DETERMINANTES Y PERFILES DE RIESGO EN LA GRAVEDAD DE LOS ACCIDENTES DE TRÁFICO EN MADRID - Corchado Enrile, Sol

Abstract

Los accidentes de tráfico urbanos generan una demanda asistencial significativa y heterogénea que los enfoques tradicionales de seguridad vial no siempre capturan con precisión. Este trabajo analiza qué factores estructurales, contextuales y conductuales se asocian a una mayor probabilidad de que un accidente de tráfico en Madrid requiera asistencia sanitaria, utilizando datos reales del Ayuntamiento de Madrid para el periodo 2019–2024 (excluyendo 2020). Se adopta un enfoque cuantitativo basado en tres elementos: análisis exploratorio, modelos de clasificación supervisada (regresión logística, árbol de decisión y Random Forest) y segmentación mediante K-means. A partir de este enfoque, se analizan 192.224 registros de conductores implicados en accidentes urbanos. Los resultados muestran una alta coherencia entre los distintos modelos: la vulnerabilidad estructural del vehículo es, con diferencia, el factor más fuertemente asociado a la gravedad sanitaria, con una probabilidad de asistencia más de 26 veces superior en conductores de vehículos abiertos frente a vehículos cerrados. La tipología del accidente y el consumo de drogas también muestran asociaciones significativas, mientras que las variables temporales y espaciales presentan un peso relacional secundario. La segmentación identifica seis perfiles con tasas de asistencia que oscilan entre el 10% y el 51%, poniendo de manifiesto que la lesividad no es homogénea y se asocian a combinaciones específicas de factores. Estos hallazgos tienen implicaciones directas en tres ámbitos: diseño urbano, gestión de recursos de emergencia y prevención conductual.

Urban traffic accidents generate a significant and heterogeneous demand for healthcare services that is not always accurately captured by traditional road safety approaches. This study analyses which structural, contextual, and behavioural factors are associated with a higher probability that a traffic accident in Madrid requires medical assistance, using real data from the Madrid City Council for the period 2019–2024 (excluding 2020). A quantitative approach is adopted, based on three components: exploratory analysis, supervised classification models (logistic regression, decision tree, and Random Forest), and segmentation using K-means. Within this framework, 192,224 records of drivers involved in urban traffic accidents are analysed. The results show a high level of consistency across models. Vehicle structural vulnerability emerges as the factor most strongly associated with injury severity, with drivers of open vehicles showing a probability of requiring medical assistance more than 26 times higher than those in enclosed vehicles. Accident type and drug use also display significant associations, while temporal and spatial variables play a secondary explanatory role. The segmentation analysis identifies six distinct profiles, with medical assistance rates ranging from 10% to 51%, highlighting that injury severity is not homogeneous but linked to specific combinations of factors. These findings have direct implications in three areas: urban design, emergency resource management, and behavioural prevention.