Estimación de la demanda de sistemas de movilidad urbana

Grado en Estadística TRABAJO FIN DE GRADO Estimación de la demanda de sistemas de movilidad urbana Manuel José Buendía Castiñeira Sevilla, junio de 2020 Índice general Agradecimientos .................................. iii Resumen....................................... v Abstract....................................... vi ÍndicedeFiguras.................................. vii ÍndicedeCuadros.................................. ix 1. INTRODUCCIÓN 1 2. SITUACIÓN ACTUAL DE LA MOVILIDAD URBANA 3 2.1. Situaciónactual................................ 3 2.2. Tendencias................................... 6 3. LA REUBICACIÓN DE VEHÍCULOS 9 4. FUENTES PARA MATRICES ORIGEN DESTINO 11 4.1. FuentesTradicionales.............................. 11 4.1.1. El impulso de la Movilidad Sostenible . . . . . . . . . . . . . . . . 12 4.1.2. Desde Forecasting a Nowcasting . . . . . . . . . . . . . . . . . . . 16 4.2. Nuevasfuentes ................................ 17 4.2.1. TelefoníaMóvil ............................ 18 4.2.2. Tarjetas Inteligentes de Transporte . . . . . . . . . . . . . . . . . 19 4.2.3. Tarjetas de crédito . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.2.4. RedesSociales............................. 20 4.2.5. Sistemas Operativos . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.2.6. Otras fuentes privadas . . . . . . . . . . . . . . . . . . . . . . . . 23 4.2.7. Conclusión sobre las nuevas fuentes . . . . . . . . . . . . . . . . . 23 5. CLIENTES OBJETIVOS 25 5.1. Vehículos eléctricos compartidos . . . . . . . . . . . . . . . . . . . . . . . 25 5.2. Peculiaridades del usuario de motocicleta . . . . . . . . . . . . . . . . . . 26 5.3. Estudios sobre scooter-sharing . . . . . . . . . . . . . . . . . . . . . . . . 27 5.3.1. Clusterización de clientes de escúteres compartidos . . . . . . . . 27 5.3.2. Factores de influencia en el uso de escúteres compartidos. Encuesta enEspaña............................... 30 5.3.2.1. En cuanto a las características socioeconómicas: . . . . . 30 5.3.2.2. En cuanto a otras características: . . . . . . . . . . . . . 32 5.3.2.3. Conclusión encuesta . . . . . . . . . . . . . . . . . . . . 33 6. APLICACIÓN PRÁCTICA SOBRE SEVILLA 35 i 6.1. Información disponible . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 6.2. Zonas óptimas para la disponibilidad de los escúteres en Sevilla. . . . . . 36 7. CONCLUSIONES 41 Bibliografía 43 ii Agradecimientos En primer lugar, no puedo menos que agradecer a mi profesor y tutor José Luis Pino sus directrices para llevar a término este trabajo. En segundo lugar, quisiera aprovechar para tener un recuerdo para mi profesor de instituto, Miguel Caras, que me enseñó a disfrutar de las Matemáticas y a entender lo que era un buen profesor. Esto me lleva a recordar a todos aquellos profesores que aman su trabajo y durante esta época de pandemia han dedicado más esfuerzo del esperado a que sus alumnos siguieran aprendiendo. Y permitaseme extender este agradecimiento a esos buenos profesores que he encontrado en este Grado de Estadística, aquellos que no sólo saben mucho de Estadística sino que además saben transmitir su pasión y enseñarla. Por último, sin duda lo más importante, el agradecimiento inacabable a mi familia, a May, mi compañera de vida y proyectos y a mis hijos Martina y Mauricio, no ya por este Trabajo sino por cada uno de los exámenes que tuve que hacer para llegar hasta aquí, esperando me disculpen los tiempos descuidados, el amor que no di, los cariños distraidos, mi estrés continuo, mis malas caras, mis quejas inoportunas, vuestras demandas que no vi... Para ellas y para él, mi más grande abrazo, mis más sinceras ‘gracias’ y mi más honesto ‘perdonadme’. En mi descargo, el esfuerzo de todos mereció la pena. iii Resumen El presente trabajo analiza la situación actual de fuentes de datos geográficas y estadísticas con las que podamos optimizar la distribución de escúteres eléctricos compartidos, centrándonos concretamente, como ejemplo urbano, en la ciudad de Sevilla. Para ello se comprueban los datos existentes oficiales y no oficiales que nos aporten información sobre movilidad de las personas en la ciudad de Sevilla, intentando encontrar matrices de Origen-Destino lo más actualizadas posibles, incluso analizando la posibilidad actual de obtener matrices O-D en tiempo real, dada la evolución de los sistemas de geolocalización y la recopilación de estos datos por parte de determinadas app. También hemos buscado la información disponible de estudios y encuestas de demanda de este tipo de vehículos, tratando de definir las variables o parámetros que nos definan los perfiles de las personas más atraídas por utilizar estos medios de locomoción. Finalmente, analizamos la información socioeconómica existente sobre personas en determinadas zonas geográficas, como las secciones censales, para poder cruzar los datos de estas secciones censales con los perfiles definidos y las matrices de Origen-Destino. Con todo ello, podemos elaborar un mapa de secciones censales en las que establecer la mayor y menor demanda. v Abstract The following dissertation analyses the current status of geographic and statistical data sources that can be used to optimize the distribution in shared electrical scooters, focusing specifically, as an urban example, in the city of Sevilla. For the purpose of the study, both existing official and unofficial geographical and statistical datasets that provide information on the movement of people across the city of Seville were checked. The objective was to try to find Origin-Destiny matrices that were as updated as possible, even analyzing the possibility of obtaining real-time O-D matrices, which would only be possible due to the recent evolution of geolocalisation systems and the gathering of this data by certain applications. Information from other studies and demand surveys on this type of vehicle was also used, trying to define variables and parameters that define the profile of people that would be more attracted to use these means of transportation. Finally, the existing socioeconomic information on people from specific geographic locations, like census tracts, was analyzed to try to cross data with census sections containing the defined profiles and Origin-Destiny matrices. With all data, a map of census sections with higher and lower demand could be created. vi Índice de figuras 2.1. Gráfico escúteres por países . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2. gráfico escúteres por ciudades . . . . . . . . . . . . . . . . . . . . . . . . 5 4.1. mapaZonificación............................... 13 4.2. gráfico Composición parque vehículos . . . . . . . . . . . . . . . . . . . . 14 4.3. gráfico evolución parque vehículos . . . . . . . . . . . . . . . . . . . . . . 14 4.4. Viajes generados y atraidos según macrozona . . . . . . . . . . . . . . . . 15 4.5. Matriz viajes generados-atraidos según macrozonas . . . . . . . . . . . . 16 4.6. GráficoEstebanMoro ............................ 18 4.7. Gráfico Reparto Sistemas Operativos . . . . . . . . . . . . . . . . . . . . 22 5.1. Tabla resultados clusterización . . . . . . . . . . . . . . . . . . . . . . . . 28 5.2. Tridimensionales de clusters . . . . . . . . . . . . . . . . . . . . . . . . . 29 5.3. Resultados encuesta en ciudades de España . . . . . . . . . . . . . . . . . . 31 6.1. mapamuving ................................. 40 vii 2.1. SITUACIÓN ACTUAL Reducción de ruidos, restricciones de acceso a determinadas zonas urbanas a vehículos más contaminantes. 4) Medidas políticas, cambio modal: Esto implica medidas de promoción de transporte público, caminar y la movilidad en bicicleta, así como otros sistemas limpios (vehículos eléctricos), restringiendo el acceso, dificultando el estacionamiento, creando espacios más para las personas (Banister & Marshall 2000). Las dos últimas acciones, junto con el avance tecnológico que lo permite, explican el auge en los últimos años de sistemas públicos y privados de compartición de vehículos eléctricos, desde coches (car-sharing), hasta bicicletas o patinetes, y por supuesto el que nos preocupa en este trabajo, que son los escúteres eléctricos compartidos (o moto-sharing). Métodos de desplazamiento que están intentando abrirse paso en una nueva era de movilidad, con una amplia oferta y abanico de opciones, y que están luchando contra el simbolismo del automóvil privado, durante muchos decenios el auténtico emblema de status quo, poder y seducción (Cass et al. 2005) y sobre el que se ha discutido mucho y existe amplia literatura, y aunque no es el propósito de este estudio, no dejaremos de señalar la unanimidad existente entre gobiernos y expertos sobre la necesidad de este cambio de paradigma, si bien no tanto sobre los plazos para implementar medidas (Banister 2003), debido por una parte a las dificultades de cambiar la aceptabilidad por parte de la población y por otra a las implicaciones económicas que puede suponer para la industria la reducción en ventas del vehículo propio convencional. En cualquier caso, dentro de este cambio de modelo de movilidad, la implantación de los escúteres eléctricos en particular es un hecho en muchas ciudades del mundo, creciendo gradualmente de forma exponencial. Basándonos en el estudio “Global Scooter Sharing Market Report 2019” (Howe & Jakobsen 2019), podemos comprobar en la siguiente tabla la evolución del número de scooters disponibles, así como otros valores: 2017 2018 2019 Número de escúteres 8.000 25.000 66.000 Ciudades con operadores 29 62 88 Operadores 26 38 54 Usuarios Registrados 350.000 1.800.000 4.800.000 Fabricantes de scooters 26 34 Así, podemos observar que el número de scooters entre las distintas operadoras ha llegado en 2019 a 66.000 scooters en las 88 ciudades en las que se ha implementado. Curiosamente, observamos en este estudio que en 2019 la ratio de escúteres eléctricos compartidos ha pasado en el mercado global de escúteres compartidos de 96% a 70 %. Esto es debido a la entrada del mercado indio, que ha comenzado implementando operadoras de compartición de escúteres con motores de combustión. En el resto del mundo, la ratio de escúteres eléctricos supone en 2019 el 99 % respecto al total. Centrándonos en España, observamos que nuestro país ocupa el 2 º lugar en número de escúteres disponibles en las ciudades, con 13.520 vehículos, seguido en Europa por Francia, a distancia con 8.200 escúteres (fig.2.1). En cuanto a ciudades, las que disponen en la calle de más escúteres compartidos son Madrid (con 6.350) y París (con 6.300), seguido por Barcelona (4.600), existiendo 9 4CAPÍTULO 2. SITUACIÓN ACTUAL DE LA MOVILIDAD URBANA 2.1. SITUACIÓN ACTUAL Figura 2.1: Gráfico escúteres por países Figura 2.2: gráfico escúteres por ciudades CAPÍTULO 2. SITUACIÓN ACTUAL DE LA MOVILIDAD URBANA 5 2.2. TENDENCIAS ciudades en España que disponen de empresas para compartir escúteres eléctricos (fig.2.2). Podemos concluir que el mercado de los escúteres eléctricos compartidos es un sistema de movilidad que, aun con poco tiempo de rodaje, está ya bastante asentado en España. Si nos centramos en el caso de la ciudad de Sevilla, la información obtenida según noticias de la prensa local, nos indica que en la actualidad existen 2 empresas, teniendo constancia de la existencia al menos de 280 motos con la empresa Muving (https://sevilla.abc.es/sevilla/sevi-nuevaofensiva-motos-electricas-sevilla-280-y-medio-201812030714_noticia.html), y otras 240 con la empresa Acciona (https://www.acciona.com/es/salaprensa/noticias/ 2019/mayo/acciona-despliega-servicio-motos-el%C3%A9ctricas-compartidas-sevilla/), aunque ABC habla ya, en noviembre de 2019 del millar de motos entre ambas https://sevilla.abc.es/sevilla/sevi-nuevas-formas-caminar-sevilla-diferencias-entrepatinetes-y-motos-electricas-201911100710_noticia.html Si bien el modelo de ambas empresas es de ubicación libre, lógicamente la disponibilidad de recogida y aparcamiento de motos está limitada a una zona delimitada de la ciudad, que podemos comprobar en estos dos mapas, obtenidas de las web de cada una de las empresas. Se observa en ellos que si bien, a grandes rasgos, optan por las mismas zonas de la ciudad, probablemente por los estudios de mercado realizados, existen algunas pequeñas diferencias en sus delimitaciones. 2.2. Tendencias Aparentemente, la tendencia es por un lado la absorción, fusión o asociación de empresas (en España Muving se ha fusionado con Ioscoot https://www.expansion.com/empresas/ 6CAPÍTULO 2. SITUACIÓN ACTUAL DE LA MOVILIDAD URBANA 2.2. TENDENCIAS motor/2019/11/22/5dd832ff468aeb33618b4689.html), con la idea de conseguir potencial y volumen en un negocio en el que están entrando grandes empresas con mucho más soporte económico, de marketing y recursos, que en la competencia por conseguir clientes les puede suponer una gran ventaja. Por otro lado, existe también la tendencia de crear flotas multimodales, dando a los clientes la posibilidad de usar otros medios como patinetes o bicicletas, o bien llegando a acuerdos de movilidad compartida con otros métodos de transporte, como autobuses urbanos e interurbanos, de forma que el cliente disponga cada vez más de facilidades para el desplazamiento sin necesitar el vehículo propio. En el desarrollo del negocio del scooter eléctrico compartido, tras un remonte del mercado y asentamiento en Europa, hay indicadores claros de que países en desarrollo como India o Brasil, exploten con su oferta de vehículos compartidos en los dos próximos años, además del mercado estadounidense, asiático y australiano (Howe & Jakobsen 2019). CAPÍTULO 2. SITUACIÓN ACTUAL DE LA MOVILIDAD URBANA 7 Capítulo 3 LA REUBICACIÓN DE VEHÍCULOS Los primeros sistemas de compartición de vehículos han tenido tradicionalmente una configuración simétrica, es decir, los vehículos han de ser devueltos en el lugar de recogida, lo que implica que el usuario tenga que realizar el viaje de ida y vuelta. Los sistemas asimétricos permiten que el usuario pueda devolver el vehículo en cualquier otra estación o incluso libremente en cualquier zona dentro de la cobertura, en cuyo caso lo denominamos de ubicación libre o flotante. Los operadores de compartición de coches (Car Sharing) han tenido que mejorar su eficiencia para competir con el transporte público y el propio transporte privado, y las redes asimétricas que permiten viajes unidireccionales pueden ser la forma más ventajosa y prometedora de sistema de usos compartidos de vehículos, tanto para clientes como para las propias empresas (Martin & Shaheen (2016), Shaheen et al. (2018)). Sin embargo, surge un problema con los sistemas asimétricos y es el desequilibrio de vehículos que puede producirse en determinadas estaciones o zonas debido a la concentración puntual de la demanda a determinadas horas o el desplazamiento a los mismos lugares. Esto provoca que en el caso de estaciones con un número de vehículos, el cliente pueda encontrarse que no tiene ninguno disponible, o bien que al pretender llegar con un vehículo a una estación se encuentre con que esta está completa y tiene que buscar otra estación, lo que provoca falta de servicio y gran insatisfacción en el cliente. En el caso de que el sistema sea de ubicación libre, el primer problema sigue existiendo (no encontrar vehículos por exceso de demanda) aunque el segundo no será un problema para el cliente, que siempre podrá soltar el vehículo en algún lugar autorizado cerca de su destino, por muchos que haya por aquella zona, pero se convierte en un problema para el operador, que debería proceder a redistribuir o devolver los vehículos acumulados a otras zonas. En los Car Sharing el problema es mayor que en vehículos más pequeños (bicicletas, patinetes, escúteres...), pues con estos pueden hacerse reubicaciones masivas con camiones de un sitio a otro, pero estos desequilibrios son los mayores problema a los que se enfrenta un operador de compartición de vehículos, donde el cliente requiere cada vez más flexibilidad y el Operador tiene que reaccionar con prontitud ante las demandas de los clientes y reubicar los vehículos entre los lugares donde existe exceso y los que exista escasez (Jorge & Homem de Almeida Correia 2013). Ante las dificultades de encontrar solución para modelar este problema, denominado en 9 inglés “Vehicle Relocation Problem” (VReP), los investigadores han generado múltiples estudios en los que analizar los modelos apropiados para encontrar la forma óptima de reubicar vehículos, según las distintas configuraciones, dependiendo de la actividad diaria del operador, las distancias a recorrer, la cantidad de vehículos y otros. Illgen & Höck (2018) realizan una revisión de todos los estudios existentes, casi todos para compartir vehículos en redes asimétricas con ubicaciones fijas, si bien se considera extrapolable a ubicaciones flotantes, simulando las diferentes zonas como si fueran estaciones fijas. Muchas de las soluciones para resolver el VReP se basan en modelos de programación lineal mixta entera. Las dificultades en cuanto a dimensión y cálculos de estos problemas conllevan la necesidad de limitar en muchos casos el número de nodos con los que trabajar o imponer condiciones que generalmente la realidad no cumple, por razones computacionales (Nair & Miller-Hooks 2014). Otras opciones se basan en métodos como la formulación de modelos heurísticos o simulaciones para encontrar soluciones dentro de tiempos de computación que resulten prácticos (por ejemplo, Cepolina & Farina (2012)). Los vehículos eléctricos tienen algunas características diferentes que han sido también tenidas en cuenta por algunos estudios, pues los rangos de funcionamiento y los tiempos de recarga pueden suponer una variable distinta a considerar, sin embargo los modelos resultantes han demostrado que existen pequeñas variaciones con los tradicionales (Li et al. 2016). Con todo ello, concluimos que si bien existen importantes dificultades de cálculo para resolver el problema de programación lineal que nos encuentre la mejor forma de disponer los vehículos compartidos, hemos comprobado la existencia de multitud de estudios y fórmulas para resolver de la mejor manera posible esta dificultad. Sin embargo, para cualquiera de estos métodos es premisa básica disponer de unas fuentes de datos válidas, que nos generen unas matrices de origen-destino realistas. 10 CAPÍTULO 3. LA REUBICACIÓN DE VEHÍCULOS Capítulo 4 FUENTES PARA MATRICES ORIGEN DESTINO 4.1. Fuentes Tradicionales Desde que los municipios adquieren tamaños como para que el Ayuntamiento tenga una preocupación y responsabilidad por la óptima movilidad de sus habitantes y necesite aplicar la más elemental política de transporte, requerirá conocer cuáles son los patrones de movilidad de la población, y por tanto las matrices de Origen-Destino que la describen. Para ello, tradicionalmente los municipios u organismos públicos han recurrido a estudios, generalmente costosos, basados principalmente en encuestas, con las que han estimado las necesidades de movilidad de los ciudadanos, sea por motivos laborales, de ocio o de otra índole, pensando principalmente en la reorganización óptima del tráfico y en los recorridos del transporte urbano. Estos primeros estudios comienzan en España en la década de los 80 y 90 (Módenes 2008), siendo ya en este siglo XXI cuando las mejoras en las metodologías nos llevan a disponer de estudios válidos. Uno de los primeros estudios fiables fue en el Censo del 2001 del Instituto Nacional de Estadística, donde se incluyeron cuatro preguntas sobre movilidad en el cuestionario individual. Teniendo en cuenta que el censo es sobre toda la población, los resultados dan una perspectiva muy importante sobre el transporte individual en los distintos municipios de España y da pie a importantes estudios posteriores. También en 2000-2001 se realiza la Encuesta de Movilidad de las Personas Residentes en España (MOVILIA), encuesta que se repitió en una segunda oleada en 2006-2007. Estas encuestas sirvieron para centrar las encuestas futuras, delimitando su dimensión espacial (MOVILIA se realizó sobre toda la población española y sobre todo tipo de desplazamientos, incluidos los de larga distancia), así como para definir conceptos y aclarar elementos metodológicos. Otra encuesta con características temáticas muy similares a MOVILIA, pero a nivel internacional, fue ‘La Enquête Nationale Transports et Deplacements’, entre 2007-2008, realizada por L’Institut Nationale de la Statistique et des Études Économiques (INSEE), aunque incide en mayor medida en el uso de los transportes (Encuesta Sobre Movilidad Cotidiana en las Regiones Urbanas de Andalucía, 2011). No podemos olvidar que también se han realizado diversas encuestas por diferentes organismos centradas en áreas metropolitanas. En Andalucía, por ejemplo, se realizó 11 4.1. FUENTES TRADICIONALES la Encuesta Domiciliaria de la Bahía de Cádiz en 2005 y la Encuesta Domiciliaria de Movilidad en el Área Metropolitana de Sevilla de 2007. El coste de los estudios, básicamente con encuestas en grandes muestras de población, implica que sean generalmente estudios realizados ocasionalmente, lo que probablemente da buenas pautas a los Ayuntamiento para tomar medidas sobre la movilidad local, pero que no parecen demasiado útiles para el objetivo de este trabajo que sería obtener la estimación de una matriz diaria de Origen-Destino para hacer una óptima distribución de los escúteres de una empresa de compartición de vehículos. Ya en el segundo decenio se realiza por el Instituto de Estadística y Cartografía de Andalucía la “Encuesta Social 2011, Movilidad en las regiones urbanas de Andalucía”. Esta encuesta, perfectamente documentada y publicada (García Paredes 2013), dispone de su ficha técnica en la que se especifica la población analizada, el marco muestral, la utilización de un muestreo estratificado trietápico, la afijación y, en suma, toda la información que te garantiza la fiabilidad de la encuesta. El resultado es una base de datos con 5.700 registros de personas y 17.000 registros sobre desplazamientos, que el IECA pone a disposición pública. Sin embargo, aunque la información puede resultarnos muy valiosa en nuestro estudio, para saber los motivos de desplazamiento, las distancias medias recorridas, según varias variables sociales o económicas, nos encontramos que la información obtenida y pública no indica en ningún caso las zonas, secciones censales o distritos desde los que parten hacia los que se mueven, es decir, no tenemos datos para obtener la matriz que buscamos de Origen-Destino en la ciudad de Sevilla. 4.1.1. El impulso de la Movilidad Sostenible En el siglo XXI debido a la concienciación ecológica por el cambio climático y al auge de lo que en la segunda “Cumbre de la Tierra” (Rio de Janeiro, 1992) se definió como ‘desarrollo sostenible’, y que se basaba en tres pilares: Progreso económico, Justicia Social y preservación del medio ambiente, han proliferado políticas de sostenibilidad, promovidas en nuestro caso desde la propia Unión Europea. Para ello publicó en 2007 el libro verde, llamando a una nueva cultura de movilidad urbana, luego en 2009 publicó el Plan de Acción de Movilidad Urbana y en 2011 el libro blanco del transporte. Todos ellos sin imponer soluciones, pero proponiendo a las administraciones locales fórmulas para facilitar el cambio a una movilidad sostenible, en la que se reduzca la contaminación ambiental, la acústica, el consumo de energía, la congestión y la accesibilidad al transporte de todos los ciudadanos. Siguiendo la misma dinámica, en España, el Instituto para la Diversificación y Ahorro de la Energía (IDAE) publica la “Guía Práctica para la Elaboración e Implantación de Planes de Movilidad Urbana Sostenible”, aconsejando a los municipios de más de 50.000 habitantes que siguieran sus recomendaciones. Posteriormente el gobierno aprobó la ley 2/2011 de Economía Sostenible, donde se fomenta la realización de Planes de Movilidad Sostenible por parte de las administraciones autonómicas y entidades locales. Debido a todas estas recomendaciones, peticiones y requerimientos a la realización de los Planes de Movilidad Urbano Sostenible (PMUS), se ha conseguido que muchos ayuntamientos tengan aprobado en este último decenio o estén en ello, un PMUS. Para realizar un PMUS es indispensable tener un conocimiento importante de la movilidad de sus ciudadanos, lo que puede servir para tener datos actualizados. 12 CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO 4.1. FUENTES TRADICIONALES En la ciudad de Sevilla, donde queremos centrar nuestro estudio, comprobamos que en enero de 2020 se ha presentado un diagnóstico del PMUS, que incluye un estudio de movilidad. Desgraciadamente el informe publicado no tiene ficha técnica, tan solo se indica que se ha realizado haciendo 47.000 encuestas telefónicas y “con datos recopilados de distintos servicios y administraciones”, por lo que desconocemos el método de obtención de los datos y por tanto la fiabilidad de estos. Tampoco tiene fecha del estudio, aunque gran parte de los datos son de 2016 y nos referencia la información sobre población a la existente a 1 de enero de 2017. Por tanto, deducimos que los datos son de movilidad en 2016. Con independencia de que no tengamos ficha técnica, ni fecha, el estudio de movilidad nos parece una buena referencia, pues está conformado por el propio Ayuntamiento sevillano. La zonificación se ha realizado con criterios coherentes, para poder compatibilizarlo con informaciones socio-económicas ya existentes, de forma que se ha utilizado como unidad mínima las secciones censales de 2016, creando 140 zonas que constituirán la base espacial para el análisis de movilidad (fig.4.1). Figura 4.1: mapa Zonificación CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO 13 4.2. NUEVAS FUENTES 4.2.3. Tarjetas de crédito La localización por tarjetas de crédito no parece a priori un método para realizar las matrices de Origen-Destino que estamos buscando, dado que el uso que se hace en Sevilla de las tarjetas de crédito es únicamente para sacar dinero en entidades bancarias y consumo en tiendas y restaurantes. Decimos que no parece razonable porque buscamos matrices de movimientos diarios, y con este método descartaríamos movimientos que no fueran de consumo, como puede ser el desplazamiento diario al trabajo. No obstante, no podemos rechazar el uso de tarjetas de crédito en otras zonas para obtener matrices de O-D válidas, pues no podemos obviar que hay lugares donde las tarjetas de créditos cumplen muchas más funciones, como puede ser en campus universitarios de EEUU, donde usan la misma tarjeta de crédito tanto para compras, como para acceder a instalaciones, servicios de bibliotecas, restaurantes e incluso en los autobuses del campus. Todo ello conlleva que para una comunidad de este tipo, el análisis de la información que facilita una tarjeta de estas características puede tener una gran fiabilidad, como ocurre en el estudio de la movilidad realizado en el campus de la universidad de Buffalo con la denominada UB Card (Ebadi et al. 2017). En este estudio se realizan dos algoritmos para construir patrones de actividad-movilidad utilizando las transacciones con la tarjeta UB Card como única entrada. Como indicaba Moro, la ventaja de la tarjeta de crédito es la gran cantidad de información que se puede obtener (disponemos de información de todos sus accesos, movimientos y compras), si bien la frecuencia es menor. En este caso de la Universidad de Buffalo, este inconveniente desaparece en gran medida porque los estudiantes usan cotidianamente la tarjeta para todos sus servicios, con lo cual no cabe duda de que en estos casos se convierte en un método de gran utilidad para entender los patrones de los usuarios. 4.2.4. Redes Sociales A la hora de analizar la movilidad de los ciudadanos y obtener una matriz de OrigenDestino, las nuevas fuentes vistas hasta ahora mejoran en muchos casos las antiguas, en cuanto a actualización, pero no dejan de tener límites de vigencia, costes, precisión o representatividad de la población. Así, hemos visto que algoritmos para obtener óptimas matrices de movimientos a partir del seguimiento de las llamadas de teléfonos móviles entre celdas requiere la colaboración con las operadoras de telefonía, la asimilación de las ‘celdas’ de telefonía con las zonas georreferenciadas en otras fuentes (para comparar datos socioeconómicos), y el no disponer de los datos en tiempo real. Las tarjetas inteligentes de transporte suponen la limitación del estudio a los ciudadanos que operan con esos medios de transporte, la colaboración con las entidades que los operan, y que sea una única operadora para recabar toda la información. En el caso de las tarjetas de crédito, salvo para casos excepcionales como el campus universitario de Buffalo, supone el registro solo de los movimientos que se refieren a consumo, obviando los desplazamientos familiares o de trabajo. Con la llegada de los teléfonos inteligentes o smartphones, con GPS incorporados en su gran mayoría y el acceso continuo a aplicaciones a las que el usuario permite conocer su ubicación geográfica, parece abrirse una fácil fuente de información para geolocalizar a los ciudadanos en cualquier lugar y momento. Sin embargo, para ello tendría que 20 CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO 4.2. NUEVAS FUENTES existir una aplicación generalizada que todos los usuarios usaran y facilitaran permisos de geolocalización anónima a algún organismo, solo con afán de que este conociese los hábitos poblacionales de desplazamiento, y esto, hoy día, no sabemos de su existencia. A pesar de todo, hay cientos de aplicaciones a las que el usuario les da autorización permitiendo su geolocalización. Entre las más importantes, por su uso generalizado, se encuentran varias redes sociales (Twitter, Foursquare, Facebook, Instagram. ..), en las que el usuario, en muchos casos, permite a su smartphone adjuntar coordenadas geográficas con su geolocalización. Esta información geolocalizada es bastante precisa, pues la da el GPS del celular. También existen otras aplicaciones que piden autorización para geolocalizarte, como la de Transportes Urbanos de la ciudad, la de cualquier uso de vehículos compartidos, las de taxi, Uber.. . Cualquier empresa que tiene esta información podría hacer un estudio de origen-destino, al menos de sus usuarios. Entre las RRSS comentadas, analizamos Twitter por la facilidad que da a cualquier usuario a acceder a esta información de ubicaciones, tan solo solicitando un usuario de desarrollo, y que hemos comprobado que Twitter facilita en unos días, una vez comprobado que el usuario cumple las condiciones y compromisos exigidos. Este usuario permite, mediante la programación de determinadas API’s, obtener de los Tweets las coordenadas georreferenciadas de la ubicación del usuario, siempre que el usuario haya permitido lanzar esta información. El problema radica precisamente en que haya un número suficiente de usuarios que emiten tweet y permiten compartir la información de ubicación. Si en la ciudad que queremos estudiar existiese un número muy alto de usuarios de esta red social, que sean activos y que además tengan permitida la transferencia de datos de ubicación, dispondríamos de una potente herramienta como fuente de datos, no dependiente de ninguna empresa u organismo, gratuita, que no solo podría darnos matrices de Origen Destino, sino que, según la cantidad de tweet geolocalizados, podríamos hacer matrices continuamente, estimando patrones para cada día y hora. El inconveniente que vemos a priori sería el sesgo del tipo de población que puede escribir tweets georreferenciados o que, como hemos indicado, estos usuarios sean demasiado escasos respecto a la población estudiada. Analizados los estudios realizados, encontramos casos de éxito, como el realizado en Kenia (Blanford 2015), en el que hicieron un seguimiento durante 10 meses (entre junio2013 y marzo-2014) de los tweets habidos en todo el país, con un total de 28.335 usuarios únicos y 720.149 tweets (4.921 tweets diarios), lo que supone una muestra de usuarios de 1,2% de la población con teléfono móvil, lo que en el estudio consideran como datos ‘suficientemente buenos’. Este porcentaje de usuarios geolocalizados no se aleja mucho del estudio realizado por Cheng et al. (2010) que, aunque se hizo hace 10 años y un decenio es mucho tiempo en Redes Sociales, no encontramos estudios desde entonces que hayan comprobado algún cambio en este porcentaje. Sí sabemos que existe un porcentaje mucho mayor de tweets autoinformados sobre su ubicación, pero esto, además de ser poco fiable, porque las informaciones pueden ser falsas o inventadas (Hecht et al. 2011) sería en cualquier caso poco útil para nuestro análisis, ya que esas informaciones que suele meter el propio usuario de su ubicación suelen referirse, de ser ciertas, al municipio y no al barrio o distrito, por lo que en ningún caso serviría para poder realizar matrices de O-D dentro del municipio. Dado que ese 1% de Tweet no es un dato que se considere suficiente, se han realizado también estudios para inferir las ubicaciones a partir de los metadatos (Ribeiro & Pappa CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO 21 4.2. NUEVAS FUENTES 2017), algunos con resultados bastante buenos, pero que en el mejor de los casos nos da una precisión de 100 kms a la redonda, lo que nos descarta esos estudios para nuestro análisis de movilidad municipal. 4.2.5. Sistemas Operativos Nos queda como último recurso la información que puede obtenerse por los propios Sistemas Operativos de los smartphones, que como podemos ver en esta gráfica de Statista (https://www.statista.com/statistics/272307/market-share-forecast-for-smartphoneoperating-systems/) en 2023 está monopolizada por Alphabet (Android) y Apple. Figura 4.7: Gráfico Reparto Sistemas Operativos Ambos sistemas permiten que el usuario envíe a sus servidores sus datos de localización exacta, y aunque es una opción no habilitada por defecto, son muchos los usuarios que conceden su permiso porque esto les permite acceder a funcionalidades que considera interesantes. De esta forma, Alphabet (empresa matriz de Google) y Apple se supone que tienen una extensa información estadística sobre la movilidad de los usuarios que disponen de teléfonos con sus sistemas operativos. El problema es que hablamos de suposiciones porque Google y Apple no disponen de esta información de forma pública, y son poco transparentes a decir incluso si venden esa información. No obstante, en el momento en el que estamos escribiendo este trabajo, que es periodo de confinamiento debido a la pandemia de la COVID-19, tanto Apple como Google están facilitando unos informes de movilidad en las distintas regiones del mundo (https://www.google.com/covid19/ mobility/?), en el que muestran unos análisis en el que llegan al detalle de estimar la población que se desplaza a ‘comercios y ocio’, ‘tiendas de alimentación y farmacias’, ‘parques’, ‘estaciones de tránsito’, ‘lugares de trabajo’ y ‘casa’, lo que nos hace confirmar en gran medida que disponen de información más que precisa del movimiento de la población, información que si se dispusiera en algún momento de forma pública, nos permitiría sin duda realizar matrices de Origen-Destino con bastante calidad. Sin embargo, no hemos podido encontrar ninguna referencia para poder comprar esta información. 22 CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO 4.2. NUEVAS FUENTES 4.2.6. Otras fuentes privadas Además de las grandes multinacionales comentadas, siguen existiendo y creciendo otras empresas pequeñas y grandes que intentan introducirse en el segmento de la movilidad, en parte por el negocio en sí mismo de la movilidad, como hacen CittyMapper o Moovit, que luchan por competir con Google Map en cuanto a dar al usuario la mejor información y opciones de transporte para desplazarse en la ciudad; o bien empresas que tratan de abrirse camino para un futuro de la movilidad urbana autónoma, en el que los vehículos autónomos necesitarán disponer de cuanta información sea posible. En esta línea trabajan empresas como Mobileye. Hemos investigado si existe alguna otra empresa que venda datos sobre la movilidad de los usuarios, a partir de información obtenida de redes sociales o de su propia app y una opción empresarial que parece vender estos análisis, proveniente de sus propios usuarios y de otras fuentes, es Moovit: https://moovit.com/es/maas-solutions-es/urban-mobility-analytics/ 4.2.7. Conclusión sobre las nuevas fuentes La explosión tecnológica de los móviles inteligentes ha supuesto un cambio radical en las posibilidades de obtención de datos geolocalizados de los usuarios, aunque al día de hoy esta información es mayoritariamente privada y poco transparente, salvo la que puede obtenerse de Twitter, que no parece suficiente para realizar matrices de O-D en el interior de una ciudad. Necesitamos por tanto, si queremos trabajar con datos públicos, obtener la información de las encuestas realizadas por entidades locales para adaptarse a las exigencias de Desarrollo Sostenible, si bien estas nos facilitan una información CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO 23 4.2. NUEVAS FUENTES demasiado genérica. La otra opción sería ponerse en contacto con empresas privadas que puedan obtener datos de geolocalización de sus usuarios. En la información proporcionada públicamente, tenemos el inconveniente de que se obtienen de una encuesta realizada puntualmente, entre unas fechas que rápidamente van quedando anticuadas, y en la información privada, obtenida de los datos de geolocalización de los smartphone y tratadas en los big data de las grandes empresas, existe el inconveniente, en principio, de ser análisis estadísticos en los que se prescinde de lo particular, ignorando contextos, situaciones, meteorología, identidad social (género, etnia, clase social y económica) e introduciendo sesgos de desigualdad de acceso tecnológico (Schwanen 2016), por lo que es deseable un tratamiento eficiente de la información que dote a esta de cuanta información contextual sea posible. 24 CAPÍTULO 4. FUENTES PARA MATRICES ORIGEN DESTINO Capítulo 5 CLIENTES OBJETIVOS Una vez conocidas las fuentes que nos permitan obtener datos sobre la movilidad de los ciudadanos en una ciudad, nuestro siguiente paso consiste en encontrar cual es el perfil de cliente o dicho de otra forma, el público objetivo que puede estar interesado en utilizar este tipo de vehículos compartidos. 5.1. Vehículos eléctricos compartidos Hemos comprobado la existencia de multitud de estudios para analizar el mercado de vehículos compartidos, desde coches, coches eléctricos hasta patinetes y bicicletas. La llegada de los vehículos compartidos supone un importante impacto en la movilidad urbana e influye positivamente en la planificación de las ciudades (Shaheen et al. 2015a), son vehículos que contribuyen a mejorar la calidad del aire, la accesibilidad, la habitabilidad y por ende, la calidad de vida, de forma que, en definitiva, facilitan a las ciudades un desarrollo sostenible y por tanto las instituciones públicas recogen regulaciones favorables para su adaptación. Las ventajas del uso compartido son (Barth & Shaheen 2016): Provisión de una alternativa a la movilidad más flexible que el transporte público y más conveniente para la comunidad que el privado. Potencial para reducir costos de transporte de los usuarios y reducir estacionamientos. Mejora de la calidad del aire. Acceso y fomento del uso de modo de transporte más eficientes y respetuosos con el medio ambiente (junto con el tránsito ferroviario). No obstante, los escúteres eléctricos tienen características diferentes de los vehículos de cuatro ruedas, así como de las bicicletas o patinetes eléctricos. El escúter es más accesible y puede llegar más cerca del destino, es más rápido en ciudad y por el contrario es más peligroso y más incómodo con frío, lluvia o calor que el automóvil y, por otra parte, al contrario que bicicletas y patinetes eléctricos, circula por vías urbanas, es más rápido y permite 2 viajeros. 25 5.2. PECULIARIDADES DEL USUARIO DE MOTOCICLETA 5.2. Peculiaridades del usuario de motocicleta El usuario de las motocicletas tiene peculiaridades que lo diferencian del resto y es importante conocer estas características que nos pueden servir de introducción para un usuario objetivo de escúter compartido. Existe mucha literatura que analiza las decisiones que llevan a un usuario a una elección de medio de transporte específica, concluyendo que responden a multitud de factores, entre los que pueden destacarse algunos instrumentales y objetivos (tiempo de viaje, costes... ) pero entre los que destacan con fuerza otros emocionales y no instrumentales, como el simbolismo, el posicionamiento social o la costumbre (Miralles-Guasch et al. 2014). Si nos atuviéramos a los factores objetivos, las ventajas de conducir una motocicleta en grandes ciudades con condiciones climáticas favorables son enormes, pues se evita la congestión y se facilita el aparcamiento, lo que hace que los tiempos de desplazamiento no dependan tanto del tráfico existente (Espié et al. 2013). En uno de los pocos estudios realizados en ciudades europeas comparando tiempos de desplazamiento, en concreto en París (Kopp 2011), se estimó en un 49 % la reducción de tiempos de viaje entre automóvil y motocicleta. Si a ello añadimos la mayor asequibilidad de la motocicleta, parecería obligada la elección de esta como medio de transporte preferente. Sin embargo, esto no es del todo cierto. Si bien es cierto que se ha demostrado, por ejemplo durante el periodo de crisis 20082012, que mientras el mercado de automóviles descendía, el de motocicletas continuaba aumentando (Sobrino & Monzón 2014), la motocicleta no es la mayoritariamente elegida por la población urbana para sus desplazamientos en vehículo privado (22% en Barcelona), sino que sigue siendo el automóvil, probablemente porque el usuario sigue anteponiendo su comodidad y su seguridad, además de otros criterios menos objetivos. Adentrándonos más en el usuario de la motocicleta, analizamos el estudio del usuario de motocicleta realizado en Barcelona (Marquet & Miralles-Guasch 2016), basadas en las encuestas EMEF 2004 y EMEF 2012, realizadas por el Departamento de Política Territorial y Obras Públicas del Gobierno de Cataluña y la Autoridad Metropolitana de Transporte de Barcelona. En este estudio se analiza el uso de la motocicleta en 2004 y 2012, y comprobamos que el usuario de motocicleta es mayoritariamente varón (un 68’8 %), aunque la tendencia es que las mujeres van aumentando su porcentaje de uso. El intervalo de edad de usuarios está entre 30 y 64 años (un 72,1 %). Comprobamos también que la elección de motocicleta como medio de transporte va relacionado con un mayor nivel de estudios reglados y también con que los desplazamientos no sean demasiado largos. No se encuentra relación alguna con el objetivo del desplazamiento. Se deduce en el estudio que los propietarios de motocicleta no suelen usar transporte público ni automóvil, y viceversa, los usuarios de transporte público y automóvil no suelen plantearse la propiedad de una motocicleta. Cabe destacar que entre la valoración de todos los usuarios por el medio de transporte que usan, la mayor puntuación la obtiene la motocicleta (con un 8,12), seguido del transporte público (7’09) y finalmente el coche (6’97). Por otra parte, los usuarios de motocicleta perciben más riesgo (5,45) que los de automóvil (3,7) y que los primeros, a mayor uso, menor riesgo perciben, aunque también podría interpretarse que a menor riesgo perciben, mayor uso. 26 CAPÍTULO 5. CLIENTES OBJETIVOS 5.3. ESTUDIOS SOBRE SCOOTER-SHARING Finalmente, cabe destacar por qué se prefiere usar la motocicleta al Transporte Público, concluyendo que es básicamente porque es más rápido (35’3%), más cómodo (23’3%) y más barato (14’6%). Por el contrario, el factor que lleva a los usuarios de automóvil a preferirlo al transporte público es que es más cómodo (28’8 %) y más rápido (21’9). Nos encontramos por tanto con un medio de locomoción que satisface más a sus usuarios que el uso del automóvil a los automovilistas. Un medio de locomoción que es también seleccionado por criterios económicos. Y sin embargo, hay una gran parte de la población que no lo usa. Para nuestro estudio, sería importante averiguar el factor que determina a los usuarios a inclinarse mayoritariamente por el automóvil. Aunque podemos suponer que este factor es en gran medida el ‘riesgo’ (que los motoristas autovaloran muy superior a los automovilistas), en las encuestas de este análisis no se concluye si es ciertamente el ‘riesgo’, y echamos en falta preguntas a motoristas y automovilistas de la valoración de riesgo que les supone el otro vehículo, lo que podría darnos una orientación de si realmente los conductores de automóvil perciben mucho mayor riesgo en la motocicleta. Igualmente sería interesante conocer otras variables que pudieran influir en esa percepción de riesgo, como ‘estado civil’ o ‘número de hijos’. Todo ello nos podría servir para encontrar cuales serían clientes potenciales de una moto de alquiler. 5.3. Estudios sobre scooter-sharing Si bien la literatura sobre los nuevos sistemas de movilidad, como car-sharing o bicicletas compartidas (eléctricas o no) es amplia, los estudios y análisis sobre el caso concreto de los escúteres compartidos es mínima. En 2012 nació la primera empresa de scooter-sharing en San Francisco, y como hemos visto, desde entonces las ofertas de esta modalidad de transporte no han dejado de crecer. La fórmula que se ha consolidado y que es ya habitualmente usada es que el usuario solo paga una tarifa de uso y el operador se encarga del combustible, el estacionamiento y el mantenimiento (Shaheen et al. 2015b). Hemos visto que es preferible a las bicicletas eléctricas en ciudades con abundancia de cuestas, así como para distancias largas o para un viaje con prisas (Kafyeke 2017). Hemos comprobado que a día de hoy el 99 % son de flotación libre (Howe & Jakobsen 2019). 5.3.1. Clusterización de clientes de escúteres compartidos Hemos encontrado un muy interesante artículo de agrupación o clusterización de clientes realizado a partir de los datos suministrados por el proveedor de escúter eléctricos de una gran ciudad alemana (Degele et al. 2018). Dada la cantidad de datos existentes, los autores optaron por realizar una agrupación jerárquica de una muestra elegida al azar, para decidir el número de agrupaciones y finalmente realizar una partición k-media. Se seleccionaron 5 variables para realizar la clusterización, que fueron ‘número de viajes’, ‘edad’, ‘distancia recorrida’, ‘tiempo de uso’ e ‘ingresos por cliente’. Dado que se encontró una correlación entre ‘distancia recorrida’ y ‘tiempo de uso’, se eliminó esta última. Para la agrupación jerárquica se utilizó la distancia euclídea y el enlace promedio con una muestra de 100 elementos y se comprobó que la agrupación óptima era de cuatro CAPÍTULO 5. CLIENTES OBJETIVOS 27 5.3. ESTUDIOS SOBRE SCOOTER-SHARING grupos. Se procedió a continuación a realizar una agrupación tipo partición k-media para obtener 4 grupos. El número de registros para analizar obtenidos tras la depuración fueron 3513, lo que superaba ampliamente los 16 (24) necesarios para realizar 4 grupos. Como las variables trabajan con diferentes escalas y proveniencias se normalizaron los datos. Con todo ello, se obtuvieron los siguientes cluster (fig.5.1) Figura 5.1: Tabla resultados clusterización En el mismo artículo nos representan en un gráfico tridimensional la situación de los cluster, por colores (fig.5.2) El resultado del estudio se validó creando agrupaciones similares con otros proveedores con las mismas características en otras ciudades alemanas, comprobando que los porcentajes de la distribución por conglomerados eran muy similares. La conclusión es que podemos clasificar los potenciales clientes en 4 grupos: Primero tenemos un grupo denominado ‘cluster 0’, que podríamos denominar ‘usuarios potentes’ que son los usuarios que utilizan el escúter entre semana, por lo que puede suponerse que realizan desplazamientos de trabajo y otras citas. Tienen una media de edad de 34 años y son sin dudas los más interesantes para cualquier proveedor, dado que suponen el 4’41% de los usuarios que generan el 41’46% de los ingresos. En segundo lugar por interés empresarial tenemos el denominado ‘cluster 2’ que es el de ‘usuarios ocasionales menores de 40’. Son usuarios jóvenes, que utilizan el escúter compartido ocasionalmente, generalmente los fines de semana, por lo que se relaciona con desplazamientos rápidos o imprevistos en momentos de ocio. Los ingresos que generan son pequeños, pero el grupo es muy amplio (un 58’24 % de los usuarios) y por tanto con ellos se consigue otro 41’19% de los ingresos. En tercer lugar el grupo ‘cluster 1’, o ‘usuarios ocasionales mayores de 40’ que tiene un perfil de uso muy parecido al ‘cluster 2’, pero en este caso para mayores de 40 años. El número de usos y distancias es ligeramente menor que el de los jóvenes, con diferencias poco significativas, utilizándolo también para desplazamientos ocasionales en fin de semana. Sin embargo el número de usuarios es menor (un 23’63%), por lo que los ingresos que ocasionan bajan a un 16’17 %. Finalmente tenemos el ‘cluster 3’ o ‘usuarios únicos’, que han utilizado el escúter una única vez, por lo que en principio no han generado prácticamente ingresos y su interés puede estar en su potencial para pasar a formar parte de alguno de los otros grupos. Sin embargo, aunque el trabajo de Degele y otros nos realiza una valiosa clasificación del tipo de usuarios por características de edad y uso, nos encontramos aún para nuestro 28 CAPÍTULO 5. CLIENTES OBJETIVOS 5.3. ESTUDIOS SOBRE SCOOTER-SHARING Figura 5.2: Tridimensionales de clusters CAPÍTULO 5. CLIENTES OBJETIVOS 29 6.2. ZONAS ÓPTIMAS PARA LA DISPONIBILIDAD DE LOS ESCÚTERES EN SEVILLA. al usuario distintos precios para conseguir equilibrar las zonas y minimizar la posibilidad de que queden algunas con falta de oferta. Lo cierto es que tras analizar los fuentes existentes, no hemos conseguido obtener los datos de demanda que hubiéramos querido. Por una parte, los datos de movilidad se limitan a una única matriz de Origen-Destino genérica, sin establecer diferenciación entre días de la semana o fines de semana y mucho menos entre horas, agrupada únicamente en 12 distritos de Sevilla. Por otra parte los datos del tipo de cliente, solo hemos obtenido una encuesta online de la que tenemos únicamente los resultados finales, en odd ratios, lo cual sólo nos sirve para saber qué variables de los posibles clientes son significativas y en qué proporción respecto a un valor base. Pero con todo ello, no podemos encontrar una función que nos estime de forma matemática el número de clientes que pudiera existir en cada sección censal. 6.2. Zonas óptimas para la disponibilidad de los escúteres en Sevilla. No obstante, aún no teniendo datos precisos, hemos decidido realizar una aproximación a modo de ejemplo de lo que podríamos obtener con datos válidos. Para determinar el porcentaje de clientes, usaremos los resultados obtenidos de la encuesta de Gomez & Sobrino (2020). En ella se diferencia de forma univariante la probabilidad de que un usuario realice un viaje, en el caso de ser hombre o mujer, o según 4 tramos de edad o 4 tramos de renta. Podemos observar los resultados en la siguiente tabla: Cuadro 6.1: Prob. de usar escúter eléctrico según encuesta ocasional frecuente hombre 0.187 0.117 mujer 0.103 0.037 ed_25 0.166 0.030 ed_26_34 0.196 0.167 ed_35_49 0.160 0.120 ed_50 0.047 0.047 in_0 0.144 0.032 in_1000 0.194 0.139 in_1000_2000 0.132 0.047 in_2000 0.175 0.175 De la matriz O-D obtenida en el ‘Diagnóstico’ del Ayuntamiento de Sevilla, vamos a quedarnos con los datos de las macrozonas generadoras de viajes, sirviéndonos como datos del número de desplazamientos estimados que se generan diariamente en cada macrozona. A partir de datos del padrón continuo del INE a 2019 obtenemos para cada sección censal la población total, por sexo y por tramo de 5 años de edad (que hemos convertido de forma proporcional a los tramos que tenemos en la tabla anterior) y de la web experimental del INE hemos obtenido datos de renta personal por sección censal a 2017 (de la cual también 36 CAPÍTULO 6. APLICACIÓN PRÁCTICA SOBRE SEVILLA 6.2. ZONAS ÓPTIMAS PARA LA DISPONIBILIDAD DE LOS ESCÚTERES EN SEVILLA. hemos realizado una estimación para la adaptarlo a los mismos intervalos valorados en la encuesta). Con todo ello, hemos podido generar una estimación del número de viajes generados en cada sección censal según el sexo de los residentes, otra estimación según la edad de los residentes y una última estimación según la renta estimada de los residentes de esa sección censal. Finalmente tendríamos que encontrar el peso a dar a cada una de las variables estimadas, que no podemos calcular y por tanto, hemos realizado dos valoraciones, una con pesos iguales para cada variable y otra en la que damos 3/6 a sexo, 2/6 a edad y 1/6 a renta. También hemos realizado las estimaciones de viajeros ‘frecuentes’ y la estimación de viajeros ‘ocasionales’, según la misma denominación dada en la encuesta. De esta forma, nos salen 2 gráficos de estimaciones de viajes frecuentes (para pesos iguales y para pesos diferentes) y otros dos gráficos para viajeros ocasionales. Como podemos comprobar, la diferencia de estimación final de viajes usando un modelo de pesos u otro es muy pequeña. Viajes FRECUENTES estimados con pesos iguales para edad, sexo y renta Nº Viajes 1.78 to 12.02 12.02 to 18.64 18.64 to 24.73 24.73 to 32.18 32.18 to 48.89 Missing 0 10 20 30 40 50 60 10 20 30 40 Viajes FRECUENTES estimados con pesos 1/2 para edad, 1/3 sexo y 1/6 renta Nº Viajes 1.79 to 11.72 11.72 to 18.09 18.09 to 24.11 24.11 to 31.47 31.47 to 48.18 Missing 0 10 20 30 40 50 60 10 20 30 40 CAPÍTULO 6. APLICACIÓN PRÁCTICA SOBRE SEVILLA 37 6.2. ZONAS ÓPTIMAS PARA LA DISPONIBILIDAD DE LOS ESCÚTERES EN SEVILLA. Viajes OCASIONALES estimados con pesos iguales para edad, sexo y renta Nº Viajes 3.01 to 20.36 20.36 to 31.54 31.54 to 42.14 42.14 to 55.36 55.36 to 84.02 Missing 0 10 20 30 20 40 60 80 Viajes OCASIONALES estimados con pesos 1/2 para edad, 1/3 sexo y 1/6 renta Nº Viajes 3.00 to 19.89 19.89 to 30.70 30.70 to 41.03 41.03 to 54.38 54.38 to 83.48 Missing 0 10 20 30 20 40 60 80 Finalmente hemos realizado un gráfico sumando la demanda de viajeros frecuentes y viajeros ocasionales, lo que entendemos puede darnos una idea, si no exacta del número de viajes esperados en cada sección censal, sí creemos que puede ser fiable para determinar las secciones censales de mayor demanda esperada: Valdezorras Aeropuerto Viejo Pino Montano San Jerónimo Ciudad Jardín San Bernardo La Buhaira Nervión El Cano−Los Bermejales Heliópolis Pedro Salvador−Las Palmeritas Sector Sur−La Palmera−Reina Mercedes Huerta de Santa Teresa San José Obrero San Pablo C Santa Cruz Arenal Alfalfa Museo San Vicente Feria San Lorenzo La Plata El Cerro Juan XXII Palmete Santa Aurelia−Cantábrico−Atlántico−La Romería Los Pájaros Tablada Los Remedios Doctor Berraquer−Renfe−Policlínico Los Príncipes−La Fontanilla Las Huertas Santa Clara Tabladilla−La Estrella Polígono Sur El Porvenir La Juncal−Híspalis Huerta de la Salud Prado−Parque de Maria Luisa El Tardón−El Carmen Triana Este Triana−Casco Antiguo Cartuja Colores−Entreparques Palacio de Congresos−Urbadiez−Entrepuentes Puerto de Sevilla Bellavista Triana Oeste Torreblanca de los Caños Jardines del Edén−Parque Alcosa El Gordillo La Bachillera Barriada de Pineda Viajes TOTALES estimados (con pesos iguales) Nº Viajes 4.8 to 31.8 31.8 to 48.8 48.8 to 64.9 64.9 to 86.1 86.1 to 131.7 Missing 0 10 20 30 40 50 20 40 60 80 100 120 Por último, queremos comparar nuestros resultados con el mapa de cobertura de las 38 CAPÍTULO 6. APLICACIÓN PRÁCTICA SOBRE SEVILLA 6.2. ZONAS ÓPTIMAS PARA LA DISPONIBILIDAD DE LOS ESCÚTERES EN SEVILLA. empresas existentes. Para ello, hemos realizado el mismo mapa, pero agrupando todas las zonas mejores y dejando una zona con las zonas de menor petición de escúteres, lo que podríamos valorar como zonas en las que no merecería la pena llevar las motocicletas y por tanto, zonas descartables. Valdezorras Aeropuerto Viejo Pino Montano San Jerónimo Ciudad Jardín San Bernardo La Buhaira Nervión El Cano−Los Bermejales Heliópolis Pedro Salvador−Las Palmeritas Sector Sur−La Palmera−Reina Mercedes Huerta de Santa Teresa San José Obrero San Pablo C Santa Cruz Arenal Alfalfa Museo San Vicente Feria San Lorenzo La Plata El Cerro Juan XXII Palmete Santa Aurelia−Cantábrico−Atlántico−La Romería Los Pájaros Tablada Los Remedios Doctor Berraquer−Renfe−Policlínico Los Príncipes−La Fontanilla Las Huertas Santa Clara Tabladilla−La Estrella Polígono Sur El Porvenir La Juncal−Híspalis Huerta de la Salud Prado−Parque de Maria Luisa El Tardón−El Carmen Triana Este Triana−Casco Antiguo Cartuja Colores−Entreparques Palacio de Congresos−Urbadiez−Entrepuentes Puerto de Sevilla Bellavista Triana Oeste Torreblanca de los Caños Jardines del Edén−Parque Alcosa El Gordillo La Bachillera Barriada de Pineda Viajes TOTALES estimados (con pesos iguales). Zonas descartables Nº Viajes 0.0 to 31.8 31.8 to 131.7 Missing 0 10 20 30 40 50 20 40 60 80 100 120 Si comparamos este gráfico con el de cobertura de Muving (por ejemplo), observamos que ciertamente tienen muchas coincidencias (salvando que el nuestro recoge toda la extensión de secciones censales, mientra que el Muving está recortado sin importar límites de secciones censales). No obstante, también comprobamos que Muving tiene descartada zonas, que desde un punto objetivo tendrían demanda, como el Polígono San Pablo o una gran extensión en la zona Sur, eliminación que aparentemente no se debe a razones objetivamente rentables, sino probablemente a otras razones más subjetivas. CAPÍTULO 6. APLICACIÓN PRÁCTICA SOBRE SEVILLA 39 6.2. ZONAS ÓPTIMAS PARA LA DISPONIBILIDAD DE LOS ESCÚTERES EN SEVILLA. Figura 6.1: mapa muving 40 CAPÍTULO 6. APLICACIÓN PRÁCTICA SOBRE SEVILLA Capítulo 7 CONCLUSIONES El resultado obtenido no ha sido el esperado en un siglo en el que una gran mayoría de la población lleva un teléfono inteligente que le tiene geolocalizado, que le indica dónde se encuentra el mejor restaurante más cercano, a que hora llega el siguiente autobús o dónde se ubica el vehículo compartido más proximo. Por un lado, apreciamos una gran escasez de estudios de demanda, pues sólo hemos encontrado un estudio de clusterización en Alemania y una encuesta en España, que además no nos ha aportado demasiadas garantías, al haberse realizado sobre una población muy sesgada y de la que no hemos obtenido mucha información significativa en su análisis multivariante. Por otro lado, la información sobre movimientos de la ciudadanía, que esperábamos fuera en la actualidad muy potente, sigue estando limitada a la obtenida por los organismos públicos, pues aunque todos sabemos que las grandes corporaciones digitales disponen de una ingente información sobre nuestros desplazamientos, básicamente porque bastantes app utilizadas en nuestros smartphones les facilitan continuamente nuestra ubicación, parece una información demasiado valiosa y delicada que las empresas no están muy dispuestas a compartir. En la parte positiva, la evolución en los últimos años de las entidades públicas como el INE, que siguen una continua y vertiginosa adaptación a los tiempos facilitando importante información georreferenciada de la población, siempre de forma anonimizada. Con todo ello, hemos podido realizar una simulación de mapas de demanda, únicamente en cuanto a las secciones censales generadoras de viajes, dejando para un trabajo futuro la posibilidad de estudiar, a ser posible con mejores datos, dónde estaría la demanda a la hora de volver a casa. Nos quedamos pendiente también para futuros trabajos, realizar nuestro propio análisis de localización de usuarios a través de Twitter, para comprobar cuántas personas en Sevilla se encuentran geolocalizadas voluntariamente en Twitter y valorar la posibilidad de crear matrices de Origen-Destino a partir de ellos. 41 Bibliografía Allaire, J., Xie, Y., McPherson, J., Luraschi, J., Ushey, K., Atkins, A., Wickham, H., Cheng, J., Chang, W. & Iannone, R. (2020). Rmarkdown: Dynamic documents for r. Banister, D. (2003). Critical pragmatism and congestion charging in london. International Social Science Journal,55, 249–264. Banister, D. (2008). The sustainable mobility paradigm. Transport policy,15, 73–80. Banister, D. & Hickman, R. (2007). How to design a more sustainable and fairer built environment: Transport and communications. Intelligent Transport Systems, IEE Proceedings,153, 276–291. Banister, D. & Marshall, S. (2000). Encouraging transport alternatives: Good practice in reducing travel. Stationery Office. Barth, M. & Shaheen, S. (2016). Classification of shared vehicle systems. Batty, M. (2013). Big data, smart cities and city planning. Dialogues in Human Geography,3, 274–279. Blanford, J. (2015). Geo-located tweets. enhancing mobility maps and capturing crossborder movement. PLoS ONE,10. Bosque-Sendra, J. (2015). Neogeografía, big data y tig: Problemas y nuevas posibilidades. Polígonos. Revista de Geografía, 165. Caceres, N., Romero, L., Benitez, F. & Del Castillo, J. (2012). Traffic flow estimation models using cellular phone data. Intelligent Transportation Systems, IEEE Transactions on,13, 1430–1441. Cass, N., Shove, E. & Urry, J. (2005). Social exclusion, mobility and access1. The Sociological Review,53, 539–555. Cepolina, E. & Farina, A. (2012). A new shared vehicle system for urban areas. Transportation Research Part C Emerging Technologies,21. Cheng, Z., Caverlee, J. & Lee, K. (2010). You are where you tweet: A content-based approach to geo-locating twitter users. International Conference on Information and Knowledge Management, Proceedings, pp. 759–768. Clarke, M. (2016). Big data in transport. Institution of Engineering and Technology Sector Insights, 1–70. Dahl, D.B., Scott, D., Roosen, C., Magnusson, A. & Swinton, J. (2019). Xtable: Export tables to latex or html. Degele, J., Gorr, A., Haas, K., Kormann, D., Krauss, S., Lipinski, P., Tenbih, M., 43 Bibliografía Koppenhoefer, C., Fauser, J. & Hertweck, D. (2018). Identifying e-scooter sharing customer segments using clustering. pp. 1–8. Ebadi, N., Kang, J. & Hasan, S. (2017). Constructing activity-mobility trajectories of college students based on smart card transaction data. International Journal of Transportation Science and Technology,6. Espié, S., Boubezoul, A., Aupetit, S. & Bouaziz, S. (2013). Data collection and processing tools for naturalistic study of powered two-wheelers users’ behaviours. Accident; analysis and prevention,58. Europe, E. (2015). Big data europe for smart , green and integrated transport 1st workshop report. 22th World Congress on ITS. Galouchko, K. (2020). Wall street mines apple and google mobility data to spot revival. Bloomberg. García Paredes, I. (2013). La movilidad cotidiana en las regiones urbanas de andalucía. la movilidad por razón de trabajo (J. de Andalucía, Ed.). Junta de Andalucía. Gomez, J. & Sobrino, N. (2020). Exploring the adoption of moped scooter-sharing systems in spanish urban areas. Cities, 102424. Gutiérrez-Puebla, J., García Palomares, J.C. & Henar Salas-Olmedo, M. (2016). Big (geo)Data en ciencias sociales: Retos y oportunidades. Revista de Estudios Andaluces, 1–33. Hecht, B., Hong, L., Suh, B. & Chi, E. (2011). Tweets from justin bieber’s heart: The dynamics of the ‘location’ field in user profiles. Conference on Human Factors in Computing Systems - Proceedings, pp. 237–246. Howe, E. & Jakobsen, F.J. (2019). Global scooter sharing market report. IECA. (2019). Demarcaciones censales, de datos espaciales de referencia de andalucía (dera). Illgen, S. & Höck, M. (2018). Literature review of the vehicle relocation problem in one-way car sharing networks. Transportation Research Part B: Methodological,120. INE. (2019). Atlas de distribución de renta de los hogares. indicadores de renta media. Jorge, D. & Homem de Almeida Correia, G. (2013). Carsharing systems demand estimation and defined operations: A literature review. European Journal of Transport and Infrastructure Research,13, 201–220. Kafyeke, T. (2017). Sharing is caring: The rise of electric scooters. RESET. Digital for Good. Kopp, P. (2011). The unpredicted rise of motorcycles: A cost benefit analysis of the paris case. Transport Policy,18, 613–622. Li, X., Ma, J., Cui, J., Ghiasi, A. & Zhou, F. (2016). Design framework of large-scale oneway electric vehicle sharing systems: A continuum approximation model. Transportation Research Part B: Methodological,88, 21–45. Li, T., Sun, D., Peng, J. & Yang, K. (2018). Smart card data mining of public transport destination: A literature review. Information,9, 18. Luque-Calvo, P.L. (2017). Escribir un trabajo fin de estudios con r markdown. Disponible 44 CAPÍTULO 7. CONCLUSIONES Bibliografía en http://destio.us.es/calvo. Lyons, G. & Kenyon, S. (2003). Social participation, personal travel and internet use. Lyons, G. & Urry, J. (2005). Travel time use in the information age. Transportation Research Part A: Policy and Practice,39, 257–276. Marquet, O. & Miralles-Guasch, C. (2016). City of motorcycles. on how objective and subjective factors are behind the rise of two-wheeled mobility in barcelona. Transport Policy,52, 37–45. Martin, E. & Shaheen, S. (2016). Impacts of car2go on vehicle ownership, modal shift, vehicle miles traveled, and greenhouse gas emissions: An analysis of five north american cities. Miralles-Guasch, C. & Melo, M. (2013). Las fuentes de información sobre movilidad: La visión de los profesionales. ejemplo de aplicación de metodología delphi. Rev Transp Territ,8, 100–116. Miralles-Guasch, C., Melo, M. & Marquet, O. (2014). On user perception of private transport in barcelona metropolitan area: An experience in an academic suburban space. Journal of Transport Geography,36, 24–31. Moro, E. (2016). Ciudades movilidad y social media. VII Congreso Estatal RITSI. Módenes, J.A. (2008). Movilidad espacial, habitantes y lugares: Desafíos conceptuales y metodológicos para la geodemografía. Estudios Geográficos. CSIC,69, 157–178. Nair, R. & Miller-Hooks, E. (2014). Equilibrium network design of shared-vehicle systems. European Journal of Operational Research,235, 47–61. Noland, R.B. & Polak, J.W. (2002). Travel time variability: A review of theoretical and empirical issues. Transport Reviews,22, 39–54. Osorio Arjona, J. & García-Palomares, J. (2017). Nuevas fuentes y retos para el estudio de la movilidad urbana. Cuadernos Geográficos, Universidad de Granada (0210-5462), 56 , 247–267. Pronello, C., Longhi, D. & Gaborieau, J.-B. (2018). Smart card data mining to analyze mobility patterns in suburban areas. Sustainability,10, 3489. R Core Team. (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Ribeiro, J. & Pappa, G. (2017). Strategies for combining twitter users geo-location methods. GeoInformatica, 1–25. RStudio Team. (2015). RStudio: Integrated development environment for r. RStudio, Inc., Boston, MA. Sánchez, R., Timbiano, R. & Medina, W. (2009). Servicio de localización a traves de una red umts. Schwanen, T. (2016). Geographies of transport ii: Reconciling the general and the particular. Progress in Human Geography,41. Shaheen, S., Chan, N. & Micheaux, H. (2015a). One-way carsharing’s evolution and operator perspectives from the americas. Transportation,42. Shaheen, S., Chan, N., Bansal, A. & Cohen, A. (2015b). Shared mobility: A sustainability CAPÍTULO 7. CONCLUSIONES 45