"Anatomía de la severidad vial: Segmentación de accidentes viales y análisis de su gravedad a partir de variables temporales, contextuales y personales" - Crespo Ayuso, Jimena”

Abstract

La siniestralidad vial constituye un problema de gran relevancia social y sanitaria, cuya gravedad depende de la interacción de diversos factores temporales, contextuales y personales. Sobre esta base, el presente Trabajo de Fin de Grado desarrolla un modelo analítico orientado a segmentar los accidentes de tráfico y estudiar los factores asociados a su gravedad.

Para ello, se construye un dataset integrado a partir de microdatos oficiales de la Dirección General de Tráfico correspondientes al período 2021-2023, complementados con variables personales y de consumo de sustancias incorporadas mediante procedimientos de estimación sintética. Sobre este dataset, se aplican técnicas de clustering para identificar tipologías de siniestro, así como modelos de regresión logística para evaluar la relación entre dichas tipologías y la probabilidad de gravedad del siniestro.

Los resultados muestran que, si bien la segmentación permite distinguir tipologías diferenciadas de accidentalidad, la pertenencia a un clúster no muestra por sí sola diferencias estadísticamente significativas en la severidad del accidente. No obstante, el análisis sí permite identificar factores especialmente explicativos de la gravedad dentro de cada grupo, destacando la conducción nocturna sin iluminación artificial y determinadas restricciones de visibilidad.

Así las cosas, el trabajo aporta una herramienta útil para comprender mejor los patrones asociados a la severidad vial y ofrece una base analítica aplicable al diseño de actuaciones preventivas y políticas públicas de seguridad vial.Traffic accidents represent a major social and public health issue, and their severity is shaped by the interaction of multiple temporal, contextual, and personal factors. Within this framework, this study develops an analytical model aimed at segmenting traffic accidents and studying the factors associated with their severity.

To do so, an integrated dataset is constructed using official microdata provided by the Spanish Traffic Authority (Dirección General de Tráfico) for the period 2021–2023, complemented with personal and substance use variables incorporated through synthetic estimation procedures. On this dataset, clustering techniques are applied to identify accident typologies, as well as logistic regression models are used to assess the relationship between these typologies and the probability of severe accidents.

The results show that, while segmentation allows for the distinction of different accident typologies, belonging to a cluster does not, on its own, show statistically significant differences in accident severity. However, the analysis does make it possible to identify factors that are particularly explanatory of severity within each group, especially nighttime driving without artificial lighting and certain visibility restrictions.

Overall, this study provides a useful tool for better understanding the patterns associated with traffic severity and offers an analytical framework that can be applied to the design of preventive measures and road safety public policies.