Análisis del tráfico de pasajeros en una muestra global de aeropuertos

28 Proyecto Fin de Carrera Ingeniería de Telecomunicación Formato de Publicación de la Escuela Técnica Superior de Ingeniería Autor: F. Javier Payán Somet Tutor: Juan José Murillo Fuentes Dep. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2013 Trabajo Fin de Grado Grado en Ingeniería Aeroespacial Análisis del tráfico de pasajeros en una muestra global de aeropuertos Autor: Candela Zarazaga Cruces Tutor: José María del Castillo Granados Dpto. Ingeniería y Ciencia de los Materiales y del Transporte Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2025 Trabajo Fin de Grado Grado en Ingeniería Aeroespacial Análisis del tráfico de pasajeros en una muestra global de aeropuertos Autor: Candela Zarazaga Cruces Tutor: José María del Castillo Granados Catedrático de Universidad Dpto. Ingeniería y Ciencia de los Materiales y del Transporte Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2025 Trabajo Fin de Grado: Análisis del tráfico de pasajeros en una muestra global de aeropuertos Autor: Candela Zarazaga Cruces Tutor: José María del Castillo Granados El tribunal nombrado para juzgar el trabajo arriba indicado, compuesto por los siguientes profesores: Presidente: Vocal/es: Secretario: acuerdan otorgarle la calificación de: El Secretario del Tribunal Fecha: Agradecimientos E n primer lugar, a mi tutor, que ha estado desde el primer día al pie del cañón y sin su ayuda y recomendaciones no habría sido capaz de realizar este trabajo. En segundo lugar, al piragüismo y toda la gente que éste engloba. Mi vía de escape y desahogo, los que habéis permanecido de principio a fin, los que estuvisteis y los que estáis, formáis parte de esta historia. A Ángeles y Pino, mis dos soles, los que me han acompañado en este camino tan arduo, me han sujetado y han llorado y reído conmigo; sin vosotros esto no sería posible. A mis padres; Papá, gracias por tu exigencia diaria y confianza en mí aunque me haya tropezado con mil piedras, al final había faro. Mamá, mi fan número 1 y apoyo incondicional, aquí estoy finalmente con mi bandera. A Javi, por ser el abrazo que más echo de menos diariamente, mi confidente y a Nico, referente de lo que es no rendirse y luchar por lo que quieres, os quiero mucho. Por último, al abuelito, por ser mi guía desde el cielo, te siento siempre a mi lado; lo prometido es deuda. Este final y comienzo también te pertenecen. Sevilla, 2025 I Resumen S e aborda un análisis comparativo y detallado del tráfico de pasajeros en una muestra global de aeropuertos, representando siete países clave: España, Italia, Reino Unido, Estados Unidos, Japón, Alemania y Francia, usando datos correspondientes al año 2022. La investigación se enfoca en analizar la influencia territorial de los aeropuertos, su distribución geoespacial, así como la estacionalidad y las desigualdades en el tráfico aéreo mediante el uso de herramientas estadísticas y geoespaciales avanzadas, desarrolladas en el software MATLAB®(versión R2024b). Inicialmente, se incorpora un análisis de estacionalidad y concentración del tráfico utilizando indicadores estadísticos clave, como el índice de Gini y el coeficiente de variación (CV). Estos indicadores permiten evaluar la desigualdad temporal y la concentración del tráfico en aeropuertos específicos, identificando patrones estacionales en el tráfico aéreo y cómo estos afectan la conectividad de las diferentes regiones de cada país. De esta forma, el trabajo no solo examina las dinámicas locales de tráfico en cada país, sino también la distribución global de la conectividad aérea. A la par, el estudio se centra en el cálculo de un índice innovador, denominado índice z(j) , que mide la influencia relativa de los aeropuertos en el territorio circundante, ponderando tanto la distancia de puntos geográficos dentro de cada país hasta los aeropuertos como el volumen de tráfico anual que cada uno maneja. Este índice permite identificar de forma precisa la conexión de cada área con los aeropuertos principales, brindando una representación geoespacial clara de la distribución de la influencia de estos aeropuertos sobre el territorio. Además de los análisis temporales y geoespaciales, se realiza una comparación internacional entre los sistemas aeroportuarios de los países estudiados, utilizando la distancia de variación total (TV distance) entre las distribuciones normalizadas del índice z(j) para cada nación. A partir de estos resultados, se construye un dendrograma mediante técnicas de agrupamiento jerárquico (clustering), lo que permite agrupar los países según la similitud estructural de sus redes aeroportuarias. Este enfoque aporta una visión integral sobre las diferencias y similitudes en la estructura y la eficiencia de los sistemas aeroportuarios a nivel global. Entre los resultados más relevantes obtenidos, se identifica una marcada concentración aeroportuaria en países como Reino Unido y Francia, especialmente en las áreas metropolitanas de Londres y París, contrastando con la distribución más equilibrada y descentralizada observada en redes aeroportuarias como las de Estados Unidos y Alemania. Estos hallazgos ofrecen una base sólida y empírica para la planificación aeroportuaria futura, subrayando la necesidad de implementar una gestión más flexible y promover una redistribución eficiente del tráfico aéreo que permita mejorar significativamente la conectividad regional y nacional, así como la equidad territorial en el acceso al transporte aéreo. III XÍndice 4.6.1. España 17 4.6.2. Italia 22 4.6.3. Francia 26 4.6.4. Alemania 31 4.6.5. Reino Unido 35 4.6.6. EEUU 40 4.7. Comparación internacional del grado de estacionalidad 44 5. Análisis Geoespacial de Influencia Aeroportuaria 47 5.1. Metodología del cálculo del índice z(j) 47 5.2. Interpretación del índice z1(j)yz2(j)(aeropuertos más importantes) 47 5.3. Aplicación general a los países 47 5.4. Resultados gráficos y mapas de calor 48 5.5. Análisis por país 48 5.5.1. España 49 5.5.2. Italia 52 5.5.3. Francia 55 5.5.4. Alemania 58 5.5.5. Reino Unido 61 5.5.6. Japón 64 5.5.7. EE.UU. 67 5.6. Comparativa general de z(j) 70 6. Comparativa Internacional 75 6.1. Caso 1: Tráfico aéreo continental y sin ponderación por población 75 6.2. Caso 2: Tráfico aéreo total sin población (incluye islas) 77 6.3. Caso 3: Tráfico aéreo continental con ponderación por población 78 6.4. Caso 4: Tráfico aéreo total ponderado por población (con islas) 79 6.5. Conclusión comparativa de escenarios y selección metodológica 80 7. Discusión y recomendaciones 83 7.1. Implicaciones para la planificación aeroportuaria 83 7.2. Patrones comunes vs. específicos por país 84 7.3. Recomendaciones metodológicas y futuras líneas de investigación 84 8. Conclusión 85 A. Anexo 87 A.1. España 87 A.2. Italia 90 A.3. Francia 93 A.4. Alemania 96 A.5. Reino Unido 98 A.6. Japón 101 A.7. EEUU 103 B. Glosario de términos y siglas 105 Índice de Figuras 107 Índice de Tablas 111 1 Introducción E l transporte aéreo desempeña un papel fundamental en la conectividad global, facilitando el comercio internacional, el turismo, la movilidad laboral y el desarrollo económico. En este contexto, los aeropuertos actúan como nodos estratégicos que canalizan el flujo de pasajeros y mercancías, presentando dinámicas propias según el país, su población, su geografía y su modelo de planificación infraestructural. La importancia del transporte aéreo no solo se limita a la conectividad entre regiones, sino que también influye en la actividad económica, la competitividad de los mercados y el desarrollo de sectores clave como el turismo y la logística. Este trabajo aborda el análisis de estos fenómenos desde una perspectiva comparativa e interdisciplinar, con el objetivo de evaluar el tráfico aeroportuario en diferentes países. 1.1 Objetivos El objetivo principal de este estudio es realizar un análisis comparativo de la distribución espacial y temporal del tráfico aéreo en una muestra representativa de aeropuertos internacionales de siete países seleccionados: España, Italia, Reino Unido, Estados Unidos, Japón, Alemania y Francia. Cada uno de estos países representa un contexto único en términos de infraestructura aeroportuaria, volumen de tráfico y estrategias de gestión del transporte aéreo. El estudio tiene como objetivo lograr los siguientes objetivos específicos: Evaluar la estacionalidad y desigualdad en el tráfico utilizando indicadores estadísticos avanzados, como el índice de Gini y el coeficiente de variación. Cuantificar la influencia territorial de los aeropuertos mediante un índice específico que considera la distancia y el volumen de pasajeros. Realizar comparaciones internacionales para identificar patrones comunes y específicos entre los distintos aeropuertos. Analizar la relación entre el tráfico aeroportuario y la población local, considerando su impacto en la movilidad regional. Establecer la jerarquía funcional de los aeropuertos según su volumen de pasajeros, con el fin de ofrecer recomendaciones para optimizar la planificación y gestión aeroportuaria. 1 2Capítulo 1. Introducción 1.2 Justificación del estudio Comprender cómo se distribuye y varía el tráfico de pasajeros a lo largo del espacio y el tiempo es esencial para la planificación de infraestructuras aeroportuarias eficientes y sostenibles. El transporte aéreo no solo tiene un impacto directo sobre la conectividad entre regiones, sino que también es fundamental para sectores económicos clave como el comercio internacional, el turismo y la inversión. En un contexto global marcado por la recuperación tras la pandemia y el continuo crecimiento de la demanda, analizar los patrones de concentración y estacionalidad adquiere una relevancia especial. Este estudio aborda la cuestión mediante el uso de métricas avanzadas, como el índice z(j) y el coeficiente de variación, que permiten caracterizar la distribución y la concentración del tráfico aéreo con mayor precisión que las métricas convencionales. La aproximación comparativa entre los siete países seleccionados aporta un marco robusto para identificar similitudes y diferencias que pueden ayudar a mejorar la toma de decisiones en la gestión de aeropuertos. 1.3 Contexto del año 2022 El año 2022 representa un punto de inflexión fundamental para el análisis del tráfico aéreo internacional. Tras la drástica caída de la actividad aeronáutica provocada por la pandemia de COVID-19 en 2020 y la posterior recuperación parcial durante 2021, el ejercicio 2022 se configuró como el primer año natural completo en el que gran parte de las restricciones a la movilidad internacional fueron levantadas, y los patrones de tráfico comenzaron a estabilizarse de forma significativa.[2] [3] Durante este año, los aeropuertos de todo el mundo experimentaron una reactivación progresiva de la demanda de pasajeros. Aunque el volumen total de tráfico aún no alcanzó en muchos casos los niveles previos a la pandemia (especialmente en mercados como Asia y algunas regiones de Europa), se observó una recuperación notable, especialmente en el ámbito del turismo internacional y los vuelos de corta y media distancia. Según la Organización de Aviación Civil Internacional (OACI)[ 3 ], el tráfico mundial de pasajeros en 2022 se situó aproximadamente en el 74 % del nivel alcanzado en 2019, lo que evidencia una fuerte reactivación con respecto a los mínimos históricos de 2020. Este proceso de recuperación no fue homogéneo. Algunos países, como Estados Unidos y México, recuperaron rápidamente sus niveles de operación, mientras que otros, como Japón o algunas naciones europeas, mostraron una recuperación más gradual, condicionada por políticas sanitarias más estrictas o por la lenta reanudación de ciertos flujos internacionales [ 2 ]. Esta heterogeneidad convierte al año 2022 en un caso de estudio particularmente interesante para el análisis comparativo entre países, ya que permite observar cómo distintas redes aeroportuarias se adaptaron a un entorno post-crisis con patrones de recuperación diferenciados. Además, 2022 supuso el rediseño de muchas rutas, la reapertura parcial o total de aeropuertos cerrados durante la pandemia, y el reajuste de estrategias por parte de aerolíneas y autoridades aeroportuarias[ 1 ]. En este sentido, el análisis de los flujos de pasajeros durante este año permite detectar no solo la evolución de la demanda, sino también las nuevas configuraciones espaciales de conectividad aérea, así como los cambios estructurales en la jerarquía y funcionalidad de los aeropuertos dentro de cada país. En resumen, el año 2022 ofrece una oportunidad única para estudiar el comportamiento del tráfico aéreo en un contexto de reactivación global, en el que convergen factores de recuperación económica, adaptación operativa e incertidumbre persistente. Estos elementos hacen de este año una referencia clave para analizar los desafíos actuales del transporte aéreo y formular recomendaciones útiles para la planificación aeroportuaria en escenarios post-crisis. 1.4 Metodología general 3 1.4 Metodología general La metodología seguida se basa en la recopilación y análisis de datos reales de tráfico aéreo, localización geográfica y población relacionados con los aeropuertos de los países seleccionados. A partir de archivos Excel y shapefiles geográficos [ 5 ], se genera una malla regular de puntos dentro de los contornos nacionales, sobre los cuales se calcula un índice de influencia aeroportuaria que pondera las distancias por el volumen de pasajeros. Este índice permite mapear la influencia relativa de cada aeropuerto sobre el territorio. Complementariamente, se aplican métricas estadísticas como el índice de Gini y el coeficiente de variación para estudiar la estacionalidad, especialmente en el caso de España. Finalmente, los resultados se representan visualmente mediante mapas, gráficos y dendrogramas que facilitan su interpretación y comunicación. La metodología empleada se basa en el análisis de datos reales de tráfico aéreo, localización geográfica y población de los países seleccionados. Estos datos se recopilan en formato Excel y shapefiles geográficos [ 5 ], y se procesan mediante herramientas de análisis geoespacial y estadístico para obtener información detallada sobre las dinámicas de tráfico. Los pasos metodológicos incluyen: Recopilación de datos: Obtención de datos de tráfico aéreo, localización geográfica de los aeropuertos y distribución poblacional de las regiones administrativas correspondientes. Análisis de estacionalidad y desigualdad: Se aplican métricas estadísticas como el índice de Gini y el coeficiente de variación para estudiar las fluctuaciones del tráfico y se evalúan las tendencias estacionales en los aeropuertos. Generación de una malla regular de puntos: Esta malla se distribuye sobre los contornos nacionales, considerando tanto la geografía como la población de cada área. Cálculo de un índice de influencia aeroportuaria: Este índice pondera la distancia entre los aeropuertos y el volumen de pasajeros, permitiendo mapear la influencia relativa de cada aeropuerto. Comparación internacional: Se normalizan las distribuciones de tráfico y se calculan distancias estadísticas entre países para realizar agrupamientos jerárquicos, comparando la concentración y la estacionalidad entre los diferentes países. Visualización de resultados: Los resultados se representan mediante mapas geoespaciales, gráficos estadísticos y dendrogramas, lo que facilita la interpretación de las dinámicas de tráfico. 1.5 Impacto del Estudio El análisis detallado de las dinámicas de tráfico aéreo proporcionado por este estudio tiene una importante repercusión tanto a nivel local como global. A nivel local, los aeropuertos podrán contar con información clave para mejorar la distribución del tráfico y optimizar la infraestructura aeroportuaria según las necesidades del entorno. A nivel global, el estudio ofrece una comprensión de las tendencias de movilidad internacional, lo que podría influir en políticas de transporte aéreo, comercio internacional y turismo. Este trabajo contribuye a una mejor comprensión de cómo el tráfico aéreo se distribuye y se concentra, y ofrece recomendaciones que pueden mejorar la eficiencia de los sistemas aeroportuarios en un contexto post-pandemia. Además, los resultados obtenidos pueden servir de base para futuras investigaciones en áreas relacionadas con el transporte aéreo, la sostenibilidad y el impacto socioeconómico de los aeropuertos. 2 Marco Teórico 2.1 Tráfico Aéreo: indicadores y fuentes de datos El tráfico aéreo se refiere al flujo de pasajeros que transitan por los aeropuertos y rutas aéreas, siendo un indicador fundamental para evaluar la actividad y capacidad operativa del sistema de transporte aéreo. Su estudio permite analizar la conectividad territorial, la accesibilidad regional y el desarrollo económico asociado a la infraestructura aeroportuaria. Para el estudio del tráfico aéreo se han empleado una serie de datos que provienen de registros oficiales, recopilados en archivos Excel que incluyen cifras mensuales y anuales del tráfico de pasajeros para los aeropuertos más relevantes de España, Italia, Reino Unido, Estados Unidos, Japón, Alemania y Francia durante el año 2022. Además de los datos de tráfico, se dispone de datos geográficos precisos como las coordenadas de latitud y longitud de cada aeropuerto y, también, de la población asociada a las zonas de influencia aeroportuaria. [Anexo A] Esta combinación de datos estadísticos y geoespaciales posibilita un análisis detallado y cuantitativo, utilizando herramientas computacionales avanzadas, en este caso, el software MATLAB, que permite procesar, analizar y visualizar patrones complejos en la distribución y dinámica del tráfico aéreo. 2.2 Índice de Gini y coeficiente de variación Para evaluar la desigualdad y la estacionalidad en la distribución del tráfico de pasajeros, se utilizan dos indicadores estadísticos fundamentales: el índice de Gini y el coeficiente de variación (CV). 2.2.1 Índice de Gini El índice de Gini es una medida utilizada para cuantificar la desigualdad en variables como ingresos o riqueza. En este caso, se adapta para medir la concentración del tráfico de pasajeros. Su valor varía en el rango [0,1], donde 0 representa una distribución perfectamente equitativa (todos los aeropuertos tienen igual tráfico) y 1 indica una concentración máxima, es decir, desigualdad máxima (todo el tráfico se concentra en un solo aeropuerto). En el análisis, el índice de Gini se calcula tanto para el tráfico total anual como para los datos mensuales, permitiendo detectar desigualdades temporales y espaciales en la actividad aeroportuaria. Su cálculo a partir de una muestra ordenada x1≤x2≤... ≤xNse realiza mediante la fórmula: G=1−2 N−1N−∑N i=1(N+1−i)xi ∑N i=1xi(2.1) También se puede expresar de la siguiente manera: G=2∑N i=1ixi N∑N i=1xi −N+1 N(2.2) 5 6Capítulo 2. Marco Teórico donde N es el número total de observaciones (aeropuertos o meses), y xi son los valores de tráfico de pasajeros ordenados de menor a mayor. El índice de Gini se calcula tanto para la distribución anual del tráfico como para cada mes del año, esto permite identificar concentraciones y variaciones temporales. 2.2.2 Coeficiente de Variación (CV) Por otro lado, el coeficiente de variación (CV) es una medida relativa de dispersión que relaciona la desviación estándar con la media de una variable. Se define como: CV =σ µ(2.3) donde σ es la desviación estándar y µ es la media de la muestra. En el contexto del tráfico aéreo, el CV se emplea para cuantificar la estacionalidad, es decir, la variabilidad mensual del volumen de pasajeros. Un CV elevado indica una alta variabilidad mensual, señalando temporadas altas y bajas marcadas por picos, mientras que un CV bajo sugiere una distribución más homogénea del tráfico. Estos indicadores se complementan para ofrecer una visión integral de la dinámica del tráfico aéreo, permitiendo detectar desigualdades espaciales y temporales tanto entre aeropuertos como a lo largo del año. 2.3 Modelos de regresión aplicados al análisis de estacionalidad En este estudio utilizamos dos tipos de regresión —lineal simple y cuadrática— para caracterizar la relación entre el volumen de pasajeros y la desigualdad en su distribución, capturada mediante la transformación log-odds del índice de Gini. Cada enfoque persigue objetivos diferentes: la regresión lineal para comparar aeropuertos en conjunto, y la cuadrática para describir la evolución estacional mes a mes. 2.3.1 Coeficiente de determinación R2 El coeficiente de determinación, o R2 , mide la proporción de la variabilidad total de la variable respuesta que es explicada por el modelo. Se define como R2=1−SCR SCT,SCR =∑ i (yi−ˆyi)2,SCT =∑ i (yi−¯y)2. Un R2 cercano a 1 indica que el modelo captura la mayor parte de la dispersión observada, mientras que un valor próximo a 0 revela un ajuste pobre. 2.3.2 Estadístico F global El test F evalúa si el conjunto de variables explicativas mejora significativamente el ajuste frente al modelo nulo (solo intercepto). Su fórmula es F=CME CMR,CME =SCE p,CMR =SCR n−p−1, siendo p el número de regresoras y n el número de observaciones. Un valor alto de F y su correspondiente p-valor bajo confirman la significancia global del modelo. 2.3.3 Regresión lineal simple para comparación interaeropuertos Con el modelo y=ax +b,x=log(PAXaero),y=logGaero/(1−Gaero), evaluamos si existe una tendencia general que relacione el volumen de pasajeros del aeropuerto con la desigualdad. Aquí: a>0indicaría que los aeropuertos de mayor tráfico tienen mayor concentración. a<0sugeriría una disminución de la desigualdad en aeropuertos de gran tamaño. 2.4 Índice de influencia geoespacial z(j) 7 Este ajuste, sencillo y con pocos parámetros, ofrece una prueba de concepto que permite comparar la homogeneidad de distribución entre todos los aeropuertos y detectar si el tráfico aéreo de cada aeropuerto es un determinante significativo. 2.3.4 Regresión cuadrática para análisis estacional mensual Para profundizar en la dinámica a lo largo del año, mes a mes, extendemos el modelo añadiendo un término cuadrático: y=ax2+bx +c,x=log(PAXmes)y=logGmes/(1−Gmes) Este término x2confiere al ajuste la capacidad de: Generar una curvatura con un pico o un valle, necesario para describir el incremento de desigualdad en meses de bajo tráfico y su posterior disminución en temporada alta. Ajustar la posición de ese punto crítico mediante el coeficiente b. Modificar el nivel base de la curva con la constante c. La regresión cuadrática resulta esencial para estudiar el comportamiento de las estaciones baja (invierno) y la alta (verano) en términos de concentración de rutas. 2.3.5 Interpretación de coeficientes Los coeficientes de ambos modelos aportan información sobre la forma de la relación: Pendiente lineal a : su signo y magnitud indican la dirección e intensidad de la relación promedio, es decir, el índice de Gini por aeropuerto, crece o decrece al aumentar o disminuir el tráfico aéreo. Coeficiente cuadrático a : define la curvatura; un valor negativo produce un pico de concentración, un valor positivo un valle. Término lineal b: desplaza la posición del vértice de la parábola hacia tráficos mayores o menores. Constante c: eleva o baja la curva en el eje vertical, ajustando el nivel de desigualdad medio. 2.4 Índice de influencia geoespacial z(j) El índice z(j) es una métrica diseñada para cuantificar la influencia relativa que ejercen los aeropuertos sobre distintos puntos del territorio nacional. Esta métrica permite evaluar la accesibilidad relativa de cada punto del espacio nacional a los principales nodos aéreos del país, ponderando tanto la distancia como el volumen de tráfico gestionado por cada aeropuerto. Para cada punto geográfico j , el índice se calcula como la razón entre la suma de las distancias ponderadas por el tráfico desde ese punto a todos los aeropuertos y la media aritmética de las distancias a dichos aeropuertos: z(j) = ∑n i=1di j fi 1 n∑n i=1di j (2.4) Donde: di j es la distancia desde el punto jal aeropuerto icalculada mediante la fórmula de Haversine. fies la fracción del tráfico total gestionada por el aeropuerto i: fi=PAXi ∑PAXi (2.5) nes el número total de aeropuertos considerados en el país. Este índice permite asignar un valor relativo de “afiliación” o conexión de un punto con los aeropuertos del país, en función de su proximidad a nodos de mayor o menor tráfico. Valores bajos de z(j) indican proximidad relativa a aeropuertos con alto tráfico, mientras que valores elevados sugieren que el punto se encuentra alejado o menos influenciado por dichos nodos aeroportuarios. 8Capítulo 2. Marco Teórico 2.4.1 Cálculo de z1(j)yz2(j)(aeropuertos más importantes de cada país) Además del índice general z(j) , se definen los índices z1(j) y z2(j) con el propósito de analizar la influencia específica de los dos aeropuertos más importantes. Estos índices restringen la ponderación al aeropuerto dominante y al segundo en volumen de tráfico, respectivamente, y permiten identificar regiones de influencia directa y evaluar patrones de centralización o descentralización en la red aeroportuaria nacional. Estos índices se calculan utilizando la misma estructura que z(j) , pero restringiendo el numerador a la distancia ponderada por el tráfico del aeropuerto de mayor ( z1(j) ) o segundo mayor ( z2(j) ) volumen de pasajeros: zk(j) = dk j fk 1 n∑n i=1di j para k=1,2(2.6) Donde: dk j es la distancia del punto jal aeropuerto k(1ºo 2ºen tráfico total) fkes la fracción del tráfico nacional gestionada por dicho aeropuerto. Estos índices permiten interpretar cuánto peso individual tienen los principales nodos aeroportuarios sobre el territorio, sin la influencia agregada del resto del sistema. Valores bajos de z1(j) o z2(j) indican una fuerte conexión de ese punto al aeropuerto dominante correspondiente, mientras que valores altos revelan zonas del país poco vinculadas a estos grandes centros de tráfico. Esta aproximación permite, por tanto, identificar: Regiones fuertemente centralizadas alrededor de un único aeropuerto. Espacios territoriales influenciados por el segundo aeropuerto, incluso cuando este no actúa como hub [B] nacional. Áreas periféricas desatendidas por ambos grandes aeropuertos, lo que sugiere dependencia de nodos secundarios. Esta diferenciación es especialmente relevante en países donde existen centros múltiples (Alemania o Estados Unidos), frente a otros con una red centralizada (Reino Unido o Francia). 2.4.2 Modelo teórico ideal Se introduce un modelo teórico simplificado con el fin de establecer un patrón de referencia para el análisis del índice z(j) , entendido como una medida adimensional de influencia relativa entre dos centros de interés. Este índice se define como una combinación ponderada de las distancias entre un punto del territorio y dichos centros, con el objetivo de capturar de forma sintética la localización relativa de cada punto respecto al conjunto. Formalmente, para cada punto jse define el índice z(j)como: z(j) = f1·d1(j)+(1−f1)·d2(j) d1(j)+d2(j)(2.7) Donde: f1∈[0,1] d1(j)yd2(j), distancias euclídeas desde el punto (j) a los centros 1 y 2. d1(j) = qx2 j+y2 j,d2(j) = q(xj−1)2+y2 j(2.8) Estos centros están ubicados en las posiciones fijas (0,0) y (1,0), respectivamente, como se observa en la Figura 2.1a. Esta configuración permite analizar de forma controlada el efecto de la ponderación en la proximidad relativa a cada centro. Para construir el modelo ideal, se ha generado una malla regular de puntos en el dominio cuadrado [1,1]×[1,1], y se han seleccionado únicamente aquellos que se encuentran dentro de un disco de radio unitario centrado en el origen. Esta estrategia proporciona una cobertura espacial razonablemente homogénea, aunque no estrictamente uniforme en términos de densidad superficial, ya que la selección a partir de una cuadrícula cartesiana tiende a concentrar más puntos en las regiones periféricas 2.5 Métricas geoespaciales y fórmula de Haversine 9 del disco. Aun así, este método resulta suficiente para capturar patrones generales de comportamiento del índice z(j)en un entorno idealizado. Con el fin de analizar la evolución global del índice, los valores de z(j) han sido ordenados de menor a mayor, y representados gráficamente en función de su índice de ordenación. Esta técnica permite observar el comportamiento acumulado del índice para diferentes configuraciones del parámetro f1 , tal como se muestra en la Figura 2.1b. (a) Modelo teórico en el círculo unidad. (b) Modelo teórico ideal para valores diferentes de f. Figura 2.1 Modelo teórico ideal. En la Figura 2.1b se observa que para f1 =0.5, es decir, cuando ambos centros tienen igual influencia, la curva de z(j) se aproxima a una constante, mientras que, para valores extremos de f1 , cercanos a 0 o a 1, las curvas adquieren una forma más convexa o cóncava, indicando una clara preferencia por uno de los dos centros, siendo el comportamiento de las curvas suave y monótono. Este modelo ideal sirve como referencia para contrastar los resultados obtenidos en el caso real de estudio. Al comparar las curvas reales de z(j) con las generadas teóricamente, es posible identificar desviaciones atribuibles a la distribución espacial de la población, a la geometría del territorio, o a dinámicas específicas del sistema analizado. En consecuencia, la utilización de este modelo aporta una base objetiva para interpretar la estructura espacial del índice z(j)en contextos reales. 2.5 Métricas geoespaciales y fórmula de Haversine El análisis geoespacial es fundamental para entender cómo la ubicación de los aeropuertos afecta su influencia sobre el territorio. Para ello, se utiliza la fórmula de Haversine, una herramienta matemática que calcula la distancia del gran círculo entre dos puntos sobre la superficie de una esfera —en este caso, la Tierra— tomando como base sus coordenadas geográficas (latitud y longitud). La fórmula de Haversine para la distancia d entre dos puntos de latitudes ϕ1 , ϕ2 y longitudes λ1 , λ2 , todas en radianes, se expresa como: d=2Rarcsin ssin2ϕ2−ϕ1 2+cosϕ1cosϕ2sin2λ2−λ1 2!(2.9) donde R es el radio de la Tierra (aproximadamente 6371 km). Esta distancia permite calcular con precisión las matrices de distancias entre una malla regular de puntos situados dentro del contorno territorial de cada país y los aeropuertos respectivos. Estas distancias son esenciales para construir el índice z(j) , que mide la influencia de cada aeropuerto en función de su proximidad y volumen de tráfico. Así, se puede visualizar cómo se distribuye espacialmente la accesibilidad y la influencia aeroportuaria, identificando zonas de mayor y menor cobertura. 16 Capítulo 4. Análisis de Estacionalidad La representación conjunta de los valores de Gini y CV permite establecer relaciones entre desigualdad y variabilidad temporal, confirmando o descartando correlaciones entre ambas medidas. 4.3 Tráfico aéreo mensual Se parte del análisis del tráfico mensual de pasajeros en cada aeropuerto del país, se organizan los datos en una matriz que recoge, para cada aeropuerto, el número de pasajeros atendidos mes a mes a lo largo del año 2022. Esta estructura permite no solo visualizar la evolución temporal, sino también identificar de manera preliminar aeropuertos con comportamientos fuertemente estacionales o, por el contrario, con una demanda estable. Para facilitar esta exploración, se utilizan representaciones gráficas como mapas de calor mensuales (heatmaps), que muestran de forma directa los picos y valles de tráfico a lo largo del año y permiten comparaciones simultáneas entre aeropuertos. 4.4 Tráfico anual por aeropuerto A partir de los datos mensuales de tráfico, se ha calculado el tráfico aéreo anual por aeropuerto como la suma de los pasajeros registrados en cada uno de los doce meses del año 2022. Este valor permite evaluar el volumen total de operaciones comerciales de pasajeros de cada infraestructura y sirve como base para clasificaciones y comparaciones en los análisis posteriores. 4.5 Estacionalidad y su relación con el volumen total Finalmente, exploramos la relación entre el volumen de pasajeros y la concentración estacional de la demanda aeroportuaria, medida mediante el índice de Gini transformado en su forma log-odds: y=log(Gini/1−Gini)(4.1) y el propio tráfico representado en escala logarítmica (x=log(PAX)). Esta doble transformación facilita la comparación entre aeropuertos de muy distinto tamaño. Para comparar la estacionalidad anual de cada aeropuerto, ajustamos un modelo lineal simple: y=ax +b(4.2) cuya pendiente a indica si la desigualdad tiende a aumentar ( a >0) o a disminuir ( a <0) con el tamaño, y cuyo rendimiento se cuantifica mediante el coeficiente de determinación R2y el test F global. A continuación, para representar la dinámica mes a mes extendemos el análisis a un modelo cuadrático: y=ax2+bx +c(4.3) donde a controla la curvatura (cóncava hacia abajo si ( a <0)), b sitúa la posición del punto crítico y c ajusta el nivel base. La mejora en R2 y el contraste F global se usan para decidir si la complejidad añadida justifica su inclusión. De este modo, combinamos la claridad interpretativa de la regresión lineal —como prueba de concepto para la comparación interaeropuertos— con la flexibilidad de la regresión cuadrática —para describir con precisión la estacionalidad mensual—, obteniendo un marco analítico riguroso, honesto y homogéneo que servirá de base al síntesis gráfica de cada país. 4.6 Análisis de estacionalidad por país Tras examinar los patrones globales del tráfico aéreo, se inicia un análisis pormenorizado por país cuyo objetivo es identificar cómo varía la estacionalidad dependiendo del contexto geográfico y operativo de cada sistema aeroportuario. Esta sección permite contrastar la concentración temporal del tráfico en los distintos países europeos estudiados, utilizando indicadores como el índice de Gini, el coeficiente de variación y las curvas de Lorenz. Dicho enfoque comparativo contribuye a comprender la distribución mensual del tráfico y su relación con el volumen total anual gestionado en cada territorio. 4.6 Análisis de estacionalidad por país 17 4.6.1 España En primer lugar, se analiza el volumen de pasajeros por aeropuerto y por mes del año 2022 en España. El índice de Gini, aplicado al tráfico total anual por aeropuerto, permite evaluar el grado de concentración del tráfico aéreo entre infraestructuras dentro del sistema aeroportuario nacional. En el caso de España, el valor obtenido es de 0.7520, lo que refleja una desigualdad estructural elevada: una pequeña proporción de aeropuertos concentra la mayor parte del tráfico total del país. Esta distribución desigual se representa gráficamente mediante la Curva de Lorenz (Figura 4.1), donde el eje horizontal muestra la proporción acumulada de aeropuertos, ordenados de menor a mayor tráfico, y el eje vertical representa la proporción acumulada del tráfico de pasajeros. En esta figura se observa una marcada separación respecto a la línea de igualdad perfecta (la diagonal). Esta forma curvada y alejada de la diagonal es característica de una distribución altamente asimétrica, donde unos pocos nodos absorben la mayor carga operativa del sistema. Figura 4.1 Curva de Lorenz del tráfico aéreo de España con coeficiente de Gini=0.7520. Esta concentración del tráfico también se aprecia en la distribución acumulada ordenada por aeropuerto (Figura 4.2), donde los aeropuertos se ordenan de mayor a menor volumen de pasajeros. En dicha figura se han marcado los umbrales del 70 % , 80 % y 90 % del tráfico nacional acumulado, evidenciando que un número reducido de aeropuertos —aproximadamente los 10 primeros— absorbe una proporción dominante del total. Los cinco aeropuertos con mayor volumen concentran por sí solos más del 60 % del tráfico, y es necesario sumar únicamente los 15 primeros para alcanzar el 90 % . Esta visualización respalda cuantitativamente la interpretación del índice de Gini elevado (0.7520) y subraya el carácter fuertemente centralizado del sistema aeroportuario español. Figura 4.2 Distribución acumulada del tráfico aéreo español por aeropuerto (2022). 18 Capítulo 4. Análisis de Estacionalidad Como se muestra en la Figura 4.3a, el Gini mensual oscila entre un mínimo cercano a 0.745 en junio y un máximo en torno a 0.773 en noviembre. Esta variación, aunque no extrema, es significativa y revela una estacionalidad estructural en la concentración del tráfico. Durante los meses de verano (junio, julio, agosto) se observa una ligera reducción en el nivel de desigualdad, lo que puede atribuirse al aumento de tráfico en aeropuertos secundarios y turísticos, especialmente en regiones costeras e insulares. En estos meses, parte del tráfico se traslada a aeropuertos secundarios, reduciendo la dependencia de los grandes como Madrid o Barcelona. Por el contrario, en los meses de invierno, especialmente en noviembre, diciembre y febrero, la desigualdad aumenta, reflejando una concentración del tráfico en los aeropuertos principales, mientras que muchos aeropuertos secundarios ven reducida su actividad de forma significativa. La evolución del coeficiente de variación (CV) mensual, representada junto al índice de Gini en la Figura 4.3, refuerza estas observaciones desde una perspectiva estadística. El CV, al medir la dispersión relativa del tráfico mensual respecto a su media, permite identificar los periodos de mayor inestabilidad en el sistema aeroportuario. Al igual que el índice de Gini, presenta valores mínimos en los meses estivales (junio-agosto), donde el tráfico tiende a repartirse más uniformemente entre aeropuertos, y valores máximos en noviembre, diciembre y enero, donde se produce una concentración del tráfico en los principales nodos. Esta coincidencia en las tendencias de ambos indicadores confirma la presencia de un patrón estacional claro en el sistema español, y valida el uso del CV como una herramienta complementaria al Gini. Mientras que este último capta la desigualdad en la distribución, el CV permite cuantificar directamente la volatilidad de la demanda. Su análisis conjunto proporciona una visión más completa y robusta del comportamiento temporal del tráfico aéreo, útil tanto para el diagnóstico como para la toma de decisiones estratégicas en planificación aeroportuaria. (a) Índice de Gini mensual. (b) Coeficiente de variación mensual (CV). Figura 4.3 Comparativa mensual entre el índice de Gini y el coeficiente de variación en España (2022). La Figura 4.4 muestra ambos indicadores —índice de Gini y coeficiente de variación (CV)— representados simultáneamente a lo largo del año. Esta visualización permite comparar de forma directa su evolución mensual, observando que ambos siguen una tendencia coherente. No obstante, también se aprecian diferencias de magnitud y sensibilidad, siendo el CV más reactivo a los cambios bruscos en el tráfico mensual. Esta representación conjunta permite una caracterización más precisa y matizada de la estacionalidad del tráfico aéreo. 4.6 Análisis de estacionalidad por país 19 Figura 4.4 Evolución mensual conjunta del índice de Gini y del coeficiente de variación (CV) en el tráfico aéreo español (2022). Otra dimensión fundamental del análisis es la evaluación de la desigualdad temporal del tráfico dentro de cada aeropuerto, es decir, cómo se distribuye el volumen de pasajeros a lo largo del año en cada instalación. Para ello, se ha calculado el índice de Gini individualmente para cada aeropuerto, considerando su tráfico total durante 2022. En la Figura 4.5a, se presentan los resultados de este indicador. Los valores más elevados se concentran en aeropuertos con un marcado carácter turístico y estacional, como Ibiza, Menorca, Reus, Girona o Jerez de la Frontera, donde el índice de Gini supera los 0.45 en varios casos. Esta cifra indica que en estos aeropuertos una parte muy significativa del tráfico anual se concentra en tan solo unos pocos meses del año, coincidiendo con la temporada alta de verano. Se observa que el valor más alto corresponde al aeropuerto de Salamanca, lo que indica una concentración extrema del tráfico en muy pocos meses. Este aeropuerto prácticamente no registra actividad durante la mayor parte del año, y su volumen de pasajeros se acumula en un periodo muy reducido, probablemente vinculado a operaciones estacionales o vuelos puntuales. Este patrón refleja una alta estacionalidad operativa, que obliga a estos aeropuertos a gestionar importantes picos de demanda en periodos cortos, mientras que el resto del año mantienen niveles de actividad considerablemente reducidos. En estos casos, la planificación de recursos, personal y servicios debe ser especialmente flexible y escalable. Por el contrario, aeropuertos como Madrid-Barajas, Barcelona-El Prat o Gran Canaria presentan valores mucho más bajos del índice de Gini, en torno a 0.1, lo que denota una distribución mensual más homogénea del tráfico. Se trata de aeropuertos que operan con un flujo constante a lo largo del año. Entre ambos extremos, se sitúan aeropuertos como Palma de Mallorca, Málaga, Alicante o Valencia, que combinan actividad turística con vuelos regulares y una cierta estabilidad mensual, presentando valores intermedios del índice. Este indicador permite, por tanto, clasificar a los aeropuertos no solo por volumen absoluto de tráfico, sino también por perfil temporal de la demanda, lo cual es especialmente útil en el contexto de la planificación aeroportuaria, la asignación de recursos y la evaluación de infraestructuras. Como complemento al índice de Gini, se ha calculado el coeficiente de variación (CV) por aeropuerto, que mide la variabilidad del tráfico mensual respecto a su media anual. Aunque ambos indicadores captan la estacionalidad desde enfoques distintos, sus resultados coinciden: aeropuertos como Ibiza, Girona o Reus presentan altos valores en ambos, reflejando una fuerte concentración temporal del tráfico, mientras que Madrid-Barajas, Barcelona-El Prat o Gran Canaria muestran valores bajos, lo que indica una demanda estable a lo largo del año. 20 Capítulo 4. Análisis de Estacionalidad (a) Índice de Gini temporal por aeropuerto. (b) Coeficiente de variación temporal por aeropuerto(CV). Figura 4.5 Comparativa por aeropuerto entre el índice de Gini y el coeficiente de variación en España (2022). Finalmente, en la Figura 4.6 se muestra el análisis de regresión cuadrática por mínimos cuadrados que relaciona el logaritmo del tráfico mensual total (eje X) con la transformación logarítmica del índice de Gini mensual (eje Y). Los puntos corresponden a cada mes del año 2022 en España y la curva discontinua roja es el ajuste de la forma: y=ax2+bx +c(4.4) donde a=-0,28058, b=9,218 y c=-74,5. La Tabla 4.1 resume estos coeficientes junto con el coeficiente de determinación R2 =0,7996 y sus valores p, todos ellos altamente significativos (p<0,01), lo que indica que el modelo explica casi el 80%de la variabilidad en la estacionalidad mensual. El signo positivo de b y el negativo de a revelan una relación cóncava: el grado de desigualdad crece ligeramente al pasar de meses de bajo tráfico—como enero y febrero, donde la concentración en unas pocas rutas aumenta el Gini—hasta alcanzar un punto máximo alrededor de log(PAX) ≈ 16,3 (febrero). A partir de ahí, la desigualdad decrece de manera acelerada con volúmenes mayores de tráfico; durante la temporada alta (julio y agosto), el índice de Gini alcanza sus valores mínimos, lo que refleja una distribución mucho más equilibrada del tráfico entre aeropuertos y destinos. Este ajuste cuantifica y confirma estadísticamente la estacionalidad: en invierno, el tráfico aéreo se concentra en rutas punteras, mientras que en verano, la diversificación de destinos y frecuencias tiende a homogeneizar la carga entre toda la red aeroportuaria. Figura 4.6 Relación entre el índice de Gini mensual y el volumen de tráfico anual por aeropuerto en España (2022). 4.6 Análisis de estacionalidad por país 21 Tabla 4.1 Coeficientes del ajuste cuadrático de la estacionalidad mensual en España (2022). Coeficiente Valor p c(constante) -74.5 0.0057417 b(lineal) 9.218 0.0049065 a(cuadrático) -0.28058 0.0045808 R20.79957 0.00072252 Por último, tras la exploración cuadrática, presentamos un modelo de regresión lineal sencillo que relaciona el logaritmo del tráfico anual de pasajeros con la transformación log-odds del índice de Gini para cada aeropuerto en 2022 (Figura 4.7). La ecuación ajustada es: logGini 1−Gini=alog(PAX)+b(4.5) donde la pendiente a =-0,0851 ( p =0,0483) indica que, por cada unidad que crece log(PAX), el Gini transformado disminuye en 0,085; el intercepto b =-0,3985 no resulta significativo ( p =0,49). El coeficiente de correlación simple es ρ≈ -0,30, con un p <0,05, lo que confirma -si bien con fuerza moderadauna tendencia decreciente: los aeropuertos más grandes tienden a distribuir el tráfico de forma más homogénea. Sin embargo, el R2 =0,0896 (p-valor del test F global también ≈ 0,048) revela que tan solo el 8,96 % de la variabilidad del Gini transformado se explica linealmente por el volumen anual. Esto sugiere que, aunque existe una asociación estadísticamente significativa, intervienen otros factores (geografía, tipo de rutas, estacionalidad regional) que no quedan recogidos en un modelo lineal puro. Por ello, este ajuste sirve como prueba de concepto de la relación contraria entre tamaño y desigualdad, pero aconseja complementar el análisis con términos no lineales o variables adicionales para capturar toda la complejidad de la estacionalidad aeroportuaria. Figura 4.7 Relación entre el índice de Gini de cada aeropuerto y el volumen de tráfico anual por aeropuerto en España (2022). Tabla 4.2 Coeficientes del ajuste lineal de la estacionalidad por aeropuerto en España (2022). Coeficiente Valor p b(intercepto) -0.39854 0.49038 a(pendiente) -0.085059 0.048338 R20.089641 0.048338 22 Capítulo 4. Análisis de Estacionalidad En conjunto, el sistema aeroportuario español combina grandes hubs con actividad anual sostenida (Madrid-Barajas, Barcelona-El Prat, Palma, Málaga) y aeropuertos secundarios de fuerte estacionalidad (Ibiza, Menorca, Reus). El índice de Gini nacional (0.7520) y el coeficiente de variación confirman un contraste invernal–veraniego claro: máxima concentración en noviembre-febrero y mínima en junio-agosto. El modelo cuadrático sobre el log-odds del Gini mensual explica casi el 80 % de la variabilidad ( R2 =0,80, p <0,01), identificando un pico de desigualdad en tráfico medio (primavera) y un rápido descenso en verano. El ajuste lineal por aeropuerto, aunque significativo ( a =0,085, p =0,048), sólo captura el 9 % de la variabilidad, lo que subraya la necesidad de incorporar la curvatura en el análisis de la estacionalidad. 4.6.2 Italia Seguidamente, se analizará la distribución mensual y anual del tráfico aéreo por aeropuerto italiano a lo largo del 2022. El análisis del índice de Gini aplicado al tráfico total anual por aeropuerto en Italia refleja una distribución desigual pero menos que en el caso español. El valor obtenido es de 0.6454, lo que indica que una parte importante del tráfico aéreo se concentra en unos pocos aeropuertos principales, mientras que el resto opera con volúmenes significativamente menores. Esta desigualdad se visualiza en la Curva de Lorenz (Figura 4.8), donde se aprecia una marcada separación respecto a la línea de igualdad perfecta. Figura 4.8 Curva de Lorenz del tráfico aéreo de Italia con coeficiente de Gini=0.6454. Tal como indica la Figura 4.9, los cinco primeros aeropuertos —Roma Fiumicino, Milán Malpensa, Bérgamo, Nápoles y Catania— concentran en conjunto una parte muy significativa del total nacional. Para alcanzar el 90 % del tráfico, es necesario sumar únicamente a los 17 primeros aeropuertos. Este patrón evidencia una alta dependencia del sistema aeroportuario italiano respecto a un número reducido de infraestructuras principales. Esta gráfica respalda cuantitativamente el valor del índice de Gini obtenido (0.6436), al mostrar de forma directa cuán centralizado está el tráfico. 4.6 Análisis de estacionalidad por país 23 Figura 4.9 Distribución acumulada del tráfico aéreo italiano por aeropuerto (2022). La evolución mensual del índice de Gini en Italia, representada en la Figura 4.10, muestra valores relativamente estables, pero con un pico notable en noviembre (0.680), seguido de una disminución progresiva hasta julio (0.619). Esta tendencia sugiere que durante el invierno se produce una mayor concentración del tráfico en pocos aeropuertos, mientras que en verano el tráfico tiende a distribuirse de forma más homogénea gracias al aumento de operaciones en aeropuertos turísticos y secundarios. El comportamiento del coeficiente de variación (CV) mensual es coherente con este patrón: los valores más altos se registran también ennoviembre y diciembre, lo que indica una mayor variabilidad entre aeropuertos en esos meses. Por el contrario, junio, julio y agosto presentan los valores más bajos, reflejando una mayor equilibrio operativo entre infraestructuras. (a) Índice de Gini mensual. (b) Coeficiente de variación mensual (CV). Figura 4.10 Comparativa mensual entre el índice de Gini y el coeficiente de variación en Italia. (2022). La Figura 4.11 muestra la evolución mensual conjunta del índice de Gini y el coeficiente de variación (CV) en Italia durante 2022. Ambos indicadores siguen un patrón similar: alcanzan sus valores máximos en invierno (noviembre y diciembre) y mínimos en verano (junio-agosto), lo que confirma una mayor concentración del tráfico en meses fríos y una distribución más homogénea en temporada alta. 24 Capítulo 4. Análisis de Estacionalidad Figura 4.11 Comparación mensual conjunta entre el índice de Gini y el coeficiente de variación (CV) en Italia (2022). El análisis individual por aeropuerto, representado en la Figura 4.12, confirma una estacionalidad muy pronunciada dentro del sistema aeroportuario italiano. Esta estacionalidad se manifiesta tanto en los valores del índice de Gini, como en los del coeficiente de variación (CV), que se han calculado sobre la distribución mensual del tráfico en cada aeropuerto durante el año 2022. En primer lugar, se aprecia que los índices de Gini se concentran mayoritariamente entre 0,15 y 0,35, lo cual indica una desigualdad moderada en la distribución mensual del tráfico. Solo un puñado de aeropuertos supera el umbral de 0,40, entre ellos, Forlì, Grosseto, o Lampedusa. Esto significa que más del 50 % del tráfico anual de estos aeropuertos se concentra en apenas unos pocos meses, lo que evidencia un uso altamente estacional de las infraestructuras. Se trata, en general, de aeropuertos pequeños, insulares o turísticos, cuya actividad se dispara en verano y permanece muy reducida durante el resto del año. Por su parte, el coeficiente de variación (CV) corrobora esta desigualdad con otra perspectiva estadística: muchos aeropuertos registran valores entre 0.8 y 1.1, lo que indica que su tráfico mensual varía tanto o más que su promedio anual. Este nivel de dispersión mensual es extremadamente elevado y evidencia que la demanda aérea en gran parte de los aeropuertos italianos no es constante ni distribuida de forma regular a lo largo del año. Incluso algunos aeropuertos medianos —como Cagliari, Brindisi o Perugia— presentan valores muy elevados, lo que sugiere que la estacionalidad no es un fenómeno exclusivo de los aeropuertos más pequeños, sino que también afecta a infraestructuras con un peso regional relevante. Este comportamiento obliga a las autoridades aeroportuarias y operadores a adoptar estrategias de planificación muy flexibles, capaces de responder a picos estacionales sin sobredimensionar la operación fuera de temporada. (a) Índice de Gini temporal por aeropuerto. (b) Coeficiente de variación temporal por aeropuerto(CV). Figura 4.12 Comparativa por aeropuerto entre el índice de Gini y el coeficiente de variación en Italia. (2022). 4.6 Análisis de estacionalidad por país 25 En la Figura 4.13 se presenta el ajuste de regresión cuadrática por mínimos cuadrados que relaciona el logaritmo del tráfico mensual total en Italia (eje X) con la transformación log-odds del índice de Gini mensual (eje Y). Este análisis nos permite comprender cómo la cantidad de tráfico y la distribución de los pasajeros varían a lo largo del año en los principales aeropuertos italianos. Se han obtenido los siguientes valores de a =-0.50814, b =16.403 y c =-131.69. La Tabla 4.3 recoge estos coeficientes junto con el coeficiente de determinación R2 =0.6041 y sus p-valores (todos p <0.01), lo que demuestra que el modelo explica cerca del 60 %de la variabilidad en la estacionalidad mensual italiana. El hecho de que a <0 confiera a la parábola una concavidad hacia abajo, mientras que b >0 desplaza su vértice hacia niveles moderados de tráfico, revela un comportamiento en “pico”: durante los meses de bajo volumen (enero–febrero) la desigualdad aumenta, hasta alcanzar su máximo alrededor de log(PAX) ≈ 16.1 (principios de primavera), y a partir de este umbral cae de forma progresiva. En la temporada alta (julio–agosto), el índice de Gini transformado alcanza sus valores mínimos, reflejando una distribución mucho más equilibrada del tráfico entre aeropuertos y destinos. Con este ajuste cuantificamos y confirmamos estadísticamente la estacionalidad en Italia: un tráfico concentrado en invierno que, a medida que crece el volumen mensual, da paso a una homogeneización más notable en verano. Figura 4.13 Relación entre el índice de Gini mensual y el volumen de tráfico anual por aeropuerto en Italia (2022). Tabla 4.3 Coeficientes del ajuste cuadrático de la estacionalidad mensual en Italia (2022). Coeficiente Valor p c(constante) -131.69 0.0090296 b(lineal) 16.403 0.0085859 a(cuadrático) -0.50814 0.0083699 R20.60412 0.015455 En la Figura 4.14 se presenta el análisis de regresión lineal simple aplicado a los aeropuertos italianos en 2022. La ecuación ajustada arroja una pendiente a =-0,1643 ( p≈ 0,00018) y un intercepto b =1,0197 ( p ≈ 0,0747), con un coeficiente de determinación R2 =0,3272 ( p≈ 0,00018). El coeficiente de correlación simple resultó ρ≈ 0,57, lo que indica una asociación inversa de moderada intensidad: a mayor tamaño de aeropuerto, menor desigualdad estacional. El signo negativo de a confirma que, a mayor volumen de pasajeros, la desigualdad tiende a disminuir, es decir, los aeropuertos más grandes presentan una distribución del tráfico más equilibrada. La magnitud de la misma indica que este efecto es moderado, mientras que el valor intermedio de R2 ( ≈ 33 % ) señala que, aunque la tendencia es estadísticamente significativa, existe una variabilidad residual que justifica el uso de modelos más flexibles para capturar patrones no lineales o estacionales. 32 Capítulo 4. Análisis de Estacionalidad Figura 4.25 Distribución acumulada del tráfico aéreo por aeropuerto en Alemania (2022). La evolución mensual del índice de Gini en Alemania, representada en la Figura 4.26, refleja un patrón estacional muy marcado. El valor más alto se registra en enero (0.781), mientras que el mínimo aparece en octubre (0.721). Este descenso progresivo desde el invierno hasta el verano sugiere que, durante los primeros meses del año, el tráfico se concentra principalmente en unos pocos aeropuertos, mientras que en verano y otoño se distribuye de forma más homogénea. El coeficiente de variación (CV) confirma este comportamiento. Presenta sus valores más altos también en enero (2.08) y diciembre (2.06), y alcanza su punto más bajo en septiembre (1.76). Esto implica que la variabilidad del tráfico mensual entre aeropuertos es mucho mayor en invierno, cuando los grandes hubs absorben gran parte de la operación aérea, y se reduce en verano, cuando más aeropuertos se activan y equilibran el sistema. (a) Índice de Gini mensual. (b) Coeficiente de variación mensual (CV). Figura 4.26 Comparativa mensual entre el índice de Gini y el coeficiente de variación en Alemiana (2022). La Figura 4.27 representa de forma conjunta la evolución mensual del índice de Gini y del coeficiente de variación (CV) en Alemania durante 2022. Esta visualización permite observar con claridad la coherencia entre ambos indicadores, que muestran sus valores más altos durante los meses de invierno (enero, febrero y diciembre) y mínimos en verano y otoño (julio–octubre). La concentración del tráfico en los primeros meses del año —principalmente en los grandes hubs—, seguida de una mayor dispersión operativa en verano, se refleja tanto en el Gini como en el CV. 4.6 Análisis de estacionalidad por país 33 Figura 4.27 Comparación mensual conjunta entre el índice de Gini y el coeficiente de variación (CV) en Alemania (2022). La Figura 4.28 muestra la estacionalidad temporal del tráfico aéreo en Alemania a nivel de aeropuerto. El análisis revela una disparidad significativa en el comportamiento temporal entre aeropuertos grandes y secundarios. Si bien muchos aeropuertos mantienen un tráfico relativamente estable, otros presentan una marcada concentración de pasajeros en determinados meses del año. El índice de Gini muestra que aeropuertos como Memmingen, Rostock-Laage, Saarbrücken y Sylt superan valores de 0.4, indicando que su actividad se concentra en una parte muy reducida del año. Este comportamiento es característico de aeropuertos con fuerte dependencia del turismo estacional o con escasa programación anual. Por su parte, el coeficiente de variación (CV) refuerza estas conclusiones. Los aeropuertos anteriores, ahora presentan valores cercanos a 0.8 o superiores, lo que indica, de igual manera, una alta dispersión mensual del tráfico. En contraste, grandes hubs como Frankfurt, Múnich o Berlín presentan valores mucho más bajos en ambos indicadores, reflejando una operación continua y menos sujeta a picos estacionales. Estos resultados sugieren la presencia de cierta dualidad en el sistema aeroportuario alemán: por un lado, los aeropuertos principales mantienen una operativa relativamente estable a lo largo del año; por otro, varios aeropuertos regionales muestran una mayor sensibilidad a la demanda estacional. (a) Índice de Gini temporal por aeropuerto. (b) Coeficiente de variación temporal por aeropuerto(CV). Figura 4.28 Comparativa por aeropuerto entre el índice de Gini y el coeficiente de variación en Alemania (2022). 34 Capítulo 4. Análisis de Estacionalidad La Figura 4.30 presentamos el ajuste cuadrático aplicado a los datos mensuales de Alemania en 2022, donde el eje horizontal muestra el logaritmo del tráfico mensual total y el eje vertical la transformación log-odds del índice de Gini. La Tabla 4.7 recoge los coeficientes obtenidos, todos estadísticamente significativos, junto con el p-valor del test F global, que confirma la solidez del ajuste. El coeficiente de determinación R2 =0.88819 lo que demuestra que el modelo explica cerca del 89 % de la variabilidad en la estacionalidad mensual alemana. Se observa que los meses de primavera y verano presentan un índice de Gini muy bajo, lo que indica una menor desigualdad en la distribución del tráfico aéreo. Además, durante estos meses, se registra un volumen significativo de tráfico aéreo. Por otro lado, los meses de enero y febrero son los que exhiben los valores más altos del índice de Gini y, al mismo tiempo, una menor cantidad de pasajeros. A medida que el volumen crece tras el vértice, la desigualdad cae de forma pronunciada: en pleno verano se alcanzan los valores mínimos de Gini transformado, lo que evidencia una distribución muy homogénea del flujo de pasajeros entre aeropuertos. Esto refleja una notable desigualdad y una concentración del tráfico en un reducido número de aeropuertos. Figura 4.29 Relación entre el índice de Gini mensual y el volumen de tráfico anual por aeropuerto en Alemania (2022). Tabla 4.7 Coeficientes del ajuste cuadrático de la estacionalidad mensual en Alemania (2022). Coeficiente Valor p c(constante) -82.142 0.02716 b(lineal) 10.568 0.022716 a(cuadrático) -0.33481 0.020189 R20.88819 5.2269e-05 Como se aprecia en la Figura 4.30, los aeropuertos con mayor volumen de tráfico —Frankfurt, Múnich, Berlín o Düsseldorf— tienden a presentar valores bajos de desigualdad temporal, lo que indica una distribución más homogénea del tráfico a lo largo del año. En cambio, los aeropuertos con menor tráfico anual muestran una gran dispersión en el eje vertical. Esto evidencia una estacionalidad mucho más marcada en aeropuertos pequeños o regionales, que concentran su actividad en unos pocos meses del año. La estimación arroja una pendiente a ≈ –0,1847 y un intercepto b ≈ 1,5031 con un R2≈ 0,5320, todos significativos ( p <0.01). R2 explica alrededor del 53 % de la variabilidad interaeropuerto, lo que sugiere que, aunque la tendencia general es clara, existen otros factores —geográficos, operativos o de red— que influyen en la desigualdad de la demanda. El coeficiente de correlación de Pearson resultó ρ≈ –0,73, lo que indica una asociación inversa fuerte: a mayor tamaño del aeropuerto, menor concentración estacional del tráfico. Este comportamiento confirma la relación inversa entre tamaño y estacionalidad, ya observada en otros países europeos, y pone de relieve la necesidad de políticas diferenciadas de gestión según el perfil del aeropuerto. Mientras los grandes aeropuertos requieren planificación estable y continua, muchos aeropuertos pequeños necesitan estrategias másflexibles para hacer frente a la fuerte variabilidad de la demanda. 4.6 Análisis de estacionalidad por país 35 Figura 4.30 Relación entre el índice de Gini por aeropuerto y el volumen de tráfico anual por aeropuerto en Alemania (2022). Tabla 4.8 Coeficientes del ajuste lineal de la estacionalidad por aeropuerto en Alemania (2022). Coeficiente Valor p b(intercepto) 1.5031 0.0052601 a(pendiente) -0.18474 1.588e-05 R20.53197 1.588e-05 Con un índice de Gini nacional de 0.7426, Alemania muestra una moderada concentración del tráfico, inferior a Francia y España pero aún considerable. La estacionalidad es media, con mayor concentración en invierno y un reparto más homogéneo en verano. Los grandes aeropuertos, como Frankfurt, Múnich o Berlín, tienen una operación estable, mientras que algunos regionales, como Memmingen o Sylt, presentan patrones más estacionales. El modelo cuadrático explica el 89 % de la variabilidad ( R2 =0,89, p≪ 0,01), mientras que el lineal ( a =0,185, p <10e4) capta el 53 % , con una correlación inversa fuerte ( ρ≈ 0,73). Estos resultados confirman la utilidad del término cuadrático para describir la estacionalidad alemana y avalan políticas de gestión diferenciada según el perfil aeroportuario. El sistema alemán se caracteriza por una estructura dual y más distribuida geográficamente, lo que exige estrategias diferenciadas de gestión según el perfil aeroportuario. 4.6.5 Reino Unido Se procede al análisis de la distribución mensual del tráfico aéreo por aeropuerto en Reino Unido a lo largo del año 2022. El análisis del índice de Gini aplicado al tráfico total anual por aeropuerto en Reino Unido arroja un valor de 0.7979, uno de los más altos entre los países estudiados, sólo por debajo de Francia. Este resultado evidencia una concentración extrema del tráfico en un número muy reducido de aeropuertos, lo que confirma la fuerte centralización del sistema aeroportuario británico. La Curva de Lorenz (Figura 4.31) lo ilustra claramente: existe una gran desviación respecto a la línea de igualdad perfecta, lo que indica que una pequeña fracción de aeropuertos —notablemente Heathrow, Gatwick, Manchester y Stansted— canaliza la mayoría del tráfico anual, mientras que el resto apenas alcanza volúmenes significativos. 36 Capítulo 4. Análisis de Estacionalidad Figura 4.31 Curva de Lorenz del tráfico aéreo de Reino Unido con coeficiente de Gini=0.7979. La Figura 4.32 muestra la distribución acumulada del tráfico aéreo por aeropuerto en Reino Unido. El gráfico revela una fuerte concentración: los cinco primeros aeropuertos (entre ellos Heathrow, Gatwick y Manchester) concentran más del 70 % del tráfico nacional, y bastan unos 12 aeropuertos para alcanzar el 90%. Este perfil extremadamente centralizado es coherente con el índice de Gini nacional elevado (0.7979) y con la forma acentuadamente curvada de su curva de Lorenz. La red británica depende claramente de unos pocos hubs principales, mientras que la mayoría de aeropuertos restantes tienen un peso marginal en el total anual. Figura 4.32 Distribución acumulada del tráfico aéreo por aeropuerto en Reino Unido. (2022). La evolución mensual del índice de Gini y del coeficiente de variación (CV) en Reino Unido, mostrada en la Figura 4.33, revela diferencias importantes entre ambos indicadores. Mientras que el CV mensual presenta una caída sostenida desde enero hasta septiembre, indicando una mayor uniformidad del tráfico en verano, el índice de Gini no muestra esa misma reducción, y mantiene valores elevados (alrededor de 0.79) incluso en los meses estivales. El CV alcanza su pico en enero (2.58) y vuelve a subir en diciembre (2.49), reflejando una fuerte dispersión del tráfico entre aeropuertos en invierno. El Gini, sin embargo, presenta sus valores más bajos en febrero, marzo y octubre ( 0.786), y no en verano, lo que sugiere que la concentración del tráfico en pocos aeropuertos se mantiene relativamente constante incluso cuando más aeropuertos están activos. 4.6 Análisis de estacionalidad por país 37 Esta discrepancia se explica porque el Gini mide la desigualdad relativa en la distribución del tráfico, mientras que el CV es sensible a los niveles absolutos de actividad. Así, durante el verano, aunque más aeropuertos registran actividad, los grandes hubs como Heathrow o Gatwick siguen concentrando una parte desproporcionada del tráfico, lo que mantiene alto el valor del Gini. En conjunto, el sistema británico muestra una alta centralización estructural que se mantiene a lo largo del año, mientras que la variabilidad mensual entre aeropuertos disminuye ligeramente en verano. (a) Índice de Gini mensual. (b) Coeficiente de variación mensual (CV). Figura 4.33 Comparativa mensual entre el índice de Gini y el coeficiente de variación en Reino Unido. (2022). La Figura 4.34 permite comparar la evolución mensual del índice de Gini y del coeficiente de variación (CV) en Reino Unido. Aunque ambos indicadores muestran niveles elevados durante todo el año, se aprecia una mayor caída del CV en verano, indicando una menor variabilidad mensual entre aeropuertos. En cambio, el índice de Gini se mantiene más estable, lo que confirma que la desigualdad en la distribución del tráfico permanece alta, incluso en los meses con mayor actividad. Esta diferencia refleja la complementariedad de ambos indicadores: mientras el CV capta la dispersión relativa del tráfico, el Gini evidencia la concentración estructural en pocos aeropuertos. Figura 4.34 Comparación mensual conjunta entre el índice de Gini y el coeficiente de variación (CV) en Reino Unido (2022). La Figura 4.35 muestra el análisis de desigualdad temporal del tráfico aéreo por aeropuerto en Reino Unido durante 2022. Los resultados evidencian una estacionalidad desigual en la red, con diferencias claras entre los grandes hubs y los aeropuertos regionales. En el índice de Gini, los principales aeropuertos —Heathrow, Gatwick, Manchester o Stansted— presentan valores bajos, indicando una distribución mensual más uniforme. Por el contrario, Exeter alcanza el valor más alto, superando 0.5, lo que refleja una concentración del tráfico en muy pocos meses. 38 Capítulo 4. Análisis de Estacionalidad El coeficiente de variación (CV) refuerza este patrón, destacando Dundee con el valor más alto (superior a 1.5), evidencia de una alta variabilidad mensual. Otros aeropuertos regionales como Isles of Scilly, Teesside o Sumburgh también muestran un comportamiento marcadamente estacional. En conjunto, el análisis confirma que los grandes aeropuertos británicos mantienen una operación más estable a lo largo del año, mientras que muchos aeropuertos menores dependen fuertemente de la demanda estacional. Esta dualidad requiere estrategias de gestión adaptadas al perfil operativo de cada aeropuerto. (a) Índice de Gini temporal por aeropuerto. (b) Coeficiente de variación temporal por aeropuerto(CV). Figura 4.35 Comparativa por aeropuerto entre el índice de Gini y el coeficiente de variación en Reino Unido (2022). La Figura 4.36 representa la estacionalidad mensual de Reino Unido mediante un modelo cuadrático, aunque con un poder explicativo mucho menor que en los casos analizados anteriormente. La Tabla 4.9 muestra que los coeficientes del término cuadrático, lineal y constante no resultan estadísticamente significativos (todos los p-valores rondan 0,66–0,70) y el R2≈ 0.064 está muy por debajo de lo deseable. Esto significa que el polinomio prácticamente no captura la variabilidad real de la desigualdad estacional en Reino Unido. En la práctica, esto se traduce en que los meses de invierno —enero y febrero— no siguen un patrón claro de concentración creciente, ni existe una caída pronunciada en verano; los puntos se dispersan alrededor de la curva casi horizontal y el modelo falla en aislar un «pico» o «valle» estacional. Figura 4.36 Relación entre el índice de Gini mensual y el volumen de tráfico anual por aeropuerto en Reino Unido (2022). 4.6 Análisis de estacionalidad por país 39 Tabla 4.9 Coeficientes del ajuste cuadrático de la estacionalidad mensual en Reino Unido (2022). Coeficiente Valor p c(constante) -16.332 0.6961 b(lineal) 2.1886 0.66738 a(cuadrático) -0.067587 0.66253 R20.063892 0.74296 La pendiente estimada es muy pequeña ( ≈ +0.03) y no resulta estadísticamente significativa ( p≈ 0.43), mientras que el intercepto ( ≈ –1.89) sí alcanza significación ( p≈ 0.00016), aunque carece de interpretación práctica al corresponder a un tráfico fuera del rango real de datos. El coeficiente de determinación es prácticamente nulo ( R2≈ 0.015, p≈ 0.43) y la correlación de Pearson es débilmente positiva ( ρ≈ +0.12), lo que indica que no existe una tendencia consistente entre el tamaño del aeropuerto y la desigualdad estacional. En consecuencia, el modelo lineal no ofrece evidencia de que los aeropuertos británicos más grandes presenten sistemáticamente una distribución de tráfico más homogénea a lo largo del año, a diferencia de los casos de otros países donde la relación era más clara. Figura 4.37 Relación entre el índice de Gini por aeropuerto y el volumen de tráfico anual por aeropuerto en Reino Unido (2022). Tabla 4.10 Coeficientes del ajuste lineal de la estacionalidad por aeropuerto en Reino Unido (2022). Coeficiente Valor p b(intercepto) -1.89 0.00016023 a(pendiente) 0.027027 0.43299 R20.015064 0.43299 El sistema británico tiene un índice de Gini nacional de 0.7979, el segundo más alto tras Francia, lo que refleja una fuerte concentración del tráfico, especialmente en Londres, donde se sitúan 3 de los 4 aeropuertos principales. El modelo cuadrático no explica la estacionalidad británica ( R2≈ 0,06, p > 0,6) ni el lineal ( R2 ≈ 0,015, p > 0,4, ρ≈ +0,12). El CV sí refleja menor variabilidad en verano, pero el Gini mensual permanece estable, evidenciando que la centralización londinense no sigue el patrón “pico-invierno/valle-verano”. Esto sugiere que la estacionalidad en Reino Unido depende más de factores de red, mercado de negocios y estructura de hubs que del volumen anual por sí solo. 40 Capítulo 4. Análisis de Estacionalidad 4.6.6 EEUU Se analiza, a continuación, la distribución mensual del tráfico aéreo por aeropuerto en Estados Unidos durante 2022. El índice de Gini nacional calculado para Estados Unidos en 2022 es de 0.5709, lo que indica un nivel de concentración moderado en comparación con los sistemas aeroportuarios europeos analizados. Este valor refleja que, si bien existen grandes aeropuertos dominantes, como Atlanta, Chicago O’Hare o Dallas/Fort Worth, el tráfico aéreo estadounidense está más repartido entre una red amplia de infraestructuras relevantes. La Curva de Lorenz (Figura 4.38) lo confirma: aunque hay cierta desviación respecto a la línea de igualdad, la pendiente es menos acusada que en países como Reino Unido o Francia. Esto sugiere que un número considerable de aeropuertos contribuye de forma significativa al tráfico nacional, sin una dependencia tan extrema de un pequeño grupo de nodos. Este perfil más equilibrado responde a la dimensión geográfica del país y a su modelo de red federal, donde múltiples áreas metropolitanas cuentan con aeropuertos de gran volumen. Así, el sistema estadounidense se configura como una red densa y funcionalmente distribuida, con implicaciones positivas en términos de resiliencia y conectividad territorial. Figura 4.38 Curva de Lorenz del tráfico aéreo de Estados Unidos con coeficiente de Gini=0.5709. A diferencia de países como Reino Unido o España, donde el tráfico se concentra en pocos aeropuertos, en Estados Unidos la pendiente de acumulación es mucho más gradual. Se necesitan más de 35 aeropuertos para alcanzar el 90%del tráfico nacional, y alrededor de 20 y 30 para cubrir el 70%y el 80%, respectivamente. Esta distribución refleja una estructura descentralizada y funcionalmente amplia, coherente con el bajo índice de Gini (0.5709) y la geografía extensa del país. El sistema estadounidense no depende de unos pocos nodos, sino que reparte su volumen de forma mucho más equilibrada. Figura 4.39 Distribución acumulada del tráfico aéreo por aeropuerto en Estados Unidos (2022). 4.6 Análisis de estacionalidad por país 41 La evolución mensual del índice de Gini y del coeficiente de variación (CV) en Estados Unidos, representada en la Figura 4.40, muestra un sistema aeroportuario con baja estacionalidad relativa y distribución bastante homogénea del tráfico a lo largo del año, en comparación con los países europeos analizados. Ambos indicadores presentan un pico muy claro en enero, con el Gini alcanzando su valor máximo (0.563) y el CV situándose en 1.168. Esta subida refleja una leve concentración del tráfico durante este mes principalmente debido a que es temporada baja aunque también puede estar influido por otros factores como la recuperación post-pandemia o las condiciones climáticas adversas. Sin embargo, fuera de este mes, tanto el Gini como el CV se mantienen en niveles estables y moderados, oscilando en torno a 0.56–0.57 y 1.10–1.14, respectivamente. Este comportamiento sugiere que, aunque existen variaciones estacionales, la red estadounidense opera con gran regularidad mensual, sin cambios abruptos en la distribución del tráfico entre aeropuertos. La estacionalidad está contenida y no afecta de forma significativa a la estructura global del sistema. (a) Índice de Gini mensual. (b) Coeficiente de variación mensual (CV). Figura 4.40 Comparativa mensual entre el índice de Gini y el coeficiente de variación en Estados Unidos (2022). La Figura 4.41 muestra la evolución conjunta del índice de Gini y el coeficiente de variación (CV) mensual en Estados Unidos. Ambos indicadores se mantienen en niveles moderados y estables durante la mayor parte del año. La diferencia entre ambos es sutil pero relevante: el Gini permanece casi plano, lo que indica una distribución constante del tráfico entre aeropuertos, mientras que el CV es más sensible a las variaciones de volumen mensual. Esta estabilidad refuerza la idea de que el sistema aeroportuario estadounidense presenta baja estacionalidad relativa y una estructura bien distribuida. Figura 4.41 Comparación mensual conjunta entre el índice de Gini y el coeficiente de variación (CV) en Estados Unidos (2022). 48 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria geoespacial se orienta no solo a la superficie física del país, sino a su realidad demográfica y urbana. Los puntos fueron distribuidos sobre una malla inicial amplia, de la cual se filtraron únicamente aquellos que se encuentran dentro del contorno geográfico de cada país, excluyendo los puntos situados sobre el mar o fuera de los límites definidos por el shape f ile . La resolución de la malla fue ajustada país por país con el objetivo de obtener aproximadamente 10.000 puntos válidos por territorio, garantizando una cobertura estadísticamente robusta y computacionalmente eficiente. Para cada punto del territorio se calcularon las distancias a todos los aeropuertos considerados en el país utilizando la fórmula de Haversine, y a partir de estas se evaluó el índice z(j) global. Además, se calcularon de forma separada los índices z1(j) y z2(j) , correspondientes a la influencia específica del primer y segundo aeropuerto con mayor tráfico de cada país. Como parte del proceso, se generaron también otras métricas relevantes como las distancias individuales desde cada punto al aeropuerto más importante y al segundo en tráfico, con sus respectivas representaciones gráficas y mapas de calor. Estas visualizaciones permiten analizar no solo la influencia ponderada sino también la accesibilidad geográfica directa. Este enfoque metodológico se aplica de forma homogénea a todos los países, permitiendo obtener una base comparable y coherente para los análisis posteriores. 5.4 Resultados gráficos y mapas de calor En esta sección se describen los diferentes tipos de gráficos y representaciones geoespaciales generados para visualizar los resultados del índice z(j) y sus componentes. Estos elementos se han implementado de forma homogénea para todos los países analizados con el fin de facilitar la comparación entre ellos. Los principales son los siguientes: Mapa de calor del índice z(j) : Representa la intensidad de afiliación de cada punto geográfico al conjunto del sistema aeroportuario nacional. Cuanto menor es el valor, mayor es la cercanía ponderada a aeropuertos con alto volumen de tráfico. Por el contrario, los valores altos de z(j) indican una mayor lejanía o conexión deficiente con los principales nodos aeroportuarios. Se utiliza una escala cromática continua (colormap jet) en función del valor de z(j)por punto. Curva ordenada de z(j) : Muestra los valores de z(j) ordenados de menor a mayor, facilitando la comparación de su dispersión y concentración. Mapas de z1(j) y z2(j) : Representan la influencia territorial específica del aeropuerto con mayor tráfico y del segundo en importancia, respectivamente. Curva ordenada de distancia general al aeropuerto más próximo: Representa la distribución acumulada de distancias desde todos los puntos del territorio nacional hasta el aeropuerto más cercano, sin ponderación por tráfico. Esta curva permite comparar de forma intuitiva la accesibilidad física del sistema aeroportuario en su conjunto. Mapas de distancia al aeropuerto principal y al segundo más relevante: Permiten observar la accesibilidad física directa a los nodos aeroportuarios dominantes. Estos gráficos se presentan y analizan individualmente en el siguiente apartado, país por país. 5.5 Análisis por país Una vez descritas las herramientas gráficas y métricas utilizadas (véase apartado 5.4), se procede al análisis individualizado de los siete países considerados. En cada caso se interpretan las visualizaciones obtenidas, con especial atención a la estructura territorial de la red aeroportuaria, los patrones de accesibilidad y la influencia relativa de los principales nodos. 5.5 Análisis por país 49 5.5.1 España (a) (b) Figura 5.1 Localización de los aeropuertos considerados y distribución de la malla de puntos generada dentro del contorno nacional, ajustada a la densidad de población. La Figura 5.1 muestra la base espacial del análisis para el caso de España. En 5.1a, se observa la posición relativa de los aeropuertos seleccionados, destacando la concentración costera y la presencia central de Madrid. Cabe señalar que, como se aprecia en la misma figura, no se incluyen en el análisis los aeropuertos de las islas (Baleares y Canarias). Esta exclusión responde al objetivo de mantener la homogeneidad del territorio continental analizado. En 5.1b, se aprecia la malla de puntos generada con mayor densidad en zonas urbanas y menor en regiones poco habitadas. Este diseño permite reflejar mejor la realidad demográfica en los cálculos de accesibilidad y afiliación. (a) (b) Figura 5.2 Curva ordenada del índice z(j)y mapa de calor correspondiente. En la Figura 5.2, el gráfico 5.2a muestra la curva ordenada del índice z(j) cuyos valores varían aproximadamente entre 0.78 y 1.25, con un crecimiento gradual al inicio, pero se acelera considerablemente después del punto 70000. Esto indica la presencia de aeropuertos con gran influencia local en regiones específicas. Esta forma indica que la mayoría del territorio español mantiene un nivel similar de conexión ponderada al sistema aeroportuario, sin que existan grandes diferencias entre zonas altamente afiliadas y regiones periféricas. En conjunto, esto sugiere una distribución relativamente homogénea en términos de accesibilidad aérea a escala nacional. El mapa 5.2b permite localizar espacialmente estas diferencias: los valores más bajos de z(j) , 50 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria representados con colores cálidos, se concentran alrededor de Madrid, Barcelona y la costa Mediterránea, mientras que los más altos aparecen en áreas rurales y extremas del oeste y sur peninsular. (a) (b) Figura 5.3 Curvas ordenadas de los índices z1(j) y z2(j) , asociados a los dos aeropuertos con mayor tráfico del país, junto con las curvas de distancia geográfica directa desde cada punto a dichos aeropuertos. La Figura 5.3 permite comparar la influencia relativa de los dos grandes hubs españoles. En el gráfico 5.3a, se presentan las curvas ordenadas de los índices z1(j) y z2(j) , que representan la influencia territorial individual de Madrid y Barcelona, respectivamente. La curva correspondiente a Madrid (en rojo) muestra una pendiente más suave y valores globalmente inferiores, lo que indica que su área de influencia está más extendida y de forma más uniforme. Esto refleja que una gran parte del territorio nacional presenta una afiliación significativa al aeropuerto madrileño, incluso en zonas alejadas. Por el contrario, la curva de Barcelona (en azul) presenta un crecimiento más abrupto, alcanzando valores máximos más altos. Esto sugiere que la influencia de Barcelona es más localizada, con una fuerte afiliación en un área reducida (noreste peninsular) y una caída más rápida conforme se aleja del aeropuerto. El gráfico 5.3b complementa este análisis mostrando las distancias geográficas desde cada punto del territorio a ambos aeropuertos. La curva de Madrid se sitúa sistemáticamente por debajo de la de Barcelona, lo cual indica que, en promedio, los puntos están más cerca de Madrid que de Barcelona. Este resultado reafirma el peso geográfico central de Madrid y también su potencial logístico como nodo de distribución nacional. (a) Adolfo Suárez Madrid-Barajas. (b) Josep Tarradellas Barcelona-El Prat. Figura 5.4 Mapas de calor de los índices z1(j) y z2(j) , que representan la influencia territorial directa del aeropuerto con mayor tráfico y del segundo en importancia, respectivamente. 5.5 Análisis por país 51 La Figura 5.4 presenta los mapas de calor correspondientes a los índices z1(j) y z2(j) . En el mapa de la izquierda (5.4a) se aprecia una influencia radial clara y concentrada alrededor de Madrid-Barajas. Los colores cálidoss indican que los puntos en esta área están próximos, ponderando el tráfico, a este aeropuerto, destacando su rol como principal nodo aeroportuario con un amplio alcance territorial. El mapa de la derecha (5.4b) muestra que la influencia de Barcelona-El Prat se concentra en el noreste, especialmente en Cataluña y el Levante, con una cobertura más localizada y un descenso rápido hacia el interior. Esto refleja su rol regional clave para la conectividad mediterránea. (a) Adolfo Suárez Madrid-Barajas. (b) Josep Tarradellas Barcelona-El Prat. Figura 5.5 Mapas de calor de la distancia geográfica directa desde cada punto del país al aeropuerto principal y al segundo más importante, sin ponderación por tráfico. La Figura 5.5 presenta los mapas de distancia geográfica directa, sin ponderar por tráfico, desde cada punto del territorio español hasta los dos aeropuertos con mayor volumen de pasajeros: Madrid-Barajas y Barcelona-El Prat. Estas representaciones reflejan la accesibilidad física bruta, es decir, la proximidad real basada únicamente en la distancia, sin tener en cuenta la importancia o capacidad de cada aeropuerto. Se observa claramente en la figura 5.5a que Madrid-Barajas domina la accesibilidad en el centro y oeste peninsular. Esta extensión territorial evidencia la posición central de Madrid como nodo clave, facilitando el acceso aéreo a una gran parte del país. Por su parte, en la figura de la derecha (5.5b) Barcelona-El Prat se posiciona como el aeropuerto dominante en la franja noreste, concentrando su influencia espacial en Cataluña y áreas cercanas del Levante. La influencia de Barcelona se limita geográficamente a esta región, debido a la distancia y la orografía, lo que explica su carácter regional. Esta visualización permite entender la estructura dual del sistema aeroportuario español, donde Madrid actúa como un nodo central dominante con un área de influencia amplia y gradual, mientras que Barcelona cumple un rol complementario, concentrado en una zona geográfica específica pero estratégica. 52 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria 5.5.2 Italia (a) (b) Figura 5.6 Localización de los aeropuertos considerados y distribución de la malla de puntos generada dentro del contorno nacional, ajustada a la densidad de población. La Figura 5.6 muestra la base espacial del análisis para el caso de Italia. En la subfigura 5.6a, se observa la distribución de los principales aeropuertos del país, con una clara alineación norte-sur y una mayor concentración en el norte industrializado, incluyendo áreas metropolitanas como Milán, Venecia y Turín. En la subfigura 5.6b, se aprecia la malla de puntos generada, con mayor densidad en las zonas urbanas del norte del país y menor en regiones rurales o montañosas del sur. Esta configuración permite representar mejor la realidad demográfica italiana en los análisis de accesibilidad e influencia. Cabe destacar que, la isla de Cerdeña no ha sido consideradas en el análisis. Asimismo, los aeropuertos situados en esta región ha sido excluido del estudio, como se observa en 5.6a, por lo que no influyen en los cálculos de accesibilidad ni en la interpretación de los resultados siguientes. (a) (b) Figura 5.7 Curva ordenada del índice z(j)y mapa de calor correspondiente. La Figura 5.7 ilustra la distribución del índice z(j) que varía aproximadamente entre 0.87 y 1.07, mide la accesibilidad ponderada a los aeropuertos según su volumen de tráfico. En el gráfico de la izquierda (5.7a) se observa una evolución continua y progresiva del índice a lo largo de todos los puntos considerados, sin la presencia de saltos bruscos o discontinuidades. Esta forma indica que el territorio italiano presenta una distribución relativamente equilibrada de accesibilidad aeroportuaria, sin grandes áreas desconectadas ni 5.5 Análisis por país 53 excesivamente concentradas. Aun así, se evidencian diferencias geográficas. Las regiones del norte y centro presentan valores más bajos de z(j) , lo que denota una mejor accesibilidad, asociada a la mayor concentración de infraestructuras aeroportuarias en esas zonas. En cambio, el sur y las islas alcanzan valores más elevados, lo que sugiere una conectividad más limitada. El mapa de calor (Figura 5.7b) refuerza esta lectura espacial: las zonas del norte destacan por su proximidad y buena conexión con los principales aeropuertos del país, mientras que las regiones meridionales aparecen más aisladas del sistema aeroportuario principal. (a) (b) Figura 5.8 Curvas ordenadas de los índices z1(j) y z2(j) , asociados a los dos aeropuertos con mayor tráfico del país (Roma-Fiumicino y Milán-Malpensa), junto con las curvas de distancia geográfica directa desde cada punto a dichos aeropuertos. La Figura 5.8 permite comparar la influencia relativa de los dos grandes hubs italianos. En la subfigura 5.8a, la curva del índice z1(j) asociada a Roma-Fiumicino (en rojo) presenta una pendiente suave y valores distribuidos de forma más uniforme, lo que indica un área de influencia amplia y homogénea en el territorio nacional. En cambio, la curva correspondiente a Milán-Malpensa (en azul) crece más rápidamente, en concreto, presenta un crecimiento brusco entre los puntos 4000 y 7000, reflejando una concentración de su influencia en un entorno más acotado del norte del país, luego se estabiliza indicando menos relevancia para el resto del país. Esta diferencia en la forma de las curvas refleja también el papel distinto que desempeña cada aeropuerto. Roma-Fiumicino funciona como el principal centro de conexión del país, con buena accesibilidad desde casi todo el territorio y con un importante peso tanto en vuelos nacionales como internacionales. En cambio, Milán-Malpensa tiene una influencia más localizada en el norte, y está más orientado a cubrir la demanda de esa zona, especialmente por su cercanía a regiones económicamente activas y a las conexiones con otros países europeos. La subfigura 5.8b refuerza esta interpretación desde el punto de vista geográfico. Se observa que los puntos del sur presentan distancias considerablemente mayores a Milán-Malpensa, mientras que Roma ofrece un acceso más equilibrado y centralizado. Esta configuración es coherente con el sistema radial de infraestructuras italianas, donde Roma actúa como nodo central del país, mientras que Milán funciona como polo especializado del norte. 54 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria (a) Roma-Fuimicino. (b) Milán-Malpensa. Figura 5.9 Mapas de calor de los índices z1(j) y z2(j) ,que representan la influencia territorial directa del aeropuerto con mayor tráfico (Roma-Fiumicino) y del segundo en importancia (Milán-Malpensa). La Figura 5.9 presenta la distribución espacial del índice de influencia específica de los dos aeropuertos más importantes del país: Roma-Fiumicino y Milán-Malpensa. El mapa de la izquierda (5.9a), correspondiente a Roma-Fiumicino, muestra una influencia territorial extensa que abarca prácticamente todo el centro y el sur de Italia, incluyendo también algunas zonas del norte. Esta amplia área de cobertura confirma su papel como aeropuerto central en el sistema italiano, con una conectividad que trasciende su entorno inmediato y le permite dar servicio a regiones alejadas, incluidas zonas rurales y periféricas. Por el contrario, el mapa de la derecha (5.9b) muestra la influencia de Milán-Malpensa, claramente concentrada en la franja norte del país. Su impacto disminuye de forma acusada a medida que se aleja de la región de Lombardía, lo que refuerza la idea de que su papel es más regional y especializado. Sin embargo, esta limitación territorial no implica menor relevancia: Malpensa es una infraestructura clave para la economía del norte industrial, facilitando conexiones rápidas con los principales centros financieros y logísticos del continente europeo. En conjunto, los mapas ponen de manifiesto un reparto funcional del territorio entre ambos aeropuertos: Roma, con una vocación generalista y de alcance nacional, y Milán, con una función estratégica más centrada en la articulación del norte productivo. Esta complementariedad es clave para garantizar la cobertura del conjunto del país y maximizar la eficiencia del sistema aeroportuario italiano. (a) Roma-Fuimicino. (b) Milán-Malpensa. Figura 5.10 Mapas de calor de la distancia geográfica directa desde cada punto del país al aeropuerto principal y al segundo más importante, sin ponderación por tráfico. 5.5 Análisis por país 55 Por último, en el mapa correspondiente a Roma-Fiumicino (5.10a), se aprecia claramente un patrón concéntrico en torno al centro peninsular. Este patrón genera una cobertura relativamente equilibrada hacia el norte y especialmente hacia el sur del país. A pesar de la localización central de Roma, su área de influencia geográfica alcanza incluso zonas del sur continental con distancias moderadas, lo que favorece su papel como eje vertebrador del sistema aeroportuario nacional. Esta disposición centralizada permite que muchas regiones, aunque periféricas en términos económicos o de infraestructuras, mantengan una razonable accesibilidad aérea gracias a la ubicación estratégica de Fiumicino. En contraste, el mapa de distancias hacia Milán-Malpensa (Figura 5.10b) revela una influencia territorial mucho más localizada. Las zonas cercanas al norte, especialmente en las regiones de Lombardía, Piamonte y Emilia-Romana, muestran valores de distancia reducidos, lo que confirma la fuerte vinculación de este aeropuerto con los territorios del norte industrial. Sin embargo, a medida que se desciende hacia el centro y el sur del país, las distancias aumentan con rapidez, y se evidencian amplias áreas alejadas geográficamente de Malpensa, incluida la totalidad de las islas. Esto limita su accesibilidad directa para una gran parte de la población italiana. 5.5.3 Francia (a) (b) Figura 5.11 Localización de los aeropuertos considerados y distribución de la malla de puntos generada dentro del contorno nacional, ajustada a la densidad de población. La Figura 5.11 muestra la base espacial del análisis para Francia. En la subfigura 5.11a, se representa la distribución de los aeropuertos seleccionados, entre los que destaca una notable concentración en la mitad sur del país, con una distribución relativamente homogénea en el resto del territorio continental. En la subfigura 5.11b, se observa la malla de puntos generada con mayor densidad en las zonas urbanas y más habitadas, especialmente en la región parisina y el sureste. Es importante señalar que no se incluye la isla de Córcega ni territorios de ultramar para el análisis análisis, tanto en términos de cálculo como de representación de resultados, ya que no participan directamente en la dinámica del sistema aeroportuario continental objeto de estudio. 56 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria (a) (b) Figura 5.12 Curva ordenada del índice z(j)y mapa de calor correspondiente. La Figura 5.12a muestra la curva ordenada del índice z(j) total acumulado para el conjunto de aeropuertos franceses. A diferencia de otras curvas vistas anteriormente, aquí se observa una pendiente claramente no lineal, con un tramo inicial más plano hasta aproximadamente el punto 25000, seguido por un ascenso pronunciado y una pequeña meseta intermedia en torno a z(j)≈ 1, finalmente llegando a un máximo cercano a z(j)=1.35. Este comportamiento revela una desigual distribución territorial de la influencia aeroportuaria: una parte significativa del territorio concentra buena accesibilidad (valores bajos), mientras que otro conjunto de puntos se encuentra en posiciones más alejadas o con menor cobertura de aeropuertos relevantes, lo que provoca el aumento final de la curva. El mapa de la derecha (5.12b) refuerza esta lectura. Se identifica una fuerte concentración de influencia en torno al área metropolitana de París, donde los valores de z(j) son especialmente bajos gracias a la presencia simultánea de los aeropuertos Charles de Gaulle y Orly. En cambio, en el sur del país, el valor acumulado de z(j) aumenta notablemente, alcanzando máximos en zonas como Occitania, Nouvelle-Aquitaine y Provenza, donde la accesibilidad aeroportuaria depende de nodos secundarios o más alejados. (a) (b) Figura 5.13 Curvas ordenadas de los índices z1(j) , z2(j) y z3(j) , asociados a los tres aeropuertos con mayor tráfico del país (París-Charles de Gaulle, París-Orly y Niza-Côte d’Azur), junto con las curvas de distancia geográfica directa desde cada punto a dichos aeropuertos. Dado que los dos aeropuertos más importantes del país se sitúan en la misma área metropolitana (Charles de Gaulle y Orly), se ha incluido un tercer aeropuerto relevante (Niza-Côte d’Azur) para proporcionar una comparación más equilibrada y capturar mejor las diferencias funcionales a escala nacional. 5.5 Análisis por país 57 Según se observa en la figura 5.14, la curva de Charles de Gaulle (rojo) presenta valores claramente superiores y una pendiente pronunciada en la parte final, reflejando su rol dominante en el conjunto del sistema. Orly (azul) muestra valores más bajos, con una forma similar pero menos intensa, actuando como aeropuerto complementario. En contraste, la curva de Niza (verde) revela una influencia mucho más localizada, con un crecimiento más rápido en los primeros tramos y una estabilización posterior, lo que evidencia su papel regional centrado en la costa mediterránea. La curva combinada de distancias (5.15), sin ponderación por tráfico, revela una accesibilidad geográfica muy similar entre Charles de Gaulle y Orly en la mayoría del territorio, lo que es consistente con su proximidad geográfica. Sin embargo, Niza muestra distancias notablemente más elevadas para buena parte del país, confirmando su rol periférico. Este análisis conjunto permite visibilizar no solo la jerarquía funcional de los aeropuertos, sino también la fuerte centralización del sistema francés, que se apoya en un núcleo metropolitano con dos grandes infraestructuras y algunos polos secundarios con alcance más limitado. (a) París-Charles de Gaulle. (b) París-Orly. (c) Niza-Côte d’Azur. . Figura 5.14 Mapas de calor de los índices z1(j),z2(j)yz3(j). Los mapas individuales permiten apreciar con claridad el alcance funcional y territorial de los tres principales aeropuertos del país. Charles de Gaulle (CDG) muestra una zona de influencia muy extensa y compacta, con mínimos del índice z(j) en Île-de-France y una presencia clara incluso en el norte y noreste del país. Orly, si bien cercano a CDG, presenta una cobertura ligeramente menor, pero complementaria en el entorno inmediato de París. Por su parte, el aeropuerto de Niza (Côte d’Azur) presenta una distribución más dispersa y localizada. Su influencia se limita mayoritariamente al sureste, especialmente a la región Provence-Alpes-Côte d’Azur. Aunque es el tercer aeropuerto en volumen de tráfico, su impacto territorial es reducido si se compara con los dos nodos parisinos, lo que reafirma su rol regional y turístico más que vertebrador a escala nacional. (a) París-Charles de Gaulle. (b) París-Orly. (c) Niza-Côte d’Azur. . Figura 5.15 Mapas de calor de la distancia geográfica directa de cada punto del país a los tres aeropuertos de más tráfico. 64 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria 5.5.6 Japón (a) (b) Figura 5.26 Localización de los aeropuertos considerados y distribución de la malla de puntos generada dentro del contorno nacional, ajustada a la densidad de población. El análisis del sistema aeroportuario japonés parte de una representación precisa tanto de su infraestructura como de su configuración territorial. Japón, al tratarse de un archipiélago estrecho y alargado con múltiples islas, presenta particularidades geográficas que condicionan el análisis espacial de la conectividad aérea. La Figura 5.26a muestra la localización de los aeropuertos japoneses, claramente distribuidos a lo largo del eje longitudinal de las islas principales. Se observa una elevada densidad en las zonas urbanas más pobladas, especialmente en las regiones de Kant ¯ o, Kansai y Ky ¯ ush ¯ u. No obstante, también se ha considerado de manera específica la inclusión de regiones periféricas con relevancia estratégica. En particular, la isla de Hokkaid ¯ o ha sido plenamente incorporada al análisis, dada su extensión territorial, peso poblacional regional y su conexión funcional con el resto del país a través de transporte aéreo y ferroviario. Su red aeroportuaria interna, con nodos como New Chitose, permite garantizar conectividad pese a la distancia con respecto a Honsh ¯ u. De forma similar, se ha incluido Okinawa, cuya insularidad extrema y localización en el extremo suroccidental no reduce su importancia. (a) (b) Figura 5.27 Curva ordenada del índice z(j)y mapa de calor correspondiente. 5.5 Análisis por país 65 La evolución de la función z(j) sobre el conjunto de puntos distribuidos en el territorio japonés muestra un crecimiento inicial lento y suave seguido de un crecimiento acelerado en el tramo central del gráfico (puntos 60000–85000), lo que implica que gran cantidad de puntos están siendo cubiertos con alta eficacia por los aeropuertos principales según esta parte central. Esto se ve reflejado en el mapa de calor de la Figura 5.27b, donde los valores más altos de influencia (rojo intenso) se localizan en la zona centro-sur del archipiélago, que incluye las regiones metropolitanas de ¯ Osaka, Nagoya y Tokio, esto es, en la franja centro-sur del país, donde coinciden los principales hubs aéreos, los corredores urbanos y las mayores densidades de población. En conjunto, el sistema japonés revela un equilibrio razonable entre accesibilidad y centralización. Si bien existen zonas claramente dominantes, el grado de cobertura observado, incluso en islas más aisladas, sugiere una planificación aeroportuaria orientada a la integración territorial, aprovechando una red densa y bien distribuida, adaptada a la morfología del país. (a) (b) Figura 5.28 Curvas ordenadas de los índices z1(j) y z2(j) , asociados a los dos aeropuertos con mayor tráfico del país (Tokio-Haneda y Sapporo-New Chitose), junto con las curvas de distancia geográfica directa desde cada punto a dichos aeropuertos. Tokio-Haneda, como principal aeropuerto del país, muestra una curva de crecimiento muy constante y dominante, acumulando más del 30 % de la influencia total. Su pendiente es bastante suave pero sostenida, lo que refleja una cobertura amplia y regular sobre el territorio central del archipiélago. Sapporo-New Chitose, en cambio, muestra una curva más escalonada: su crecimiento se intensifica en un tramo inicial (puntos 5000–20000), lo que indica una influencia más localizada en la isla de Hokkaid ¯ o. Si bien su contribución al sistema es significativa, no llega a ejercer un papel equilibrador a escala nacional, manteniéndose como hub regional dominante del norte, sin capacidad de competir en centralidad con Tokio. Esta asimetría se refuerza con la gráfica de distancias en la Figura 5.28b. Haneda mantiene distancias medias más bajas para la mayoría de los puntos del territorio japonés, lo que confirma su ubicación estratégica en el corazón del eje Honsh ¯ u. En cambio, New Chitose presenta valores más elevados a medida que nos alejamos de Hokkaid ¯ o, reflejando su aislamiento relativo respecto al resto del país. Mientras que Haneda raramente supera los 1200 km de distancia, New Chitose alcanza y supera los 2000 km en los extremos meridionales. Los datos permiten concluir que el sistema aeroportuario japonés está claramente articulado en torno a Tokio-Haneda como centro neurálgico de conexión nacional, con Sapporo-New Chitose como referente regional en el norte. 66 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria (a) Tokio-Haneda. (b) Sapporo-New Chitose. Figura 5.29 Mapas de calor de los índices z1(j) y z2(j) ,que representan la influencia territorial directa del aeropuerto con mayor tráfico (Tokio-Haneda) y del segundo en importancia (Sapporo-New Chitose). Se observa en la Figura 5.29a un gradiente de influencia que se concentra en la región central del país, con valores máximos (rojo intenso) en la zona metropolitana de Tokio. La influencia disminuye progresivamente hacia el norte (Hokkaid ¯ o) y hacia el suroeste (Ky ¯ ush ¯ u), pero sigue presente, lo que indica amplitud funcional del aeropuerto. Las zonas costeras de Honsh ¯ u reflejan valores intermedios (verde-amarillo), lo que confirma una buena irradiación espacial desde Tokio-Haneda. Por otro lado, en la Figura 5.29b se observa que influencia máxima (rojo) se localiza exclusivamente en Hokkaid ¯ o, con un descenso drástico en cuanto se desciende hacia T ¯ ohoku y el centro del país. Los valores rojos en el resto del mapa reflejan baja capacidad de proyección funcional fuera de su entorno inmediato. Esto confirma el papel de New Chitose como aeropuerto de relevancia regional, sin capacidad de estructurar el sistema a nivel nacional. (a) Tokio-Haneda. (b) Sapporo-New Chitose. Figura 5.30 Mapas de calor de la distancia geográfica directa desde cada punto del país al aeropuerto principal y al segundo más importante, sin ponderación por tráfico. El patrón de colores muestra una amplia zona de cobertura en azul oscuro (distancias < 400 km) que abarca gran parte del eje central y oriental de Honsh ¯ u. Esto confirma que Haneda tiene una posición altamente estratégica, situada en el centro funcional del país, y ofrece excelente accesibilidad a la mayor parte del territorio densamente poblado. Mientras que, el mapa de la Figura 5.30b muestra claramente una cobertura muy concentrada en el norte, con distancias bajas solo en Hokkaid ¯ o (rojo intenso). Esto evidencia su carácter de aeropuerto periférico y regional, cuya función principal es conectar Hokkaid ¯ o con el resto de Japón. 5.5 Análisis por país 67 El modelo japonés se articula mediante un gran nodo nacional y nodos periféricos de refuerzo, permitiendo una cobertura amplia y eficiente pese a la morfología fragmentada del territorio. Aunque no alcanza el equilibrio funcional observado en países como Alemania, logra mitigar la insularidad y mantener una conectividad aérea estructurada, con fuerte dependencia del eje Tokio– ¯ Osaka y apoyo regional en islas remotas como Hokkaid¯ o y Okinawa. 5.5.7 EE.UU. (a) (b) Figura 5.31 Localización de los aeropuertos considerados y distribución de la malla de puntos generada dentro del controno nacional, ajustada a la densidad de población. En la Figura 5.31a, se observa la ubicación de los aeropuertos estadounidenses que participan en el análisis de influencia z(j) . En la Figura 5.31b, se presenta la malla de puntos que refleja una mayor densidad en las áreas urbanas y más pobladas, especialmente en el noreste y el sureste del país. (a) (b) Figura 5.32 Curva ordenada del índice z(j)y mapa de calor correspondiente. La Figura 5.32 muestra la curva ordenada del índice z(j) total acumulado para los aeropuertos más importantes de Estados Unidos. En la Figura 5.32a, observamos una pendiente no lineal, donde los puntos más cercanos a los aeropuertos principales presentan valores bajos de z(j) , indicando buena accesibilidad. A medida que nos alejamos de 68 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria estos aeropuertos, los valores de z(j) aumentan, lo que refleja la menor conectividad en áreas más periféricas del país. El mapa de calor de Estados Unidos (Figura 5.32b) refleja que los índices de influencia z(j) con valores bajos, es decir, con alta accesibilidad se encuentran en la zona de costa, sobre todo al sur-este del país, donde Atlanta se posiciona como un hub clave con una gran conectividad. Ciudades cercanas a Atlanta, como partes de Georgia, Carolina del Sur, y Alabama, se benefician de un acceso constante a vuelos internacionales y nacionales debido a la gran cantidad de vuelos que pasan por este aeropuerto. Por otro lado, en el norte y oeste de Estados Unidos se encuentran las zonas rurales de los estados de Montana, Wyoming o Alaska cuyos los valores de z(j)son significativamente más altos. (a) (b) Figura 5.33 Curvas ordenadas de los índices z1(j) , z2(j) y z3(j) asociados a los tres aeropuertos con mayor tráfico del país (Atlanta, Dallas, Denver), junto con las curvas de distancia geográfica directa desde cada punto a dichos aeropuertos. La Figura 5.33 muestra las curvas ordenadas de los índices , que corresponden a los tres aeropuertos más importantes de Estados Unidos en términos de tráfico aéreo: Atlanta (ATL), Dallas-Fort Worth (DFW) y Denver (DEN). Estas curvas están acompañadas por las curvas de distancia geográfica directa desde cada punto del país a estos tres aeropuertos clave. La Figura 5.33a ilustra cómo cambia la accesibilidad aérea a medida que nos alejamos de los aeropuertos principales. En las primeras secciones de la curva, donde los valores de z(j) son bajos y, a medida que nos desplazamos hacia áreas más distantes, aumentan, reflejando una caída en la accesibilidad debido a la menor disponibilidad de vuelos directos. Este comportamiento es consistente con la presencia de aeropuertos clave en el sur (Atlanta), el oeste (Denver) y el centro (Dallas), los cuales centralizan la conectividad aérea para sus respectivas regiones. Las distancias directas más cortas se encuentran alrededor de las grandes metrópolis cercanas a los aeropuertos principales. (a) Atlanta Hartsfield-Jackson. (b) Dallas Forth Worth. (c) Denver. . Figura 5.34 Mapas de calor de los índices z1(j),z2(j)yz3(j). 5.5 Análisis por país 69 En la Figura 5.34a, el mapa de calor asociado a Atlanta muestra una zona de alta influencia en el sureste de Estados Unidos, especialmente en áreas cercanas a Georgia, Carolina del Sur y Alabama. La Figura 5.34c muestra la influencia de Denver, con una mayor influencia en el centro del país, especialmente en las áreas cercanas a las Montañas Rocosas. En la Figura 5.34b, se observa que Dallas-Fort Worth tiene una influencia significativa, particularmente en el centro y sur de Estados Unidos. Actúa como un nodo central sirviendo de puente entre el este y el oeste. Denver, por último, actúa como un nodo de conexión importante en la región occidental de Estados Unidos, con una influencia notable en las áreas circundantes. (a) Atlanta Hartsfield-Jackson. (b) Dallas Forth Worth. (c) Denver. . Figura 5.35 Mapas de calor de la distancia geográfica directa de cada punto del país a los tres aeropuertos de más tráfico. El patrón de colores muestra la gran dimensión de Estados Unidos habiendo más de 900km desde los aeropuertos principales a las zonas más aleajadas de estos. Se observa que de los tres con más tráfico (Atlanta, Dallas y Denver) cada uno está ubicado en una zona, abarcando así una gran extensión de terreno estadounidense en lo que a cobertura se refiere. El modelo geoespacial de Estados Unidos se articula en torno a grandes nodos nacionales, como Atlanta, Dallas-Fort Worth y Denver, que actúan como los principales centros de conectividad aérea. Estos nodos permiten una cobertura eficiente del territorio, aunque la conectividad varía considerablemente según la proximidad a estos aeropuertos clave. Si bien no alcanza el equilibrio funcional observado en países más centralizados como Francia, la infraestructura aeroportuaria de EE.UU. logra mantener una red eficiente y bien distribuida, con una fuerte dependencia de los ejes Atlanta–Dallas y Denver. 70 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria 5.6 Comparativa general de z(j) Figura 5.36 Comparativa de la influencia acumulada de los aeropuertos sobre los puntos en cada país.. Una vez analizadas de forma individual las curvas z(j) de cada país, se ha representado conjuntamente su evolución acumulada en una única gráfica, con el objetivo de permitir una comparación directa entre los distintos sistemas aeroportuarios. Este enfoque permite observar de manera comparativa las diferencias estructurales en los sistemas aeroportuarios nacionales, tanto en términos de centralidad como de equidad territorial y eficiencia funcional. Desde una perspectiva general, la gráfica muestra tres grandes comportamientos: Países con pendiente creciente y fuerte concentración funcional (Reino Unido), Países con pendiente sostenida y estructura equilibrada (Alemania, Francia), Países con pendiente más moderada o crecimiento disperso (Japón, Italia, España y EE..UU.). La curva correspondiente a Alemania (línea negra) es la que más se aproxima a una pendiente constante. No presenta rupturas visibles ni tramos planos, lo que evidencia un sistema aeroportuario equilibrado, denso y bien distribuido, con influencia acumulada de forma progresiva y sin dependencia de uno o dos grandes nodos. Su comportamiento lineal refuerza la imagen de una red funcionalmente sólida y cohesionada en términos territoriales. En contraste, el Reino Unido (línea azul) muestra una pendiente muy empinada entre los puntos 80.000 y 90.000, donde acumula la mayor parte de su influencia. Esto indica una concentración significativa de la influencia acumulada en los aeropuertos principales, particularmente en el área de Londres, con los principales aeropuertos como Heathrow, Gatwick, y Stansted. Estados Unidos (línea amarilla), presenta una curva notablemente plana, especialmente al inicio y en el tramo medio. Su curva comienza en un valor ya elevado de z(j) , el más alto de todos los países. Esto indica que incluso los primeros puntos analizados tienen una influencia acumulada significativa. Sin embargo, la curva crece muy lentamente, permaneciendo dentro de un rango vertical muy estrecho a lo largo de los 100.000 puntos. Este patrón sugiere una red con alta concentración funcional en determinados núcleos (como Atlanta, Dallas o Denver), pero con poca redistribución territorial de esa influencia. En otras palabras, el sistema aeroportuario estadounidense es operativo a gran escala, pero su cobertura espacial relativa es baja y refleja una estructura muy dispersa. Esto puede explicarse por su enorme extensión geográfica y la alta dependencia de nodos separados por grandes distancias. Japón (línea magenta) presenta una curva con pendiente más suave al inicio y al final, este comportamiento refleja una red aeroportuaria eficiente en el eje central, donde los aeropuertos más importantes de Japón (Tokio 5.6 Comparativa general de z(j) 71 Haneda) dominan la influencia acumulada, pero con menos irradiación hacia las regiones más distantes en comparación con otros países. Este ajuste muestra que la red aeroportuaria japonesa tiene una concentración funcional elevada, especialmente en el eje Tokio- ¯ Osaka, pero con una distribución menos equilibrada hacia otras áreas. En Francia, se observa un crecimiento más uniforme con algún salto abrupto y una pendiente más pronunciada, sólo por debajo de la de Reino Unido. Se inicia de forma pronunciada debido a la fuerte concentración funcional en torno al aeropuerto de París-Charles de Gaulle, que articula gran parte de la conectividad nacional. En el tramo medio de su curva, Francia presenta además saltos abruptos seguidos de mesetas planas, que podrían corresponder a la activación puntual de aeropuertos regionales como Marsella, Toulouse o Lyon, con influencia localizada pero sin continuidad territorial. Esto refuerza la lectura de un sistema que, aunque logra valores acumulados elevados, presenta una cobertura funcional fragmentada y saturada más allá de los principales nodos Italia (línea verde) y España (línea roja) se sitúan en posiciones intermedias dentro de la gráfica. Sus curvas presentan un crecimiento moderado y sostenido, con pendientes suaves pero constantes, sin rupturas abruptas. Aunque no alcanzan pendientes tan marcadas como la del Reino Unido ni la regularidad lineal de Alemania, ambas reflejan una estructura funcional parcialmente descentralizada, con influencia repartida en torno a varios núcleos regionales (Madrid, Barcelona, Milán, Roma). No obstante, en el tramo final de la gráfica, se observa una diferencia relevante: la curva de España continúa creciendo rudamente hasta el final, mientras que la de Italia tiende a estabilizarse. Este comportamiento sugiere que el sistema aeroportuario español mantiene capacidad de cobertura en zonas más periféricas, mientras que el italiano presenta una mayor saturación funcional, con menor expansión en los extremos del territorio. En conjunto, la representación comparada de las curvas z(j) confirma visualmente lo expuesto en los análisis individuales: cada país responde a una lógica funcional distinta, ya sea concentrada, equilibrada o fragmentada, que se traduce en un modelo específico de accesibilidad aeroportuaria. Este tipo de análisis resulta especialmente útil para evaluar no solo la eficiencia operativa, sino también el grado de equidad territorial en la distribución de infraestructuras críticas como los aeropuertos. (a) Aeropuerto principal. (b) 2ºAeropuerto con más tráfico. Figura 5.37 Comparativa internacional de la función z(j) para los aeropuertos con más tráfico de cada país. La representación de la función z(j) por separado para el primer y segundo aeropuerto más transitado de cada país permite observar diferencias significativas en el papel funcional de los grandes hubs aeroportuarios. Esta comparación revela tanto el grado de centralidad del nodo principal como la capacidad del segundo aeropuerto para complementar o equilibrar la red nacional. Las curvas correspondientes a la Figura 5.37a muestra los principales aeropuertos de cada país que tienen comportamientos contrastados: Francia, con el aeropuerto de París–Charles de Gaulle, presenta la curva más empinada y elevada del conjunto. Su pendiente se intensifica especialmente entre los puntos 30.000 y 70.000, lo que indica que una parte muy significativa del territorio francés está directamente influida por este único nodo. Este comportamiento es característico de un sistema altamente centralizado, donde un único aeropuerto concentra la mayoría de la conectividad funcional. 72 Capítulo 5. Análisis Geoespacial de Influencia Aeroportuaria El caso del Reino Unido es similar, con Heathrow (Londres) como centro dominante. Su curva también presenta una pendiente muy acusada, aunque más irregular que la de Francia. A partir del punto 90.000 la curva se aplana, lo que evidencia que el resto del país (Escocia, Gales, Irlanda del Norte) aporta poca influencia adicional y queda funcionalmente más alejado. En cambio, Alemania, representada por Frankfurt, muestra una curva muy distinta. Su pendiente es constante y progresiva a lo largo de todo el eje. No hay saltos ni rupturas, lo que indica que Frankfurt acumula influencia de forma homogénea en todo el territorio. Esto sugiere que el aeropuerto desempeña un papel central importante, pero en el contexto de una red más equilibrada, donde otros nodos (como Múnich, Berlín o Düsseldorf) ayudan a distribuir la conectividad, evitando la dependencia exclusiva de un solo punto. España, con Madrid-Barajas, y Italia, con Roma-Fiumicino, se sitúan en una posición intermedia. En ambos casos, la curva muestra una pendiente creciente pero menos pronunciada que en Francia o Reino Unido. En el caso español, el tramo entre los puntos 16.000 y 30.000 presenta un ascenso más marcado, señal de una influencia significativa de Madrid en la estructura territorial. No obstante, la curva se mantiene más baja que las de los grandes hubs europeos, lo que indica una centralidad relevante, aunque no excluyente. En Italia, Roma muestra un crecimiento más modesto y continuo, sin picos importantes. Su curva es más plana en el tramo final, lo que sugiere que el aeropuerto no domina claramente la red, sino que comparte protagonismo con otros nodos como Milán-Malpensa. Japón, representado por Tokio-Haneda, muestra una curva estable y de pendiente media. No alcanza valores altos de influencia, pero tampoco se estanca. Su crecimiento progresivo refleja un aeropuerto bien conectado dentro del eje funcional del país, aunque sin absorber toda la centralidad. En este caso, la geografía del país (alargada, insular) y la distribución poblacional justifican un modelo más compartido entre Haneda y otros aeropuertos como Itami ( ¯ Osaka), Ch¯ ubu (Nagoya) o Chitose (Sapporo). Por último, Estados Unidos, con Atlanta, presenta la curva más baja y plana de todo el gráfico. Aunque es el aeropuerto con más tráfico del país, su función en términos de cobertura territorial es muy limitada. La curva apenas crece a lo largo del eje, lo que indica que su influencia se concentra en un área muy reducida. Este patrón no es necesariamente negativo: refleja que la red estadounidense no depende de un solo nodo, sino que está articulada mediante múltiples hubs regionales (como Chicago, Dallas, Denver, Los Ángeles, entre otros). Es un modelo altamente descentralizado, propio de un país de gran extensión y dispersión poblacional. La Figura 5.37b muestra del segundo aeropuerto según el cuál se revela con claridad el grado de descentralización funcional en cada país: Alemania (Múnich) destaca como el segundo aeropuerto con mayor influencia relativa, incluso por encima del primero en otros países (como Roma o Atlanta). Su curva tiene una pendiente alta desde el inicio, lo que evidencia que Múnich no solo refuerza la red nacional, sino que compite directamente con Frankfurt en influencia territorial. España (Barcelona) también presenta una curva elevada y constante, lo que refuerza la idea de una red dual y descentralizada, donde Barcelona complementa con solidez a Madrid. Francia (París-Orly) y Reino Unido (Gatwick) muestran curvas significativas, aunque claramente inferiores a las de sus aeropuertos principales. Esto confirma que, si bien tienen nodos secundarios funcionales, la red sigue muy concentrada en el principal. Italia (Milano-Malpensa) ofrece un aporte intermedio, aunque más estable y menos impactante en comparación con Barcelona o Múnich. Japón (Sapporo-New Chitose) y EE.UU. (Denver) tienen las curvas más bajas, con pendientes suaves. Esto indica una influencia espacial muy localizada y menor capacidad de estos nodos para equilibrar el peso del aeropuerto principal. En el caso de Japón, refleja su geografía insular; en el caso de EE.UU., su descentralización estructural. 5.6 Comparativa general de z(j) 73 (a) Aeropuerto principal. (b) 2ºAeropuerto con más tráfico. Figura 5.38 Comparativa de la distancia al aeropuerto principal y secundario en cada país. Las dos gráficas proporcionadas representan la distancia acumulada desde cada punto del territorio nacional hasta el primer y el segundo aeropuerto con mayor tráfico en siete países. La lectura comparada de estas curvas permite interpretar hasta qué punto la localización geográfica de los aeropuertos más importantes contribuye, o no, a una cobertura territorial eficiente. En otras palabras, si están bien posicionados para reducir desigualdades espaciales, o si su emplazamiento genera zonas mal conectadas. Alemania (Frankfurt), Francia (CDG), Italia (Fiumicino), España (Madrid) y Reino Unido (Heathrow) muestran curvas compactas, con distancias que en la mayoría de los casos no superan los 800–1000 km. Esto indica una buena accesibilidad media, en gran parte gracias a la posición relativamente central de estos aeropuertos en sus respectivos países. Japón (Tokio-Haneda) comienza con distancias muy bajas, pero a partir del punto 6000 la curva se eleva más bruscamente, llegando a superar los 1200 km. Esto refleja su naturaleza insular y elongada, donde Tokio, a pesar de su importancia, no cubre eficazmente el sur y especialmente el norte (Hokkaid¯ o y Okinawa). Estados Unidos (Atlanta) es el caso más extremo: su curva empieza de forma parecida a las demás, pero a partir del punto 2000 empieza a elevarse de manera continua, alcanzando los 4500 km al final. Esto indica que muchos puntos del país están extremadamente lejos de su principal aeropuerto. Es la consecuencia directa de su gran extensión geográfica y de que Atlanta, pese a su tráfico, no es funcionalmente central para todo el territorio. Observando la Figura 5.38b: España (Barcelona) y Alemania (Múnich) destacan por tener curvas de distancia bajas y progresivas, lo que indica que sus segundos aeropuertos están bien posicionados geográficamente y contribuyen eficazmente a ampliar la cobertura nacional. Ambos casos reflejan un modelo de red más equilibrado y descentralizado. En cambio, Francia (Orly) y Reino Unido (Gatwick), al estar ubicados muy cerca de los aeropuertos principales (CDG y Heathrow), apenas reducen las distancias funcionales del sistema. Su papel es reforzar el área metropolitana, pero no extienden significativamente la cobertura nacional. Italia (Malpensa) y Japón (New Chitose) muestran una capacidad funcional más limitada: sus curvas de distancia son más elevadas, reflejando cobertura localizada, pero sin impacto nacional. En el caso japonés, la distancia elevada se justifica por la posición periférica de Hokkaid¯ o. Finalmente, EE.UU. (Denver), aunque mejora ligeramente la accesibilidad en el centro del país, no logra contrarrestar el efecto de dispersión de su vasta geografía, manteniéndose como el país con las mayores distancias acumuladas. 80 Capítulo 6. Comparativa Internacional Por el contrario, países como Francia y Reino Unido se distancian notablemente, con valores superiores a 0.14 respecto al núcleo europeo, y por encima de 0.18 respecto a EE.UU. y España. En el caso francés, el efecto conjunto de su alta centralización (París), el peso demográfico de Île-de-France y la menor relevancia insular, contribuyen a generar una distribución espacial muy específica. Reino Unido, por su parte, sigue caracterizándose por una estructura altamente concentrada y con escasa dispersión poblacional asociada a los aeropuertos secundarios. Figura 6.8 Dendrograma de similitud entre países según el índice zj , basado en tráfico aéreo continental (con islas y con ponderación por población). El dendrograma jerárquico (Figura 6.8) refleja estas tendencias. El clúster más próximo está formado por España y Italia, indicando una distribución territorial del tráfico bien alineada con su estructura poblacional, incluso al incorporar islas. Estados Unidos los sigue de cerca con Alemania, ambos con redes más descentralizadas. Japón se sitúa en un grupo intermedio, mientras que Francia y Reino Unido se ubican como los países más alejados estructuralmente, lo que confirma su perfil diferenciado en términos de concentración y accesibilidad. Este escenario permite concluir que la incorporación simultánea de las islas y la población amplifica las diferencias entre modelos aeroportuarios. Mientras algunos países como España o Italia mantienen una organización espacial coherente y armónica con su distribución poblacional, otros como Francia o Reino Unido se alejan, reflejando redes más concentradas o menos adaptadas a la estructura territorial de su población. Estados Unidos y Japón, por su parte, refuerzan su posición intermedia, con un reparto del tráfico más equilibrado pero afectado por sus características geográficas extensas o insulares. 6.5 Conclusión comparativa de escenarios y selección metodológica A lo largo de este capítulo se han analizado comparativamente cuatro escenarios construidos en función de dos variables fundamentales: la inclusión o exclusión de los aeropuertos insulares, y la ponderación de los datos de tráfico aéreo en relación con la población servida. Cada escenario ha permitido observar cómo varía la estructura espacial de los sistemas aeroportuarios nacionales en función del criterio analítico adoptado, revelando tanto similitudes como diferencias estructurales entre países. Los resultados muestran que los países europeos continentales, como España e Italia, tienden a mantener una estructura interna similar en todos los escenarios, especialmente cuando se ajusta por población.Por el contrario, Reino Unido y Francia se alejan progresivamente del núcleo en todos los análisis, por la misma razón: debido a su alta centralización en torno a Londres y París respectivamente. Estados Unidos tiende a acercarse a Alemania por la descentralización de ambos países y también se acercan a Italia y España. Japón ocupan posiciones intermedias o variables, dependiendo del enfoque utilizado. 6.5 Conclusión comparativa de escenarios y selección metodológica 81 La tabla 6.1 sintetiza las características principales de los cuatro enfoques aplicados, evaluando su nivel de realismo y utilidad comparativa: Tabla 6.1 Resumen comparativo de escenarios metodológicos. Esc. Tráfico considerado Islas Población Ventajas Limitaciones Realismo 1 Aéreo continental No No Patrón básico simplificado Ignora accesibilidad y estacionalidad Medio 2 Aéreo total Sí No Considera toda la red operativa No pondera demanda poblacional Medio 3Aéreo continental ponderado No Sí Alineado con la distribución poblacional Excluye nodos insulares Alto 4Aéreo total ponderado Sí Sí Modelo completo y contextualizado Mayor complejidad técnica Muy alto De los cuatro escenarios, el que proporciona una representación más realista y metodológicamente robusta es el Escenario 4, que considera el tráfico aéreo total —incluyendo islas— y lo ajusta en función de la población potencialmente servida por cada aeropuerto. Este enfoque permite capturar tanto la estructura espacial completa de la red aeroportuaria como su correspondencia con la demanda social efectiva, integrando así criterios de conectividad, equidad y funcionalidad. No obstante, el Escenario 3, centrado en el tráfico continental ponderado por población, se consolida como una base estructural estable para el análisis intraeuropeo, al eliminar la distorsión que puede generar la estacionalidad turística en nodos insulares. En conjunto, este ejercicio comparativo demuestra que la elección del marco analítico tiene un impacto significativo en la interpretación de los sistemas aeroportuarios nacionales, y que una aproximación integral, sensible a la realidad geográfica y social de cada país, resulta indispensable para avanzar hacia modelos de planificación aeroportuaria más equilibrados y sostenibles. 7 Discusión y recomendaciones 7.1 Implicaciones para la planificación aeroportuaria El análisis detallado del tráfico aéreo y la influencia territorial de los aeropuertos presentado en este estudio tiene profundas implicaciones para la planificación y gestión de infraestructuras aeroportuarias. A partir de indicadores como el índice de Gini, el coeficiente de variación (CV) y el índice z(j) , se observa que en países como el Reino Unido y Francia, con una red aeroportuaria altamente centralizada, el tráfico se concentra en unos pocos aeropuertos principales. Este patrón genera una sobrecarga en infraestructuras como Londres Heathrow y París Charles de Gaulle, lo que limita la capacidad de respuesta frente a incrementos de demanda y compromete la eficiencia operativa. Ante este escenario, resulta imprescindible que las autoridades de planificación aeroportuaria fomenten una redistribución estratégica del tráfico aéreo hacia aeropuertos secundarios, tanto en regiones metropolitanas como periféricas. Aeropuertos como Lyon, Marsella, Manchester o Birmingham podrían jugar un papel clave en la descongestión de los grandes hubs. Esta descentralización contribuiría no solo a mejorar la resiliencia del sistema, sino también a favorecer la equidad territorial y el desarrollo económico regional, garantizando un acceso más equilibrado al transporte aéreo. En contraposición, países como Estados Unidos y Alemania, con una estructura más descentralizada, presentan redes aeroportuarias más equilibradas, donde el tráfico se reparte entre múltiples hubs. No obstante, persisten diferencias de infraestructura y capacidad entre los aeropuertos principales y secundarios. En estos contextos, se recomienda invertir en la modernización de aeropuertos regionales, optimizar la distribución de rutas y fortalecer la coordinación intermodal, para mejorar la conectividad integral y reducir la vulnerabilidad frente a perturbaciones estacionales o logísticas. Otro aspecto fundamental que emerge del análisis es la estacionalidad del tráfico aéreo, especialmente significativa en países con alta dependencia del turismo, como España, Italia y Japón. Aeropuertos en regiones turísticas —como los de Baleares y Canarias o las islas japonesas de Okinawa— experimentan picos de demanda que requieren estrategias de gestión flexibles y adaptativas. Estas estrategias pueden incluir desde la ampliación temporal de infraestructuras hasta la optimización dinámica de recursos humanos, ajustando la operativa aeroportuaria a las variaciones estacionales sin comprometer la calidad del servicio. Finalmente, el índice z(j) ha demostrado ser una herramienta metodológicamente sólida para evaluar la influencia territorial de los aeropuertos y detectar zonas con baja conectividad. Su incorporación sistemática en los planes de desarrollo aeroportuario permitiría tomar decisiones más informadas sobre dónde ubicar nuevas infraestructuras o cómo fortalecer nodos regionales existentes. Junto con los análisis de estacionalidad y concentración del tráfico, este índice ofrece un marco robusto para planificar redes aeroportuarias más eficientes, resilientes y equitativas. 83 84 Capítulo 7. Discusión y recomendaciones 7.2 Patrones comunes vs. específicos por país El análisis comparativo entre los países estudiados ha permitido identificar tanto patrones comunes como diferencias significativas en las estructuras aeroportuarias. En general, los países europeos como España, Italia y Francia comparten un patrón de concentración del tráfico en pocos aeropuertos principales, aunque con matices. Francia muestra una centralización extrema en torno a París, mientras que en España existe una mayor dispersión con hubs como Barcelona y Palma de Mallorca que también ejercen una fuerte influencia territorial. Italia presenta un patrón mixto, con concentración en Milán y Roma, pero también con aeropuertos secundarios relevantes en el norte del país. En contraste, Estados Unidos y Alemania cuentan con redes más distribuidas y equilibradas. Allí, múltiples aeropuertos con gran volumen de pasajeros —como Atlanta, Chicago, Frankfurt o Múnich— actúan como hubs primarios dentro de sistemas descentralizados. Esto no solo mejora la conectividad regional, sino que también reduce la presión sobre infraestructuras centrales. Sin embargo, incluso en estos países, persisten diferencias entre la capacidad y calidad de los aeropuertos principales y los secundarios, lo que limita en parte su papel como alternativas reales ante picos de demanda. La estacionalidad del tráfico varía también entre países. España e Italia presentan una marcada estacionalidad debido al turismo vacacional, mientras que en Alemania y Estados Unidos, donde el tráfico responde en mayor medida a motivos laborales o de negocio, la estacionalidad es menos pronunciada. Japón muestra una combinación de ambos patrones, con cierta estacionalidad regional y una red altamente jerarquizada. Estas diferencias sugieren que las estrategias de planificación deben adaptarse a los contextos nacionales y no pueden ser uniformes. 7.3 Recomendaciones metodológicas y futuras líneas de investigación A pesar de la robustez del análisis realizado, existen oportunidades claras para enriquecer y ampliar este tipo de estudios. En primer lugar, se recomienda una mayor integración de variables socioeconómicas y demográficas, como el crecimiento poblacional, los niveles de renta o la evolución de los precios del combustible, que influyen directamente en la demanda de transporte aéreo. Incluir estos factores permitiría contextualizar mejor los patrones de tráfico y anticipar su evolución. Asimismo, la aplicación de técnicas de análisis predictivo, machine learning y modelado espacial avanzado podría ofrecer una ventaja significativa en la gestión dinámica de las infraestructuras aeroportuarias. Estas herramientas permitirían no solo anticipar fluctuaciones estacionales con mayor precisión, sino también optimizar recursos operativos y mejorar la experiencia del pasajero. Desde una perspectiva metodológica, se propone explorar el perfeccionamiento del índice z(j) mediante la incorporación de variables adicionales como la accesibilidad terrestre, la densidad poblacional o la existencia de servicios multimodales. Este refinamiento aumentaría su capacidad explicativa y su utilidad como herramienta para la planificación estratégica. Por último, se recomienda profundizar en el análisis del impacto ambiental de las redes aeroportuarias, integrando indicadores de sostenibilidad en la planificación. La reducción de emisiones, la eficiencia energética y el uso de fuentes renovables deben incorporarse como criterios prioritarios en el desarrollo y renovación de infraestructuras, en línea con los objetivos climáticos globales. En resumen, la presente investigación no solo proporciona una radiografía del tráfico aéreo internacional en 2022, sino que plantea una serie de líneas estratégicas y metodológicas para su optimización futura. Desde la redistribución inteligente del tráfico hasta la integración de nuevas métricas y tecnologías, este estudio contribuye de forma práctica al debate actual sobre la planificación aeroportuaria sostenible, equitativa y resiliente. 8 Conclusión Este estudio ha ofrecido un análisis exhaustivo y comparativo del tráfico de pasajeros en aeropuertos clave de siete países: España, Italia, Reino Unido, Estados Unidos, Japón, Alemania y Francia, durante el año 2022. A través del uso de herramientas estadísticas como el índice de Gini y el coeficiente de variación, así como mediante la introducción del índice geoespacial z(j), se ha logrado una caracterización precisa de los patrones de concentración, estacionalidad e influencia territorial del tráfico aéreo. Una de las conclusiones principales del trabajo es la clara diferenciación entre países con estructuras aeroportuarias centralizadas y descentralizadas. Francia y Reino Unido presentan redes altamente concentradas, donde aeropuertos como París-Charles de Gaulle y Londres-Heathrow aglutinan gran parte del tráfico nacional, generando cuellos de botella y limitaciones operativas. Por el contrario, países como Alemania y Estados Unidos evidencian una descentralización más equilibrada, con múltiples hubs que distribuyen eficientemente la carga de pasajeros y favorecen una conectividad regional más robusta. Asimismo, se ha constatado que la estacionalidad del tráfico representa un desafío considerable en países con fuerte dependencia del turismo, como España, Italia o Japón. La necesidad de adaptar las infraestructuras y operativas aeroportuarias a estas fluctuaciones estacionales se plantea como una prioridad en la planificación estratégica. Desde el punto de vista metodológico, el uso del índice z(j) ha demostrado ser una herramienta valiosa para detectar desigualdades territoriales en la conectividad aérea. Esta métrica ha permitido no solo identificar áreas mal servidas, sino también establecer criterios más racionales para futuras inversiones en infraestructuras aeroportuarias. En conjunto, este estudio aporta una base empírica sólida para el diseño de políticas públicas orientadas a la mejora de la eficiencia y equidad del sistema aeroportuario. Se destaca la importancia de avanzar hacia modelos de gestión más flexibles, sostenibles y adaptativos, que integren variables geográficas, socioeconómicas y ambientales. Finalmente, se abren múltiples líneas de investigación que permitirán profundizar en el conocimiento del transporte aéreo como componente clave del desarrollo territorial y la conectividad global. Limitaciones del estudio A pesar de los resultados obtenidos, este estudio presenta ciertas limitaciones que deben tenerse en cuenta. En primer lugar, el análisis se circunscribe exclusivamente al año 2022, lo que impide observar la evolución temporal del tráfico aéreo en relación con los años anteriores o posteriores a la pandemia. Una comparación con series temporales más amplias permitiría identificar con mayor precisión tendencias estructurales o coyunturales. En segundo lugar, el enfoque se ha centrado en variables de concentración, estacionalidad e influencia territorial, sin integrar otros factores contextuales como indicadores económicos, sociales o medioambientales, que también influyen en la demanda de transporte aéreo. Finalmente, aunque el índice z(j) ha demostrado ser una herramienta útil, su cálculo se ha basado en un modelo simplificado de distancia geográfica, sin considerar infraestructura terrestre, conectividad multimodal o accesibilidad real, lo que podría refinarse en futuras investigaciones. 85 A Anexo A.1 España Figura A.1 NUTS LEVEL 3 - ESPAÑA. 87 88 Capítulo A. Anexo Figura A.2 Información geográfica y de población basada en las regiones de España. A.1 España 89 Figura A.3 Datos del tráfico aéreo por aeropuerto de España. 96 Capítulo A. Anexo A.4 Alemania Figura A.10 NUTS LEVEL 2 - GERMANY. A.4 Alemania 97 Figura A.11 Información geográfica y de población basada en las regiones de Alemania. Figura A.12 Datos del tráfico aéreo por aeropuerto de Alemania. 98 Capítulo A. Anexo A.5 Reino Unido Figura A.13 NUTS LEVEL 3 - UNITED KINGDOM. A.5 Reino Unido 99 Figura A.14 Información geográfica y de población basada en las regiones de Reino Unido. 100 Capítulo A. Anexo Figura A.15 Datos del tráfico aéreo por aeropuerto de Reino Unido. A.6 Japón 101 A.6 Japón Figura A.16 PREFECTURAS - JAPAN. 102 Capítulo A. Anexo Figura A.17 Información geográfica y de población basada en las prefecturas de Japón. Figura A.18 Datos del tráfico aéreo por aeropuerto de Japón. A.7 EEUU 103 A.7 EEUU Figura A.19 STATES - UNITED STATES OF AMERICA. 104 Capítulo A. Anexo | Figura A.20 Información geográfica y de población basada en las prefecturas de Estados Unidos. Figura A.21 Datos del tráfico aéreo por aeropuerto de Estados Unidos. B Glosario de términos y siglas OACI: Organización de Aviación Civil Internacional. Agencia especializada de las Naciones Unidas encargada de coordinar y normalizar las políticas globales de aviación civil. IATA: Asociación Internacional de Transporte Aéreo. Organización que representa a las aerolíneas comerciales a nivel mundial y regula aspectos técnicos, operativos y comerciales del sector. ACI: Consejo Internacional de Aeropuertos (Airports Council International). Agrupa a los operadores aeroportuarios del mundo y proporciona datos, informes y recomendaciones en materia de gestión aeroportuaria. Índice de Gini: Medida estadística de desigualdad. En el contexto de este trabajo, se emplea para cuantificar el grado de concentración del tráfico aéreo en un reducido número de aeropuertos. Coeficiente de variación (CV): Indicador estadístico que relaciona la desviación estándar con la media. Se utiliza para medir la estacionalidad del tráfico aéreo en términos relativos. Índice z(j): Métrica geoespacial diseñada específicamente para este estudio, que permite estimar la influencia territorial de cada aeropuerto teniendo en cuenta tanto el volumen de tráfico como la distancia respecto a puntos poblados. Es útil para evaluar la conectividad aérea desde una perspectiva territorial. Hub: Aeropuerto principal dentro de una red aérea que concentra una gran parte del tráfico y desde el cual se redistribuyen vuelos a otros destinos secundarios o regionales. Red aeroportuaria: Conjunto de aeropuertos interconectados dentro de un mismo país o región que funcionan de manera coordinada para gestionar el tráfico aéreo. 105 Bibliografía [1] ACI World. Airports Council International. (2023). World Airport Traffic Report 2022.. Enlace:https: // aci.aero/ data-centre/ [2] IATA. IATA. (2023). 2022 Air Passenger Market Analysis.. Enlace:https:// www.iata.org/ en/iatarepository/ publications/ economic-reports/ air-passenger-monthly-analysis---december-2022/ [3] ICAO ICAO. (2023). Economic Development Report: The Air Transport Recovery in 2022. International Civil Aviation Organization.. Enlace: https:// www.icao.int/ sustainability/ Documents/ EDR2023.pdf [4] Metar-Taf. Metar-Taf — Información meteorológica aeronáutica. Enlace: https:// metar-taf.com/ [5] Natural Earth. 10m Cultural Vectors. Enlace: https:// www.naturalearthdata.com/ downloads/ 10mcultural-vectors/ . [6] AENA. Informes mensuales de tráfico aéreo 2022. Enlace: https:// www.aena.es/ es/ estadisticas/ informesmensuales.html?anio=2022. [7] Assaeroporti. Statistiche traffico aeroportuale. Enlace: https://assaeroporti.com/statistiche/ ?selectedYear=2023&month=12. [8] ADV. ADV Monatsstatistik 2022. Enlace: https:// dashboard.adv.aero/ statistiken/ adv-monatsstatistik/ 2022. [9] Civil Aviation Authority (CAA). UK Airport Data 2022. Enlace: https:// www.caa.co.uk/ data-andanalysis/ uk-aviation-market/ airports/ uk-airport-data/ uk-airport-data-2022/ . [10] Ministère de la Transition écologique. Statistiques du trafic aérien. Enlace: https:// www.ecologie.gouv. fr/ politiques-publiques/ statistiques-du-trafic-aerien. [11] Data.gouv.fr. Tráfico aéreo comercial mensual francés por pareja de aeropuertos por sentido desde 1990. Enlace: https:// www.data.gouv.fr/ es/ datasets/ trafic-aerien-commercial-mensuel-francais-parpaire-daeroports-par-sens-depuis-1990/ #/ resources. [12] Japan Aviation Hub. Airports International Passengers Traffic Data. Enlace: https:// japanaviationhub. com/ traffic-data/ airports-international-passengers/ . [13] Bureau of Transportation Statistics (BTS). Data Elements — Air Carrier Statistics (Form 41 Traffic). Enlace: https:// www.transtats.bts.gov/ Data_Elements.aspx?Data=4. [14] Eurostat. Population by NUTS 3 - annual data. Enlace: https://ec.europa.eu/eurostat/databrowser/ view/ demo_r_pjangrp3/ default/ table?lang=en&category=demo.demopreg. [15] Eurostat. Population by NUTS 2 - annual data. Enlace: https://ec.europa.eu/eurostat/databrowser/ view/ tgs00096/ default/ table?lang=en&category=t_demo.t_demopreg. 113 114 Bibliografía [16] Office for National Statistics (ONS). Population Estimates for UK, England and Wales, Scotland and Northern Ireland. Enlace: https:// www.ons.gov.uk/ peoplepopulationandcommunity/ populationandmigration/ populationestimates/ datasets/ populationestimatesforukenglandandwalesscotlandandnorthernireland. [17] Statistics Bureau of Japan. Statistical Data Search. Enlace: https:// www.e-stat.go.jp/ en/ stat-search/ files?page=1&layout=datalist&toukei=00200521&tstat=000001136464&cycle=0&year=20200& month=24101210&tclass1=000001136466. [18] U.S. Census Bureau. State Population Totals and Components of Change: 2020-2023. Enlace: https: // www.census.gov/ data/ tables/ time-series/ demo/ popest/ 2020s-state-total.html. [19] Wikipedia contributors. Cumulative distribution function. Wikipedia, The Free Encyclopedia. Enlace: https:// en.wikipedia.org/ wiki/ Cumulative_distribution_function. [20] Wikipedia contributors. Gini coefficient. Wikipedia, The Free Encyclopedia. Enlace: https:// en. wikipedia.org/ wiki/ Gini_coefficient. [21] Wikipedia contributors. Statistical distance. Wikipedia, The Free Encyclopedia. Enlace: https:// en. wikipedia.org/ wiki/ Statistical_distance. [22] Wikipedia contributors. Radial distribution function. Wikipedia, The Free Encyclopedia. Enlace: https: // en.wikipedia.org/ wiki/ Radial_distribution_function.