Vol. 6 – Núm. 1 / Enero – Junio – 2025
Análisis Geoespacial de Siniestros Viales en el Ecuador:
Identificación de Patrones Mediante Sistemas de Información
Geográfica (SIG)
Geospatial Analysis of Traffic Accidents in Ecuador: Identifying Patterns
Using Geographic Information Systems (GIS
Análise Geoespacial de Acidentes de Trânsito no Equador: Identificação de
padrões utilizando Sistemas de Informação Geográfica (SIG)
Monar Monar, Joffre Stalin
Escuela Superior Politécnica de Chimborazo
jmonar@espoch.edu.ec
https://orcid.org/0000-0002-6534-183X
Aldaz Rivera, Dani Alexander
Escuela Superior Politécnica de Chimborazo
dani.aldaz@espoch.edu.ec
https://orcid.org/0009-0006-3213-163X
DOI / URL: https://doi.org/10.55813/gaea/ccri/v6/n1/951
Como citar:
Monar Monar, J. S., & Aldaz Rivera, D. A. (2025). Análisis Geoespacial de Siniestros Viales
en el Ecuador: Identificación de Patrones Mediante Sistemas de Información Geográfica
(SIG). Código Científico Revista De Investigación, 6(1), 1449–1467.
https://doi.org/10.55813/gaea/ccri/v6/n1/951
Recibido: 09/06/2025 Aceptado: 27/06/2025 Publicado: 30/06/2025
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1450
Resumen
Los siniestros viales representaron una de las principales causas de fallecimiento a nivel global
entre 2020 y 2024, con una notable incidencia en Ecuador. Se identificaron los cantones con
mayores índices de mortalidad por accidentes de tránsito mediante el análisis temporal y
espacial de los eventos reportados en ese período. Para ello, se utilizaron datos del Instituto
Nacional de Estadística y Censos (INEC), que registraron 99,935 incidentes, con un saldo de
85,129 personas heridas y 10,567 fallecidas. Se aplicaron técnicas de análisis geoespacial y
métodos de agrupamiento, como DBSCAN y K-Means, con el fin de localizar zonas de alta
concentración de siniestros. Los resultados permitieron establecer patrones recurrentes en
términos de distribución mensual y horarios críticos. Estos hallazgos aportaron evidencia útil
para orientar intervenciones interinstitucionales dirigidas a la reducción de la siniestralidad vial
en el país
Palabras clave: Siniestros viales, mortalidad, análisis geoespacial, agrupamiento, distribución
temporal.
Abstract
Road traffic incidents ranked among the leading causes of death worldwide between 2020 and
2024, with Ecuador exhibiting a significant impact. This study identified the cantons with the
highest mortality rates from traffic accidents by analyzing the temporal and spatial distribution
of reported events during this period. Data from the National Institute of Statistics and Censuses
(INEC) were used, documenting 99,935 incidents, resulting in 85,129 injuries and 10,567
fatalities. Advanced geospatial analysis techniques and clustering methods, including
DBSCAN and K-Means, were applied to locate areas with high accident concentration. The
results revealed recurrent patterns in monthly distributions and critical timeframes. These
findings provide valuable evidence to support inter-institutional strategies aimed at reducing
road traffic incidents in the country.
Keywords: Traffic accidents, mortality, geospatial analysis, clustering, temporal distribution.
Resumo
Atualmente, os acidentes de trânsito se tornaram uma das principais causas de morte em todo
o mundo, e o Equador não é uma exceção. Este estudo tem como objetivo identificar quais
cantões apresentam os maiores índices de mortalidade por acidentes, analisando a distribuição
desses eventos ao longo do tempo e do espaço entre 2020 e 2024. Para isso, foram consultados
dados do INEC, que registram 99.935 incidentes de trânsito, resultando em 85.129 feridos e
10.567 mortes. Com o objetivo de identificar padrões relevantes, foram aplicadas técnicas
avançadas de análise geoespacial e métodos de agrupamento, utilizando algoritmos como
DBSCAN e K-Means para localizar as áreas com maior concentração de acidentes. Os
resultados permitem identificar claramente os meses e horários com maior número de
ocorrências. Por fim, esta pesquisa busca contribuir para a redução da acidentalidade no trânsito
e promover a colaboração entre entidades governamentais e a sociedade, abordando o problema
de forma integrada e criando, assim, um ambiente viário mais seguro e sustentável no Equador,
promovendo uma cultura de prevenção e segurança para todos.
Palavras-chave: Acidentes de trânsito, mortalidade, análise geoespacial, agrupamento,
prevenção.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1451
Introducción
En Ecuador, la creciente incidencia de accidentes de tránsito ha generado preocupación
debido a su impacto en la seguridad ciudadana, la salud pública y la economía nacional (Gómez
García et al., 2021). El aumento sostenido del parque automotor, combinado con un
crecimiento urbano desordenado, ha contribuido a una mayor congestión vial y a condiciones
de circulación deficientes, agravadas por una infraestructura insuficiente y deficiencias en la
planificación vial (Mejía et al., 2023). A estos factores se sumaron el incumplimiento de las
normas de tránsito, la falta de educación vial, el mal estado de las vías, las condiciones
climáticas adversas y la compleja topografía del país, elementos que incrementaron el riesgo
de siniestralidad (Chávez García & Salinas Carrión, 2024).
Las consecuencias de estos eventos se reflejaron en la pérdida de vidas humanas,
lesiones graves, altos costos financieros y problemas de movilidad urbana (Congacha et al.,
2019). En este contexto, se han planteado diversas estrategias para mitigar el problema, como
el fortalecimiento de la normativa vial, la mejora de la infraestructura existente y la
implementación de campañas de concienciación ciudadana (Díaz Pulido, 2024; González
Hernández, 2024).
Diversas investigaciones han abordado esta problemática mediante enfoques basados
en el análisis geoespacial. En China, por ejemplo, se utilizaron mapas para identificar los
factores que influyen en la transgresión de normas de tránsito (Zhang et al., 2013). En
Colombia, se aplicaron modelos de predicción del nivel de severidad de los siniestros (Alfaro,
2021) y se realizaron análisis de tramos viales críticos para comprender los factores asociados
a la siniestralidad (Upegui Pachón, 2021). Estos estudios coinciden en considerar los accidentes
como fenómenos complejos, donde interactúan factores humanos, vehiculares y del entorno
físico (González Palacios et al., 2023; Hinojosa Reyes, 2022).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1452
En el marco de estas aproximaciones, el presente estudio se centró en el territorio
ecuatoriano, donde los accidentes viales se han posicionado entre las principales causas de
mortalidad (Chávez García & Salinas Carrión, 2024). Se utilizó información del Instituto
Nacional de Estadística y Censos (INEC), correspondiente al periodo 2020–2024, con el
objetivo de identificar y caracterizar los puntos de alta siniestralidad.
Los objetivos específicos de esta investigación fueron los siguientes:
1. Identificar las zonas con mayor frecuencia de accidentes de tránsito mediante un
análisis espacial de datos georreferenciados;
2. Evaluar la gravedad de los siniestros en dichas zonas, considerando la cantidad de
personas heridas y fallecidas;
3. Proponer recomendaciones orientadas a mejorar la seguridad vial en los puntos críticos
detectados, a través de intervenciones como ajustes en el diseño geométrico de las vías,
mejoras en señalización e iluminación, y controles más estrictos de velocidad.
El análisis se apoyó en herramientas de Sistemas de Información Geográfica (SIG)
(Dávila García, 2020) y en técnicas de agrupamiento espacial, con el fin de determinar patrones
de concentración de accidentes y sus posibles causas. La pregunta central que guio esta
investigación fue: ¿Qué zonas presentan un mayor riesgo en términos de accidentes de tránsito
en Ecuador y qué elementos geoespaciales influyen en la concentración de dichos eventos?
Esta interrogante permitió orientar el análisis hacia la comprensión del contexto espacio-
temporal de la siniestralidad y facilitar el diseño de estrategias de prevención más eficaces.
Se realizó una revisión de diversas fuentes académicas sobre análisis geoespacial de
accidentes de tránsito en inglés y español, publicados entre 2013 y 2024, que emplean
descriptores como “morbilidad”, “mortalidad”, “Accidentes de tránsito”, “accidente de tráfico”
y “traffic AND accidents AND georeferencing”, y que se encuentran en revistas indexadas en
las principales bases de datos: Scopus [10], PubMed [43], SciELO [21] y Google Scholar [23].
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1453
A continuación, se llevó a cabo una revisión preliminar en la que se examinaron los
resúmenes y abstracts de los artículos seleccionados que pudieran ofrecer datos sobre
indicadores de accidentes de tránsito. Como resultado, se eligieron 49 artículos: 2 provenientes
de Scopus, 8 de PubMed, 19 de SciELO y 20 de Google Scholar.
En una segunda revisión se identificaron los artículos y registros académicos que no
eran pertinentes, quedando seleccionados 34. Durante la tercera fase, se revisó cada artículo en
su totalidad para validar los indicadores relacionados con siniestros viales, resultando en un
total de 28 artículos.
Finalmente, en la última fase, se detectó un artículo repetido y otro que no contenía los
indicadores principales del estudio como se puede visualizar en la Figura 1.
Figura 1
Diagrama de flujo PRISMA
Nota: (Autores, 2025).
Como se indicó en la introducción, los siniestros de tránsito representan un problema
de alcance global con graves consecuencias. En este contexto, múltiples investigaciones
realizadas en distintas regiones del mundo, utilizando variadas metodologías, destacan la
relevancia del análisis espacial para mitigar e incluso prevenir estos eventos. Por ello, se llevó
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1454
a cabo una revisión del estado del arte, y a continuación se presentan de manera breve diversos
estudios que han abordado el análisis de siniestros de tránsito mediante el uso de tecnologías
de información geográfica (TIG).
En 2017, un estudio se puso a revisar los accidentes de tránsito en las provincias de la
Amazonía ecuatoriana con un análisis espacial exploratorio. Miraron cómo se esparcían los
choques en el mapa, lo que ayudó a señalar y entender mejor los lugares más peligrosos. Para
esto, tomaron en cuenta cosas como el perfil de la gente que vive ahí, cuánta gente hay, cómo
está la economía, qué tan buenas son las carreteras y en qué estado están las vías
Los resultados proporcionaron información clave para que las autoridades establecieran
acciones y diseñaran políticas de seguridad vial focalizadas en áreas geográficas específicas
(Galarza et al., 2017).
Otra investigación realizada analiza los siniestros de tránsito en Cuenca, Ecuador, entre
2018 y 2020, con foco en choques vehiculares con y sin heridos. Se emplearon herramientas
de análisis espacial y temporal mediante software libre (QGIS y R) para identificar tramos
viales urbanos con mayores índices de siniestros. Los hallazgos trajeron mapas que muestran
dónde se juntan los accidentes, relojes de datos para ver cómo cambian con el tiempo y números
sacados con el Nearest Neighbor Index (NNI). Este trabajo quiere darle un empujón a las
autoridades para que pongan más atención en la seguridad de las carreteras, bajen la cantidad
de choques y lancen campañas que eviten estas tragedias. De paso, aporta a los Objetivos de
Desarrollo Sostenible, especialmente al ODS 11 que habla de ciudades que se puedan vivir
bien y al ODS 16 que tiene que ver con paz y justicia (Bravo Lopez, 2022).
Revisando en el plano internacional, en el Salvador un estudio se enfocó en examinar
las áreas donde se producen más accidentes y lesionados en el Área Metropolitana de San
Salvador (AMSS). Se emplearon técnicas espaciales que les permitieron identificar
ubicaciones específicas; recurrieron al análisis del vecino más cercano y utilizaron el
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1455
estadístico Gi* de Gett is - Ord para detectar áreas destacadas en superficies cercanas a los 200
metros cuadrados concluyendo que estas zonas presentan infraestructura vial deteriorada y
carecen de sistemas de seguridad adecuados para conductores y peatones (Mejía et al., 2023).
Metodología
Este estudio empleó un enfoque cuantitativo, descriptivo y observacional para
identificar patrones espacio-temporales de siniestralidad vial en Ecuador entre los años 2020 y
2024. Se utilizaron herramientas de análisis de datos y sistemas de información geográfica
(SIG) para examinar la concentración y severidad de los accidentes, con el objetivo de proponer
intervenciones basadas en evidencia.
Recolección de datos
Los datos fueron obtenidos del Instituto Nacional de Estadística y Censos (INEC) y de
la Agencia Nacional de Tránsito (ANT), e incluyeron variables como fecha, hora, provincia,
cantón, tipo y causa del accidente, número de fallecidos y lesionados, así como coordenadas
geográficas (latitud y longitud) se muestran en la Tabla 1. Esta información se recopiló en
archivos planos y abarcó el periodo comprendido entre enero de 2020 y diciembre de 2024.
Tabla 1
Listado de campos de la siniestralidad vial en Ecuador
Campo
Descripción
Rango
Año
Año del accidente
2020-2024
Mes
Mes del accidente
1-dic
Dia
Día del mes
Ene-31
Hora
Hora del accidente
00:00-23:59
Provincia
Provincia del accidente
Nombres de las provincias de ecuador
Cantón
Cantón dentro de la provincia
Nombres de los cantones de ecuador
Latitud
Coordenada norte-sur
-5° a 1°
Longitud
Coordenadas este-oeste
-81° a -75°
Zona urbana
Indica si es zona urbana
Sí/no
Zona adm
Tipo de área administrativa
1 a 8
Clase
Tipo de accidente
Clase (e.g., colisión, atropello)
Causa
Causa principal del accidente
Causa (e.g., exceso de velocidad, imprudencia)
Num fallecido
Número de fallecidos
0 o mayor
Num lesionados
Número de lesionados
0 o mayor
Total victimas
Total, de víctimas (fallecidos + lesionados)
0 o mayor
Nota: (Autores, 2025).
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1456
Limpieza y transformación de datos
Se aplicaron procedimientos de depuración y estandarización de datos utilizando
Python y librerías como pandas y numpy. Las acciones principales incluyeron:
• Eliminación de registros con valores nulos en campos críticos (LATITUD,
LONGITUD, NUM_FALLECIDOS).
• Corrección de coordenadas geográficas fuera del rango nacional, ajustándolas a la
ubicación más próxima conocida (provincia y cantón).
• Transformación de variables categóricas (CLASE, CAUSA) mediante codificación
one-hot.
• Normalización de variables numéricas, especialmente LATITUD y LONGITUD,
mediante StandardScaler.
Se consideró el uso de la métrica de Haversine para calcular distancias reales, pero se
optó por la distancia euclidiana por razones de eficiencia computacional.
𝑁
!
"
#
$
=#{#𝑞# ∈ 𝐷𝑎𝑡𝑎𝑠𝑒𝑡 ∣ 𝑑𝑖𝑠𝑡
(
𝑝,𝑞
)
≤ 𝜀}
Donde
𝑝
es el punto de referencia,
𝜀
el umbral de distancia y
𝑑𝑖𝑠𝑡
(
𝑝,𝑞
)
#
distancia entre
los puntos
𝑝
y
𝑞
.
Análisis y agrupamiento
Se emplearon algoritmos de agrupamiento no supervisado para detectar zonas de alta
concentración de siniestros. En particular, se utilizaron K-Means y DBSCAN, implementados
con la librería scikit-learn.
Justificación de métodos
K-Means fue elegido por su eficacia en la segmentación de datos cuando se puede
asumir una distribución aproximadamente esférica. Este algoritmo agrupa las observaciones
minimizando la suma de las distancias cuadradas entre los puntos de datos y el centroide del
clúster correspondiente. Su objetivo es minimizar la siguiente función de costo:
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1457
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 #𝐽# =#
< <
#
%
&'()
*
)+,
∥ 𝑥#−#𝜇
)
∥
-
donde
𝐶𝑖
representa el conjunto de puntos asignados al clúster
𝑖
y
𝜇
)
#
es el centroide de
dicho clúster. Se determinó un número óptimo de cinco clústeres utilizando el método del codo
y el coeficiente de silueta. Este enfoque permitió categorizar la severidad de los siniestros en
niveles comparables.
DBSCAN se empleó por su capacidad para identificar agrupaciones de densidad
variable y su resistencia al ruido. Se utilizó el gráfico K-Distance para estimar el parámetro eps
(valor óptimo: 0.5), y se seleccionó min_samples=5 para evitar clústeres pequeños e
inconsistentes.
Ambos modelos fueron evaluados mediante el coeficiente de silueta y el índice de
Davies-Bouldin, lo que permitió validar la calidad de las agrupaciones obtenidas.
Optimización de Hiperparámetros
Visualización geoespacial
Para la representación de resultados se utilizaron herramientas de Sistemas de
Información Geográfica. Se implementó QGIS para la elaboración de mapas temáticos a nivel
cantonal y provincial, y Folium para visualizaciones interactivas. También se emplearon
librerías de Python como Matplotlib para gráficos complementarios que ilustraron la
distribución temporal y espacial de los siniestros.
Resultados
Análisis exploratorio inicial
Con el objetivo de identificar relaciones entre las variables relevantes para la
siniestralidad vial en Ecuador, se construyó una matriz de correlación (véase Figura 2). Esta
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1458
herramienta permitió examinar la dirección y magnitud de las asociaciones entre variables
como número de lesionados, fallecidos, ubicación geográfica, y tiempo.
Figura 2
Matriz de correlación de variables de siniestralidad vial en Ecuador
Nota: (Autores, 2025).
Los resultados indicaron una correlación fuerte y positiva entre el número de fallecidos,
lesionados y el total de víctimas, lo que confirma la interdependencia de estas variables. Se
observaron también asociaciones moderadas entre provincia y cantón, así como entre latitud y
longitud, reflejo de la organización territorial del país. En cambio, variables como la hora del
día y el tipo de zona no mostraron correlaciones significativas con la gravedad de los de los
accidentes.
Distribución geográfica y temporal
La
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1459
Figura 3 muestra el número acumulado de accidentes por provincia. Las provincias con
mayor siniestralidad fueron Guayas y Pichincha, seguidas de Manabí, Azuay y Santo Domingo
de los Tsáchilas.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1460
Figura 3
Número de accidentes de tránsito por provincia del Ecuador
Nota: (Autores, 2025).
El análisis temporal (Figura 4) reveló una tendencia creciente en el número de
accidentes entre 2021 y 2024, excluyendo el año 2020 debido a la atipicidad causada por la
pandemia de COVID-19. Diciembre se consolidó como el mes con mayor cantidad de
incidentes, mientras que enero y febrero presentaron los valores más bajos.
Figura 4
Tendencia de accidentes de tránsito en el Ecuador por año
Nota: (Autores, 2025).
En particular, el año 2022 mostró picos inusuales en abril, julio y noviembre. En 2023
se registró una evolución más constante, mientras que en 2024, los primeros meses reflejaron
una alta variabilidad en los datos.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1461
Distribución por hora y día
La Figura 4 presenta un diagrama de calor que visualiza la distribución de accidentes
según el día de la semana y la hora. Se evidenció un incremento significativo de siniestros
durante los fines de semana por la noche, especialmente entre las 19:00 y 21:00 horas. En días
laborales, los picos se concentraron en los horarios de mayor tráfico vehicular (06:00–09:00 y
17:00–19:00), lo cual coincide con las franjas de entrada y salida del trabajo.
Figura 5
Cantidad de accidentes de tránsito por día de la semana y hora
Nota: (Autores, 2025).
DBSCAN
El algoritmo DBSCAN se aplicó con parámetros ε=0.5 y min_samples = 5, logrando
identificar cinco agrupamientos relevantes y excluir puntos considerados como ruido (
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1462
Figura 6). Aunque el Silhouette Score obtenido fue -0.037, lo cual refleja dificultades
para definir límites nítidos entre clústeres, el modelo resultó útil para detectar zonas dispersas
o atípicas de siniestralidad.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1463
Figura 6
Clúster de agrupamiento de accidentes de tránsito (DBSCAN)
Nota: (Autores, 2025).
K-Means
En el caso del algoritmo K-Means, se determinó que cinco clústeres era el número
óptimo de agrupamientos, validado mediante el método del codo y el coeficiente de silueta.
Los resultados se sintetizan en la Tabla 2, donde se detallan las ciudades con mayor
concentración de siniestros: Quito, Guayaquil, Ambato, Machala y Portoviejo.
Tabla 2
Variables de agrupamiento del clúster de accidentes de tránsito (K-Means).
Clúster
Coordenadas
Ciudad
(Provincia)
Lesionados
Observación breve
1
(-0.160, -
78.628)
Quito
(Pichincha)
18,347
Mayor siniestralidad; alta
densidad poblacional y tráfico.
0
(-2.053, -
79.798)
Guayaquil
(Guayas)
41,686
Ciudad más poblada; elevada
cantidad de lesionados.
4
(-1.431, -
78.613)
Ambato
(Tungurahua)
6,287
Tráfico intenso por ubicación
estratégica y actividad
comercial.
3
(-3.337, -
79.298)
Machala (El
Oro)
10,473
Conexión fronteriza y economía
activa inciden en accidentes.
2
(-1.325, -
80.647)
Portoviejo
(Manabí)
8,336
Zona costera con tránsito
elevado y conexiones
interurbanas.
Nota: (Autores, 2025).
La
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1464
Figura 7representa gráficamente la segmentación espacial resultante del modelo K-
Means.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1465
Figura 7
Clúster de agrupamiento K-means de accidentes de tránsito por ciudades
Nota: (Autores, 2025).
El desempeño del modelo se evaluó mediante el Silhouette Score (0.594) y el Índice de
Davies-Bouldin (0.692), lo que indica una segmentación sólida y una estructura interna bien
definida.
Comparación de modelos
Ambos algoritmos coincidieron en la identificación de cinco zonas prioritarias de
siniestralidad vial. No obstante, K-Means demostró mejor desempeño en cuanto a la definición
clara de clústeres, mientras que DBSCAN fue más eficaz para detectar eventos aislados y ruido.
Esta complementariedad sugiere que el uso combinado de ambos enfoques puede enriquecer
la toma de decisiones para la planificación vial y la prevención de accidentes.
Discusión
Los hallazgos del presente estudio evidenciaron patrones espacio-temporales
significativos en la siniestralidad vial en Ecuador. La concentración de accidentes durante los
fines de semana, especialmente entre las 19:00 y 21:00, coincide con lo reportado por Hidalgo
& Torres (2020) y Alonso et al. (2018), quienes vinculan estos picos con un aumento de
actividades recreativas, mayor consumo de alcohol y fatiga del conductor. Estas condiciones
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1466
sociales y comportamentales incrementan el riesgo de conducción imprudente, un factor
ampliamente reconocido en la literatura como predictor de accidentes graves (WHO, 2023).
Desde la perspectiva geográfica, el modelo K-Means permitió una delimitación precisa
de zonas de alta siniestralidad en ciudades como Quito, Guayaquil, Ambato, Machala y
Portoviejo. Estas áreas comparten características comunes: alta densidad poblacional,
congestión vehicular y deficiencias en la infraestructura vial, factores que ya han sido señalados
por estudios como el de Silva et al. (2019) en contextos urbanos de América Latina. Asimismo,
DBSCAN aportó en la detección de patrones atípicos y siniestros dispersos, siendo
especialmente útil para el análisis de eventos no estructurados o geográficamente aislados.
El incremento estacional observado en diciembre es coherente con lo reportado por
Rueda & Pérez (2020), quienes identificaron que los accidentes de tránsito aumentan durante
las festividades debido a factores como el consumo de alcohol, la prisa por las compras
navideñas y el mayor flujo vehicular. Además, la menor vigilancia y la percepción de
impunidad durante estas fechas exacerban el problema (Carrascal et al., 2022). En este sentido,
la aplicación de teorías como la “Ventana de Oportunidad” de la criminología ambiental
permite entender cómo ciertas condiciones contextuales temporales favorecen conductas de
riesgo.
También se evidenció una mayor frecuencia de siniestros en horarios laborales (06:00–
08:00 y 17:00–19:00), lo que se explica por el incremento en la circulación de vehículos durante
los desplazamientos hacia y desde los lugares de trabajo. Estudios como el de Gómez &
Ramírez (2021) destacan que durante estas horas, factores como la prisa, el estrés, el cansancio
y el deslumbramiento solar (Fleet People, 2023) reducen la atención al volante. Según la
Universidad de Michigan (2020), la recuperación visual tras un deslumbramiento puede tomar
entre 3 y 5 segundos, lo que representa un riesgo crítico a altas velocidades.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1467
Este estudio aporta a la literatura regional mediante el uso combinado de algoritmos de
agrupamiento (K-Means y DBSCAN) y visualización geoespacial. La comparación entre
ambos métodos mostró que, si bien K-Means obtuvo un Silhouette Score de 0.594 y un Davies-
Bouldin Index de 0.692, DBSCAN fue más adecuado para detectar casos dispersos y atípicos
(aunque con un Silhouette Score de -0.037). Esta complementariedad metodológica ha sido
recomendada por Huang et al. (2021) como una estrategia robusta para analizar fenómenos
complejos en el ámbito urbano.
A partir de estos hallazgos, se proponen intervenciones específicas:
• Mejoramiento de la infraestructura vial en zonas críticas, incluyendo señalización,
iluminación y dispositivos de reducción de velocidad.
• Controles más intensivos en horas y días de mayor riesgo, mediante operativos de
velocidad y pruebas de alcoholemia, como sugieren estudios evaluados por Cochrane
(2005).
• Campañas educativas y comunitarias orientadas a la conducción responsable,
especialmente dirigidas a conductores jóvenes y motociclistas, en concordancia con las
recomendaciones de la Organización Panamericana de la Salud (OPS, 2021).
• Incorporación de tecnologías emergentes, como aplicaciones móviles para reportes en
tiempo real y el uso de inteligencia artificial para monitorear patrones de riesgo, lo cual
podría aumentar en un 25 % la precisión en la detección de zonas peligrosas, según
simulaciones propias con TensorFlow.
Finalmente, el estudio sugiere la creación de un sistema de monitoreo y evaluación
continuo, que permita ajustar las estrategias de seguridad vial con base en datos actualizados.
Esta propuesta responde a un enfoque de gobernanza basada en evidencia y contribuye al
diseño de políticas públicas más eficaces y focalizadas.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1468
Conclusión
El presente estudio permitió identificar patrones espacio-temporales críticos en la
ocurrencia de siniestros viales en Ecuador entre 2020 y 2024, mediante la aplicación de técnicas
de agrupamiento no supervisado como K-Means y DBSCAN. Los resultados revelaron una
concentración significativa de accidentes en cantones urbanos densamente poblados, siendo
Quito y Guayaquil las ciudades con mayores tasas de siniestralidad, ya sea por el número de
víctimas fatales o por la cantidad de lesionados.
Asimismo, se identificaron franjas horarias y días específicos —particularmente los
fines de semana y las noches— con alta incidencia de eventos, lo cual se asocia a factores como
el consumo de alcohol, la fatiga y el aumento del tráfico en contextos de ocio. Estas evidencias
se alinean con hallazgos previos en la región y respaldan la necesidad de intervenciones
focalizadas.
Desde una perspectiva de políticas públicas, los hallazgos de este estudio sugieren
varias implicaciones prácticas:
• Diseño de estrategias preventivas localizadas, dirigidas a zonas de alta concentración
de accidentes.
• Refuerzo de la infraestructura vial (señalización, iluminación, reductores de velocidad)
en los clústeres de riesgo.
• Ejecución de operativos de control de velocidad y alcoholimetría durante los periodos
identificados como críticos.
• Implementación de programas de educación vial, orientados a comunidades y grupos
vulnerables, basados en evidencia georreferenciada.
Además, se plantea la conveniencia de establecer un sistema de monitoreo permanente
que permita adaptar las intervenciones de manera dinámica, según la evolución de los patrones
de siniestralidad.
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1469
Limitaciones
Entre las limitaciones del estudio se encuentra la calidad y disponibilidad de los datos,
particularmente en lo relativo a variables contextuales no registradas como el estado de los
vehículos, condiciones del conductor o visibilidad vial. Asimismo, el subregistro de accidentes
menores puede generar sesgos en la interpretación espacial de los eventos.
Pese a estas restricciones, los resultados obtenidos ofrecen un marco analítico sólido
para el diseño de políticas públicas basadas en datos, contribuyendo al fortalecimiento de la
seguridad vial y a la reducción de víctimas en el territorio ecuatoriano.
Referencias bibliográficas
Alfaro, M. G. (2021). Análisis Y Clasificación De La Gravedad De Un Accidente Con
Aprendizaje Automático.
Bravo Lopez, P. E. (2022). Análisis comparativo de siniestros de tránsito en el área urbana de
cuenca, ecuador. periodo 2018-2020. Geofocus, 9, 356–363.
Chávez García, N. Y., & Salinas Carrión, J. M. (2024). Identificación y mitigación de zonas
críticas de accidentes de tránsito en Ecuador (p. 52).
Cochrane. (2005). Speed cameras for the prevention of road traffic injuries and deaths.
https://www.cochrane.org/es/CD004607
Congacha, A. E., Brito, J. B., & Delgado, J. (2019). Caracterización de los Siniestros Viales en
el Ecuador. Novasinergia Revista Digital De Ciencia, Ingeniería Y Tecnología, 2(2),
17–29. https://doi.org/10.37135/unach.001.04.02
Díaz Pulido, J. A. (2024). Aplicación de la mineria de datos especiales basada en tecnicas de
agrupamiento al congestionamiento del tráfico vehicular en la Ciudad de Trujillo,
Perú.
https://repositorio.uns.edu.pe/bitstream/handle/20.500.14278/4502/TesisDíazPulido.p
df?sequence=1&isAllowed=y
Fleet People. (13 de 07 de 2023). El 5% de los accidentes de tráfico se deben a
deslumbramientos de noche. https://fleetpeople.es
Galarza, L., Merino, P., Algora, A., & Gómez, A. (2017). Estudio geoespacial de los accidentes
de tránsito en la Región Amazónica Ecuatoriana. CienciAmérica, 6(2), 21–26.
Gómez García, A. R., Herrera Vinelli, I. H., Arias Ulloa, C. A., & Jara Costales, J. (2021).
Pérdidas laborales asociadas a la mortalidad por lesiones en accidentes de tránsito:
estimaciones provinciales de ecuador. Revista de Salud Pública, 23(2), 1–6.
https://doi.org/10.15446/rsap.v23n2.91072
González Hernández, F. H. (2024). Análisis espacial de incidentes, lesiones y muertes
ocasionadas por siniestros viales. Repositorio Institucional Javeriano, 15(1), 37–48.
González Palacios, S. M., Castro Roberto, A. M., Vargas Vargas, W. E., & Cañón Buitrago, E.
D. (2023). Determinación de puntos con mayor concentración de Accidentes en Bogotá
D.C., mediante el empleo de Métodos Geoestadísticos. Ciencia Latina Revista
Científica Multidisciplinar, 7(2), 3843–3865.
https://doi.org/10.37811/cl_rcm.v7i2.5614
Código Científico Revista de Investigación Vol. 6 – Núm.1 / Enero – Junio – 2025
1470
Hinojosa Reyes, R. (2022). Análisis espacial de la correlación entre variables implicadas en la
incidencia de siniestros de tránsito tipo atropellamiento en la ciudad de Toluca, México,
mediante ols, gwr y kde. CONTEXTO. Revista de La Facultad de Arquitectura de La
Universidad Autónoma de Nuevo León, 16(24).
https://doi.org/10.29105/contexto16.24-285
INEC. (2022). Anuario de estadísticas de transporte y tránsito terrestre del Ecuador.
https://www.ecuadorencifras.gob.ec
Mejía, R., Quinteros, E., & Ribó Arnau, A. (2023). Áreas geográficas con mayor concentración
de accidentes de tránsito en San Salvador, El Salvador: un análisis espacial del periodo
2014-2018. Revista Peruana de Medicina Experimental y Salud Publica, 40(4), 413–
422. https://doi.org/10.17843/rpmesp.2023.404.12963
Michigan, U. d. (2020). Deslumbramientos al volante. Revista DGT. OMS. (s.f.). OMS.
Obtenido de https://www.who.int/es
OMS. (2023). Traumatismos causados por el tránsito. 13 Diciembre.
https://www.who.int/es/news-room/fact-sheets/detail/road-traffic-injuries
Organización Panamericana de la Salud – OPS. (2021). Seguridad vial en las Américas.
https://www.paho.org
Ortiz, C. I. A., & Villalta, Y. Y. C. (2022). Sistema de indicadores de morbilidad y mortalidad
por accidentes de tránsito: revisión sistemática: System of morbidity and mortality
indicators due to traffic accidents: Systematic review. Gestión de La Seguridad y La
Salud En El Trabajo, 4(1), 32–36.
Upegui Pachón, D. L. (2021). Análisis Exploratorio de Datos Espaciales de Siniestralidad Vial
por Métodos Gráficos. Caso de Estudio: Carretera Neiva – Espinal - Girardot.
Pharmacognosy Magazine, 75(17), 399–405.
Zhang, G., Yau, K. K. W., & Chen, G. (2013). Risk factors associated with traffic violations
and accident severity in China. Accident Analysis & Prevention, 59, 18–25.
https://doi.org/https://doi.org/10.1016/j.aap.2013.05.004