1. INTRODUCCIÓN

Hoy en día, la seguridad vial en el país enfrenta numerosas limitaciones y desafíos; lo qué genera consecuencias lamentables cómo víctimas fatales, a causa de siniestralidades viales. Esta problemática, no sólo afecta a quiénes infringen las normas, sino también a personas que aún cumpliendo con las reglas, terminan involucradas en situaciones no deseadas y con múltiples consecuencias.

Por esta razón, el objetivo del presente informe, será analizar el comportamiento de víctimas fatales por siniestralidades viales en todo el país desde el año 2018 hasta el año 2025; de tal manera, que esto nos ayude a tomar medidas que se encuentren a nuestro alcance, y así poder generar un cambio significativo en nuestro país.

Para el siguiente análisis estadístico, se hará uso de una base de datos relaccionada con las víctimas fatales por siniestralidades viales presentados en Colombia durante el período (2018-2025); Cabe aclarar, que el año 2025 se encuentra disponible sólo hasta el mes de Agosto.

1.1. OBJETIVOS GENERALES:

  • En el contexto actual de crecimiento urbano y aumento del parque automotor, la seguridad vial se ha convertido en un tema prioritario para las ciudades colombianas. La comprensión de los factores que influyen en la ocurrencia de siniestros viales resulta fundamental para diseñar estrategias efectivas de prevención y educación. Analizar la siniestralidad vial en Colombia durante el periodo 2018-2025, servirá para identificar factores de riesgo, considerando aspectos como las prácticas de los actores viales, el cumplimiento de las normas de tránsito, el tipo de vehículos involucrados y el impacto de la educación vial, integrando tanto información estadística como elementos culturales que permitan una lectura más integral del problema, y contribuyan a la construcción de entornos urbanos más seguros y responsables.

1.2. OBJETIVOS ESPECÍFICOS:

  • Identificar las tendencias de los siniestros viales en Colombia durante el período(2018-2025).

  • Informar a la ciudadanía y autoridades sobre patrones críticos de siniestralidad vial.

  • Brindar información para la educación vial que fortalezcan la seguridad en la movilidad urbana.

2. ANÁLISIS

Antes de ver los análisis realizados, se mostrarán las librerías que fueron usadas; asimismo, la importación de la base de datos, de un archivo usado para la creación de un mapa interactivo, y las columnas o variables presentadas dentro de la base de datos.

Librerías:
library(tidyverse)
library(scales)
library(readxl)
library(dplyr)
library(ggrepel)
library(htmltools)#Evita que las etiquetas en los gráficos se sobrepongan.
library(stringr)# Cambiar fuente global y color de texto en ggplot
library(leaflet)
library(ggplot2)
library(sf)
library(reticulate)
Base de datos y archivo para la creación del mapa:
fall_nac <- read_excel("C:/Users/CORE I5/Downloads/Copia de Siniestralidad_2018_2025p(1) (1).xlsx", 
    sheet = "Hoja1")

Dep_colombia=st_read("C:\\Users\\CORE I5\\Downloads\\MGN_ADM_DPTO_POLITICO.shp")
## Reading layer `MGN_ADM_DPTO_POLITICO' from data source 
##   `C:\Users\CORE I5\Downloads\MGN_ADM_DPTO_POLITICO.shp' using driver `ESRI Shapefile'
## Simple feature collection with 33 features and 8 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -81.73562 ymin: -4.229406 xmax: -66.84722 ymax: 13.39473
## Geodetic CRS:  MAGNA-SIRGAS
Variables trabajadas:
colnames(fall_nac)
##  [1] "CodigoDepartamentoHecho" "CodigoMunicipioHecho"   
##  [3] "Departamento"            "Municipio"              
##  [5] "EstadoVictima"           "AnoHecho"               
##  [7] "Mes"                     "MesOCurrencia"          
##  [9] "Dia"                     "DiaOcurrencia"          
## [11] "TipoVehiculo"            "TipoVehiculoGrupo"      
## [13] "TipoServicio"            "conteo"                 
## [15] "CondicionVictima"        "UsuarioVia"             
## [17] "Zona"                    "ObjetoColision"         
## [19] "Rango3horas"             "Rango6horas"            
## [21] "Sexo"                    "RangoEdad"              
## [23] "ClaseAccidente"          "Hipotesis"              
## [25] "DireccionHecho"


2.1. VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)

Como se puede apreciar en la gráfica de mapas segmentadas por departamento en Colombia, los departamentos del interior del país, especialmente el departamento de Antioquia es el que más siniestros con víctimas fatales presenta con 7469 acumulados en total, diferencia del departamento de Vaupés con 19 siniestros acumulados totales. Las causas deben al tamaño de la economía de los departamentos, ya que en el interior del país están las ciudades con las economías más grande del país, una elevada concentración de la población, y también mayor cantidad de flujo de vehículos, mientras que departamentos como Vaupés, su economía es agrícola, pesquera y minería, su densidad de población es 47961, lo que significa que Medellín-4.172.810 segun proyecciones del Dane para el 25- supera 85 veces la población del Vaupés-del año 2024-.

df_modificado=fall_nac%>%
  rename(dpto_ccdgo=CodigoDepartamentoHecho)

df_modificado=df_modificado %>%
  group_by(dpto_ccdgo)%>%
  summarise(total_fall=n(),.groups = "drop")
#---------------------
maps_co <- Dep_colombia %>%
  left_join(df_modificado, by = "dpto_ccdgo")
#---------------------
paleta <- colorBin(
  palette = "Reds",
  domain = maps_co$total_fall, # Reemplaza 'Poblacion' con tu columna de valores
  bins=5,
  na.color = "transparent"
)
maps_co$etiquetas <- paste0(
  "<b>Departamento: </b>", maps_co$dpto_cnmbr, # Columna con el nombre del departamento
  "<br><b>Valor: </b>", format(maps_co$total_fall, big.mark = ",", scientific = FALSE)
)
leaflet(maps_co)%>%
  addTiles()%>%
  addPolygons(
    fillColor = ~paleta(total_fall),
    weight = 1.5,                   
    opacity = 1,                    
    color = "white",                
    dashArray = "3",
    fillOpacity = 0.8,
    highlightOptions = highlightOptions(
      weight = 3,
      color = "#666",
      dashArray = "",
      fillOpacity = 0.9,
      bringToFront = TRUE),

    label = ~lapply(etiquetas, HTML),
    popup = ~lapply(etiquetas, HTML) 
  ) %>%
  
  addLegend(
    pal = paleta,
    values = ~total_fall,
    opacity = 0.7,
    title = "ACUMULADO DE VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL EN COLOMBIA(2018-2024)",
    position = "bottomleft"
  )


2.2. VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL DURANTE EL PERÍODO (2018-2025)

El siguiente gráfico de líneas acerca el acumulado de víctimas fatales a lo largo de los años, presenta una mayor cantidad de fallecidos en el año 2023 con un total de 8.546, presentándose para el año siguiente una disminución sólo del 1,3% con un total de 8.433 fallecidos y finalmente presentándose para el año 2025 hasta el mes de agosto, un total de 5.472.

En contraste, el año que presenta una mayor disminución en el número de fallecidos, es el año 2020 con un total de 5.641 fallecidos, posiblemente porque este año, corresponde al periodo de aislamiento por la pandemia Covid-19.

fall_1 <- fall_nac %>%
  group_by(AnoHecho) %>%
  summarise(Can_fall = n())
titulo_fallc_1 <- str_wrap("ACUMULADO DE VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL (2018-2025)", width = 45)
  
  ggplot(fall_1,aes( x =AnoHecho, y = Can_fall))+#inicia el gráfico indicando los ejes
  geom_line(aes(group = 1), color="#C22821", size=4)+#Dibuja línea para conectar puntos
    geom_label(aes(label=label_comma(big.mark = ".",decimal.mark = ",")(Can_fall)),#etiquetas de texto sobre cada punto
               vjust=-0.5,#se ajusta el texto verticalmente
               hjust=0.5,#se ajusta el texto horizontalmente
               size=10,#tamaño de texto
               fill= "#48B358",#fondo de las etiquetas
               color ="black")+ #color del texto
    geom_point(size=8, color="#5C6670")+#puntos en cada valor
     scale_x_continuous(breaks=unique(fall_1$AnoHecho),
                     labels=unique(fall_1$AnoHecho))+#muestra los años como texto
    labs(title=titulo_fallc_1, #nombre del titulo de gráfico y ejes.
         x=NULL,
         y = NULL)+
  scale_y_continuous(limits = c(4000,10000),
                     breaks = seq(4000,10000, by = 2000),
                     labels=label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
     theme_minimal()+#un fondo más limpio para el gráfico.
   
    theme(
      plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
      panel.grid.major = element_blank(),#elimina líneas de cuadrícula
      panel.grid.minor = element_blank(),
      axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
      axis.text.x = element_text(size=25,  color = "black"),#ajusta el texto del eje
      axis.text.y = element_text(size=25, color = "black"),
      panel.border = element_blank()#quita el borde del panel
    )


2.3. VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL EN CADA MES A NIVEL NACIONAL (2018-2025)

En el siguiente gráfico de líneas correspondiente al acumulado de víctimas fatales por siniestralidad vial durante los meses de los años(2018-2025), se presenta una mayor ocurrencia de esta siniestralidad en el mes de diciembre, con un total acumulado de 5.452; posiblemente porque en este mes se presentan muchas festividades como la Navidad, que provocan un mayor flujo vehicular.

En contraste, el mes que presenta una menor ocurrencia de esta siniestralidad vial, es el mes de noviembre con un total acumulado de 4.288. Una de las posibles razones podría ser la segunda temporada de lluvia, que normalmente se presenta desde septiembre hasta noviembre; asimismo, en estos meses se presenta un acumulado más bajo con respecto al mes de agosto con un total de 4.818, y para los meses de septiembre y octubre un total acumulado de 4.558 y 4.664 respectivamente.

meses <- c("Enero","Febrero", "Marzo", "Abril", "Mayo", "Junio","Julio", "Agosto","Septiembre","Octubre", "Noviembre", "Diciembre")

fall_2 <- fall_nac %>%
  group_by(MesOCurrencia) %>%
  summarise(cant_2 = n(), .groups = "drop")%>%
  mutate(MesOCurrencia = factor(MesOCurrencia, levels = meses))

titulo_fallc_2 <- str_wrap("ACUMULADO DE VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL EN CADA MES A NIVEL NACIONAL (2018-2025)", width = 45)

 ggplot(fall_2,aes( x =MesOCurrencia, y = cant_2))+#inicia el gráfico indicando los ejes
  geom_line(aes(group = 1), color="#C22821", size=4)+#Dibuja línea para conectar puntos
    geom_label(aes(label=label_comma(big.mark = ".",decimal.mark = ",")(cant_2)),#etiquetas de texto sobre cada punto
               vjust=-0.5,#se ajusta el texto verticalmente
               hjust=0.5,#se ajusta el texto horizontalmente
               size=10,#tamaño de texto
               fill= "#48B358",#fondo de las etiquetas
               color ="black")+ #color del texto
    geom_point(size=8, color="#5C6670")+#puntos en cada valor
    labs(title=titulo_fallc_2, #nombre del titulo de gráfico y ejes.
         x=NULL,
         y = NULL)+
  scale_y_continuous(limits = c(4000,6000),
                     breaks = seq(4000,6000, by = 1000),
                     labels=label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
     theme_minimal()+#un fondo más limpio para el gráfico.
   
    theme(
      plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
      panel.grid.major = element_blank(),#elimina líneas de cuadrícula
      panel.grid.minor = element_blank(),
      axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
      axis.text.x = element_text(size=27,  color = "black", angle = 45, vjust = 0.5),#ajusta el texto del eje
      axis.text.y = element_text(size=25, color = "black"),
      panel.border = element_blank()#quita el borde del panel
    )


2.4. PROMEDIO DE VICTIMAS FATALES POR SINIESTRALIDAD VIAL EN LOS DÍAS DE LA SEMANA A NIVEL NACIONAL(2018-2025)

A partir del siguiente gráfico de columnas, que presenta el promedio de víctimas fatales por siniestralidad vial en los días de la semana, se puede inferir que el día que siempre presenta una mayor ocurrencia de siniestralidad vial es el domingo con un promedio de 1.680 fallecidos; posiblemente porque este es un día festivo para muchos, por lo que acostumbran a salir de la rutina, ya sea visitando lugares, ir a restaurantes, e incluso ir a discotecas; caso que se presenta igualmente los sábados, por lo que ocupa un segundo lugar de esta ocurrencia con un promedio de 1.289 fallecidos. En contraste, el día que presenta un menor promedio de víctimas fatales por siniestralidad vial, es el miércoles con 751 fallecidos en promedio.

dias_semana <- c("Lunes","Martes","Miércoles","Jueves","Viernes","Sábado", "Domingo")
  
fall_3 <- fall_nac %>%
  group_by(AnoHecho,DiaOcurrencia)%>%
  summarise(cant_3 = n(), .groups = "drop")%>%
  group_by(DiaOcurrencia)%>%
  summarise(cant_me = round(mean(cant_3),0))%>%
  mutate(DiaOcurrencia = factor(DiaOcurrencia, levels = dias_semana))

tit_fallc_3 <- str_wrap("PROMEDIO DE VÍCTIMAS FATALES POR SINIESTRALIDAD VIAL EN LOS DÍAS DE LA SEMANA A NIVEL NACIONAL(2018-2025)", width =45)

ggplot(fall_3, aes(x = DiaOcurrencia, y = cant_me))+
  geom_col(fill = "#C22821" )+
  geom_label(aes(label = label_comma(big.mark = ".", decimal.mark = ",") (cant_me)),
                  hjust = 0.5,
                  vjust = -0.5, 
                  size = 10,
                  fill= "#48B358",
                  color = "black")+
  labs(title = tit_fallc_3,
       x = NULL,
       y = NULL
    
  )+
  scale_y_continuous(limits = c(0,2000),
                     breaks = seq(0,2000, by = 400),
                     labels = label_comma(big.mark = ".", decimal.mark = ","))+
  theme_minimal()+
  theme(
    panel.grid.major = element_blank(),
    panel.grid.minor = element_blank(),
    axis.text.x = element_text(size = 27, color = "black"),
    axis.text.y = element_text(size = 25, color = "black"),
    plot.title = element_text(size = 35, hjust = 0.5),
    axis.line = element_line(color = "black")
  )


2.5. RANGO DE EDAD DE VICTIMAS FATALES MÁS AFECTADAS POR SINIESTRALIDAD VIAL Y SU CONDICIÓN A NIVEL NACIONAL(2018-2025)

En el siguiente gráfico , se presentan los 10 rangos de edades con más números de víctimas fatales por siniestralidad vial; asimismo, se muestra que condición presentaba la victima en el momento del siniestro vial, es decir, si iba de conductor, de pasajero o de peatón. (Primero se apreciará una tabla con los 10 rangos de edades y su acumulado)

Con los datos presentados, se evidencia que las edades con una mayor cantidad de victimas fatales por accidentes de tránsito, son las que se encuentran en el rango [20,25), posiblemente por ser quienes frecuentan las vías, ya sea por cuestiones de trabajo o por estudios. En contraste, dentro de este grupo, las edades que presentan una menor cantidad de victimas fatales, se encuentran dentro del rango [60,65) con total acumulado de 3.153, posiblemente presentando una menor ocurrencia por corresponder a los de la tercera edad. Por lo tanto, no frecuentarían mucho las vías; Sin embargo, no deja de ser una cifra alta.

pal_col <- c("#C22821","#F7DC00","#48B358","#AAD4E8","#5C6670")

fall_4 <- fall_nac %>%
  group_by( RangoEdad)%>%
  summarise(Cant_fall_4 = n(), .groups = "drop")%>%
  arrange(desc(Cant_fall_4))%>%
  top_n(10)%>%
  inner_join(fall_nac, by = "RangoEdad")%>%
  group_by(RangoEdad, CondicionVictima)%>%
  summarise(Cant_fall_4 = n(), .groups = "drop")

tab_1 <- fall_nac %>%
  group_by(RangoEdad)%>%
  summarise(Total = n(), .groups = "drop")%>%
  arrange(desc(Total))%>%
  top_n(10)%>%
  mutate(Total = label_comma(big.mark = ".", decimal.mark = ",")(Total))

knitr::kable(tab_1, col.names = c("Rango de edad","Total victimas fatales"), align ="cc")
Rango de edad Total victimas fatales
[20,25) 7.932
[25,30) 7.118
[30,35) 5.753
[35,40) 4.701
[15,20) 4.507
[40,45) 4.122
[50,55) 3.355
[45,50) 3.342
[55,60) 3.206
[60,65) 3.153 
fall_4$RangoEdad <- factor(fall_4$RangoEdad,
                           levels = rev(unique(fall_4$RangoEdad)))


titulo_fallc_4 <- str_wrap("RANGO DE EDAD DE VICTIMAS FATALES MÁS AFECTADAS POR SINIESTRALIDAD VIAL Y SU CONDICIÓN A NIVEL NACIONAL(2018-2025)", width = 45)

ggplot(fall_4, aes(x = RangoEdad, y=Cant_fall_4 ,  fill= CondicionVictima))+
  geom_col(position = "dodge")+
  coord_flip() +
  geom_text(aes(label = label_comma(decimal.mark = ",", big.mark = ".")(Cant_fall_4)),
             position = position_dodge(width= 0.9),
            hjust = -0.3,
            vjust = 0.5,
            size = 9)+
  scale_fill_manual(values = pal_col)+
  labs(title=titulo_fallc_4, #nombre del titulo de gráfico y ejes.
         x=NULL,
         y = NULL,
       fill = "CONDICIÓN DE LA VÍCTIMA")+
  scale_y_continuous(limits = c(0,7000),
                     breaks = seq(0,7000, by = 1000),
                     labels=label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
     theme_minimal()+#un fondo más limpio para el gráfico.
   
    theme(
      plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
      panel.grid.major = element_blank(),#elimina líneas de cuadrícula
      panel.grid.minor = element_blank(),
      axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
      axis.text.x = element_text(size=27,  color = "black", angle = 45, vjust = 0.5),#ajusta el texto del eje
      axis.text.y = element_text(size=25, color = "black"),
      panel.border = element_blank(),#quita el borde del panel
      legend.text = element_text(size = 22),
      legend.title = element_text(size= 25)
    )+
  guides(fill = guide_legend(override.aes = list(size = 15)))


2.6. TIPO DE VEHÍCULO POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)

El siguiente gráfico de barras muestra cuáles son los vehículos que se presentan con mayor frecuencia en los siniestros viales. Sin embargo, hay qué tener en cuenta que, en 13.702 casos, no se registró el tipo de vehículo.

Dentro de este grupo, se encuentra la motocicleta con un mayor total de victimas fatales por siniestralidad vial, presentando un total de 33.389 fallecidos; seguidamente la bicicleta con un total de 3.383; el automóvil con un total de 2.599; la camioneta-campero con un total de 1.805; el bus con un total de 883; el camión con un total de 777; el tracto-camión con un total de 523; el motocarro con un total de 207; y finalmente, la volqueta con un total de 156 victimas fatales por este tipo de vehículo.

Este comportamiento con más ocurrencia en las motocicletas, podría explicarse por la mayor circulación de este tipo de vehículo, debido a su mayor accesibilidad económica; el permitir transportarse más rápido y el uso como herramienta de trabajo, entre otras.

pal_col_2<- c("#C22821","#F7DC00","#48B358","#AAD4E8","#5C6670",
              "#D94A2B",  "#F9E65C",  "#6AC46E",  "#8FCBE2",  "#747C85"  )

fall_5 <- fall_nac %>%
  group_by(TipoVehiculo)%>%
  summarise(Cant_5 = n(), .groups = "drop")%>%
  arrange(desc(Cant_5))%>%
  top_n(10)%>%
  mutate(TipoVehiculo = fct_reorder(TipoVehiculo, Cant_5),)

titulo_fallc_5 <- str_wrap("TIPO DE VEHÍCULO POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)", width = 45)

ggplot(fall_5, aes(x = TipoVehiculo, y = Cant_5, fill= TipoVehiculo))+
  geom_col()+
  coord_flip()+
   geom_text(aes(label = label_comma(decimal.mark = ",", big.mark = ".")(Cant_5)),
            hjust = -0.3,
            vjust = 0.5,
            size = 9)+
  scale_fill_manual(values = pal_col_2)+
  labs(title=titulo_fallc_5, #nombre del titulo de gráfico y ejes.
         x=NULL,
         y = NULL)+
  scale_y_continuous(limits = c(0,35000),
                     breaks = seq(0,35000, by = 5000),
                     labels=label_comma(big.mark = ".", decimal.mark =                       ","))+ #ajusta el eje y
  theme_minimal()+#un fondo más limpio para el gráfico.
   theme(
      plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
      panel.grid.major = element_blank(),#elimina líneas de cuadrícula
      panel.grid.minor = element_blank(),
      axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
      axis.text.x = element_text(size=27,  color = "black", angle = 45, vjust = 0.5),#ajusta el texto del eje
      axis.text.y = element_text(size=25, color = "black"),
      panel.border = element_blank(),#quita el borde del panel
      legend.text = element_text(size = 22),
      legend.title = element_text(size= 25),
      legend.position = "none"
    )+
  guides(fill = guide_legend(override.aes = list(size = 15)))


2.7. CLASE DE ACCIDENTES DE VICTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)

El siguiente gráfico de columnas muestra los tipos de accidentes con mayor número de victimas fatales. En esta información, también se encuentran datos no registrados, con un total de 2.042 casos.

Dentro de este grupo de los tipos de accidente, se muestra que el choque es aquel que ocurre con mayor frecuencia, presentándose un total de 34.272 casos, posiblemente por exceso de velocidad; el factor ocurrido frecuentemente, tal y cómo se presentó en el gráfico anterior. Seguidamente, encontramos los accidentes por atropello con un total de 13.112 casos presentados; encontramos accidentes por volcamiento en el tercer lugar con un total de 5.513 casos; accidentes por caída del ocupante en el cuarto lugar con un total de 1.468; accidentes por caída de vehículo en el sexto con un total de 1.206 casos; y finalmente accidentes por explosión, hundimiento, e incendio con un total de 12, 21 y 24 respectivamente; siendo estos últimos los que presentan una menor cantidad de casos.

fall_6 <- fall_nac %>%
  group_by(ClaseAccidente)%>%
  summarise(Cant_fall_6 = n(), .groups = "drop")%>%
  arrange(desc(Cant_fall_6))%>%
  top_n(10)%>%
  mutate(ClaseAccidente = str_wrap(ClaseAccidente, width =12))
  

titulo_fallc_6 <- str_wrap("CLASE DE ACCIDENTES DE VICTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)", width = 45)

ggplot(fall_6, aes(x =ClaseAccidente, y=Cant_fall_6))+
  geom_col(fill ="#C22821" ) +
  geom_label(aes(label = label_comma(decimal.mark = ",", big.mark = ".")(Cant_fall_6)),
            hjust = 0.5,
            vjust = -0.5,
            size = 9,
            fill = "#48B358",
            color = "black")+
  labs(title=titulo_fallc_6, #nombre del titulo de gráfico y ejes.
         x=NULL,
         y = NULL,
       fill = "CLASE ACCIDENTE")+
  scale_y_continuous(limits = c(0,35500),
                     breaks = seq(0,35500, by = 4000),
                     labels=label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
     theme_minimal()+#un fondo más limpio para el gráfico.
   
    theme(
      plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
      panel.grid.major = element_blank(),#elimina líneas de cuadrícula
      panel.grid.minor = element_blank(),
      axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
      axis.text.x = element_text(size=27,  color = "black", vjust = 0.5),#ajusta el texto del eje
      axis.text.y = element_text(size=25, color = "black"),
      panel.border = element_blank(),#quita el borde del panel
      legend.text = element_text(size = 22),
      legend.title = element_text(size= 25)
    )


2.8. HIPÓTESIS DE VICTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)

Para el siguiente gráfico de columnas acerca de las razones por las cuáles ocurrió el siniestro vial, se presentan las más frecuentes, en dónde se presencian 38.825 casos no registrados; y asimismo, 2.631 casos con la descripción “Otra”.

Dentro de este grupo, encontramos que las razones que ocurren con más frecuencia en esta siniestralidad vial, es el exceso de velocidad con un total de 6.513; seguido de la desobediencia de las señales de tránsito con un total de 5.999; la embriaguez con un total de 1.096; posibles fallas mecánicas con un total de 691; malas condiciones de la vía con un total de 528 casos, contravía con 252 casos; cruzar sin observar con 220 casos; y finalmente malas condiciones climáticas con un total de 148 casos presentados.

El presentarse el exceso de velocidad como una de las razones más frecuentes de esta siniestralidad vial, podría explicarse debido a que la gente suele impacientarse mucho, no ven el exceso de velocidad como algo peligroso, y hay poco control en las vías; son algunos de los factores por los cuáles los conductores optan al exceso de velocidad en muchas ocasiones, sin percatarse y concientizarse de las consecuencias fatales que podrían acarrear estas imprudencias.

fall_7 <- fall_nac %>%
  group_by(Hipotesis)%>%
  summarise(Cant_fall_7 = n(), .groups = "drop")%>%
  arrange(desc(Cant_fall_7))%>%
  top_n(10)%>%
  mutate(Hipotesis = str_wrap(Hipotesis, width =16))
  

titulo_fallc_7 <- str_wrap("HIPÓTESIS DE VICTIMAS FATALES POR SINIESTRALIDAD VIAL A NIVEL NACIONAL(2018-2025)", width = 45)

ggplot(fall_7, aes(x =Hipotesis , y=Cant_fall_7))+
  geom_col(fill ="#C22821" ) +
  geom_label(aes(label = label_comma(decimal.mark = ",", big.mark = ".")(Cant_fall_7)),
            hjust = 0.5,
            vjust = -0.5,
            size = 9,
            fill = "#48B358",
            color = "black")+
  labs(title=titulo_fallc_7, #nombre del titulo de gráfico y ejes.
         x=NULL,
         y = NULL,
       fill = "CLASE ACCIDENTE")+
  scale_y_continuous(limits = c(0,40000),
                     breaks = seq(0,40000, by = 5000),
                     labels=label_comma(big.mark = ".", decimal.mark = ","))+ #ajusta el eje y
     theme_minimal()+#un fondo más limpio para el gráfico.
   
    theme(
      plot.title = element_text(size = 35, hjust=0.5),#ajusta el título
      panel.grid.major = element_blank(),#elimina líneas de cuadrícula
      panel.grid.minor = element_blank(),
      axis.line= element_line(color = "black"),#agrega línea negra en los ejes.
      axis.text.x = element_text(size=27,  color = "black", vjust = 0.5, angle= 45),#ajusta el texto del eje
      axis.text.y = element_text(size=25, color = "black"),
      panel.border = element_blank(),#quita el borde del panel
      legend.text = element_text(size = 22),
      legend.title = element_text(size= 25)
    )

3. CONCLUSIÓN

El análisis de la siniestralidad vial en Colombia durante el periodo 2018–2025 evidencia una problemática persistente en la seguridad vial del país. A pesar de los esfuerzos institucionales por reducir los índices de mortalidad, los resultados muestran que las cifras de víctimas fatales continúan siendo elevadas, alcanzando su punto máximo en 2023 con 8.546 fallecidos y una ligera disminución en 2024 con 8.433. Este comportamiento demuestra que las medidas implementadas han tenido un impacto limitado en la reducción sostenida de los siniestros.

El comportamiento atípico del año 2020 refleja la influencia de factores externos, como las restricciones de movilidad derivadas de la pandemia de COVID-19, lo que reafirma la relación directa entre el volumen de tránsito y la ocurrencia de accidentes. Asimismo, el análisis espacial muestra que los departamentos con mayor densidad poblacional y actividad vehicular, como Antioquia, concentran la mayor cantidad de víctimas, mientras que regiones con menor flujo, como Vaupés, registran las cifras más bajas.

En cuanto a la distribución temporal, diciembre se posiciona como el mes con mayor número de fallecidos, asociado posiblemente al incremento de desplazamientos por celebraciones y viajes, mientras que noviembre presenta la menor incidencia. Los domingos son los días con más víctimas fatales, lo que sugiere un aumento del riesgo vinculado al ocio, las actividades sociales y el consumo de alcohol.

Desde una perspectiva demográfica, se identificó que el grupo de edad entre 20 y 30 años presenta la mayor proporción de víctimas, particularmente en condición de conductores, lo que resalta la necesidad de fortalecer la educación vial y las estrategias de prevención dirigidas a este segmento. En contraposición, las personas mayores registran menor participación, aunque siguen siendo un grupo vulnerable.

En cuanto al tipo de vehículo, la motocicleta representa el medio de transporte con mayor número de víctimas fatales, superando los 33.000 casos, lo cual pone de manifiesto la exposición al riesgo que enfrentan los motociclistas y la urgencia de implementar políticas específicas de control y protección. De igual manera, el choque constituye la clase de accidente más frecuente, seguido del atropello, ambos fuertemente asociados al exceso de velocidad, la desobediencia a las señales de tránsito y la conducción en estado de embriaguez.

En conclusión, los resultados obtenidos permiten afirmar que la siniestralidad vial en Colombia no responde únicamente al crecimiento del parque automotor, sino a factores estructurales relacionados con el comportamiento de los actores viales, la falta de infraestructura segura y la débil cultura ciudadana. Es indispensable fortalecer las políticas públicas, los programas de educación y control vial, y promover una conciencia colectiva orientada a la prevención y la responsabilidad compartida, con el fin de reducir de manera efectiva las muertes por accidentes de tránsito en el país.


4. BIBLIOGRAFÍA

Instituto Nacional de Medicina Legal y Ciencias Forenses. (s. f.). https://www.medicinalegal.gov.co

Gobernación de Antioquia. (s. f.). Corregimientos de Medellín. Recuperado de https://corregimientos.antioquia.gov.co/medellin-2/

Departamento Administrativo Nacional de Estadística (DANE). (2019, julio 9). Presentación Censo Nacional de Población y Vivienda – Medellín. Recuperado de https://www.dane.gov.co/files/censo2018/informacion-tecnica/presentaciones-territorio/190709-CNPV-presentacion-medellin.pdf