Logo de Collision

1 Introducción

En el marco del curso de Técnicas de Aprendizaje Estadístico de la Universidad Nacional de Colombia, sede Medellín, se pretende analizar la base de datos de accidentalidad vial en la ciudad de Medellín entre los años 2014 y 2020 con el objetivo de realizar predicciones a partir de este documento para los años 2020 y 2021 a partir de los datos publicados por la Alcaldía de Medellín a través de su Secretaría de Movilidad [3]. Para ello, se va a comenzar realizando una exploración de la base de datos que permita hallar inconsistencias, problemas, datos faltantes y errores, entre otros, con la base de datos, de tal manera que pueda ser organizada para poderla emplear adecuadamente en función de los objetivos de este proyecto.

2 Lectura de la base de datos

A continuación se va a mostrar cuál es la estructura de la base de datos que es descargada directamente del portal MeData

Característica Formato Observación uno
Año Carácter 2014
CBML Carácter 1105
Clase de accidente Carácter Otro
Dirección Carácter CR 66 CL 34
Dirección encasillada Carácter CR 066 B 034
Diseño Carácter Tramo de vía
Expediente Carácter A000095088
Fecha del accidente (UTC -5) Carácter 05/08/2014 07:15:00
Feche del accidente (GMT) Carácter 2014-08-05T12:15:000Z
Mes Entero 8
Número de radicado Doble 1451888
Número de la comuna Carácter 11
Barrio Carácter Los Conquistadores
Comuna Carácter Laureles Estadio
Ubicación Carácter [-75.589313202, 6.2397866157]
X Doble 832677.9
Y Doble 1181995
Total de filas 270,765
Total de columnas 18

Y como se observa, esta base de datos posee un total de 270765 observaciones, cada una con dieciocho características: año, CBML, clase de accidente, dirección, dirección encasillada, diseño, expediente, fecha de accidente, fecha de accidentes, mes, número de radicado, número de comuna, barrio, comuna, ubicación (latitud - longitud), coordenada x de la ubicación y coordenada y de la ubicación, estas últimas con origen Magna Medellín.

Con lo anterior, se procede a la verificación de cada una de las variables de esta base de datos para proceder con su respectiva corrección, incluyendo también una modificación en el tipo de variable que registra \(\color{blue}{\textsf{R}}\) para cada característica, ya que como se observa, la mayoría de ellas son almacenadas como tipo carácter (\(\texttt{chr}\)), cuando debería ser realmente de tipo factor (\(\texttt{fct}\)), fecha (\(\texttt{Date}\)) o numérico (\(\texttt{int}\) o \(\texttt{dbl}\)).

3 Revisión de las características de la base de datos

3.1 Año

Esta base de datos dice tener un registro de accidentes de la ciudad de Medellín entre los años 2014 y 2020, por lo que es de esperar que los niveles de medición de esta variable sean los años que se dan dicho periodo. Y al revisar, se obtiene que los verdaderos niveles de medición para la variable año son:

Variable Año
No. Nivel
1 2014
2 2015
3 2016
4 2017
5 2018
6 2019
7 2019\r
8 2020

Y como se observa, este es el caso, ya que todos los años entre el 2014 y el 2020, incluyéndolos a ambos, son los niveles de medición para esta base de datos; no obstante, hay un inconveniente para el año 2019, ya que además del propio nivel de medición para esa anualidad, se tiene un segundo nivel que es llamado “2019\r”, lo cual debe ser corregido para que haya uniformidad y unicidad en los años. De manera que, al corregir esto y chequear nuevamente los niveles de medición para esta variable, se obtiene:

Variable Año
No. Nivel
1 2014
2 2015
3 2016
4 2017
5 2018
6 2019
7 2020

Lo cual es correcto en tanto cada año tiene un nivel de medición asociado único. Nótese finalmente que esta variable es de corte categórico nominal, ya que a pesar de ser valores numéricos, cada año es en realidad una etiqueta y no un valor intrínseco asociado a cada accidente registrado, y es nominal porque pierde las propiedades de orden de cualquier cantidad numérica regular, es decir, no se toma a 2014 como un año menor 2015 (sino como algo más reciente en una línea temporal).

3.2 CBML

Según la documentación de la base de datos, disponible en la web de MeData, la variable CBML hace referencia al código catastral de la comuna, barrio, manzana o lote catastral en la cual se dio el incidente observado. Además, considerando los objetivos de este proyecto, la información catastral no resulta relevante, por lo cual solo se va a proceder con la reforma de la tipología de esta variable, ya que se trata de una variable categórica nominal, para dejarla como una variable de tipo factor (\(\texttt{fct}\)).

3.3 Clase de accidente

La clase de accidente es una variable categórica nominal, que incluye los siguientes niveles de medición:

Variable Clase de accidente
No. Nivel
1 “” (vacío)
2 Atropello
3 Caida de Ocupante
4 Caída de Ocupante
5 Caida Ocupante
6 Caída Ocupante
8 Choque
9 Incendio
10 Otro
11 Volcamiento

Y como se observa, hay varias categorías que hacen referencia a lo mismo, como lo son “Caida de Ocupante”, “Caída de Ocupante”, “Caida Ocupante” y “Caída Ocupante”, que como se evidencia, se refieren a la caída del ocupante, lo que merece una corrección para que exista unicidad en esta característica de la base de datos.

Dicho lo anterior, al realizar las correcciones correspondientes y al revisar nuevamente los niveles de medición para esta variable, se obtiene:

Variable Clase de accidente
No. Nivel
1 Atropello
2 Caída del ocupante
3 Choque
4 Incendio
5 Otro
6 Volcamiento

Lo que es adecuado. Además, se debe tener en cuenta que esta variable contiene 6 observaciones para las cuales no se registró la clase de accidente, por lo cual serán revisadas más adelante para proceder con su imputación o, si aplica, su remoción.

3.4 Dirección

La dirección se refiere al domicilio catastral del predio más cercano al punto en el que se dio el incidente de tránsito, de lo cual se deduce que esta es una variable categórica nominal, pero se puede pensar inicialmente que esta variable tendrá demasiados niveles diferentes, para lo cual se va a comenzar revisando la cantidad de direcciones únicas en la base de datos para evaluar si merece la pena revisar los niveles uno a uno como se acabó de hacer con la clase de accidente.

Y con ayuda de \(\color{blue}{\textsf{R}}\) se verifica que existen 39285 registros de dirección diferentes, lo cual es una cantidad elevada, por lo que se omite la evaluación de cada uno de los niveles para poder determinar la unicidad. En cambio, es adecuado chequear si existen observaciones vacías o con NAs, pero al hacer la revisión con \(\color{blue}{\textsf{R}}\), se constanta que no existen este tipo de casos.

3.5 Dirección encasillada

Realizando un procedimiento análogo al de la dirección, se obtiene que existen 35361 niveles de medición para la dirección encasillada, lo cual nuevamente resulta en un valor bastante elevado como para revisar cada uno de los niveles por separado para asegurar la unicidad. Por otro lado, se tiene que esta base de datos cuenta con 7274 valores registrados como NAs.

3.6 Diseño

La variable diseño se refiere al tipo de infraestructura vial que generó o en la cual se dio el incidente vial registrado, y sus niveles de medición se observan a continuación:

Variable Diseño
1 “”
2 Ciclo Ruta
3 Glorieta
4 Interseccion
5 Lote o Predio
6 Paso a Nivel
7 Paso Elevado
8 Paso Inferior
9 Pon\xF3n
10 Pontón
11 Puente
12 Tramo de via
13 Tunel
14 Via peatonal

Y se constata que existen errores en la codificación de este archivo, por lo que se procede a su corrección, así como a cambio de errores ortográficos en algunos niveles, con lo que se obtienen los siguientes nuevos niveles de medición:

Variable Diseño
No. Nivel
2 Ciclorruta
3 Glorieta
4 Intersección
5 Lote o predio
6 Paso a nivel
7 Paso elevado
8 Paso inferior
10 Pontón
11 Puente
12 Tramo de vía
13 Túnel
14 Vía peatonal

Que es más adecuado.

3.7 Expediente

El expediente es un número que se le asigna a la ficha de registro de cada incidente vial según su orden de llegada, y considerando esta definición, es de esperar que todos los incidentes de la base de datos tengan números de expediente diferentes, en tanto corresponden a accidentes distintos, es decir, debe haber unicidad en esta variable. Sin embargo, al revisar la base de datos se obtiene que existen 270153 expedientes únicos, lo que significa que esta variable cuenta con 612 expedientes que se encuentran repetidos. Adicional a lo anterior, vale la pena destacar que para esta variable hay 0 expedientes clasificados inicialmente como NAs y 110 observaciones con expediente vacío.

Entonces, al hacer la evaluación de esta variable con \(\color{blue}{\textsf{R}}\), se verifica que todos los expedientes tienen la característica de tener como primer carácter la letra “A”, de manera que se cambian los expedientes que no comienzan con la letra “A” como NAs. Ahora, se va a revisar qué sucede con los expedientes que tienen asociadas dos o más observaciones en la base de datos, dejando de lado a las observaciones con NAs, ya que con estas se debe realizar un procedimiento diferente.

Después, se halla que hay 898 casos en los que hay duplicación o triplicación de expedientes, de los cuales dos son triplicaciones (A000311508 y A000311508). Ahora bien, al revisar los registros duplicados, se observa que algunos de ellos tienen diferencias en alguna otra característica, como la ubicación o el barrio en el cual se dio el incidente, por lo cual se debe asumir que se trata de dos expedientes diferentes a pesar de tener el mismo serial, mientras que hay otros, que de hecho son la mayoría, que por sus demás características permiten deducir que se tratan del mismo incidente de tránsito, pero que tienen alguna característica como NA en una repetición y completa en la otra, sobre todo con el diseño de la infraestructura en la que se dio el incidente. Con esto en mente, se procede a filtrar aquellas observaciones con expediente repetido y con diseño de infraesructura desconocido para removerlas.

3.8 Fecha de accidente

Un asunto importante es la fecha y la hora en la que se dio el accidente. Sin embargo, como se vio al comienzo esta característica es asumida por \(\color{blue}{\textsf{R}}\) como carácter, lo cual debe ser modificado para que sea de tipo fecha. Además, se van a tomar cada uno de los elementos de esta: el día y la hora, para poderlos tener separados en una nueva variable.

3.9 Fecha de accidentes

Esta base de datos cuenta con dos registros para la fecha, siendo la segunda la asociada al registro en Informe Policial de Accidentes de Tránsito, IPAT, pero con algunos inconvenientes, ya que al revisarla, se observa que todas ellas cuentan con un par de letras en medio de la hora y el día y al final de toda la fecha, lo que dificulta el procesamiento de la base de datos y para la cual se va a realizar un mejoramiento para que conserve el formato adecuado.

3.10 Gravedad

La variable gravedad se refiere al saldo que deja un incidente de tránsito en términos de si esta deja heridos o muertos, por ejemplo, lo que significa que esta es una variable categórica nominal, cuyos niveles de medición son los siguientes:

Variable Diseño
No. Nivel
1 Con heridos
2 Con muertos
3 Solo da\xF1os
4 Solo daños

Y como se observa, hay inconvenientes con una de ellas, ya que tiene errores en su codificación, lo cual obliga a que sea corregida, y al hacerlo, se obtienen los siguientes nuevos niveles de medición:

Variable Diseño
No. Nivel
1 Con heridos
2 Con muertos
3 Solo daños

Lo que es correcto.

3.11 Mes

El mes hace referencia, como se puede pensar, el mes del año en el que se dio el accidente. Como se ve a continuación, los niveles de medición de esta variable están dados en números, considerando que el primer mes del año, enero, se cataloga como “01”, toda vez que el último, diciembre, se etiqueta como “12”. Ahora bien, al final se va a hacer una revisión de las fechas para separar todos los componentes del día (día, mes y año), y para evitar confusiones, se va recodificar esta variable para que tenga el nombre completo de los meses.

Variable Diseño
No. Nivel
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
10 10
11 11
12 12

Y al realizar la recodifación de esta variable, se tiene que los nueves niveles de medición son:

Variable Diseño
No. Nivel
1 Enero
2 Febrero
3 Marzo
4 Abril
5 Mayo
6 Junio
7 Julio
8 Agosto
9 Septiembre
10 Octubre
11 Noviembre
12 Diciembre

Que es lo que se deseaba.

3.12 Número de radicado

El número de radicado, parecido al expediente, corresponde a un código asociado a la ficha del informe del incidente de tránsito, por lo que nuevamente se espera que cada incidente registrado tenga un número de radicado único. Entonces, vale la pena comenzar mencionando que hay 4 observaciones que carecen de número de radicado y que hay 270305 números de radicos únicos, lo que significa que existen 21 radicados repetidos.

Entonces, al filtrar la base de datos para estudiar las duplicaciones en los números de radicados, se evidencia que no existen dos observaciones exactamente iguales, sino que difieran en la fecha y el barrio, por dar un par de ejemplos, de manera que no es necesario descartar observaciones por cuenta del número de radicado.

3.13 Número de columna

Para estudiar esta variable, que por su definición es de tipo categórica nominal, se va observar primero cuáles son sus niveles:

Variable Diseño
No. Nivel
1 01
2 02
3 03
4 04
5 05
6 06
7 07
8 08
9 09
10 1
11 10
12 11
13 11
14 12
15 13
16 14
17 15
18 16
19 2
20 3
21 4
22 5
23 50
24 6
25 60
26 7
27 70
28 8
29 80
30 9
31 90
32 AU
33 In
34 Sin Inf
35 SN
36 0

Y como se observa, existen problemas de unicidad, ya que las comunas que están etiquetadas con números del uno al nueve tienen dos versiones: una de dos dígitos (como “02”) y otra de un solo dígito (como “2”), por lo cual se procede a realizar la corrección. Adicionalmente, los registros que no hacen referencia a ninguna comuna en particular serán recodificadas como NAs. Con esto, los nuevos niveles de medición de esta variable son:

Variable Diseño
No. 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
10 10
11 11
12 12
13 13
14 14
15 15
16 16
17 50
18 60
19 70
20 80
21 90

Que es lo que se desea.

3.14 Barrio

Para los barrios, se tiene que los diferentes niveles de medición son los siguientes:

Y al inspeccionar la tabla anterior se pueden evidenciar diversos problemas: el primer de ellos es que se desconoce cuál es el tipo de codificación de la base datos, por lo que muchos de los barrios aparecen con nombres extraños en los lugares de los caracteres espaciales del castellano (como por ejemplo: á, é, ü y ñ), de manera que se debe comenzar arreglando esto de tal forma que todos los nombres disponibles sean legibles. Asimismo, se tiene que los barrios fueron introducidos en la base de datos de dos formas: una es escribiendo su nombre de pila, como sucede con los barrios Laureles, Moscú y Manila, por ejemplo, pero también de acuerdo con un código numérico de cuatro dígitos, como lo son 0712, 1015 y 1613, que corresponden a los barrios Aures No. 2, Bomboná No. 1 y Altavista, respectivamente. En ese sentido, es necesario corregir los nombres de los barrios que tengan problemas en su codificación o que han sido reportados de acuerdo con su código. Esto se puede ver mejor en la siguiente tabla, en la cual se enlistan a todos los barrios que están registrados en la base de datos de accidentes. Adicionalmente, se presentan problemas de unicidad para varios barrios que llevan a la existencia de dos niveles distintos que hacen referencia al mismo barrio. Con esto en mente, se procede a su corrección con la ayuda de la información catastral de la Alcaldía de Medellín [4], lo cual lleva a la siguiente tabla:

3.15 Comuna

La comuna describe el nombre completo de la comuna en la que se dio el incidente vial observado, por lo que se puede concluir que es una variable categórica nominal, cuyos niveles de medición son:

Variable Diseño
No. 0
1 “” (vacío)
2 0
3 Aranjuez
4 AU
5 Bel\xE9n
6 Belén
7 Buenos Aires
8 Castilla
9 Corregimiento de Altavista
10 Corregimiento de San Antonio de Prado
11 Corregimiento de San Crist\xF3bal
12 Corregimiento de San Cristóbal
13 Corregimiento de San Sebasti\xE1n de Palmitas
14 Corregimiento de San Sebastián de Palmitas
15 Corregimiento de Santa Elena
16 Doce de Octubre
17 El Poblado
18 Guayabal
19 In
20 La Am\xE9rica
21 La América
22 La Candelaria
23 Laureles Estadio
24 Manrique
25 No Georef
26 Popular
27 Robledo
28 San Javier
29 Santa Cruz
30 Sin Inf
31 SN
32 Villa Hermosa

Y como se observa, existen varios problemas de unicidad o de codificación, los cuales van a ser corregidos. Además, los accidentes de tránsito que carecen de registro asociado a la comuna serán codificados como NAs. Con esto en mente, se van a revisar nuevamente los niveles de medición:

Variable Diseño
No. 0
1 Aranjuez
2 Belén
3 Buenos Aires
4 Castilla
5 Corregimiento de Altavista
6 Corregimiento de San Antonio de Prado
7 Corregimiento de San Cristóbal
8 Corregimiento de San Sebastián de Palmitas
9 Corregimiento de Santa Elena
10 Doce de Octubre
11 El Poblado
12 Guayabal
13 La América
14 La Candelaria
15 Laureles Estadio
16 Manrique
17 No Georef
18 Popular
19 Robledo
20 San Javier
21 Santa Cruz
22 Villa Hermosa

Y como se observa, es adecuado. Ahora bien, se puede notar que en el nivel número diecisiete se tiene a “No Georef”, por lo que se debe comentar que más adelante en el trabajo de limpieza y adecuación de la base de datos se lleva a cabo un chequeo minucioso con ayuda de \(\color{blue}{\textsf{R}}\) para poder asignar la comuna adecuada a cada uno de los barrios conforme el Catastro Municipal de Medellín.

3.16 Ubicaciones geográficas

El caso de las ubicaciones geográficas es especial porque, de acuerdo con la documentación de esta base de datos, las coordenadas de longitud y latitud del accidente registrado se encuentran separadas en dos variables distintas: X y Y, sin embargo, en la base de datos que realmente se obtiene, estas dos están fusionadas en una sola, lo cual probablemente es lo que dio lugar al desfase en los nombres de las columnas, por lo cual, se procede a su separación.

Ahora bien, al hacer una revisión de la ubicación de los accidentes en un mapa con la ayuda de QGIS, que es un software especializado en sistemas de información geográfica (SIG por sus siglas en inglés) [5], se halló que hay diversas observaciones que no están situadas en la ciudad de Medellín, por lo que se procede a la remoción de dichas observaciones de la base de datos para evitar sesgos con respecto a los accidentes que efectivamente se dieron en los límites territoriales de la capital de Antioquia. A continuación se observan tres imágenes: la primera donde se ven las ubicaciones de los accidentes observados, donde los que ocurren dentro de la ciudad de Medellín están dentro del polígono de color café, mientras que los que no y son extraídos están por fuera, así como ejemplos de observaciones removidas, en la cual se observa un gran polígono café que corresponde al municipio de Medellín y uno o varios puntos que se asocian a la ubicación del incidente. A continuación se ilustran un par de ejemplos.

Incidentes de tránsito ocurridos en Medellín

Como se puede observar en la imagen anterior, hay diversos puntos que se salen de los límites territoriales de Medellín, siendo especialmente destacados los que se dan en el municipio de Heliconia, así como en la Avenida Las Palmas del municipio de Envigado que une al sur del Área Metropolitana del Valle de Aburrá con el municipio de Rionegro en el Valle de San Nicolás.

Incidente de tránsito en el municipio de Itagüí

Como se observa en esta imagen, se tiene un incidente de tránsito en el municipio de Itagüí cerca la frontera entre este municipio y Medellín, por lo que es removido.

Incidentes de tránsito en el municipio de Envigado

En esta otra imagen se observan varias ubicaciones de incidentes de tránsitos atendidos por oficiales de la Secretaría de Tránsito de Medellín pero que se dieron en el segmento envigadeño de la Vía Las Palmas que conecta al Valle de Aburrá con el Valle de San Nicolás en el oriente antioqueño. Dado que son incidentes ajenos al municipio de Medellín, se procede con su remoción.