06 2.1 (11) orientacion y referencias babylon

Predicción del rendimiento de seguridad esperado de las carreteras rurales de dos carriles - FHWA-RD-99-207
Este informe es una publicación archivada y puede contener información técnica, de contacto y
de enlace fechada
Administración Federal de Carreteras > Publicaciones > investigación > seguridad > predicción del rendimiento
de seguridad previsto de las zonas rurales de dos
Autopistas de carril
Número de publicación: FHWA-RD-99-207
Predicción del rendimiento de seguridad esperado de las carreteras rurales de dos carriles
Versión PDF (733 KB)
Los archivos PDF se pueden ver con el Lector ® Acrobat®
Tabla de contenidos
Este informe documenta el algoritmo para predecir el rendimiento de seguridad de las carreteras rurales de dos
carriles que constituye la base para el módulo de predicción de accidentes del modelo interactivo de diseño de
seguridad vial. El algoritmo estima el efecto en el rendimiento de seguridad de los parámetros del segmento de la
carretera, incluidos la anchura del carril, la anchura del hombro, el tipo de hombro, las curvas horizontales, las
calidades, la densidad de la calzada, los carriles de giro a la izquierda de dos vías, los carriles de paso y el diseño
de la carretera, y de los parámetros de intersección, incluidos el ángulo de sesgo, el control de tráfico, los carriles
exclusivos de giro izquierdo y derecho, la distancia de visión y las entradas. El algoritmo permite a las agencias
de carreteras estimar el rendimiento de seguridad de las carreteras existentes o propuestas y comparar el
rendimiento de seguridad esperado de las alternativas de diseño geométrico.
Michael F. Trentacoste Director de la Oficina de Investigación y Desarrollo de Seguridad
notar
Este documento se difunde bajo el patrocinio del Departamento de Transporte en aras del intercambio de
información. El Gobierno de los Estados Unidos no asume ninguna responsabilidad por su contenido o uso del
mismo. Este informe no constituye una norma, especificación o regulación.
El Gobierno de los Estados Unidos no respalda a los productos ni a los fabricantes. Los nombres de comercio y
fabricantes aparecen en este informe únicamente porque se consideran esenciales para el objeto de este
documento.
Página de documentación del informe técnico
1. Informe No.
FHWA-RD-99-207
2. Adhesión gubernamental No.
3. Catálogo del destinatario No.
http://www.fhwa.dot.gov/publications/research/safety/99207/index.cfm (1 de 7)23/05/2010 07:28:13 p.m.
4. Título y subtítulos
PREDICCIÓN DEL RENDIMIENTO DE SEGURIDAD ESPERADO
DE LAS CARRETERAS RURALES DE DOS CARRILES
5. Fecha del informe
6. Organización escénica
7. Autor(es)
D.W. Harwood, F.M. Council, E. Hauer, W.E. Hughes y A. Vogt
8. Informe de organización
ejecuto No.
4584-09
9. Realización del nombre y la dirección de la organización 10. Unidad de trabajo Nº (TRAIS)

Instituto de Investigación del Medio Oeste 425 Volker Boulevard
Kansas City, Missouri 64110-2299
11. Contrato o Concesión No.
DTFH61-96-C-00055
12. Nombre y dirección de la agencia patrocinadora Oficina de
Investigación y Desarrollo de Seguridad Administración Federal de
Carreteras
6300 Georgetown Pike
McLean, Virginia 22101-2296
13. Tipo de informe y período
cubierto
Informe técnico
Mayo de 1997—Septiembre 2000
14. Código de agencia
patrocinadora
15. Notas complementarias
Representante Técnico del Oficial Contratante (COTR): Michael S. Griffith, HRDS-06
16. Resumen
Este informe presenta un algoritmo para predecir el rendimiento de seguridad de una carretera rural de
dos carriles. El algoritmo de predicción de accidentes consiste en modelos base y factores de
modificación de accidentes tanto para segmentos de carreteras como para intersecciones a grado en
carreteras rurales de dos carriles. Los modelos base proporcionan una estimación del rendimiento de
seguridad de una carretera o intersección para un conjunto de condiciones nominales o base asumidas.
Los factores de modificación de accidentes ajustan las predicciones del modelo base para tener en cuenta
los efectos en la seguridad de los segmentos de la calzada de ancho de carril, ancho de hombro, tipo de
hombro, curvas horizontales, grados, densidad de la calzada, carriles de giro a la izquierda de dos vías,
carriles de paso, diseño de la carretera y los efectos sobre la seguridad para las intersecciones en
pendiente de ángulo de sesgo, control de tráfico, carriles exclusivos de giro izquierdo y derecho, distancia
de visión y calzadas.
El algoritmo de predicción de accidentes está diseñado para su aplicación por las agencias de carreteras
para estimar el rendimiento de seguridad de una carretera existente o propuesta. El algoritmo se puede
utilizar para comparar el rendimiento de seguridad previsto de dos o más alternativas geométricas para
una mejora de carretera propuesta.
El algoritmo de predicción de accidentes incluye un procedimiento de calibración que se puede utilizar
para adaptar los resultados previstos a las condiciones de seguridad encontradas por cualquier agencia
de carreteras en particular en las carreteras rurales de dos carriles. El algoritmo también incluye un
procedimiento Bayes empírico que se puede aplicar para utilizar las predicciones de seguridad
proporcionadas por el algoritmo junto con datos reales del historial de accidentes específicos del sitio.
17. Palabras clave
seguridad
Accidente modelado dos carriles carreteras segmentos predicción de
accidentes diseño geométrico
Bayas empíricas estiman intersecciones a grado
18. Declaración de distribución
Sin restricciones. Este documento
está disponible para el público a
través del Servicio Nacional de
Información Técnica, Springfield,
Virginia 22161.
19. Clasificación de seguridad.
(de este informe)
Sin clasificar
20. Clasificación
de seguridad. (de
esta página) Sin
clasificar
21. No. de
páginas 197
22. Precio
Formulario DOT F 1700.7 (8-72) Reproducción de la página completa autorizada

Si* (métrica moderna) Factores de conversión
1. Introducción
Estimaciones de datos históricos de accidentes Estimaciones de modelos estadísticos Estimaciones de estudios
previos y posteriores Estimaciones del juicio de expertos
Un nuevo enfoque Organización de este informe Unidades de medida
2. VISIÓN GENERAL DEL ALGORITMO DE PREDICCIÓN DE ACCIDENTES Algoritmo de predicción de
accidentes para segmentos de carreteras Algoritmo de predicción de accidentes para intersecciones en
grado Frecuencia de accidentes prevista para todo un proyecto
Se estima la gravedad de los accidentes y las distribuciones del tipo de accidente Fortalezas y debilidades de este
enfoque
Estructura del algoritmo de predicción de accidentes
3. MODELOS BASE
Modelo base para segmentos de carreteras Modelos base para intersecciones en grado Procedimiento de
calibración
4. FACTORES DE MODIFICACIÓN DE ACCIDENTES Desarrollo de factores de modificación de accidentes
Segmentos de carreteras
Grados
Intersecciones en grado
5. RESULTADOS DEL ANÁLISIS DE SENSIBILIDAD
Intersecciones controladas por STOP de tres patas Intersecciones señalizadas de cuatro patas
6. IMPLEMENTACIÓN DEL ALGORITMO DE PREDICCIÓN DE ACCIDENTES DENTRO DEL IHSDM
Predicción de accidentes cuando los datos del historial de accidentes específicos del sitio no están disponibles
Predicción de accidentes cuando los datos del historial de accidentes específicos del sitio están disponibles
Situaciones en las que el procedimiento eb debe y no debe aplicarse Procedimiento empírico de Bayes
Ejemplo aplicación del procedimiento eb
Metodología paso a paso para aplicar el algoritmo de predicción de accidentes, incluido el procedimiento EB
7. CONCLUSIONES, RECOMENDACIONES Y MEJORAS FUTURAS
Conclusiones
Mejora futura del algoritmo de predicción de accidentes
8. Referencias
9. bibliografía
APÉNDICE UNA MEMBRESÍA DE PANEL DE EXPERTOS APÉNDICE B DESARROLLO DE MODELOS BASE
PROCEDIMIENTO DE CALIBRACIÓN DEL APÉNDICE C PARA ADAPTAR EL ALGORITMO DE PREDICCIÓN
DE ACCIDENTES AL DATun DE UNA AGENCIA DE CARRETERAS EN PARTICULAR
APÉNDICE D DEFINICIONES DE CLASIFICACIONES DE PELIGROS EN CARRETERA UTILIZADAS CON EL
PREDICTIO DE ACCIDENTESN algoritmo
Figuras
1. Diagrama de flujo del algoritmo de predicción de accidentes para un segmento o intersección de una sola
carretera.
2. Factor de modificación de accidente recomendado para ancho de carril.

3. Factor de modificación de accidentes para ancho de hombro.
4. Factor de modificación de accidentes para deficiencia de peralte.
5. Diagrama de flujo del algoritmo de predicción de accidentes cuando no hay dat historial de accidentes
específico del sitioun Están disponibles.
6. Diagrama de flujo para el algoritmo de predicción de accidentes cuando el historial de accidentes
específico del sitio arE disponible
7. Diagrama de flujo del proceso de calibración.
8. Carretera típica con clasificación de peligro en carretera igual a 1.
Mesas
1. Distribución predeterminada para el nivel de gravedad del accidente en las carreteras rurales de dos
carriles.
2. Distribución predeterminada para tipo de accidente y forma de colisión en carreteras rurales de dos
carriles.
3. Factores de modificación de accidentes para tipos de hombros en carreteras de dos carriles.
4. Factores de modificación de accidentes para tramos de grado de carretera.
5. Factores de modificación de accidentes para la instalación de carriles de giro a la izquierda en los
accesos de la carretera principal to Intersección en carreteras rurales de dos carriles.
6. Sensibilidad de seguridad a ADT para condiciones nominales para segmentos de carretera.
7. Sensibilidad de la seguridad a la anchura del carril en los segmentos de la carretera.
8. Sensibilidad de la seguridad al tipo de hombro y a la anchura en los segmentos de la carretera.
9. Sensibilidad de la seguridad a la longitud y el radio de la curva horizontal en los segmentos de la
carretera.
10. Sensibilidad de la seguridad a la deficiencia de peralte de curva horizontal en los segmentos de carretera.
11. Sensibilidad de la seguridad al grado porcentual en los segmentos de la carretera.
12. Sensibilidad de la seguridad a la densidad de la calzada en los segmentos de la carretera.
13. Sensibilidad de la seguridad a la presencia de carriles de paso y secciones cortas de cuatro carriles en
los segmentos de la carretera.
14. Sensibilidad de la seguridad a la clasificación de peligros en carretera en los segmentos de carretera.
15. Sensibilidad de la seguridad a combinaciones extremas de características de diseño geométrico y control
de tráfico.
16. Sensibilidad de la seguridad a los carriles de giro de carretera principal en intersecciones controladas
por STOP de tres tramos.
17. Sensibilidad de seguridad a los ángulos de sesgo en intersecciones controladas stop de tres patas.
18. Sensibilidad de la seguridad a la distancia de visión de intersección limitada en intersecciones
controladas por STOP de tres tramos.
19. Sensibilidad de la seguridad a los carriles de giro de carretera mayor en intersecciones controladas por
STOP de cuatro tramos.
20. Sensibilidad de seguridad al ángulo de sesgo en intersecciones controladas stop de cuatro patas.

21. Sensibilidad de la seguridad a las deficiencias limitadas de la distancia de visión de intersección en el
control stop-control de cuatro tramosD Intersecciones.
22. Sensibilidad de la seguridad a los carriles de giro de carretera mayor en intersecciones señalizadas de
cuatro patas.
23. Parámetros de sobredispersión para modelos base y frecuencias de accidentes mínimas para el
procedimiento EB.
24. Aplicación del procedimiento empírico bayes al segmento 1 de la carretera.
25. Aplicación del procedimiento empírico de bayas al segmento 2 de la carretera.
26. Aplicación del procedimiento empírico bayes a los segmentos de carretera 1 y 2 combinados.
27. Aplicación del procedimiento empírico bayes a la intersección 1 (intersección controlada stop-controlada
de cuatro patas).
28. Aplicación del procedimiento empírico bayes a los segmentos de carretera 1 y 2 y intersección 1
combinados.
29. Parámetros del modelo y bondad del ajuste para la ecuación (42).
30. Estadísticas descriptivas para segmentos de carretera utilizados en el modelado.
31. Estadísticas descriptivas para 382 intersecciones controladas STOP de tres patas en Minnesota
utilizadas en el modelado.
38. Estadísticas descriptivas para 324 intersecciones controladas por STOP de cuatro patas en Minnesota.
44. Estadísticas descriptivas para 49 intersecciones señalizadas de cuatro patas en California y Michigan
utilizadas en el modelado.
51. Requisitos mínimos para los niveles de calibración 1 y 2
52. Necesidades de datos para los niveles de calibración 1 y 2.
53. Estimar kilometraje por nivel ADT y alineación horizontal.
54. Estimar kilometraje por nivel ADT y alineación vertical.
55. Estimar kilometraje por intervalo ADT.
56. Estimación de la proporción de kilometraje por terreno.
57. Calcule el número anual predicho de accidentes no interseccionales como una función de ADT.
58. Desarrollar estimaciones necesarias para el componente de alineación del procedimiento.
59. Estimar kilometraje por nivel ADT y alineación vertical.

60. Ilustración de cómo se puede aplicar un grado porcentual promedio a través de combinaciones de ancho
de carril y hombro.
61. Estimación de la proporción de kilometraje por terreno.
62. Calcule el kilometraje por intervalos ADT, anchos de carril y hombro.
63. Predicción de accidentes totales no interseccionales como una función de ADT, ancho de carril y ancho
de hombro.
64. Tamaños mínimos de muestra por tipo de intersección.
65. Ejemplo de estratificación de muestras deseadas de intersecciones controladas por STOP de tres y
cuatro patasN Carretera mayor ADT.
66. Ejemplo de estratificación de muestra deseada de intersecciones señalizadas de cuatro patas basadas
en ADT de carretera principal.
Este informe es una publicación archivada y puede contener información técnica, de contacto y de enlace
fechada
Administración Federal de Carreteras > Publicaciones > investigación > seguridad > predicción de la seguridad
esperada
Rendimiento de las carreteras rurales de dos carriles
1. INTRODUCCIÓN
Una de las lagunas más críticas en la gestión de la seguridad vial es la falta de un método fiable para estimar el
rendimiento de seguridad de una carretera existente o planificada. Las agencias de carreteras han desarrollado y
mantenido sistemas de registro de accidentes para supervisar el rendimiento de seguridad de sus carreteras, pero
estos proporcionan datos históricos o retrospectivos.
Una gestión eficaz requiere un punto de vista prospectivo. Los ingenieros de carreteras necesitan saber no cuál
fue el desempeño de seguridad de una carretera en el pasado reciente o distante, sino qué es ahora y qué es
probable que sea en el futuro si se toman medidas propuestas particulares.
En el pasado, cuando se necesitaban estimaciones de rendimiento de seguridad actuales o futuras para una
carretera, han sido desarrolladas por uno de los cuatro enfoques: promedios a partir de datos históricos de
accidentes, predicciones de modelos estadísticos basados en análisis de regresión, resultados de estudios previos
al después y juicios de expertos realizados por ingenieros experimentados. Cada uno de estos métodos, utilizados
solo, tiene debilidades significativas que se describen a continuación. A continuación, se describe un nuevo
enfoque que combina elementos de cada uno de estos métodos en un algoritmo de predicción de accidentes. Este
nuevo algoritmo de predicción de accidentes, desarrollado específicamente para su aplicación a carreteras rurales
de dos carriles, es objeto de este informe.
Estimaciones de datos históricos de accidentes
Los datos históricos de accidentes son un indicador importante del rendimiento de seguridad de una carretera,
pero sufren la debilidad de ser altamente variables. Dada esta alta variabilidad, es difícil estimar la tasa de
accidentes esperada a largo plazo utilizando una muestra de duración relativamente corta de 1 a 3 años de datos
de accidentes. Esto es especialmente cierto para los tramos rurales de carreteras
http://www.fhwa.dot.gov/publications/research/safety/99207/01.cfm (1 de 6)23/05/2010 07:29:06 p.m.

e intersecciones donde los accidentes son eventos muy raros y muchos lugares no experimentan accidentes, o
como mucho un accidente, durante un período de varios años. Si un lugar no ha experimentado accidentes en los
últimos años, ciertamente no es correcto pensar que nunca experimentará un accidente, sin embargo, los datos
disponibles para ese sitio por sí solo proporcionan una base insuficiente para estimar su rendimiento de seguridad
esperado a largo plazo.
Los programas de mejora de carreteras basados en la seguridad a menudo se gestionan con sistemas de
vigilancia de accidentes que utilizan registros de accidentes para identificar lugares de alto accidente. Una
ubicación de alto accidente es una sección o intersección de la carretera identificada porque experimentó más de
un número de umbral especificado de accidentes durante un período reciente (normalmente de 1 a 3 años). Cada
lugar de alto accidente es investigado por el personal de ingeniería de la agencia de carreteras responsable y, en
lugares donde un patrón de accidente en particular es claramente evidente y una contramedida apropiada es
factible, un proyecto de mejora puede ser programado y construido. La toma de decisiones relativas a estos
proyectos a menudo implica un cálculo de costo-costo o rentabilidad basado en la reducción porcentual esperada
de los accidentes desde el nivel de experiencia reciente en accidentes encontrado por el programa de vigilancia
de accidentes. Sin embargo, tanto la teoría estadística como la experiencia real muestran que, debido a la
naturaleza aleatoria de los accidentes, es probable que los lugares con alta experiencia en accidentes a corto
plazo experimenten menos accidentes en el futuro, incluso si no se realiza ninguna mejora. Este fenómeno,
conocido como regresión a la media, dificulta tanto la identificación de posibles ubicaciones problemáticas a través
de la vigilancia de accidentes como la estimación de la eficacia potencial (o real) de las mejoras realizadas en
dichos lugares.
Estimaciones de modelos estadísticos
Los analistas de seguridad, durante muchos años, han aplicado técnicas estadísticas para desarrollar modelos
para predecir la experiencia de accidentes de las carreteras e intersecciones. Estos modelos se desarrollan
mediante la obtención de una base de datos de características de accidentes y carreteras (por ejemplo, volúmenes
de tráfico, características de diseño geométrico y características de control de tráfico) datos de registros de
agencias de carreteras, la selección de una forma funcional adecuada para el modelo y el uso de análisis de
regresión para estimar los valores de los coeficientes o parámetros de ese modelo. Históricamente, la mayoría de
estos modelos fueron desarrollados con análisis de regresión múltiple.
Recientemente, los investigadores han comenzado a utilizar Poisson y análisis negativos de regresión binomial
que teóricamente son más adecuados para los datos de accidentes basados en recuentos pequeños (es decir,
cero o casi cero accidentes en muchos sitios). Sin embargo, independientemente de la técnica estadística
utilizada, los modelos de predicción de accidentes nunca parecen satisfacer las expectativas de sus
desarrolladores y usuarios potenciales.
Los modelos de regresión son herramientas muy precisas para predecir la experiencia total de accidente esperada
para una ubicación o una clase de ubicaciones, pero no han demostrado ser satisfactorios para aislar los efectos
de las características geométricas o de control de tráfico individuales. Existe una fuerte tentación de interpretar
cada coeficiente en un modelo de regresión como que representa el verdadero efecto de un cambio incremental
en su característica de carretera asociada. Esta es una suposición razonable es algunos casos, pero no en otros.
Un inconveniente clave de los modelos de regresión es que se basan en correlaciones estadísticas entre las
características de la carretera y los accidentes

que no representan necesariamente relaciones causa-efecto. Además, si las variables independientes del modelo
están fuertemente correlacionadas entre sí, es difícil separar sus efectos individuales. Además, si una variable del
modelo está fuertemente correlacionada con una variable importante que no se incluye en la base de datos
disponible, el coeficiente de la variable en el modelo puede representar el efecto de la variable no disponible en
lugar de su propio efecto. Por lo tanto, el valor del coeficiente de una operación geométrica determinada puede
ser una buena estimación del efecto real de esa característica en la seguridad, o puede ser simplemente un
artefacto de, o un sustituto para, su correlación con otras variables.
Como ejemplo, considere el siguiente modelo de regresión binomial negativa desarrollado en un estudio reciente
de FHWA para predecir la experiencia del accidente en intersecciones urbanas de cuatro patas con control STOP
en la carretera menor:(1)
Y =e-5.073 (X1)0.635 (X2)0.294 exp(-0.969 X3) exp(- 0518 X4)
(X5)-0.091 exp(0.340 X6) exp(0.087 X7) exp(-
0.331 X8)
exp(-0.175 X9)
(1)
Dónde:
Y = número total de accidentes de vehículos múltiples en un
período;
X1 = tráfico diario promedio en las carreteras principales (veh/día);
X2 = tráfico diario promedio en carreteras menores (veh/día);
X3 = 1 si el giro a la izquierda está prohibido en uno o más enfoques de
carretera principal; 0 de lo contrario;
X4 = 1 si no hay control de acceso a lo largo de los principales enfoques de
la carretera; 0 de lo contrario;
X5 = ancho medio del carril en la carretera principal (ft)*;
X6 = 1 si la carretera principal tiene tres o menos carriles en ambos
direcciones de viaje combinadas; 0 de lo contrario;
X7 = 1 si la carretera principal tiene cuatro o cinco carriles a través de
ambos sentidos de viaje combinados; 0 de lo contrario;
X8 = 1 si no hay canalización para giros a la derecha libres; 0 de lo contrario;
y
X9 = 1 si la intersección no tiene iluminación; 0 de lo contrario.
* El ancho medio del carril en esta ecuación se especifica en unidades de medida convencionales (pies).
Vea la explicación en la sección titulada Unidades de medida en este informe.

Este modelo, en general, proporciona predicciones bastante fiables de la experiencia total en accidentes de las
intersecciones urbanas, de cuatro patas y controladas por STOP. Además, los coeficientes de muchos de los
términos parecen representar razonablemente los efectos esperados de sus variables asociadas. Sin embargo,
dos de las variables del modelo tienen coeficientes que van en una dirección opuesta a la que normalmente
presumen los ingenieros de seguridad para esas variables. En concreto, el coeficiente negativo del factor de
control de acceso (X4) implica que
en una intersección con aproximaciones controladas por acceso que en una intersección sin enfoques controlados
por acceso. Además, el coeficiente negativo del factor de iluminación (X9), implica que las intersecciones
iluminadas tienen más accidentes que
Intersecciones. Tales interpretaciones no son razonables. Los signos negativos para el control de acceso y las
variables de iluminación en la ecuación (1) podrían resultar simplemente de correlaciones de control de acceso e
iluminación con las variables ya contabilizadas en el modelo, como los volúmenes de tráfico, o con otras variables
importantes que no están incluidas en el modelo porque no hay datos para esas variables disponibles. También
es posible que la iluminación se haya instalado como contramedida por accidentes en lugares de alta
siniestralidad, de modo que la iluminación parezca estar asociada a lugares que tienen más accidentes. Por lo
tanto, si bien las ecuaciones de regresión pueden proporcionar modelos predictivos útiles, sus coeficientes pueden
ser indicadores poco fiables de los efectos incrementales de las características individuales de la carretera en la
seguridad.
Estimaciones de estudios previos y posteriores
Durante muchos años se han utilizado estudios previos y posteriores para evaluar la eficacia de las mejoras en
las carreteras en la reducción de accidentes. Sin embargo, la mayoría de los estudios previos y posteriores
reportados en la literatura tienen defectos de diseño tales que el diseño del estudio no puede explicar los efectos
de la regresión a la media. Por lo tanto, el usuario potencial de los resultados del estudio antes y después no
puede estar seguro de si representan la verdadera eficacia de la mejora potencial en la reducción de accidentes
o una previsión excesivamente optimista que está sesgada por la regresión a la media.
Los expertos en seguridad son generalmente de la opinión de que, si se puede superar el sesgo potencial causado
por la regresión a la media, un estudio antes y después puede proporcionar el mejor método para cuantificar los
efectos de seguridad de las características geométricas y de control del tráfico de la carretera. Hauer(2) ha
desarrollado un nuevo enfoque que remedia el problema de la regresión a la media que, en el pasado, ha hecho
que los estudios previos y posteriores proporcionen resultados poco fiables. Sin embargo, muy pocos de estos
estudios de antes y después bien diseñados se han llevado a cabo.
Estimaciones del juicio de expertos
El juicio de expertos, desarrollado a partir de muchos años de experiencia en el campo de la seguridad vial, puede
tener un papel importante en la realización de estimaciones de seguridad fiables. Los expertos pueden tener
dificultades para hacer estimaciones cuantitativas sin punto de referencia, pero los expertos suelen ser muy
buenos para hacer juicios comparativos (por ejemplo, es probable que A sea menor que B, o C es probable que
ser aproximadamente un 10 por ciento más grande que D). Por lo tanto, los expertos necesitan un marco de
referencia basado en datos históricos de accidentes, modelos estadísticos o resultados de estudio antes y
después para hacer juicios útiles.
Un nuevo enfoque

Este informe presenta un nuevo enfoque de la predicción de accidentes que combina el uso de datos históricos
de accidentes, análisis de regresión, estudios previos y posteriores, y el juicio de expertos para hacer predicciones
de seguridad que sean mejores que las que podrían hacer solo cualquiera de estos tres enfoques. El enfoque
recomendado para la predicción de accidentes tiene su base en la literatura de seguridad publicada, incluyendo
evaluaciones antes y después y modelos de regresión, es sensible a las características geométricas que son de
mayor interés para los diseñadores de carreteras, e incorpora juicios hechos por un grupo ampliamente basado
en expertos en seguridad.
Este informe muestra cómo este nuevo enfoque se puede implementar en un algoritmo de predicción de
accidentes para carreteras rurales de dos carriles. Este mismo enfoque puede adaptarse potencialmente en el
futuro a las carreteras rurales multilane, las calles arteriales urbanas y las autopistas rurales o urbanas.
La Administración Federal de Carreteras (FHWA) está desarrollando actualmente un modelo interactivo de diseño
de seguridad vial (IHSDM) para su uso por los diseñadores de carreteras para incorporar una consideración más
explícita de la seguridad en el proceso de diseño de carreteras. IHSDM consistirá en un conjunto de herramientas
informáticas que pueden funcionar interactivamente con los sistemas de diseño asistido por computadora (CAD)
utilizados por muchas agencias para diseñar mejoras en las carreteras. Los componentes del IHSDM incluirán un
módulo de predicción de bloqueo (CPM), un módulo de seguridad en carretera (RSM), un módulo de revisión de
diagnóstico de intersección (DRM), un módulo de coherencia de diseño (DCM), un módulo de revisión de directivas
(PRM), un módulo de conductor/vehículo (D/VM) y un módulo de análisis de tráfico (TAM). Se está dando prioridad
inicial en el desarrollo de IHSDM a la evaluación de las carreteras rurales de dos carriles.
El algoritmo de predicción de accidentes presentado en este informe ha sido desarrollado para su incorporación
en el IHSDM como CPM para carreteras rurales de dos carriles, pero también es adecuado para su uso como un
modelo independiente para predecir el rendimiento de seguridad de las carreteras rurales de dos carriles. Este
informe documenta cómo se desarrolló el algoritmo de predicción de accidentes y cómo funcionará dentro del
IHSDM.
Organización de este informe
El resto de este informe se organiza de la siguiente manera. La Sección 2 presenta una visión general del algoritmo
de predicción de accidentes y sus dos componentes primarios, modelos base y factores de modificación de
accidentes. En las secciones 3 y 4, respectivamente, se presenta una descripción más detallada de los modelos
base y los factores de modificación de accidentes. La sección 5 presenta los resultados de los análisis de
sensibilidad realizados con el algoritmo de predicción de accidentes, y la sección 6 explica cómo se implementará
el algoritmo de predicción de accidentes dentro de la
IHSDM. Las conclusiones y recomendaciones del informe se presentan en la sección 7 y en la sección 8 se
presenta una lista de referencias.
El Apéndice A identifica a los miembros de los grupos de expertos que desarrollaron los factores de modificación
de accidentes. El Apéndice B documenta el desarrollo de los modelos base.
El Apéndice C presenta un procedimiento de calibración que puede ser utilizado por cualquier agencia de
carreteras para adaptar el algoritmo de predicción de accidentes a sus propias condiciones locales y al rendimiento
de seguridad de sus carreteras. El Apéndice D documenta las definiciones de las clasificaciones de peligro en

carretera utilizadas en el algoritmo de predicción de accidentes para representar las características de diseño de
carretera.
Unidades de medida
El texto de este informe presenta todas las cantidades medidas en unidades SI (métricas) con cantidades
equivalentes en unidades convencionales (inglés) que siguen entre paréntesis. Sin embargo, prácticamente toda
la investigación en la que se basa el informe se llevó a cabo utilizando unidades de medida convencionales. Por
lo tanto, todas las ecuaciones del informe, como la ecuación (1) anterior, utilizan unidades convencionales. Se
incluye una tabla de conversión de métricas para la comodidad de los lectores. El software desarrollado para
implementar el algoritmo de predicción de accidentes permitirá a los usuarios proporcionar entrada y obtener
salida a su elección en si o unidades convencionales.
anterior | Tabla de contenidos | próximo
Propietario de la página: Oficina de Investigación, Desarrollo y Tecnología, Oficina de Seguridad, Contacto de
página RDT: Formulario de retroalimentación
Actualización programada: Archivo - Sin problemas técnicos de actualización: TFHRC. WebMaster@dot.gov
Palabras clave: Seguridad, Modelado de accidentes, Autopistas de dos carriles, Segmentos de carreteras,
Predicción de accidentes, Diseño geométrico, Estimación de bahías empíricas, Intersecciones en pendiente
Términos de TRT: Seguridad del tráfico — Modelos matemáticos, Accidentes de tráfico — Modelos matemáticos,
Caminos rurales — Medidas de seguridad, Dos carreteras de carril, Datos de accidentes, Seguridad vial
Esta página se modificó por última vez el 05/10/10
Inicio de la investigación | Inicio de la FHWA | retroalimentación
Departamento de Transporte de los Estados Unidos - Administración Federal de Carreteras
fechada
esperada
2. VISIÓN GENERAL DEL ALGORITMO DE PREDICCIÓN DE ACCIDENTES
Esta sección del informe presenta una visión general del algoritmo de predicción de accidentes para las carreteras
rurales de dos carriles. Se han desarrollado algoritmos de predicción de accidentes separados para segmentos
de carreteras y para tres tipos de intersecciones en pendiente. Estos algoritmos separados se pueden utilizar
juntos para predecir la experiencia total de accidente para toda una sección de carretera o proyecto de mejora.
En el desarrollo de estos algoritmos, se decidió que el algoritmo de predicción de accidentes de segmento de
carretera predeciría todos los no relacionados con la intersección accidentes para cada uno de los segmentos que
componen un proyecto de carretera. Los accidentes no relacionados con la intersección incluyen accidentes que

ocurren cerca de una intersección pero no están relacionados con las intersecciones. Por ejemplo, un accidente
de tráfico o una colisión frontal que ocurre dentro de 15 m (50 pies) de una intersección, pero considerado por el
oficial investigador como no relacionado con la intersección, se clasificaría como un accidente no relacionado con
la intersección. Los algoritmos de predicción de accidentes de intersección predicen los accidentes adicionales
relacionados con la intersección que ocurren en o detrás de la intersección y ocurren debido a la presencia de la
intersección. A efectos de modelado, sólo se consideraron accidentes ocurridos a menos de 76 m (250 pies) de
la intersección y ocurrieron debido a la presencia de la intersección accidentes relacionados con la intersección.
La frecuencia total de accidentes prevista para cualquier proyecto de carretera es la suma de la frecuencia prevista
de accidentes no relacionados con la intersección para cada uno de los segmentos de la carretera y la frecuencia
prevista de accidentes relacionados con la intersección para cada una de las intersecciones en grado que
componen el proyecto.
Los algoritmos de predicción de accidentes para segmentos de carreteras e intersecciones en pendiente se
componen cada uno de dos componentes: modelos base y factores de modificación de accidentes.
Estos componentes y la forma en que se combinan se describen a continuación.
Algoritmo de predicción de accidentes para segmentos de carreteras
El modelo base para segmentos de carreteras es el mejor modelo de regresión disponible para predecir la
frecuencia total de accidentes de un segmento de carretera en una carretera rural de dos carriles. El modelo base,
como todos los modelos de regresión, predice el valor de una variable dependiente en función de un conjunto de
variables independientes. Para el modelo de segmento de carretera, la variable dependiente es la frecuencia total
de accidente esperada en el segmento de carretera durante un período de tiempo especificado. Las variables
independientes utilizadas para predecir la frecuencia de bloqueo son descriptores de los volúmenes de tráfico,
entidades de diseño geométricas y entidades de control de tráfico del segmento de carretera. El modelo de
regresión específico que se utilizará como modelo base para los segmentos rurales de carreteras de dos carriles
se presenta en el artículo 3 de este informe.
Como se describe en la introducción a este informe, los modelos de regresión como el modelo base son útiles
para predecir la frecuencia global de accidentes, pero sus coeficientes no se pueden confiar necesariamente para
representar los efectos incrementales del diseño geométrico individual y las características de control de tráfico.
Por lo tanto, el modelo base se utilizará únicamente para estimar la frecuencia de accidente esperada para un
conjunto especificado de condiciones de base nominales, como anchos de carril de 3,6 m (12 pies) y anchos de
hombro de 1,8 m (6 pies). Esta estimación base de la frecuencia de los accidentes se ajustará con factores de
modificación de accidentes (AMF) que representan los efectos de seguridad del diseño geométrico individual y los
elementos de tráfico. La formulación general del algoritmo que predice la frecuencia de accidentes del segmento
de carretera y la combinación de los modelos base y amfs se muestra a continuación:
Nrs = Nbr (AMF1r AMF2r ··· AMFnr) (2)
Dónde:
Nrs = número previsto de accidentes totales del segmento de carreteras por año después de la aplicación de
factores de modificación de accidentes;
Nbr = número previsto de accidentes totales del segmento de carreteras por año para condiciones nominales o
de base; y

AMF1r ···
AMFnr
= factores de modificación de accidentes para segmentos de carreteras.
Las AMF son factores multiplicativos utilizados para ajustar la frecuencia de accidente base para el efecto del
diseño geométrico individual y las características de control de tráfico. Cada AMF se formula de modo que la
condición nominal o base esté representada por un AMF de 1,00. Las condiciones asociadas con una experiencia
de accidente más alta que la condición nominal o base tendrán AMFs superiores a 1.00 y las condiciones
asociadas con una experiencia de accidente menor que la condición nominal o base tendrán AMFs inferiores a
1.00. Por ejemplo, si el accidente
frecuencia predicha por el modelo base para segmentos de carretera (Nbr) se basa en 3,6 m (12-
ft) carriles, pero una sección particular de la carretera de interés tiene carriles de 3,3 m (11 pies), el AMF para el
ancho del carril podría tener un valor de 1,15. Esta AMF implica que se espera que un segmento de carretera de
dos carriles con carriles de 3,3 m (11 pies) experimente un 15 por ciento más de accidentes que un tramo de
carretera comparable con carriles de 3,6 m (12 pies).
El efecto del volumen medio de tráfico diario (ADT) en la frecuencia de accidentes predicha se incorpora a través
de los modelos base, mientras que los efectos del diseño geométrico y las características de control de tráfico se
incorporan a través de las AMF.
La formulación que se muestra en la ecuación (2) permite que el AMF para cada diseño geométrico y elemento
de control de tráfico se base únicamente en la información más fiable relativa a los efectos de seguridad de ese
elemento en particular. El mejor método para considerar los efectos de seguridad de la anchura del carril se puede
seleccionar como base para el AMF sin verse limitado por el tratamiento de la anchura del carril en el modelo base
o por la formulación de cualquier otra AMF. Por lo tanto, cada AMF en el algoritmo de predicción de accidentes
puede basarse en la mejor y más aplicable investigación disponible, según lo seleccionado e interpretado por
expertos expertos. De hecho, se formaron dos grupos de expertos, identificados en el apéndice A, para establecer
las AMFs presentadas en este informe. La sección 4 del informe presenta las AMF utilizadas para predecir los
accidentes del segmento de carreteras y documenta su desarrollo.
Algoritmo de predicción de accidentes para intersecciones en grado
La estructura del algoritmo de predicción de accidentes para intersecciones en pendiente es similar al algoritmo
para las secciones de carretera presentadas anteriormente. La frecuencia prevista de accidentes que ocurren en
o están relacionados con una intersección en pendiente se determina como:
Nint = Nbi (AMF1i AMF2i··· AMFni) (3)
Dónde:
Nint = número previsto de accidentes totales relacionados con la intersección por año después de la aplicación de
factores de modificación de accidentes;
Nbi = número previsto de accidentes totales relacionados con la intersección por año para condiciones nominales
o de base; y

AMF1i' ··· ' AMFni = factores de modificación de accidentes para intersecciones.
Se han formulado modelos base separados para intersecciones de tres patas con control STOP, intersecciones
de cuatro patas con control STOP e intersecciones señalizadas de cuatro patas. Los AMFs utilizados en el
algoritmo de predicción de accidentes para estos tres tipos de intersección también difieren, pero los algoritmos
para los tres tipos de intersección se estructuran como se muestra en la ecuación (3). Los modelos base para
intersecciones en pendiente se presentan en la sección 3 de este informe y los AMF para intersecciones en
pendiente se presentan en la sección 4.
El efecto del volumen de tráfico en la frecuencia de accidentes predicha para las intersecciones en pendiente se
incorpora a través de los modelos base, mientras que el efecto de las características geométricas y de control de
tráfico se incorporan a través de las AMF. Cada uno de los modelos base para intersecciones en pendiente
incorpora efectos separados para los ADC en las patas principales y de carretera menor, respectivamente.
Frecuencia de accidentes prevista para todo un proyecto
El algoritmo de predicción de accidentes se aplicará en IHSDM para estimar el rendimiento de seguridad de
proyectos propuestos completos o tramos de carretera extendidos. La frecuencia total de accidentes predichos
para todo un proyecto o una sección extendida de la carretera se puede determinar como:
Nt =  Nrs +  Nint (4)
todos los segmentos
todas las intersecciones
Dónde:
Nt = frecuencia de accidente predicha para todo un proyecto o una sección de carretera extendida.
Se estima la gravedad de los accidentes y las distribuciones del tipo de accidente
Además de las predicciones de frecuencia de accidentes basadas en ecuaciones (2) y (3), el algoritmo de
predicción de accidentes también proporcionará estimaciones de la gravedad del accidente y distribuciones de
tipo de accidente para segmentos de carreteras e intersecciones a grado. Las tablas 1 y 2 presentan estimaciones
predeterminadas de la gravedad del accidente y las distribuciones de tipo de accidente, respectivamente, que se
utilizan en el algoritmo de predicción de accidentes. La gravedad predeterminada del accidente y las distribuciones
de tipo de accidente en las tablas 1 y 2 se basan en datos del Sistema de Información de Seguridad vial (HSIS)
de FHWA para Illinois, Michigan, Minnesota y Carolina del Norte. Estas distribuciones predeterminadas para la
gravedad de accidentes y el tipo de accidente se pueden sustituir por datos adecuados para el sistema rural de
carreteras de dos carriles de una agencia de carreteras en particular como parte del proceso de calibración
descrito en la sección 3 y apéndice D de este informe. El uso de distribuciones aplicables a un Estado específico
o región geográfica es particularmente apropiado porque algunos porcentajes en las tablas, como el porcentaje
de accidentes relacionados con animales en los segmentos de carreteras del cuadro 2, varían claramente
geográficamente.
Fortalezas y debilidades de este enfoque

Las fortalezas de los algoritmos de predicción de accidentes formulados como se muestra en las ecuaciones (2)
y (3) son las siguientes:
● Los algoritmos de predicción de accidentes hacen estimaciones cuantitativas de la frecuencia de
los accidentes.
● Los modelos base sirven como factores de escala para asegurar que la magnitud de la frecuencia
de accidente predicha es apropiada, mientras que las AMFs aseguran que la frecuencia de
accidente predicha es sensible a las características de diseño geométrico y control de tráfico
específicas del sitio.
● El uso de AMFs que son independientes de los modelos base asegura que los efectos del diseño
geométrico individual y las operaciones de control de tráfico no dependen de coeficientes de
regresión inadecuados que son demasiado grandes, demasiado pequeños o en la dirección
incorrecta. Cada AMF ha sido desarrollado por un panel de expertos para representar la mejor
información disponible actualmente sobre los efectos de seguridad de ese diseño geométrico o
función de control de tráfico en particular.
● Las ecuaciones (2) y (3) dan al algoritmo de predicción de accidentes una estructura modular. Los
modelos base individuales o amfs se pueden reemplazar fácilmente a medida que se dispone de
una mejor información.
Tabla 1. Distribución predeterminada para el nivel de gravedad del accidente en las carreteras rurales de
dos carriles
Porcentaje de accidentes totales
Nivel de gravedad
del accidente
Segmentos
de vialidada
PARADA DE
TRES PATAS-
controlado
InterseccionesB
PARADA de
cuatro patas-
intersecciones
controladasb
Intersecciones
señalizadas de
cuatro patas
fatal 1.3 1.1 1.9 0.4
Lesión incapacitante 5.4 5.0 6.3 4.1
Lesión no
incapacitante
10.9 15.2 12.8 12.0
Posible lesión 14.5 18.5 20.7 21.2
Total de víctimas
mortales más
lesiones
32.1 39.8 41.7 37.7
Solo daños a la
propiedad
67.9 50M2 58.3 62.3
total 100.0 100.0 100.0 100.0
a Basado en datos de HSIS para Illinois (1992), Michigan (1995), Minnesota (1996) y North

Carolina (1995).
b Basado en datos de HSIS para Michigan (1995) y Minnesota (1996).
Tabla 2. Distribución predeterminada para tipo de accidente y forma de colisión en carreteras rurales de
dos carriles.
Porcentaje de accidentes totales
Tipo de
accidente
y forma de
colisión
Segmentos
de vialidada
PARADA DE
TRES PATAS-
intersecciones
controladasb
Intersecciones
controladas por
STOP de cuatro
patas
Intersecciones de
cuatro patas
ACCIDENTES DE UN SOLO VEHÍCULO
Colisión con un
animal
30.9 2.1 0.6 0.3
Colisión con
bicicleta
0.3 0.7 0.3 1.0
Colisión con
vehículo
estacionado
0.7 0.1 0.1 0.1
Colisión con
peatón 0.5 0.4 0.2 1.3
Volcado 2.3 2.1 0.6 0.4
Se salió de la
carretera
28.1 10.4 4.5 1.9
Otro accidente
de un solo
vehículo
3.6 3.9 1.4 1.6
Total de
accidentes
monomotores
66.3 19.7 7.7 6.6
ACCIDENTES CON MÚLTIPLES VEHÍCULOS
Colisión de
ángulo
3.9 29.8 51.4 28.5
Colisión frontal 1.9 2.0 1.4 1.8
Colisión de giro
a la izquierda
4.2 6.4 5.9 9.0
Colisión de giro
a la derecha
0.6 0.4 0.2 0.4

Colisión trasera 13.9 26.2 17.2 36.2
Sidewipe
colisión en
sentido
contrario
2.4 2.9 1.7 2.0
Colisión en la
misma
dirección de
Sidewipe
2.6 4.5 4.4 5.5
Otra colisión
múltiple de
vehículos
4.1 8.1 10.1 10.0
Total de
accidentes de
vehículos
múltiples
33.7 80.3 92.3 93.4
ACCIDENTES
TOTALES
100.0 100.0 100.0 100.0
basado en datos de HSIS para Illinois (1992), Michigan (1995), Minnesota (1996) y Carolina del Norte (1995).
b Basado en datos de HSIS para Michigan (1995) y Minnesota (1996).
Las debilidades potenciales de la estructura para los algoritmos de predicción de accidentes basados en
ecuaciones (2) y (3) son las siguientes:
● Se sabe que las frecuencias de accidentes varían de agencia en agencia, incluso entre carreteras
que son nominalmente similares, debido a diferencias en factores como umbrales de reporte de
accidentes, prácticas de reporte de accidentes, poblaciones de animales, población de conductores
y clima. Sin embargo, tales variaciones no se reflejan en los modelos básicos que se desarrollaron
cada uno con datos de uno o dos Estados. Por esta razón, se ha proporcionado un procedimiento
de calibración en este informe para permitir a las agencias de carreteras adaptar el algoritmo de
predicción de accidentes a sus propias condiciones de seguridad locales. Este procedimiento de
calibración implica la estimación de los factores de calibración adecuados para una agencia de
carreteras en particular que se pueden incorporar directamente en ecuaciones (2) y (3).
● El algoritmo de predicción de accidentes, tal como se formula en las ecuaciones (2) y (3), se basa
en datos para muchas ubicaciones y en el juicio de expertos, pero no aprovecha el conocimiento
del historial de accidentes real de la ubicación que se está evaluando. Los datos reales del historial
de accidentes deben estar disponibles para muchas ubicaciones existentes evaluadas con el
algoritmo de predicción de accidentes. Por esta razón, en este informe se proporciona un

procedimiento basado en el enfoque empírico de Bayas Empíricas (EB) para combinar los
resultados de
el algoritmo de predicción de accidentes con datos reales del historial de accidentes específicos del sitio.
● El uso de AMFs independientes para cada elemento de diseño geométrico y control de tráfico trata
los efectos de seguridad de estos elementos individuales como independientes e ignora las
posibles interacciones entre ellos. Es probable que tales interacciones existan e, idealmente, deben
tenerse en cuenta en el algoritmo de predicción de accidentes. Sin embargo, tales interacciones
son mal entendidas y ninguna podría ser cuantificada por los paneles expertos que participaron en
esta investigación. Es la evaluación de los paneles de expertos que las AMFs presentadas en este
informe representan el estado actual del conocimiento sobre los efectos de seguridad de los
elementos de diseño geométrico y control del tráfico y no pueden mejorarse sin más
investigaciones. Si futuras investigaciones conducen a una mejor comprensión de las interacciones
entre los efectos de seguridad de varias características geométricas, esos resultados de
investigación se pueden incorporar en el algoritmo de predicción de accidentes.
Estructura del algoritmo de predicción de accidentes
La estructura del algoritmo de predicción de accidentes, incluidos los modelos base, los factores de modificación
de accidentes, los factores de calibración y el procedimiento eb se ilustra en la figura 1. El diagrama de flujo de la
figura 1 dirige la aplicación del algoritmo de predicción de accidentes a un único segmento de carretera o
intersección en pendiente. La sección 6 del informe ilustra la aplicación del algoritmo a un proyecto formado por
numerosos segmentos e intersecciones de carreteras.
Figura 1. Diagrama de flujo del algoritmo de predicción de accidentes para un solo segmento de carretera
o intersección

fechada
Administración Federal de Carreteras > Publicaciones > investigación > seguridad > predicción del rendimiento
de seguridad previsto de las zonas rurales de dos
Autopistas de carril
3. MODELOS BASE
Esta sección del informe presenta los modelos base utilizados como parte del algoritmo de predicción de
accidentes. Los modelos base para segmentos de carreteras e intersección en pendiente se abordan por separado
en la siguiente discusión. Los modelos base fueron desarrollados en estudios separados por Vogt y Bared. (3,4,5)
El desarrollo de los modelos base y las decisiones tomadas entre modelos alternativos que se consideraron se
presentan en el apéndice B.
Modelo base para segmentos de carreteras
El modelo base para segmentos de carretera se presenta a continuación:
Nbr =EXPO exp(0.6409 + 0.1388STATE - 0.0846LW - 0.0591SW + 0.0668RHR + 0.0084DD) (WHi
exp(0.0450DEGi)) ( WVj exp (0.4652 Vj))(WGk exp(0.1048GRk))
(5)
Dónde:
Nbr = número previsto de accidentes totales por año en un segmento de carretera en particular; EXPO =
exposición en millones de millas-vehículos de viaje por año = (ADT)(365)(L)(10-6);
ADT = volumen medio de tráfico diario (veh/día) en el segmento de carretera; L = longitud del segmento de la
carretera (mi);
STATE = ubicación del segmento de carreteras (0 en Minnesota, 1 en Washington);
LW = ancho de carril (ft); ancho medio del carril si las dos direcciones de viaje difieren;
SW = ancho del hombro (ft); ancho medio del hombro si las dos direcciones de viaje difieren;
RHR = clasificación de peligro en carretera; esta medida toma valores enteros de 1 a 7 y representa el nivel medio
de peligro en el entorno de la carretera a lo largo del segmento de la carretera. (Para las definiciones de las
categorías de clasificación de peligros en carretera, véase el apéndice D; para el desarrollo de las clasificaciones
de peligros en carretera, véase Zegeer. (6));
DD = densidad de entrada (entradas por mi) en el segmento de la carretera;
Whi = factor de peso para la curva horizontal ith en el segmento de la carretera; la proporción de la longitud total
del segmento de la carretera representada por la parte de la curva horizontal ith que se encuentra dentro del
segmento. (Los pesos, WHi, deben sumar a 1.0.);
DEGi = grado de curvatura para la curva horizontal ith en el segmento de la carretera (grados por 100 pies);

WVj = factor de peso para la curva vertical de la cresta jth en el segmento de la carretera; la proporción de la
longitud total del segmento de la carretera representada por la parte de la curva vertical de la cresta jth que se
encuentra dentro del segmento. (Los pesos, WVj, deben sumar a 1.0.);
Vj = velocidad de pendiente de curva vertical de cresta para la curva vertical de cresta jth dentro del segmento de
la carretera en cambio porcentual de grado por 31 m (100 pies) = |gj2-gj1|/lj;
gjl'gj2 = grados de carretera al principio y al final de la curva vertical jth (porcentaje); lj = longitud de la curva vertical
jth (en cientos de pies);
WGk = factor de peso para el segmento kth de grado recto; la proporción de la longitud total del segmento de la
carretera representada por la parte del segmento de pendiente recta kth que se encuentra dentro del segmento.
(Los pesos, WGk, deben sumar a 1.0.); y
GRk = valor absoluto de grado para la calificación kth recta en el segmento (porcentaje).
Este modelo fue desarrollado con análisis negativos de regresión binomial para datos de 619 segmentos rurales
de carreteras de dos carriles en Minnesota y 712 segmentos de carreteras en Washington obtenidos de la FHWA
HSIS. Estos segmentos de carreteras incluyen aproximadamente 1.130 km (700 millas) de carreteras de dos
carriles en Minnesota y 850 km (530 millas) de carreteras en Washington. La base de datos disponible para el
desarrollo de modelos incluyó 5 años de datos de accidentes (1985-1989) para cada segmento de carretera en
Minnesota y 3 años de datos de accidentes (1993-1995) para cada segmento de carretera en Washington. El
modelo predice la frecuencia total de accidentes sin intersección para cualquier segmento de carretera para el
que se conozcan las variables independientes que se muestran en la ecuación (5). Las predicciones del modelo
son fiables solo dentro de los rangos de variables independientes para los que los datos estaban disponibles en
la base de datos utilizada para desarrollar el modelo (véase la tabla 30 del apéndice B).
Cuando se emplea el modelo de predicción de accidentes para predecir la experiencia de accidente esperada
para cualquier sección de carretera especificada, la ecuación (5) se utiliza de la siguiente manera:
● La variable de exposición (EXPO) en millones de millas-vehículos de viaje se calcula utilizando el ADT real
y la longitud del segmento (L) para el tramo de carretera y una duración de 1 año (365 días). Esto asegura
que la frecuencia de accidentes pronosticada por el modelo base tiene unidades de accidentes por año.
● La variable STATE en el modelo base se establece igual a cero, lo que representa las condiciones de
Minnesota. Esto se hace para la consistencia con los modelos base para intersecciones controladas por
STOP de tres y cuatro patas, las cuales se basan únicamente en datos de Minnesota. Cabe señalar que
el procedimiento de calibración descrito más adelante en este capítulo se puede utilizar para adaptar los
modelos base a las condiciones de seguridad de cualquier estado que no sea Minnesota. La calibración
sería incluso deseable aplicar el algoritmo en Minnesota a un período de tiempo distinto del período para
el que se desarrollaron los modelos base.
● Las variables restantes del modelo se establecen en las siguientes condiciones nominales o base:
Ancho del carril (LW) 3,6 m (12 pies)
Ancho del hombro (SW) 1,8 m (6 pies)
Clasificación de riesgos en carretera (RHR) 3
Densidad de entrada (DD) 3 entradas por km (5 entradas por mi)
Curvatura horizontal Ninguno
Curvatura vertical Ninguno
Nivel de grado (0 por ciento)

Con los valores predeterminados anteriores, el modelo base en la ecuación (5) se reduce a:
Nbr = (ADT) (L) (365) (10-6) exp(-0.4865) (6)
Modelos base para intersecciones en grado
Se han desarrollado modelos base para tres tipos de intersecciones en pendiente en carreteras rurales de dos
carriles. Estos son:
● Intersecciones de tres patas con control STOP en la aproximación de la carretera menor.
● Intersecciones de cuatro patas con control STOP en la aproximación de la carretera menor.
● Intersecciones señalizadas de cuatro patas.
Los modelos base para cada uno de estos tipos de intersección predicen la frecuencia total de accidentes por año
para accidentes relacionados con la intersección dentro de 76 m (250 pies) de una intersección en particular.
Estos modelos abordan intersecciones que tienen sólo dos carriles en las patas principales y de carretera menor.
Las intersecciones en carreteras multilane o intersecciones entre una carretera de dos carriles y una carretera
multilane pueden abordarse en una mejora futura del algoritmo de predicción de accidentes. Los modelos base
para cada uno de los tres tipos de intersección se presentan a continuación.
Intersecciones controladas por STOP de tres patas
El modelo base para intersecciones de tres patas con control STOP en la pata de carretera menor se presenta a
continuación:
Nbi = exp(-11.28 + 0.79En ADT1 + 0.49En ADT2 + 0.19RHRI + 0.28RT) (7)
Dónde:
ADT1 = volumen medio diario de tráfico (veh/día) en la
carretera principal;
ADT2 = volumen medio de tráfico diario (veh/día) en la
carretera menor;
RHRI = clasificación de peligro en carretera dentro de 76 m (250 pies) de la intersección en la carretera
principal [ver descripción de la variable RHR en la ecuación (5)]; y
Rt = presencia de carril de giro a la derecha en la carretera principal (0 = no hay carril de giro a la derecha
presente; 1 = carril de giro a la derecha presente).
Este modelo fue desarrollado con análisis negativos de regresión binominal a partir de datos de 382 intersecciones
controladas por STOP de tres patas en Minnesota. La base de datos disponible para el desarrollo de modelos
incluía 5 años de datos de accidentes (1985-1989) para cada intersección. El modelo predice la frecuencia total
de accidentes relacionada con la intersección para cualquier intersección controlada por STOP de tres patas para
la que se conozcan las variables independientes que se muestran en la ecuación (7). Las predicciones del modelo
son fiables solo dentro de los rangos de variables independientes para las que estaban disponibles los datos en
la base de datos utilizada para desarrollar el modelo (véase la tabla 31 del apéndice B).

Cuando se emplea el modelo de predicción de accidentes para predecir la frecuencia de accidente esperada para
cualquier intersección controlada por STOP de tres patas especificada en una carretera de dos carriles, la
ecuación (7) se utiliza de la siguiente manera:
● Las variables de volumen de tráfico (ADT1 y ADT2) se establecen iguales a los ADT reales de las patas
de carretera principales y menores. Si los ADT difieren entre las dos patas de carretera principales, deben
promediarse.
● Las variables restantes del modelo deben establecerse iguales a las siguientes condiciones nominales o
base:
Clasificación de riesgos en carretera (RHRI) 2
Presencia del carril de giro a la derecha en la carretera principal (RT)
Ninguno presente (0)
Con los valores predeterminados de given anterior, el modelo base en la ecuación (7) se reduce a:
Nbi = exp(-10.9 + 0.79En ADT1 + 0.49En ADT ) (8)
Intersecciones controladas por STOP de cuatro patas
El modelo base para intersecciones de cuatro patas con control STOP se presenta a continuación:
Nbi = exp(-9.34 + 0.60En ADT1 + 0.61En ADT2 + 0.13 ND1 - 0.0054SKEW4) (9)
Dónde:
ND1 = número de calzadas en las patas de carretera principal dentro de 76 m (250 pies) de la intersección; y
SKEW4 = ángulo de intersección (grados) expresado como la mitad del ángulo a la derecha menos la mitad del
ángulo a la izquierda para los ángulos entre la pierna de carretera principal en la dirección del aumento de las
estaciones y las patas derecha e izquierda, respectivamente.
Este modelo fue desarrollado con regresión binominal negativa a partir de datos de 324 intersecciones controladas
por STOP de cuatro patas en Minnesota. La base de datos disponible para el desarrollo de modelos incluía 5 años
de datos de accidentes (1985-1989) para cada intersección. El modelo predice la frecuencia total de accidentes
relacionada con la intersección para cualquier intersección controlada por STOP de cuatro patas para la que se
conozcan las variables independientes que se muestran en la ecuación (9). Las predicciones del modelo son
fiables solo dentro de los rangos de variables independientes para las que los datos estaban disponibles en la
base de datos utilizada para desarrollar el modelo (véase la tabla 38 del apéndice B).
cualquier intersección controlada por STOP de cuatro patas especificada en una carretera de dos carriles, la
ecuación (9) se utiliza de la siguiente manera:
2

● Las variables de volumen de tráfico (ADT1 y ADT2) se establecen iguales a los ADT reales de las patas
de carretera principales y menores, respectivamente. Si los ADT difieren entre las dos patas principales o
de carretera menor, deben promediarse.
base:
Número de entradas en un radio de 76 m (250 pies)
de la intersección en el rad principal (ND1) No hay calzadas
Ángulo de sesgo de intersección (SKEW4) 0 grados
Con los valores predeterminados de ND1 y SKEW4 anteriores, el modelo base en la ecuación (9) se reduce a:
Nbi = exp(-9.34 + 0.60En ADT1 + 0.61En ADT2) (10)
Intersecciones señalizadas de cuatro patas
El modelo base para intersecciones señalizadas de cuatro patas se presenta a continuación:
Nbi =exp(-5.46 + 0.60En ADT1 + 0.20En ADT2 - 0.40PROTLT - 0.018PCTLEFT2
+ 0.11VEICOM + 0.026PTRUCK + 0.041ND1)
(11)
Dónde:
PROTLT= presencia de la fase de señal de giro a la izquierda protegida en uno o más enfoques de carretera
principal; = 1 si está presente; = 0 si no está presente
PCTLEFT 2 = porcentaje de tráfico de carreteras menores que gira a la izquierda en la señal durante las horas de
la mañana y la noche combinadas
VEICOM = velocidad de pendiente para todas las curvas verticales (crestas y hundimientos) dentro de 76 m (250
pies) de
PTRUCK = la intersección a lo largo del porcentaje de carreteras principales y menores de camiones (vehículos
con más de cuatro ruedas) entrando en la intersección para las horas pico de la mañana y la noche combinadas
ND1 = número de calzadas dentro de 76 m (250 pies) de la intersección en la carretera principal.
Este modelo fue desarrollado con regresión binominal negativa a partir de datos de 49 intersecciones señalizadas
de cuatro patas, 18 en California y 31 en Michigan. La base de datos disponible para el desarrollo de modelos
incluía tres años de datos de accidentes (1993-1995) para cada intersección. El modelo predice la frecuencia total
de accidentes relacionada con la intersección para cualquier intersección señalizada de cuatro patas para la que
se conozcan las variables independientes que se muestran en la ecuación (11). Las predicciones del modelo son
fiables solo dentro de los rangos de variables independientes para las que los datos estaban disponibles en la
base de datos utilizada para desarrollar el modelo (véase la tabla 44 del apéndice B).

cualquier intersección de cuatro patas especificada en una carretera de dos carriles, la ecuación (11) se utiliza de
la siguiente manera:
● Las variables de volumen de tráfico (ADT1 y ADT2) se establecen iguales a los ADT reales de la
piernas de carretera mayor y menor, respectivamente. Si los ADT difieren entre las patas de carretera principales
o menores, deben promediarse.
base:
Presencia de la fase de señal de giro a la izquierda protegida (PROTLT) Porcentaje de tráfico de carretera menor
girando a la izquierda (PCTLEFT2)
Tasa de grado para curvas verticales dentro de 76 m (250 pies) de la intersección (VEICOM) Porcentaje de
camiones que entran en la intersección (PTRUCK) Número de calzadas dentro
76 m (250 pies) de la intersección en la carretera principal (ND 1)
Sin fase de giro a la izquierda
28.4 por ciento
Sin curvas verticales
9.0 por ciento 0 entradas
Con los valores nominales o base de PROTLT, PCTLEFT2, VEICOM y PTRUCK dados anteriormente, el modelo
base en la ecuación
(11) se reduce a:
Nbi = exp(-5.73 + 0.60En ADT1 + 0.20En ADT2) (12)
Procedimiento de calibración
El algoritmo de predicción de accidentes está diseñado para su uso por las agencias de carreteras en todo estados
Unidos. Se sabe que las frecuencias de accidentes, incluso para tramos o intersecciones nominalmente similares
de la carretera, varían ampliamente de agencia en agencia. Estas variaciones son de dos tipos, los que pueden
ser contabilizados directamente por el algoritmo de predicción de accidentes y los que no.
Los Estados difieren notablemente tanto en el terreno como en la historia del desarrollo de su sistema de
carreteras, lo que resulta en diferencias de estado a estado en la alineación de carreteras, secciones transversales
y diseño de intersecciones. Sin embargo, las diferencias de este tipo pueden ser contabilizadas por las AMF en el
algoritmo de predicción de accidentes.
Los Estados también difieren notablemente en clima, población animal, poblaciones de conductores, umbral de
notificación de accidentes y prácticas de notificación de accidentes. Estas variaciones pueden dar lugar a que
algunos Estados experimenten sustancialmente más accidentes de tráfico reportados en carreteras rurales de dos
carriles que otros. Tales variaciones no pueden ser contabilizadas directamente por el algoritmo de predicción de
accidentes. Por lo tanto, se ha desarrollado un procedimiento de calibración para permitir a las agencias de

carreteras ajustar el algoritmo de predicción de accidentes para adaptarse a las condiciones de seguridad
presentes en su Estado.
El procedimiento de calibración es implementado por una agencia de carreteras mediante la determinación del
valor de los factores de calibración para los segmentos de carretera y las intersecciones en pendiente de
comparación de sus propios datos a estimaciones del algoritmo de predicción de accidentes. Los factores de
calibración se incorporan en ecuaciones (13) y (14) de la siguiente manera para segmentos de carreteras e
intersecciones a grado, respectivamente:
Nrs = Nbr Cr (AMF1r AMF2r · · · AMFnr) (13)
Nint = Nbi Ci (AMF1i AMF2i · · · AMFni) (14)
Dónde:
Cr = factor de calibración para segmentos de carreteras desarrollados para su uso por una agencia de carreteras
en particular; y Ci = factor de calibración para intersecciones a grado desarrollado para su uso por una agencia
de carreteras en particular.
Los factores de calibración (Cr y Ci) tendrán valores superiores a 1,0 para las agencias de carreteras cuyas
carreteras, en promedio,
experimentar más accidentes que las carreteras utilizadas en el desarrollo del algoritmo de predicción de
accidentes. Los factores de calibración de las agencias de carreteras cuyas carreteras, en promedio, experimentan
menos accidentes que las carreteras utilizadas en el desarrollo del algoritmo de predicción de accidentes tendrán
valores inferiores a 1,0. El factor de calibración de las intersecciones en pendiente (Ci) puede tener valores
diferentes para cada uno de los tres intersecciones para los que se han
desarrollado. Los procedimientos de calibración para su aplicación por parte de las agencias de carreteras se
presentan en el apéndice C.
Por lo general, se espera que los factores de calibración (Cr y Ci) sean determinados por las agencias de
carreteras
datos estatales. En estados más grandes y diversos, una agencia de carreteras podría optar por desarrollar
factores de calibración separados para los distritos viales individuales o las regiones climáticas. También es
posible que los usuarios proporcionen un factor de calibración local para áreas más pequeñas con poblaciones
de conductores distintas o condiciones climáticas. Sin embargo, el uso del factor de calibración local requeriría un
estudio especial para determinar el rendimiento de seguridad de las carreteras en esa área local específica en
relación con los valores esperados en todo el estado o en todo el distrito.
Además de las estimaciones de la frecuencia de los accidentes, el algoritmo de predicción de accidentes incluye
distribuciones predeterminadas de gravedad de accidentes y tipo de accidente para tramos e intersecciones
rurales de carreteras de dos carriles. Estas distribuciones predeterminadas se han presentado en las tablas 1 y 2
de este informe. El procedimiento de calibración presentado en el apéndice C incluye una capacidad para las
agencias de carreteras que utilizan el algoritmo de predicción de accidentes para modificar las distribuciones
predeterminadas de gravedad de accidentes y tipo de accidente para que coincidan con su propia experiencia en
carreteras rurales de dos carriles.

67. Ejemplo de estratificación de muestras deseadas de intersecciones controladas por STOP de tres patas
basadas en Carretera ADT y distrito de carreteras.
próximo
fechada
esperada

4. FACTORES DE MODIFICACIÓN DE ACCIDENTES
Los efectos incrementales del diseño geométrico individual y los elementos de control de tráfico están
representados en el algoritmo de predicción de accidentes por amfs. En esta sección se describe el desarrollo de
los AMF y se documentan las AMF para cada diseño geométrico y el factor de control de tráfico considerado en
el algoritmo.
Desarrollo de factores de modificación de accidentes
Los AMF se utilizan en el algoritmo de predicción de accidentes para representar los efectos sobre la seguridad
del diseño geométrico específico y las entidades de control de tráfico. El AMF para el valor nominal o base de
cada operación de control de tráfico de diseño geométrico tiene un valor de 1,0. Cualquier característica asociada
con una experiencia de accidente más alta que la condición nominal o base tiene un AMF con un valor superior a
1,0; cualquier característica asociada con una experiencia de accidente más baja que la condición base tiene un
AMF con un valor inferior a 1.0. La naturaleza multiplicativa de los AMFs se ilustra en ecuaciones (13)y (14).
Los AMF fueron desarrollados por dos paneles expertos, uno para secciones de carreteras y otro de intersecciones
en pendiente. Estos grupos especiales ejercieron un criterio pericial al examinar los resultados de la investigación
notificados relativos a cada diseño geométrico y la característica de control del tráfico de interés y seleccionar una
base adecuada para una AMF. Los miembros de los dos grupos de expertos que desarrollaron los AMF se
identifican en el apéndice A.
Cada panel de expertos seleccionó un conjunto de elementos geométricos y de control de tráfico, incluidos los
elementos de intersección de carretera y en pendiente, como candidatos para el desarrollo de AMFs. Los
candidatos fueron seleccionados sobre la base de las evaluaciones iniciales del panel de esas características de
intersección y segmento de carreteras que generalmente se consideran relacionadas con la seguridad. A
continuación, se llevó a cabo una revisión crítica de la literatura de seguridad publicada e inédita relacionada con
cada diseño geométrico y elemento de control de tráfico. Cada grupo especial se reunió y utilizó las constataciones
del examen bibliográfica como base para (1) seleccionar el conjunto final de elementos geométricos y de control
de tráfico para los que podrían desarrollarse las AMF; y (2) cuantificar esos AMF. Para los segmentos de carretera,
los AMFs finales incluyeron todas las variables en los modelos base del segmento de la carretera más variables
adicionales. En el caso de las intersecciones en grado, los AMFs finales no incluyeron todas las variables de los
modelos de base de intersección porque el panel de expertos encontró que las estimaciones fiables de los efectos
de seguridad de la literatura eran
falta de algunas variables en los modelos base y otras fueron juzgadas como de relativamente menor importancia.
Para algunos elementos de diseño geométrico o control de tráfico, el panel de expertos seleccionó los resultados
de un estudio en particular que consideraban más creíbles para servir de base para la AMF. En otros casos, el
panel de expertos combinó los resultados de dos o más estudios para desarrollar una AMF. En otros casos,
cuando faltaban resultados fiables de la investigación, el Grupo Especial ejerció su criterio colectivo para estimar
los valores de una AMF adecuada; esto se hizo, por ejemplo, cuando el Grupo Especial se sintió cómodo al
establecer un límite, como un valor máximo o mínimo apropiado, para una AMF.
Los AMF se basaron en una variedad de fuentes, incluidos los resultados de evaluaciones antes y después de
accidentes, coeficientes o valores de parámetros de modelos de regresión y juicio experto. El panel de expertos

consideró que las evaluaciones antes y después bien diseñadas son la mejor fuente para los AMF. Sin embargo,
relativamente pocos estudios bien diseñados antes y después de los elementos de diseño geométrico se
encontraron en la literatura y, por lo tanto, el panel de expertos tuvo que basarse en muchos casos en otros tipos
de estudios. Los coeficientes o valores de parámetros de los modelos de regresión se consideran menos fiables,
pero se utilizaron cuando no se dispusieron de resultados de estudio antes y después y el valor del coeficiente en
cuestión fue considerado por el panel como creíble. El juicio pericial por sí solo se ejerció en casos limitados en
los que no se dispusieron de mejores resultados; incluso cuando una AMF se basaba principalmente en el criterio
de los expertos, el Grupo Especial utilizó todos los resultados pertinentes de la investigación para formular esa
sentencia. FHWA tiene muchas evaluaciones prometedoras antes y después en curso, y se espera que los AMFs
recomendados aquí se actualicen con esos resultados de análisis cuando estén disponibles.
Los grupos de expertos se enfrentaron a muchos juicios difíciles para determinar los valores apropiados de los
AMF. Se revisó una amplia gama de literatura y se evaluaron muchos estudios. Muchos de los estudios revisados
fueron similares en calidad, y la selección de un estudio sobre otro puede haber dependido tanto de la coherencia
con otros AMFs seleccionados como de los méritos relativos de los estudios. Por lo tanto, la omisión de cualquier
estudio en particular de las AMF finales no debe interpretarse necesariamente como un menosprecio de dicho
estudio en particular. Las fuentes en las que se basa cada AMF se documentan en el siguiente debate. El artículo
8 de este informe no sólo identifica las fuentes citadas en el texto, sino que también incluye una bibliografía
completa de todas las fuentes consultadas en el desarrollo de las AMFs.
Si bien las AMF individuales se basaron en el mejor juicio del Grupo Especial sobre los méritos relativos de las
constataciones de investigación disponibles, la credibilidad del modelo está respaldada por un análisis de
sensibilidad cuyos resultados se presentan en el artículo 5 del presente informe.
Las AMF incorporadas en el modelo incluyen:
● Ancho del carril.
● Ancho del hombro.
● Tipo de hombro.
● Curvas horizontales:
1. longitud;
2. radio;
3. presencia o
4. ausencia de transiciones espirales; superelevación.
● Grados.
● Densidad de entrada.
● Carriles de giro a la izquierda de dos vías.
● Carriles de paso/ tramos cortos de cuatro carriles.
● Diseño en carretera.
Intersecciones en grado
● Ángulo de sesgo.
● Control de tráfico.

● Carriles exclusivos de giro a la izquierda.
● Carriles exclusivos de giro a la derecha.
● Distancia de visión de intersección.
A continuación se presenta una explicación de cada AMF para las secciones de la carretera y para las
intersecciones en pendiente.
A continuación se presentan los AMF para el diseño geométrico y las características de control de tráfico de los
segmentos de carretera.
Ancho del carril
El valor nominal o base del ancho del carril es de 3,6 m (12 pies). Por lo tanto, a los carriles de 3,6 m (12 pies) se
les asigna un AMF de
1.00. La Figura 2 ilustra los valores recomendados del AMF para anchos de carril de 2,7 a 3,6 m (9 a 12 pies). El
AMF para cualquier ancho de carril dentro del rango de 2,7 a 3,6 m (9 a 12 pies) se interpolaría entre las líneas
mostradas en la figura 2. A los carriles de menos de 2,7 m (9 pies) de ancho se les asignaría un AMF igual al de
los carriles de 2,7 m (9 pies). A los carriles de más de 3,6 m (12 pies) de ancho se les asignaría un AMF igual al
de los carriles de 3,6 m (12 pies). Como se muestra en la figura, los AMFs para carriles de menos de 3,6 m (12
pies) de ancho serían constantes para todos los ADTs por encima de 2.000 veh/día, pero disminuirían a un valor
sustancialmente menor sobre el rango de volúmenes de tráfico entre 400 y 2.000 veh/día. A continuación, las AMF
tienen valores constantes, pero más bajos, en el rango de ADT por debajo de 400 veh/día.
Si los anchos de carril para las dos direcciones de recorrido en un segmento de carretera difieren, el AMF debe
determinarse por separado para el ancho del carril en cada dirección de recorrido y, a continuación, se deben
promediar las AMFs resultantes.
Figura 2. Factor de modificación de accidente recomendado para ancho de carril.
Los AMFs que se muestran en la figura 2 se aplican a los accidentes de un solo vehículo que se escorrentan de
la carretera y de varios vehículos de frente, en sentido contrario y a los accidentes de la misma dirección. Por lo
tanto, las AMF expresadas sobre esta base deben ajustarse a los accidentes totales dentro del algoritmo de
predicción de accidentes. Esto se puede lograr con la siguiente ecuación:
AMF = (AMFra - 1.0) Pra +1.0 (15)
Dónde:
AMF = factor de modificación de accidentes para accidentes totales;
AMFra = factor de modificación de accidentes para accidentes relacionados (es decir, accidentes de escorrentía
de un solo vehículo fuera de la carretera y de varios vehículos de frente, giro lateral de dirección opuesta y
accidentes de sidewipe en la misma dirección), como el factor de modificación del accidente para el ancho del
carril que se muestra en la figura 2;
Pra = proporción del total de accidentes constituido por accidentes relacionados.

La proporción de accidentes relacionados (Pra) se estima en 0,35 (es decir, el 35 por ciento)
distribución de los tipos de accidentes presentados en la tabla 2. Esta distribución predeterminada del tipo de
accidente, y por lo tanto el valor de Pra, puede ser cambiada por una agencia de carreteras como parte del proceso
de calibración.
Las AMFs para ancho de carril para carreteras con ADT superiores a 2.000 veh/día se basan en los resultados de
Zegeer et al.(6) Además, estos valores son razonablemente coherentes con los resultados de Zegeer et al.(7,8) y
Miaou. (9) El AMF de 1,05 para anchos de carril de 3,3 m (11 pies) en carreteras con ADTs de más de 2.000
veh/día se ha ajustado a un valor inferior al indicado por Zegeer et al.(6) sobre la base de la evaluación por el
panel de expertos de un conjunto más amplio de estudios sobre el desempeño de la seguridad de las carreteras
con carriles de 3,3 m (11 pies). Los AMFs para anchos de carril en carreteras con ADTs de menos de 400 veh/día
se basan en los resultados de Griffin y Mak. (10) Las líneas de transición de la ADT oscilan entre 400 y 2.000
veh/día se basan en una sentencia del grupo de expertos.
Ancho y tipo de hombro
El valor nominal o base del ancho y tipo del hombro es un hombro pavimentado de 1,8 m (6 pies), al que se le
asigna un valor AMF de 1,00. La Figura 3 ilustra el AMF recomendado para anchos de hombro que difieren de 1,8
m (6 pies). Otro AMF, presentado a continuación, se ajusta a las diferencias entre grava, césped o hombros
compuestos y hombros pavimentados. Los factores de modificación de la figura 3 ilustran que, para los ADT por
encima de 2.000 veh/día, el efecto de un cambio de 0,6 m (2 pies) en el ancho del hombro es equivalente al efecto
de un cambio de 0,3 m (1 pies) en el ancho del carril. Para los ADT por debajo de 400 veh/día, el efecto de un
cambio de 0,3 m (1 pies) en el ancho del hombro es equivalente al efecto de un cambio de 0,3 m (1 pies) en el
ancho del carril. Una transición lineal entre estos efectos se produce en el rango de ADTs de 400 a 2.000 veh/día.
Los AMF para anchos de hombro entre 0 y 2,4 m (0 y 8 pies) deben interpolarse entre las líneas de la figura 3.
Los hombros superiores a 2,4 m (8 pies) de ancho deben asignarse AMFs iguales a los de 2,4 m (8 pies). Los
AMF que se muestran en la figura 3 se aplican únicamente a los accidentes de un solo vehículo fuera de la
carretera y en sentido contrario.
Figura 3. Factor de modificación de accidentes para ancho de hombro.
Los AMFs para ancho de hombro en carreteras rurales de dos carriles con ADTs de más de 2.000 veh/día se
basan principalmente en los resultados de Zegeer et al.(6) que sugiere la relación 2:1 entre los efectos de los
anchos de carril y hombro. Esta constatación es razonablemente coherente con los resultados de Miaou(9,11) y
Rinde. (12) Las AMFs para carreteras con ADTs inferiores a 400 veh/día, que indican una relación de 1:1 entre
los efectos del ancho del carril y el ancho del hombro, se basan en el trabajo de Zegeer et al.(8) para carreteras
de bajo volumen. Las curvas de transición en el ADT oscilan entre 400 y 2.000 veh/día se basan en un juicio del
panel de expertos.
La condición nominal o base para el tipo de hombro es el hombro pavimentado. La Tabla 3 presenta los AMFs
recomendados para grava, césped y hombros compuestos en función del ancho del hombro. Los AMF que se
muestran en la tabla 3 se aplican a los accidentes de un solo vehículo fuera de la carretera y en sentido contrario.
Tabla 3. Factores de modificación de accidentes para tipos de hombros en carreteras de dos carriles.

Tipo de
hombro
Ancho del hombro (ft)
0 1 2 3 4 6 8 10
adoquinado 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
grava 1.00 1.00 1.01 1.01 1.01 1.02 1.02 1.03
compuesto 1.00 1.01 1.02 1.02 1.03 1.04 1.06 1.07
césped 1.00 1.01 1.03 1.04 1.05 1.08 1.11 1.14
Conversión: 1 ft = 0,305 m
Nota: Los valores de los hombros compuestos en esta tabla representan un hombro para el que el 50 por ciento
del ancho del hombro está pavimentado y el 50 por ciento del ancho del hombro es césped.
El Grupo Especial hizo una sentencia según la cual el efecto de tipo de hombro observado por Miaou (9) era
apropiado para caracterizar la diferencia entre grava y hombros pavimentados y que el efecto observado por
Zegeer et al.
(6) era apropiado caracterizar la diferencia entre el césped y los hombros pavimentados. Los hombros compuestos
representados por la tabla 3 representan un hombro para el cual el 50 por ciento del ancho del hombro está
pavimentado y el 50 por ciento del ancho del hombro es césped. Los AMFs para hombros compuestos son
promedios de los AMFs para hombros pavimentados y de césped.
La Tabla 3 asume que la condición base para el tipo de hombro es un hombro pavimentado. De hecho, la base
de datos utilizada para desarrollar el modelo base para los tramos de carretera que se muestran en la ecuación
(4) consistía en aproximadamente el 67 por ciento de los hombros pavimentados y compuestos y el 33 por ciento
de los hombros de grava. Sin embargo, la diferencia en el rendimiento de seguridad entre los hombros
pavimentados y los hombros de grava es tan pequeña que la magnitud de los AMF sólo se ve mínimamente
afectada por la proporción de arcenes de grava en la base de datos. Por lo tanto, se recomienda el uso de la tabla
3 sin modificaciones. Si, en un momento futuro, se sustituye o actualiza el modelo base para tramos de calzada,
se recomienda que cualquiera de los dos (1) modelos se base únicamente en tramos de calzada con arcenes
pavimentados; o (2) ese tipo de hombro aparece explícitamente en el modelo base.
Si los tipos de hombro y/o anchos para las dos direcciones de recorrido en un segmento de carretera difieren, la
AMF
debe determinarse por separado para el tipo de hombro y la anchura en cada dirección de recorrido y, a
continuación, se deben promediar las AMF resultantes.
Los AMF para ancho y tipo de hombro se aplican únicamente a los accidentes de giro lateral de un solo vehículo
en la carretera y de varios vehículos de frente, en sentido contrario y en accidentes laterales de la misma dirección.
Por lo tanto, las AMF expresadas sobre esta base deben ajustarse a los accidentes totales dentro del algoritmo
de predicción de accidentes. Esto se puede lograr con la siguiente ecuación que es análoga a la ecuación (15):

Dónde:
AMF = (AMFwra AMFtra - 1.0) Pra + 1.0 (16)
AMFwra = factor de modificación de accidentes para accidentes relacionados basados en el ancho del hombro
(de la figura 4); y
AMFtra = factor de modificación de accidentes para accidentes relacionados basados en el tipo de hombro (de la
tabla 3).
La proporción de accidentes relacionados (Pra) se estima en 0,35 (es decir, el 35 por ciento)
distribución de los tipos de accidentes presentados en la tabla 2. Esta distribución predeterminada del tipo de
accidente y, por lo tanto, el valor de Pra, puede ser cambiado por una agencia de carreteras como parte del
proceso de calibración.
Curvas horizontales
Longitud, radio y presencia o ausencia de transiciones espirales
La condición nominal o base para la alineación horizontal es una sección tangent de la carretera. Se ha
desarrollado una AMF para representar la forma en que la experiencia de accidentes de alineaciones curvas difiere
de la de las tangentes. Esta AMF se aplica a los accidentes totales del segmento de la carretera, no sólo a los
tipos de accidentes relacionados considerados anteriormente para las anchuras de carril y arcén.
El modelo AMF para curvas horizontales se ha determinado a partir del modelo de regresión desarrollado por
Zegeer et al.(13) El modelo Zegeer incluye los efectos en accidentes de longitud de curva horizontal, grado de
curva horizontal y presencia o ausencia de curvas de transición espiral. El modelo Zegeer también podría utilizarse
para introducir un efecto de ancho de carril en curvas horizontales que difiere del efecto de ancho de carril en
tangentes. No hay datos disponibles para representar ningún efecto diferencial de anchura del hombro entre
curvas horizontales y tangentes.
El AMF para curvatura horizontal está en forma de ecuación y, por lo tanto, podría denominarse una función de
modificación de accidentes en lugar de un factor de modificación de accidente. El AMF para longitud, radio y
presencia o ausencia de transiciones espirales en curvas horizontales es:
80.2
1.55Le + - 0.012S
AMF =
R 1.55Le
(17)
Lc = longitud de la curva horizontal (mi);
R = radio de curvatura (ft); y

06 2.1 (11) orientacion y referencias babylon

06 2.1 (11) orientacion y referencias babylon

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (16)

Similar a 06 2.1 (11) orientacion y referencias babylon

Similar a 06 2.1 (11) orientacion y referencias babylon (20)

Más de Sierra Francisco Justo

Más de Sierra Francisco Justo (20)

Último

Último (20)

06 2.1 (11) orientacion y referencias babylon