Look-up in Google Scholar
Title: Modelo de predicción de la siniestralidad vial en el subtramo: Huarmey-Casma de la Concesión Red Vial N°4: Carretera Pativilca – Trujillo basada en Crash Modification Factors y Star Rating Scores para la prevención de siniestros viales
Other Titles: Prediction Model of Road Traffic Accidents in the Subsection: Huarmey-Casma of Concession Road No. 4: Pativilca – Trujillo Highway based on Crash Modification Factors and Star Rating Scores for Road Safety Prevention
Advisor(s): Sanchez Navarro, Alex Manuel
OCDE field: https://purl.org/pe-repo/ocde/ford#2.01.00; https://purl.org/pe-repo/ocde/ford#2.01.05
Issue Date: 28-May-2024
Institution: Universidad Peruana de Ciencias Aplicadas (UPC)
Abstract: El presente trabajo de investigación se enfoca en obtener un modelo para la predicción de la siniestralidad vial en el subtramo Huarmey-Casma de la Concesión Red Vial N°4, abordando una problemática global que afecta desproporcionadamente a países de ingresos bajos y medianos. Se utiliza una metodología que combina Crash Modification Factors (CMF) y Star Rating Scores (SRS) para caracterizar el riesgo de siniestralidad vial en la carretera y proponer estrategias de prevención. El análisis histórico de datos reveló que los sectores críticos se encuentran en los kilómetros 320 a 350, donde se identificaron 94 segmentos con 1 y 2 estrellas que requieren intervención. La implementación de medidas preventivas se centra en mejorar curvas horizontales, implementar sistemas de contención vehicular y controlar el exceso de velocidad. Además, se propone la instalación de un Sistema Inteligente de Transporte (ITS) con radares de tramo para disuadir el exceso de velocidad. La regresión lineal múltiple desarrollada sugiere que atributos como el sobreancho y el radio son determinantes en el riesgo vial, se obtuvo un R2 ajustado de 0.8007. La validación del modelo muestra una correlación efectiva entre las medidas propuestas y la reducción del riesgo vial, se utiliza fórmula estadística llamada GEH para comparar los resultados, verificándose que para los 90 segmentos GEH < 5. La aplicación de CMF y SRS, junto con la implementación de medidas específicas, demuestra ser eficaz en la predicción y prevención de siniestros viales en el subtramo estudiado, proporcionando una base sólida para mejorar la seguridad vial.

This research work focuses on obtaining a model for predicting road accidents in the Huarmey-Casma segment of Concession Red Vial No. 4, addressing a global issue that disproportionately affects low- and middle-income countries. A methodology combining Crash Modification Factors (CMF) and Star Rating Scores (SRS) is used to characterize the road accident risk and propose prevention strategies. Historical data analysis revealed critical sectors between kilometers 320 and 350, where 94 segments with 1 and 2 stars requiring intervention were identified. The implementation of preventive measures focuses on improving horizontal curves, implementing vehicle restraint systems, and controlling speeding. Additionally, the installation of an Intelligent Transport System (ITS) with section radars to deter speeding is proposed. The developed multiple linear regression suggests that attributes such as shoulder width and radius are decisive in road risk, yielding an adjusted R-squared of 0.8007. Model validation shows effective correlation between the proposed measures and the reduction of road risk, using a statistical formula called GEH to compare results, verifying that for the 90 segments GEH < 5. The application of CMF and SRS, along with the implementation of specific measures, proves to be effective in predicting and preventing road accidents in the studied segment, providing a solid foundation for improving road safety.
Discipline: Ingeniería Vial
Grade or title grantor: Universidad Peruana de Ciencias Aplicadas (UPC). Escuela de Postgrado
Grade or title: Maestro en Ingeniería Vial
Juror: Silvera Lima Manuel Elias; Aranda Jiménez Fiorella Nicole; Sanchez Navarro Alex Manuel
Register date: 9-Aug-2024



This item is licensed under a Creative Commons License Creative Commons