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

• Autor: Lumbre Santa Cruz, Jorge Luis
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28596
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28596
• Nivel de acceso: acceso abierto
• Materia: Análisis espacial; Seguridad vial; Sistema de Información Geográfico (SIG); Estimación de densidad de kernel; San Isidro, Lima (Perú : Distrito); https://purl.org/pe-repo/ocde/ford#2.01.01

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