.0524*
AIC = 940.684
SD = 228.013
6
CONST
−9.9392**
AADT
0.428**
L
1.0527**
%hv
1.9639*
CCR
1.9699*
éxtasis2 =
199.600
R2
= 0.603
AIC = 938.960
SD = 226.015
7
CONST
−8.3627**
AADT
0.4444**
L
1.0494**
%hv
2.0429*
V85avg
−0.016*
éxtasis2 =
195.428
R2
= 0.609
AIC = 937.912
SD = 227.138
8
CONST
−8.8116**
AADT
0.3892**
L
0.9856**
%hv
1.7808*
Cp
−0.1276*
éxtasis2 =
197.046
R2
= 0.609
AIC = 938.905
SD = 227.201
9
CONST
−10.273**
AADT
0.4267**
L
1.0953**
%hv
1.9824*
V10
0.0697*
éxtasis2 =
196.073
R2
= 0.608
AIC = 938.669
SD = 227.880
CONST AADT L LGr CCR
éxtasis2 =
198.798
R2
= 0.600
10 −9.4075**
0.3989**
1.053**
−0.0119*
2.1633*
AIC = 938.443
SD = 223.310
11
CONST
−7.5609**
AADT
0.4179**
L
1.0515**
LGr
−0.0135*
V85avg
−0.0187**
éxtasis2 =
190.086
R2
= 0.607
AIC = 936.632
SD = 224.441
12
CONST
−8.1331**
AADT
0.3575**
L
0.9755**
LGr
−0.0127*
Cp
−0.1574*
éxtasis2 =
192.071
R2
= 0.609
AIC = 937.222
SD = 224.342
13
CONST
−8.2018**
AADT
0.3588**
L
0.9825**
LGr
−0.0121*
CG
−0.1416*
éxtasis2 =
190.096
R2
= 0.605
AIC = 938.540
SD = 224.189
CONST AADT L LGr V10
éxtasis2 =
190.011
2

25
—
Higo. 2. Acumulativo Residuos vs. AADT, Largura y Equipadas Accidentes para diferente
AADT Intervalos.
LGr varían entre 0,0171 y 0.0128 (Cuadros 5 y 7), Indicando que
todas las demás cosas son iguales, un aumento del 10% en
longitudinal grado es asociado con un 0.1–0.2% reducción en total
anual Accidentes(TIR0.1
entre 0,999 y 0,998). Este valor para IRR
indica que grado longitudinal tiene poco efecto sobre seguridad.
V85avg muestra un signo negativo, que indica que si V85avg
Aumenta la ocurrencia de accidentes disminuye. Esto es lógico si se
tiene en cuenta (sin tener en cuenta otros factores) que una mayor
velocidad en terreno llano podría ser indicativo de un buen diseño
de la carretera, por lo tanto, menos accidentes. Hauer et al.(2004)
encontró que cuanto más alto es el límite de velocidad, menor es el
esperado Accidentes. Asimismo, es posible que las carreteras en las
que se encuentra una baja velocidad Publicada Mayo ser Considera
Para ser de Alto riesgo. TIR0.1
para V85avg es
0,998, lo que indica que todas las demás cosas son iguales, un
aumento del 10% en V85avg es asociado con un 0.2% reducción en
total anual Accidentes.
CG y CC presentar una señal positiva, lo que indica que cuanto
peor sea el , cuanto mayor sea el número de bloqueos esperados (Ng
y Sayed 2004; Cafiso Et al., 2010; Camacho-Torregrosa Et al., 2013;
Garachet al., 2014). TIR para CC es 1.000, lo que significa que esta
variable no tiene ningún efecto sobre seguridad. La TIR0.1
para CG es
0.977, de modo que otras cosas son iguales,un aumento del 10% en
CG se asocia con una reducción del 2,3% en el total anual Accidentes.
Entre las variables de contexto, el porcentaje de hombro y el
entrada densidad Variables son fundar Para contribuir Para
accidente

−
Mesa 7
Estimativo Coeficientes y TIR en el modelos para AADT<4000 veh/día y para AADT>4000 veh/día.
Modelo interpretación para AADT ≤ 4000 veh/día
Variable Unidad Gama B TIR TIR0.1
Modelos en Mesa
5
LGr ‰ min −0.0171 0.983 0.998 7
máximo −0.0128 0.987 0.999 8
V85avg km/h – −0.0230 0.977 0.998 7
Cc S1/3
máximo −0.00001 1.000 1.000 2 y 6
Cg M/s – −0.2347 0.791 0.977 8
%SH m/m – −0.5116 0.600 0.950 4
%SHp m/m – −0.6464 0.524 0.937 5
DD número de
calzadas/km
min 0.1121 1.119 1.011 5
máximo 0.1145 1.121 1.012 3
Modelo interpretación para (AADT > 4000 veh/día)
Variable Unidad Gama B TIR TIR0,1
Modelos en Mesa 6
%hv % min 1.7613 5.820 1.193 2
máximo 2.0429 7.713 1.227 7
LGr ‰ min −0.0135 0.987 0.999 11
máximo −0.0117 0.988 0.999 15
V85avg km/h min −0.0187 0.982 0.998 11
máximo −0.0144 0.986 0.999 3
CCR gon/km min 1.9699 7.170 1.218 6
máximo 2.1633 8.700 1.242 10
�V10 N◦
/km min 0.0697 1.072 1.007 9
máximo 0.0772 1.080 1.008 14
Cp M/s min −0.1274 0.880 0.987 4
máximo −0.0157 0.984 0.998 12
CG M/s – −0.1416 0.868 0.986 13
CC S1/3 – −0.000003 1.000 1.000 15
DD número de calzadas/km – 0.0524 1.054 1.005 5
ocurrencia significativamente. El estimativo Coeficientes de el
variableporcentaje de hombro (pavimentado o no pavimentado)
son altamente significativo.El coeficiente para el porcentaje de
hombro es 0,5116, indi- cating ese todo Otro cosas siendo iguales,
un aumentar del 10% enel porcentaje de hombro es asociado con
un 5% (TIR0.1
es0.950) reducción en total anual Accidentes. El
variable porcentaje-edad de adoquinado hombro tiene un
Similar efecto Reducir el númerode Accidentes por 6.3% cuando
allí es un aumentar de 10% para adoquinadohombro en el
segmento. El Negativo firmar acompañante estosVariables tiene
Además sido Informó por Otro Autores. Cabeza yKaestner (1956)
Concluyó ese total Accidentes aumentar con increas-Ing hombro
Ancho exceptuar para Caminos teniente AADT entre3600 y 5500
veh/día. Perkins (1956) encontró que todos los tipos de accidentes
disminuyó con el aumento de la anchura de los hombros para
AADT entre 2600y 4500 veh/día. Stohner (1956) Observado
Reducciones en Accidentescomo hombro Ancho aumentado
especialmente en el 2000–6000 AADTgama. Hadi Et al. (1995)
encontró que el aumento carril y shoul-Der Anchuras decrecido el
accidente tasa. Fitzpatrick Et al. (2000)Informó ese el número de
Accidentes decrecido cuando hombro yCarril Ancho aumentado.
Dell'Acqua y Russo (2008) Concluyó eseaccidente frecuencia
Aumenta con bajar calzada adoquinado Ancho.
Anastasopoulos et al. (2008) también se llegó a la conclusión de que
el número de Accidentes Disminuye cuando el hombro Ancho es
mayor.
La densidad de la calzada tiene un signo positivo, lo que
indica que entrada densidad Aumenta el probabilidad de
accidente ocurrencia. Otros autores han llegado a resultados
similares (Fitzpatrick et al., 2000; Pardillo y Llamas, 2003; Pardillo
Et al., 2006; Cafiso Et al.,2010). Esta variable interviene en los
cuatro modelos. En todos ellos el coeficiente Gamas De 0.1121
Para 0.1145, así Indicando eseun aumento del 10% en la densidad
de la calzada se asocia con el aumento de1.1–1.2% en el número
de Accidentes (TIR0,1
es entre 1.011–1.012).
3.4.2. Modelos para AADT > 4000 veh/día base de datos
En los modelos obtenidos para AADT > 4000 veh/día, entre los
Variables de exposición, el porcentaje de vehículos pesados tiene
un alto influencia en Accidentes (modelos 2, 6–9 en Mesa 6). El
sumamente valor

25
para 1 es 2.0429 (Cuadros 6 y 7), lo que significa que un aumento
del 10% en el porcentaje de vehículos pesados se traduciría en un
22,7% mayor ocurrencia de bloqueo (TIR10
es 1.227). Esta variable
tiene un signo positivo: a superior número de Accidentes es
asociado con el superior porcentajede pesado vehículos. Ramírez
Et al. (2009) Demostrado con difieren-ente calzada Tipos ese un
reducción en el total número de AccidentesSería ocurrir como un
resultado de un Soltar en el número de pesado vehículos.
Hosseinpour Et al. (2014) presentado Similar Resultados.
CCR, grado longitudinal promedio y velocidad de operación
promedio Además contribuir Para accidente ocurrencia. CCR
tiene un Alto influenciaen accidentes. Los parámetros estimación
máxima y mínima para Ccr son 2.1633 y 1.9699 (Cuadro 7). Estos
valores muestran que un 10% el aumento en el porcentaje de CCR
aumenta el número de accidentes en un promedio de 24,2% (TIR10
es 1.242) o 21.8% (TIR10
es 1.218). El Positivo firmar por éste
variable Indica ese el mayor el cambioen curvatura, cuanto más se
estrellan los esperados. Cafiso et al. (2013) obtuvo el mismo signo
para esta variable. El longitudinal medio las variables de grado y
velocidad de funcionamiento promedio tienen lo mismo signos
como en los modelos obtenidos para AADT < 4000 veh/día. El val-
ues de TIR son Además Similar aunque Ellos have un menor
influenciaen Accidentes (ellos son asociado con un 0.1–0.2%
reducción en total
anual accidentes).
Las variables de consistencia que intervienen en todos los
modelos son: Índices CG y Cp, y �V10. Índice CG tiene un
Negativo firmar como enla base de datos AADT<4000 veh/day,
lo que indica que cuanto peor sea el diseño de carreteras, mayor
será el número de accidentes esperados. Sin embargo el coeficiente
que acompaña a esta variable en el AADT > 4000 database es
menor, lo que significa que la variable es menos influyente con con
respecto a los accidentes (IIR10
es 0.986, por lo tanto, una
reducción del 1.4% en el total accidentes anuales). Índice Cp tiene
un signo negativo que conduce a la misma interpretación en cuanto
a CG. La TIR10
para Cp varía entre 0,998 y 0,987, lo que indica que
todas las demás cosas son iguales, un aumento en 10% en Cp es
asociado con un reducción entre 0.2–1.3% en total accidentes
anuales. �V10 presenta un signo positivo, lo que indica que más
las diferencias de velocidad (más de 10 km/h) entre los elementos
sucesivos implican un mayor probabilidad de ocurrencia de
bloqueo. Esta variable tiene

—
poco efecto en seguridad dado ese el TIR10
Varía solamente De un
mini-mamá de 1.007 a un máximo de 1.008; un Aumento del 10% En
variable
V10 es asociado con un aumentar de 0.7–0.8% en total
Accidentes.
La única variable de contexto que interviene en los modelos es
densidad de la calzada, con la misma señal positiva que se ve para
el mod- Els Obtenido en la base de datos AADT<4000 veh/day. Esta
variable afecta a los bloqueos menos en la base de datos AADT >
4000 días que en el AADT < 4000 base de datos. En el último como
Comentó anterior el coef- Los científicos del orden de 0,11
indicarían que un aumento del 10% enLa variable de densidad de
calzada está asociada con aproximadamente el 1% más accidentes.
En la base de datos con AADT > 4000 el coeficiente de 0.0524 Implica
un aumentar en Accidentes de 0.05%.
3.4.3. Comparación de el modelos Obtenido para AADT<4000
veh/díay para AADT > 4000 veh/día
Un General comparativo análisis de el modelos Obtenido en
ambosBases de datos muestra que hay variables que tienen un
gran efecto en una base de datos pero no en la otra. Por ejemplo,
las variables porcentaje de vehículos pesados y tasa de cambio de
curvatura (CCR) son incluido en el AADT > 4000 veh/día base de
datos y no en el otros;mientras que las variables porcentaje de arcén
(pavimentado o no pavimentado) y entrada densidad son en el
AADT < 4000 veh/día base de datos perono en el Otro.
Una comparación detallada de los modelos obtenidos en los
dos Bases Puntos Para estos notable Resultados:
• En Cinco modelos para AADT > 4000 veh/día allí Aparece el
variable porcentaje de pesado vehículos (no que aparece para
AADT < 4000 veh/día). En la base de datos AADT > 4000 veh/día, el
porcentaje de vehículos pesados tiene, junto con la variable CCR,
el máximo pariente efecto en el estruendo frecuencia entre todo
elvariables independientes. Por lo tanto, se cree que un aumento
del 10% en %hv causa un aumentar de hacia arriba Para 22.7%
(modelo 7) en el fatal Accidentes. Esoes lógico que los vehículos
pesados influyan en las estadísticas de accidentes en carreteras.
vías con alto volumen de tráfico más de lo que lo hacen en las
carreterascon Bajo tráfico volumen. Un Alto volumen de tráfico
usualmente trans- tardes como Alto luz vehículo tráfico cuál
Podría producir Escenarios de aun mayor tráfico Conflictos
provocado por velocidad Diferencias resultado- ción en las
maniobras de adelantamiento utilizando el carril que se
aproxima, por lo tantocreciente el riesgo de Accidentes.
• CCR es incluido en Caminos con AADT > 4000 veh/día pero
hace no tomar parte en cualquier modelo cuando La base de
datos es AADT < 4000 veh/día. Éste variable tiene un Alto efecto en
el Accidentes en Caminos teniente AADT > 4000 veh/día, como un
10%se cree que el aumento de la CCR causa un aumento de hasta
el 24,2% (modelo 10) en los choques. Por lo tanto, las carreteras con
un volumen de el tráfico de más de 4000 veh/día debe tener
especial cuidado con respecto a la curva- vature Cambios. El Alto
volumen de tráfico Podría producir un mayor número de
maniobras peligrosas en las que un cambio de curvatura
favorecería el ocurrencia de bloqueos.
• El porcentaje de hombro (pavimentado o no pavimentado)
Participa en
los modelos basado en AADT < 4000 veh/día, pero en no modelo
conel base de datos AADT > 4000 veh/día. Caminos con un mayor
vol-ume de tráfico por lo general tienen un arcén, y por lo
general está pavimentado; mientras que a lo largo de las
carreteras con menos tráfico esto generalmente no es el caso. Por
otra parte, el efecto de ambas variables en los modeloscon base
de datos AADT < 4000 veh/día es considerable. Coeficientesentre
0.5111 y 0.6464 indicar ese un 10% aumentar en éstevariable se
asocia con una reducción en el total de bloqueos entre5% y
6.3%.
• Cuando AADT > 4000 veh/día, el entrada densidad Aparece en
justo Uno de los modelos, mientras que esta variable interviene en
cuatro de los modelos cuando AADT < 4000 veh/día. Los coeficientes
mostrar ese éste variable tiene más impacto en Accidentes en
elAADT < 4000 veh/día base de datos que en el AADT > 4000 veh/día

25
base de datos. En el primero, el coeficiente de regresión del
orden de 0,11 indica que un aumento del 10% en la variable
drive- densidad de camino significa un aumento de los
accidentes de 1.1%; a su vez, en la base de datos de carretera
con AADT > 4000 veh/día la regresión- los coeficientes de
sión en torno a 0,05 apuntan a un aumento del 0,5%. Éste
Podría ser pendiente Para el hecho que las carreteras con
más tráfico vol- ume have más controlado acceso que
Caminos con menostráfico. En adición Español legislación
Permite Izquierda Vueltas en carretera-Maneras con AADT <
5000 veh/día si Ellos have un medio Carril paraesperando, pero
los giros a la izquierda no están permitidos en las carreteras
con AADT> 5000 veh/día.
• CG Interviene en modelos de ambos Bases y eso Presenta el
mismo efecto que ccr: inconsistencias en el diseño de la
carretera con los altos volúmenes de tráfico pueden dar lugar
a un gran número de peligrosos maniobras con un
Consiguiente mayor riesgo de estruendo ocurrencia.
4. Conclusiones
Este trabajo investiga la relación entre los accidentes fre-
quency y varias variables relacionadas con la exposición,
geometría, consistencia y contexto para Español dos carriles
rural Carreteras en plano terreno. Acumulativo residual
análisis de el modelo Construido con solamentelas variables
AADT y longitud hicieron posible identificar regiones donde el
modelo subestima o sobreestima se bloquea. El original
muestra era dividido en el base de Gamas de el explicativo
variable AADT. Estratificación para AADT por debajo y por encima
de 4000 veh/día led Para un significativo mejora de el modelos
generado.
Los modelos parsimoniosos han demostrado ser bastante
simplistas en ambos Bases. Éste es un bien solución si el
datos disponible a los investigadores como limitados. El
problema es que el modelo será Excluyendo significativo
explicativo Variables predisposición porque allí son
claramente ca y Otro Factores conmovedor el frecuencia de
Accidentes.
El Los modelos totalmente especificados muestran
diferencias apreciables para el SPF Obtenido en cada una de
las bases de datos. En AADT > base de datos de 4000 veh/día,
el porcentaje de vehículos pesados tiene un gran efecto en la
frecuencia de choque. Un aumento del 10% en el se determina
que el porcentaje de vehículos pesados causará un aumento del
22% en la ocurrencia de accidentes. La variable CCR también
es muy sig-nificant para accidentes en este tipo de carretera,
como un aumento del 10% en CCR medio 24% más Accidentes.
Tampoco de estos Variables es incluido en el modelos para
AADT < 4000 veh/día.
En la base de datos de AADT < 4000 veh/día, el porcentaje
de shoul- Der (pavimentado o no pavimentado) Osos un Alto
influencia en Accidentes. Según los modelos generados, un
incremento del 10% en estos variables se asocia con alrededor de
un 5% de reducción en el total de accidentes. No obstante, esta
variable no participa en ningún modelo generado para AADT >
4000 veh/día, como carreteras con un mayor volumen de tráfico
normalmente tienen un arcén, la mayoría de las veces un
pavimentado hombro mientras que Caminos con menos tráfico
hacer no. El unidad-densidad de la manera participa en cuatro
modelos del AADT < 4000 veh/díabase de datos y en justo Uno
modelo basado de otra manera. En el Primero base de datos un
aumentar de 10% en el variable entrada densidad Seríadar un
aumentar de 1.1% en la ocurrencia de accidentes, mientras que
enel AADT > base de datos de 4000 veh/día, habría un aumento
de 0.5%. En Caminos con mayor Volúmenes de tráfico el
númerode los caminos de entrada generalmente se regula y
canaliza a través del servicio carreteras. Además España
normativa conceder para Izquierda Vueltas en carretera-formas
con AADT bajo 5000 veh/día mientras haya un medio carril para
esperar, mientras que esto no está permitido para las carreteras con
AADT >5000 veh/día.
En vista de el Resultados Expuso aquí España Carretera
Administración- istration debe prestar especial atención a los
cambios de curvatura y el porcentaje de vehículos pesados en
carreteras rurales de dos carriles con unvolumen de tráfico superior
a 4000 veh/día, así como el porcentajede hombro y el entrada
densidad en dos carriles rural Carreteras

con un volumen de tráfico inferior a 4000 veh/día. Extrapolación de
estosResultados Para éste mismo tipo de calzada en Otro Países es
un materiaPara ser Acercado con cautela.
Como trabajo futuro, diferentes estratificaciones de la muestra
según Para el diferente AADT valores Podría ser Analizado.
También se podría llevar a cabo un análisis adicional utilizando
avanzadotécnicas Para trato con variación de el efectividad de
predictor. Alguno de estos técnicas poder dejar Generalizada
Aditivo Modelos (GAM) que ofrecen formas funcionales más
flexibles que las tradicionales los modelos generalizados y permiten
una interacciones (Li Et al., 2010); o Multivariado Adaptable
Regresión Tiras (MARTE) que evitan el problema de la
sobreestimación a través de la consid- borrado de interacción
Impactos entre Variables (Parque 2015).
Además, los modelos de predicción de choques desarrollados
predicen Accidentes para todo Tipos deaccidentes y Ellos hacer no
distinguir estruendo niveles de gravedad. Si se disponiera de
suficientes datos, sería interesante. ing para llevar a cabo análisis
para diferentes tipos de accidentes y niveles de gravedad en futuro
investigación Esfuerzos.
Agradecimientos
El Autores Sería gustar Para agradecer el FEDER de el Europeo
Uniónpara apoyo financiero a través del proyecto "Bases para un
sistema experto que permita la identificación probabilística de
Tramos de Concen- tración de Crashes (TCA)" bajo el "Programa
Operativo FEDER de Andalucía 2007–2013". Nosotros Además
agradecer el Público Obras Agencia yla Conselleria de Fomento y
Vivienda de la ComunidadJunta de Andalucía. Griselda López
quiere expresarlareconocimiento de la consejería de Economía,
Innova- ción y Ciencia de el regional gobierno de Andalucía
(España)por su beca para formar profesores e investigadores en
Déficit Áreas.
Apéndice Un.
Modelos con más que Cuatro Variables para AADT < 4000
veh/día.
Modelo Parámetros y bondad-de-ajuste indicadores.
Modelo forma (AADT ≤ 4000 veh/día): Ê Y) Señor Presidente, señoras y señores, = E 0 ∗ AADT 1 ∗ L 2 *E( Y o ∗éxtasisYo+ J ∗éxtasisJ + K∗éxtasisK+ M∗éxtasisM)
Modelo Parámetro estimar Evaluación
0 1 2 Yo J K M
1 CONST AADT L DD %SHp Cc AIC: 795.817
−12.542 0.955 0.805 0.112 −0.591 −0.0000052 SD: 255.894
2 CONST AADT L DD LGr V85avg AIC: 799.187
−10.766 0.943 0.858 0.104 −0.013 −0.020 SD: 252.584
3 CONST AADT L DD Prisionero de guerra Cc AIC: 795.421
−11.966 1028.000 0.767 0.107 −0.151 −0.0000054 SD: 256.773
4 CONST AADT L %SH LGr Ea10 AIC: 806.474
−12.343 0.907 0.876 −0.578 −0.014 0.382 SD: 252.880
5 CONST AADT L %SH LGr AIC: 804.62
−12.207 0.915 0.811 −0.587 −0.015 0.054 SD: 252.389
6 CONST AADT L %SH LGr Cp AIC: 805.859
−11.324 0.899 0.799 −0.611 −0.014 −0.242 SD: 252.004
7 CONST AADT L %SH LGr Cg AIC: 805.603
−11.407 0.903 0.811 −0.597 −0.014 −0.233 SD: 252.386
8 CONST AADT L %SH LGr Cc AIC: 804.992
−11.413 0.865 0.815 −0.557 −0.013 −0.0000065 SD: 253.339
9 CONST AADT L %SHp LGr Ea10 AIC: 804.89
−12.486 0.924 0.879 −0.708 −0.014 0.372 SD: 252.595
10 CONST AADT L %SHp LGr AIC: 803.174
−12.352 0.932 0.816 −0.707 −0.015 0.052 SD: 252.199
11 CONST AADT L %SHp LGr Cp AIC: 804.404
−11.506 0.916 0.805 −0.729 −0.013 −0.233 SD: 251.846
12 CONST AADT L %SHp LGr Cc AIC: 803.53
−11.574 0.882 0.819 −0.683 −0.013 −0.0000063 SD: 253.060
13 CONST AADT L LGr Prisionero de guerra AIC: 802.526
−11.705 1019.000 0.774 −0.014 −0.181 0.050 SD: 252.815
14 CONST AADT L LGr Prisionero de guerra Cc AIC: 802.222
−10.932 0.979 0.771 −0.012 −0.185 −0.0000065 SD: 254.003
15 CONST AADT L LGr Sw Ea10 AIC: 806.28
−12.395 0.909 0.880 −0.014 −0.430 0.379 SD: 252.586
16 CONST AADT L LGr Sw AIC: 804.379
−12.263 0.919 0.815 −0.015 −0.440 0.053 SD: 252.166
17 CONST AADT L LGr Sw Cp AIC: 805.6
−11.382 0.903 0.803 −0.014 −0.457 −0.242 SD: 251.774
18 CONST AADT L LGr Sw Cg AIC: 805.373
−11465 0.906 0.815 −0.014 −0.446 −0.232 SD: 252.154
19 CONST AADT L LGr Sw Cc AIC: 804.53
−11.467 0.870 0.816 −0.013 −0.431 −0.0000066 SD: 253.180
20 CONST AADT L DD %SH LGr AIC: 796.897
−12485.000 0.957 0.773 0.102 −0.549 −0.011 0.047 SD: 254.451
21 CONST AADT L DD %SHp LGr AIC: 795.462
−12609.000 0.972 0.778 0.101 −0.666 −0.011 0.046 SD: 254.074
22 CONST AADT L DD LGr Sw AIC: 796.927
−12529.000 0.959 0.777 0.101 −0.011 −0.397 0.047 SD: 254.173
Nota: Todo p-value < 0.05.
No modelo con más que 6 Variables Cumple el condiciones de paso 2 de Sección 2.2.3 de el papel.
Modelos con más que 4 Variables para AADT > 4000 veh/día. Modelo Parámetros y bondad-de-ajuste indicadores.

25
Modelo forma (AADT > 4000 veh/día): Ê Y) Señor Presidente, señoras y señores, = E 0 ∗ AADT 1 ∗ L 2 *E( Y o ∗éxtasisYo+ J ∗éxtasisJ + K∗éxtasisK)
Modelo Parámetro estimar Evaluación
0 1 2 Yo J K
1 CONST AADT L DD LGr CCR AIC: 937.143
−9.300 0.401 1.021 0.051 −0.013 1.978 SD: 224.045
2 CONST AADT L DD LGr Av10 AIC: 935.947
−9.686 0.400 1.068 0.055 −0.013 0.077 SD: 225.428
3 CONST AADT L DD LGr V85avg AIC: 935.622
−7.618 0.419 1.021 0.048 −0.014 −0.017 SD: 225.042
4 CONST AADT L DD LGr Cp AIC: 935.875
−8.125 0.363 0.950 0.050 −0.013 −0.146 SD: 224.853
5 CONST AADT L DD LGr CG AIC: 936.955
−8.179 0.364 0.955 0.052 −0.013 −0.132 SD: 224.73
6 CONST AADT L DD LGr CC AIC: 936.914
−8.519 0.382 0.958 0.052 −0.012 −0.0000026 SD: 225.36
Nota: Todo p-value < 0.05.
No modelo con más que 5 Variables Cumple el condiciones de paso 2 de Sección 2.2.3 de el papel.
Referencias
AASHTO, 2010. Carretera Seguridad Manual. Washington DC 1500.
Abdel-Aty, M.A., Radwan, A.E., 2000. Modelado tráfico accidente ocurrencia y
implicación. Accid. Anal. Prev. 32 (5), 633–642.
Anastasopoulos, P.C., Tarko, A.P., Ayesamiento, F.L., 2008. Tobit análisis de vehículo
accidente Tarifas en interestatal Carreteras. Accid. Anal. Prev. 40 (2), 768–775.
Anderson Yo.B., Bauer K.M., Harwood D.W., Fitzpatrick K. 1999. Relación Para
seguridad de geométrico diseño consistencia Medidas para rural dos carriles
Carreteras.Transp. Res. Rec. 1658, 43–51.
CaFiasí que S. Di Graziano, Un. Di Silvestro G. La Cava G. Persaud, B. 2010.
Desarrollo de comprensivo accidente modelos para dos carriles rural
Carreteras Usando Exposición geometría consistencia y contexto Variables.
Accid. Anal. Prev.42, 1072–1079.
Cafiso, S., D' Agostino, S., Persaud, S., 2013. Investigando el influencia de
segmentación en Estimar seguridad rendimiento Funciones para calzada
Secciones.En: Transporte Investigación Tabla 92º Anual Reunión Washington.
Camacho-Torregrosa, F.J., Pérez-Zuriaga, A.M. Campoy-Ungría, J.M., García-García,
A., 2013. Nuevo geométrico diseño consistencia modelo basado en operativo
velocidad Perfiles para camino seguridad evaluación. Accid. Anal. Prev. 61, 33–
42.
Camacho-Torregrosa, F.J., 2014. Desarrollo Y Calibración De ONU Modelo Global De
Consistencia Del DisEÑo Geométrico De Carreteras Convencionales Basado En
El Empleo De Perfiles Continua De Velocidad De Operación. Ph.D. Tesis.
Universidad de Valencia Pp. 837.
Cheng W. Washington S. 2008. Nuevo criterios para Evaluar métodos de
Identificar caliente manchas. Transp. Res. Rec. 2083, 76–85.
Chin, H.C., Quddus, M.A., 2003. Aplicar el aleatorio efecto Negativo binomio
modelo Para examinar tráfico accidente ocurrencia en Señalizadas
Intersecciones. Accid.Anal. Prev. 35 (2), 253–259.
De OÑun J. Garach, L. Calvo Poyo, F. García-MuÑOz T. 2014. Relación entre Predijo
velocidad reducción en horizontal Curvas y seguridad en dos carriles rural
carreteras en España. J. Transp. Eng. 140 (3), 1–12.
Dell'Acqua, G. Russo F. 2008. Accidente Predicción Modelos para Camino Redes.
Departamento de Transporte Ingeniería Universidad de Nápoles Italia.
Pañero N. Herrero H. 1981. Aplicado Regresión Análisis Segundo Ed. Wiley Nuevo
YorkPp. 407.
El-Basyouny, K., Sayed, T., 2010. Un método Para cuenta para
Afloramientos en el desarrollo de accidente predicción modelos.
Accid. Anal. Prev. 42 (4),1266–1272.
Elvik, R., 2007. Estado de la técnica Enfoques Para Camino Accidente Negro
Mancha Administración y Seguridad Análisis de Camino Redes. Instituto
de TransporteEconomía Noruego Centro para Transporte Investigación.
Elvik, R. 2008. Fabricación sentido de camino seguridad evaluación
Estudios. Desarrollo uncalidad Puntuación sistema. Informe 984.
Elvik, R. 2011. Evaluar causalidad en multivariado accidente modelos. Accid. Anal.
Prev. 43 (1), 253–264.
Federal Carretera Administración 2010. Carretera Seguridad Manual (HSM),
primero Ed.
Americano Asociación de Estado Carretera y Transporte Funcionarios.
Fitzpatrick K. Collins J. 2000. Perfil de velocidad modelo para dos carriles rural
Carreteras.
Transp. Res. Rec.: J. Transp. Res. Tabla 1737, 42–49.
Fitzpatrick, K., Elefteriadou, L., Harwood, D.W., Collins, J.M., McFadden, J.,
Anderson Yo.B., Krammes, R.A., Irizarry, N. Parma K.D., Bauer K.M., Passetti, K.
2000. Velocidad predicción para dos carriles rural Carreteras. FHWA-RD-99-
171.
Garach, L. Calvo, F. Pasadas, M., De OÑun J. 2014. Propuesta de un Nuevo global
modelo de consistencia: aplicación en dos carriles rural Carreteras en España. J.
Transp. Eng.
140 (8), 04014030.
Hadi, M.A., Aruldhas, J. Chow L. Wattleworth, J.A., 1995. Estimar seguridad Efectos
de sección transversal diseño para varios carretera Tipos Usando Negativo
binomio regresión. Transp. Res. Rec. 1500, 169–177.
Hauer, E. Lovell J. 1988. Estimación de seguridad en Señalizadas Intersecciones.
Transp.
Res. Rec. 1185, 48–61.

Hauer, E. Harwood D.W., Consejo F.M., Griffith M.S., 2002. Estimar seguridad
porel Empírico Bayes método: un tutorial. Transp. Res. Rec. 1784, 126–
131.
Hauer, E. Consejo F.M., Mohammedshah, Y., 2004. Seguridad modelos
para urbanocuatro carriles indiviso camino Segmentos. Transp.
Res. Rec. 1897, 96–105.
Hauer, E., 2004. Estadístico camino seguridad modelado. Transp. Res. Rec.
1897, 81–87. Hauer, E. 2015. El Arte de Regresión Modelado en Camino
Seguridad. Salmer Pp. 231.
Cabeza J.A., Kaestner, N.F., 1956. El relación entre accidente datos y el Ancho
de grava hombros en Oregón. Procedimiento Carretera Investigación
Tabla.
Hosseinpour, M. Yahaya, A.S., Sadullah, A.F., 2014. Explorar el Efectos de
calzada características en el frecuencia y severidad de de frente
Accidentes:caso Estudios De Malasio Federal Carreteras. Accid. Anal.
Prev. 62, 209–222.
Li Éxtasis. Señor D. Zhang Y., 2010. Desarrollo de accidente modificación
Factores pararural Fachada camino Segmentos en Texas Usando
Generalizada aditivo modelos. J.Transp. Eng. 137 (1), 74–83.
Señor D. Ayesamiento, F. 2010. El estadístico análisis de frecuencia de
bloqueo datos: unrevisión y evaluación de metodológico Alternativas.
Transp. Res. Parte Un:Política Pract. 44 (5), 291–305.
Señor D. Persaud, B.N., 2000. Accidente predicción modelos con y sin
tendencia:aplicación de el Generalizada Estimar Ecuaciones
procedimiento. Transp. Res. Rec. 1717, 102–108.
Mannering, F.L., Bhat, C., 2014. Analítico métodos en accidente investigación:
metodologial frontera y futuro Indicaciones. Anal. Métodos Accid. Res. 1, 1–
22.
Ayesamiento, F.L., Shankar V. Bhat C.R., 2016. Inobservado heterogeneidad y
elestadístico análisis de carretera accidente datos. Anal. Métodos Accid.
Res. 11, 1–16.
Miaou, S.P., Monja Un. Lum H.S., 1996. Trampas de Usando R2 Para evaluar
bondad de caber deaccidente predicción modelos. Transp. Res. Rec. 1542, 6–
13.
Miaou, S.P., 1994. El relación entre camión accidentes y geométrico diseñode
camino Secciones: Poisson versus Negativo binomio Regresiones. Accid.
Anal.
Prev. 36, 471–482.
Misaghi, P. Hassan Y., 2005. Modelado operativo velocidad y velocidad
diferencial encaminos rurales de dos carriles. J. Transp. 2D., 408–418,
http://dx.doi.org/10.1061/ (ASCE) 0733-947X(2005)131:6(408).
Mitra S. Washington S. 2012. En el importancia de Omitido Variables en
intersección estruendo modelado. Accid. Anal. Prev. 49 (439), 448.
Montella, Un. Colantuoni, L. Lambert R. 2008. Estruendo predicción modelos para
ruralAutopistas. Transp. Res. Rec. 2083, 180–189.
Montella, Un. 2010. Un comparativo análisis de punto de acceso identificación
métodos.
Accid. Anal. Prev. 42, 571–581.
Ng J.C.W., Sayed T. 2004. Efecto de geométrico diseño consistencia en camino
seguridad.
Enlatar. J. Civ. Eng. 31 (2), 218–227.
Olmstead, T., 2001. Autopista Administración Sistemas y motor vehículo
Accidentes: uncaso estudiar de Fénix Arizona. Accid. Anal. Prev. 33,
433–447.
Osgood D.W., 2000. Basado en Poisson regresión análisis de agregado crimen
Tarifas. J.Quant. Criminol. 16 (1), 21–43.
Pardillo, J.M., Llamas, R., 2003. Pertinente Variables para estruendo tasa
predicción en Español Dos Carril rural carreteras. En: Transporte
Investigación Tabla 82º AnualReunión Washington ACK
Pardillo, J.M., Bojórquez, R. Camarero, Un. 2006. Refinamiento de accidente
predicciónmodelos para Español nacional red. Transp. Res. Rec. 1950, 65–72.
Park, J., Abdel-Aty, M., 2015. Evaluar el seguridad Efectos de múltiple orilla del
camino Tratamientos Usando paramétrico y no paramétrico Enfoques.
Accid. Anal. Prev.83, 203–213.
Park, J., 2015. Exploración y Desarrollo de Estruendo Modificación Factores y
Funciones para Soltero y Múltiple Tratamientos. Doctoral Disertación.
Universidadde Central Florida Orlando Florida.
Perkins E.T., 1956. Relación de Accidente Tasa Para Carretera Hombro Ancho
Boletín 151, Carretera Investigación Tabla Pp. 13–14.
Persaud, B., Lyon, C., Nguyen, T., 1999. Empírico Bayes procedimiento para
clasificación Sitios para seguridad investigación por potencial para
seguridad mejora. Transp. Res. Rec. 1665, 7–12.

25
Polus, Un. Mattar-Habib, C. 2004. Nuevo consistencia modelo para rural
Carreteras ysu relación Para seguridad. J. Transp. Eng. 130, 286–293.
RAS-L, 1995. Directrices para el Diseño de Carreteras Forschungsgesellschaft für
Strassen Und Verkehrswesen Linienführung. Richtlinien für morir Anlage Von
Strassen, Bonn Alemania.
Ramírez, B.A., Izquierdo, F.A., Fernández, C.G., Méndez, A.G., 2009. El influencia de
pesado bienes vehículo tráfico en accidentes en diferente Tipos de Español
interurbano carreteras. Accid. Anal. Prev. 41 (1), 15–24.
Resende, P., Benekohal, R.F., 1997. Efectos de Calzada Sección Largura en
AccidenteModelado. Tráfico Congestión y Tráfico Seguridad en el 21º Siglo:
DesafíosInnovaciones y Oportunidades. Americano Sociedad para Civil
Ingenieros Chicago IL Pp. 403–409.
Sawalha, Z. Sayed T. 2001. Evaluar el seguridad de urbano arterial Caminos. J.
Transp. Eng. ASCE 127 (2), 151–158.
Sawalha, Z. Sayed T. 2006. Tráfico accidente modelado: alguno estadístico cuestiones.
Enlatar.
J. Civ. Eng. 33 (9), 1115–1124.
Stohner, W.R., 1956. Relación de carretera accidentes Para hombro Ancho en dos
carrilesrural Carreteras en Nuevo York estado. Highw. Res. Tabla Proc. 35,
500–504.
Tornero S. Singh R. Nates, G. 2012. El próximo generación de rural camino
estruendopredicción modelos: final informe. NZ Transp. Agencia Res.
Representante. 509, 98.
Vogt Un. Bared J. 1998. Accidente modelos para dos carriles rural Segmentos y
Intersecciones. Transp. Res. Rec. 1635, 18–29.
Washington, S., Karlaftis, M., Mannering, F., 2010. Estadístico y Econométrico
Métodos para Transporte Datos Análisis Segundo Ed. Buhonero y Sala Boca
Ratón.
Wei F. Lovegrove, G. 2013. Un empírico herramienta Para evaluar el seguridad de
Ciclistas:comunidad basado nivel de macro colisión predicción modelos
Usando Negativo binomio regresión. Accid. Anal. Prev. 61, 129–137.

Development of safety_performance_functi baby

Más contenido relacionado

La actualidad más candente (8)

Similar a Development of safety_performance_functi baby (20)

Más de Sierra Francisco Justo (20)

Último (20)

Development of safety_performance_functi baby