análisis estratégico de movilidad urbanaoa.upm.es/56776/1/tfg_david_fernandez_de_diego.pdf ·...
TRANSCRIPT
ANÁLISIS ESTRATÉGICO DE
MOVILIDAD URBANA DEFINICIÓN DE INDICADORES, SELECCIÓN
DE KPIS Y CLUSTERIZACIÓN JERÁRQUICA
DE 79 CIUDADES
TRABAJO FIN DE GRADO
Grado en Ingeniería en Tecnologías Industriales
David Fernández de Diego
Septiembre de 2019
Tutor académico: Gustavo Morales Alonso
UNIVERSIDAD POLITÉCNICA DE MADRID
Escuela Técnica Superior de Ingenieros Industriales - ETSII
“The future is open. It is not predetermined and thus
cannot be predicted – except by accident. The
possibilities that lie in the future are infinite. When I
say, 'It is our duty to remain optimists”, this includes
not only the openness of the future but also that
which all of us contribute to it by everything we do:
we are all responsible for what the future holds in
store. Thus it is our duty, not to prophesy evil, but,
rather, to fight for a better world.”
Karl Popper, The Myth of the Framework, 1994
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 5
A Gustavo Morales Alonso, por haber aceptado mi propuesta y haber sido mi tutor a pesar de
tener que hacerlo a distancia. Por haberme guiado y aconsejado durante el trabajo, y por
haberme puesto en contacto con la profesora Yilsy M. Núñez Guerrero, a quien agradezco
enormemente su disponibilidad para ayudarme y aconsejarme.
A la Escuela Técnica Superior de Ingenieros Industriales de la UPM y a los profesores y
personas que trabajan en ella y han participado en mi formación. A la École Nationale
Supérieure des Mines de Nancy y a la profesora Sandie FERRIGNO por haber inspirado la
utilización de una herramienta de clusterización jerárquica para este trabajo y a Airbus y mi
equipo de Toulouse por haber hecho posible mi participación en el NETEXPLO Smart Cities
Accelerator Summit 2019, fuente principal de inspiración para este trabajo.
A mis padres y a mi hermano, por el apoyo durante toda mi vida y especialmente en los últimos
años. Por confiar en mí y por quererme con mis defectos y mis virtudes. Sois la base que
sostiene todo lo demás.
No me gustaría olvidar a los que me habéis tenido que soportar hablando de movilidad urbana
un día tras otro. Vuestra curiosidad, apoyo y consejos también forman parte de este trabajo.
Finalmente, quiero dar las gracias a mis amigos y a las personas que me quieren y me han
acompañado durante los estudios a los que este trabajo pone fin.
¡Muchas gracias a todos!
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 7
Resumen ejecutivo En un contexto histórico en el que la población urbana sigue aumentando, la sostenibilidad de
las ciudades se ve cuestionada y la movilidad urbana está a las puertas de su cuarta gran
revolución, la estrategia de movilidad urbana adoptada condicionará el futuro de las ciudades.
Este trabajo propone una herramienta de apoyo a la planificación estratégica de la movilidad
urbana. Como novedad frente a los estudios, índices y normativas existentes, este trabajo
utiliza una técnica de procesamiento automático de datos la cual sirve para identificar las
ciudades que son similares en términos de movilidad urbana.
Basándose en el principio de one size doesn’t fit all (la misma solución no sirve para todos),
se ha realizado una clusterización jerárquica de 79 ciudades que aspira a poder ayudar a
gobernantes y planificadores urbanos, en el análisis y la toma de decisiones.
El valor de esta clusterización jerárquica es intrínseco en sí mismo. Es decir, su valor reside
en el hecho de poder identificar las ciudades que presentan características de movilidad
urbana similares y el grado de similitud existente entre ellas. Estas ciudades identificadas
como similares podrán ser utilizadas como referencia para incorporar las medidas y servicios
de movilidad que, por haber sido exitosos en ciudades que son parecidas, tendrán altas
probabilidades de ofrecer buenos resultados en la ciudad estudiada.
Como trabajo previo y, a partir del análisis bibliográfico y la participación en el NETEXPLO
Smart Cities Accelerator Summit 2019, se han definido 250 indicadores de movilidad urbana.
De entre ellos se han seleccionado y analizado 89 KPIs y, finalmente, se ha realizado la
clusterización jerárquica de las 79 ciudades en función de 42 de los KPIs obteniéndose los
resultados mostrados en la ilustración.
Por último, a partir de los resultados obtenidos y basándose en los datos disponibles, se han
analizado y caracterizado a alto nivel los distintos grupos obtenidos en la clusterización.
Ilustración 1 - Resultados de la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs seleccionados para la clusterización. Método aglomerativo ascendente Ward.D2.
Resumen ejecutivo
8 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Palabras clave
Movilidad urbana, planificación urbana, transporte, smart cities, tráfico, clusterización
jerárquica, indicadores de movilidad urbana, estrategia de movilidad urbana.
Códigos UNESCO
330537 PLANIFICACION URBANA
332907 TRANSPORTE
332908 MEDIO URBANO
531212 TRANSPORTES Y COMUNICACIONES
332703 SISTEMAS DE TRANSITO URBANO
331710 INGENIERIA DEL TRAFICO
332903 ORGANIZACION COMUNITARIA
332702 ANALISIS DEL TRAFICO
331702 AUTOMOVILES
540401 GEOGRAFIA URBANA
520610 CARACTERISTICAS SOCIO-ECONOMICAS
520710 ESTADISTICAS DE POBLACIONES
2509.19 ANÁLISIS DEL TIEMPO
330801 CONTROL DE LA CONTAMINACION ATMOSFERICA
520306 DEMOGRAFIA URBANA
332304 TRANSITO RAPIDO
330529 CONSTRUCCION DE CARRETERAS
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 9
Índice
Resumen ejecutivo ....................................................................................................... 7
Palabras clave ................................................................................................................... 8
Códigos UNESCO ............................................................................................................. 8
Índice ........................................................................................................................... 9
1 Introducción ......................................................................................................... 13
Motivación ..............................................................................................................13
Objetivos del trabajo...............................................................................................14
2 Marco teórico ...................................................................................................... 15
Historia y evolución de la movilidad urbana en las ciudades modernas..................15
Principales retos de la movilidad urbana ................................................................16
2.2.1 Aumento de población en las ciudades ...........................................................16
2.2.2 Sostenibilidad y habitabilidad ..........................................................................17
2.2.3 El reto de la energía ........................................................................................18
Definición de ciudad ...............................................................................................20
2.3.1 En España ......................................................................................................20
2.3.2 En la Unión Europea y la OECD .....................................................................20
2.3.3 En el Mundo ....................................................................................................21
2.3.4 En este trabajo ................................................................................................24
El concepto de ciudad inteligente (smart city).........................................................25
2.4.1 Ciudades inteligentes diseñadas desde cero ..................................................25
2.4.2 Ciudades con inteligencia omnipresente y totalitaria .......................................26
2.4.3 Ciudades con inteligencia digital y participación de los ciudadanos ................26
2.4.4 Ciudades con inteligencia creativa ..................................................................28
Necesidad de una buena planificación estratégica de la movilidad urbana ............29
3 Metodología ........................................................................................................ 31
Análisis e identificación de los aspectos que influyen en la movilidad urbana: .......31
3.1.1 Prueba de concepto (PoC) ..............................................................................31
3.1.1.1 Justificación .............................................................................................31
3.1.1.2 Base de datos utilizada para el PoC .........................................................31
3.1.1.3 Análisis estadístico del PoC .....................................................................32
3.1.2 Fuentes de información y bases de datos de referencia ..................................33
3.1.2.1 NETEXPLO Smart Cities Accelerator Summit 2019 .................................33
3.1.2.2 IESE - Cities in Motion Index ....................................................................34
3.1.2.3 Institute for Urban Strategies - Global Power City Index 2018 ..................35
3.1.2.4 Deloitte - City Mobility Index 2019 ............................................................35
3.1.2.5 ISO – 37120, Indicators for city services and quality of life .......................37
Índice
10 Escuela Técnica Superior de Ingenieros Industriales (UPM)
3.1.3 Criterios de selección de las ciudades estudiadas ..........................................37
3.1.4 Definición de los indicadores de movilidad urbana y selección de los KPIs .....38
3.1.4.1 Utilización de los indicadores disponibles en las bases de datos de
referencia 38
3.1.4.2 Definición de los indicadores utilizados en este trabajo ............................40
3.1.4.3 Selección de los KPIs ..............................................................................40
Obtención de los datos necesarios para la realización del análisis de los KPIs y la
clusterización ....................................................................................................................43
3.2.1 Necesidad de datos precisos y sin sesgo ........................................................43
3.2.2 Dificultades para la obtención de los datos correspondientes a los indicadores:
44
Análisis de los KPIs y clusterización .......................................................................46
3.3.1 Análisis de los KPIs .........................................................................................46
3.3.2 Clusterización de las ciudades en función de los KPIs ....................................46
3.3.2.1 Técnicas de clusterización .......................................................................46
3.3.2.2 Aplicación de la clusterización para la agrupación de las ciudades en
función de los KPIs estudiados ..................................................................................48
3.3.2.3 Utilización de R para realizar la clusterización jerárquica ascendente
politética de 79 ciudades en función de 42 KPIs ........................................................48
4 Resultados y Discusión ....................................................................................... 49
Análisis de los KPIs ................................................................................................49
4.1.1 Cultura y Aspecto social ..................................................................................49
4.1.2 Demografía y Geografía ..................................................................................53
4.1.3 Economía ........................................................................................................59
4.1.4 Medio ambiente ...............................................................................................63
4.1.5 Transporte .......................................................................................................65
Clusterización de las ciudades en función de los KPIs ...........................................85
4.2.1 Datos utilizados para la clusterización .............................................................85
4.2.1.1 Errores, sesgo y aproximaciones en los datos utilizados en el trabajo .....86
4.2.1.2 Justificación de la utilización de datos erróneos, sesgados y aproximados
87
4.2.2 Análisis de los resultados obtenidos en la clusterización .................................88
4.2.2.1 Agrupación en 5 clústeres ........................................................................90
4.2.2.2 Agrupación en 10 clústeres ......................................................................92
4.2.2.3 Agrupación en 20 clústeres ......................................................................94
5 Conclusiones ....................................................................................................... 97
6 Líneas futuras ..................................................................................................... 99
7 Bibliografía ........................................................................................................ 101
8 Planificación temporal y presupuesto ................................................................ 105
Metodología de trabajo y herramientas utilizadas ................................................. 105
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 11
Planificación del trabajo y distribución temporal ................................................... 106
9 Índice de figuras ................................................................................................ 109
10 Índice de tablas.............................................................................................. 111
11 Glosario ......................................................................................................... 113
12 Anexos .......................................................................................................... 115
Indicadores .......................................................................................................... 115
12.1.1 Indicadores de la dimensión Cultura y Aspecto Social .................................. 115
12.1.2 Indicadores de la dimensión Demografía y Geografía ................................... 115
12.1.3 Indicadores de la dimensión Economía ......................................................... 116
12.1.4 Indicadores de la dimensión Medio Ambiente ............................................... 116
12.1.5 Indicadores de la dimensión Transporte ........................................................ 117
Datos utilizados y clusterización ........................................................................... 120
Correlaciones de los KPIs .................................................................................... 122
Códigos de R ....................................................................................................... 123
12.4.1 Correlación IESE Cities in Motion Index ........................................................ 123
12.4.2 Correlación KPIs ........................................................................................... 123
12.4.3 Clusterización ............................................................................................... 124
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 13
1 Introducción
Motivación
A nivel personal, la movilidad urbana es un tema que me interesa especialmente y en el cual
he realizado 2 proyectos anteriormente. El primero de ellos se focalizaba en el futuro de la
movilidad urbana y estudiaba la introducción de drones eléctricos autónomos para el
transporte de pasajeros en zonas urbanas y el segundo se centraba en la movilidad urbana
de la ciudad de Londres.
A partir de la idea inicial de realizar un Trabajo Final de Grado relacionado con la movilidad
urbana, se ha querido orientar el trabajo hacia algo que pueda corresponder al contenido
esperable de un TFG. Para evitar hacer un trabajo excesivamente descriptivo y poner en
práctica algunos de los contenidos estudiados durante el grado, en este trabajo se aspira a
realizar una herramienta que, mediante el análisis de datos relacionados con la movilidad
urbana, sirva de ayuda en su planificación estratégica.
Además, este trabajo aspira a aportar un pequeño granito de arena de cara a lograr los
Objetivos de Desarrollo Sostenible. Estos objetivos forman parte de la Agenda 2030 para el
Desarrollo Sostenible que fue aprobada en 2015 por la ONU. Son un total de 17 objetivos que
incluyen temas como la educación la defensa del medio ambiente, el papel de la mujer en la
sociedad y el diseño y planificación de las ciudades entre otros.
En concreto, el Objetivo 11: Lograr que las ciudades y los asentamientos humanos sean
inclusivos, seguros, resilientes y sostenibles, dice lo siguiente:
“Las ciudades son hervideros de ideas, comercio, cultura, ciencia, productividad, desarrollo
social y mucho más. En el mejor de los casos, las ciudades han permitido a las personas
progresar social y económicamente. En los últimos decenios, el mundo ha experimentado un
crecimiento urbano sin precedentes. En 2015, cerca de 4000 millones de personas vivía en
ciudades y se prevé que ese número aumente hasta unos 5000 millones para 2030. Se
necesita mejorar, por tanto, la planificación y la gestión urbanas para que los espacios
urbanos del mundo sean más inclusivos, seguros, resilientes y sostenibles.
Ahora bien, son muchos los problemas que existen para mantener ciudades de manera que
se sigan generando empleos y siendo prósperas sin ejercer presión sobre la tierra y los
recursos. Los problemas comunes de las ciudades son la congestión, la falta de fondos
para prestar servicios básicos, la falta de políticas apropiadas en materia de tierras y
vivienda y el deterioro de la infraestructura.
Los problemas que enfrentan las ciudades, como la recogida y la gestión seguras de los
desechos sólidos, se pueden vencer de manera que les permita seguir prosperando y
creciendo, y al mismo tiempo aprovechar mejor los recursos y reducir la contaminación
y la pobreza. Un ejemplo de esto es el aumento en los servicios municipales de recogida de
desechos. El futuro que queremos incluye ciudades de oportunidades, con acceso a
servicios básicos, energía, vivienda, transporte y más facilidades para todos.”
La mejora de la movilidad urbana es una parte fundamental de este objetivo número 11 siendo
además uno de los aspectos que más impacto tiene en la calidad de vida de las ciudades.
Además, la movilidad urbana está relacionada con la igualdad social (Objetivo 10) y el acceso
a la riqueza, al trabajo (Objetivo 8) y a la educación (Objetivo 4) y los medios de transporte
tienen un gran impacto medioambiental (Objetivo 13).
Introducción
14 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Objetivos del trabajo
En este trabajo se pretende estudiar, mediante la definición de indicadores, la selección de
KPIs, y la realización de una clusterización jerárquica, la movilidad urbana de 79 ciudades.
Existen varios estudios, índices e incluso una normativa ISO, cuyo objetivo es evaluar,
mediante el uso de indicadores y la comparación entre ciudades, el desarrollo de estas. Como
novedad frente a los trabajos y estudios realizados hasta el momento y, basándose en el
principio de one size doesn’t fit all, este trabajo pretende realizar una clusterización jerárquica
que sirva para identificar cuáles son aquellas ciudades que son similares en términos de
movilidad urbana.
El valor de la clusterización es intrínseco en sí mismo. Es decir, el valor reside en el hecho de
poder identificar las ciudades que son similares y aquellas que son distintas. Además, al
tratarse de una clusterización jerárquica, se puede apreciar el grado de similitud y de
diferenciación entre las distintas ciudades.
Estas ciudades identificadas como similares son las que deberían ser utilizadas para realizar
los análisis comparativos entre ciudades, sirviendo de referencia para incorporar las medidas
de movilidad urbana que han sido exitosas y de ejemplo para no cometer los mismos errores.
Aunque en un principio se pretende valorar, para cada ciudad, el nivel de desempeño que
obtiene en los distintos indicadores con respecto al desempeño de la ciudad líder de su clúster,
esta aproximación queda descartada por los siguientes motivos:
1. No es posible evaluar objetivamente el rendimiento en movilidad urbana. Además, no
existe un potencial máximo de desarrollo.
2. La identificación de ciudades líderes y de medidas exitosas tampoco podría ser
objetiva pues estaría basa en criterios personales. Es la labor de los gobernantes
decidir qué tipo de ciudad aspiran a ser y orientar consecuentemente su estrategia.
3. Tratar de evaluar el desempeño de cada ciudad queda fuera del alcance de este
trabajo pues requeriría de un estudio mucho más exhaustivo de las ciudades.
Además, por las motivaciones personales del autor y por la voluntad de estudiar a nivel global
la movilidad urbana, se ha optado por enfocar el trabajo hacia el ámbito estratégico de la
movilidad a nivel global.
El estudio exhaustivo de aquellas ciudades que han sido identificadas como similares en
términos de movilidad urbana no forma parte de los objetivos de este trabajo y quedaría en
manos de los gobernantes y planificadores urbanos, los cuales podrán servirse de esta
clusterización para orientar su trabajo. No obstante, sí se pretenden reflejar en este trabajo
las apreciaciones más destacables de las distintas agrupaciones de ciudades obtenidas en la
clusterización.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 15
2 Marco teórico
Historia y evolución de la movilidad urbana en las
ciudades modernas
La historia de las ciudades modernas comienza con la invención de la máquina de vapor y el
inicio de la primera revolución industrial a finales del siglo XVIII. La máquina de vapor hizo
posible el transporte de personas y de objetos a una escala desconocida hasta el momento y
permitió el desarrollo de la industria. Este desarrollo industrial atrajo a miles de personas que
se desplazaron del campo a la ciudad en busca de nuevas oportunidades y fue el origen de
la urbanización masiva de las ciudades como Londres y París.
El siglo XIX vio como el transporte comenzó a desarrollarse en las ciudades, con la
inauguración de las primeras líneas de tranvía (originalmente propulsados por caballos) y del
primer sistema de metro (Londres 1863). Fue también un siglo marcado por la contaminación
de las ciudades, en las que las deplorables condiciones sanitarias y medioambientales
originaban numerosas enfermedades.
La segunda fase del desarrollo de la movilidad de las ciudades modernas está marcada por
la puesta en marcha de la red eléctrica, a finales de la década de 1880 (Corwin 2017). El
despliegue de la red eléctrica en las ciudades permitió su iluminación adecuada, hizo posible
la electrificación de los medios de transporte y gracias al ascensor, los edificios comenzaron
a crecer en altura. Además, la red eléctrica sentó las bases necesarias para los sistemas de
comunicación modernos y el uso de los electrodomésticos.
La última gran etapa de la movilidad en las ciudades modernas está marcada por el desarrollo
del automóvil y su popularización a lo largo de toda la sociedad. Gracias a la introducción de
la producción en cadena (Ford T en 1908) y el consiguiente abaratamiento de los costes de
producción, incluso el propio operario encargado de montar los coches podía permitirse
comprar uno de ellos. Esto hizo que, poco tiempo después y especialmente tras la segunda
guerra mundial, las ciudades se transformaran para acomodar al coche como el principal
medio de transporte.
Desde los mediados del siglo XX, nuestras vidas han cambiado radicalmente, especialmente
con la introducción de la tecnología digital. Sin embargo, si miramos a las calles, los medios
de transporte disponibles no son tan diferentes a los que existían a mediados del siglo XX.
Donde sí se aprecian novedades es en el uso que se les da a estos.
La popularización de la movilidad compartida ha generado un cambio en la concepción y en
los ideales asociados a la posesión de un vehículo propio y con la introducción masiva del
vehículo eléctrico y el desarrollo de los automóviles autónomos, la movilidad urbana está a
punto de transformarse de nuevo. Podría decirse que estamos adentrándonos en la cuarta
gran etapa de la movilidad urbana.
Marco teórico
16 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Principales retos de la movilidad urbana
Esta nueva etapa de la movilidad urbana se plantea no sin grandes retos a los que hacer
frente. A pesar del futuro prometedor que se vislumbra en el horizonte, si nos paramos a
observar la situación actual de las ciudades, podemos darnos cuenta de que para las ciudades
más exitosas la movilidad urbana es un reto complicado y, para las menos exitosas, es un
problema importante.
En las ciudades más exitosas, existen enormes desequilibrios entre la oferta y la demanda,
los cuales están produciendo graves crisis de accesibilidad y desigualdad. Al mismo tiempo,
muchas de estas están teniendo que hacer frente a profundos problemas financieros.
En las ciudades menos exitosas, se observa una despoblación progresiva y una reducción
masiva de los servicios. Para estas ciudades, mantener la cobertura de los servicios de
transporte a un nivel aceptable y en condiciones decentes de limpieza es ya un reto más que
suficiente.
Los principales retos de movilidad urbana a los que se enfrentan las ciudades son el aumento
de la población, la sostenibilidad y habitabilidad y el reto de la energía.
2.2.1 Aumento de población en las ciudades
La población mundial ha crecido desde 751 millones de habitantes en 1950 hasta más de 4,2
billones en la actualidad y se espera que este número siga aumentando hasta alcanzar los
6,7 billones de habitantes en 2050 («New International Standard for measuring the
performance of cities going “smart”» 2019) .
De entre toda la población mundial, la población urbana es, desde mediados de los años 2000,
mayoritaria frente a la población rural y se espera que en las próximas décadas muchas más
personas se instalen en las ciudades de todo el mundo. En concreto, se estima que 2,5
billones adicionales de personas se instalarán en las ciudades de aquí a 2050.
Este aumento de población será absorbido por las ciudades existentes y por las que se creen
en los próximos años. En la actualidad existen 33 megaciudades con más de 10 millones de
habitantes (se espera que este número aumente a 43 antes de 2030) y 48 ciudades con una
población entre 5 y 10 millones. Sin embargo, la mayor parte de la población urbana reside
en ciudades de entre 500.000 y 5 millones de habitantes, de las cuales existen 1065 ciudades
en la actualidad y cuyo número se espera que aumente a 1307 en 2030.
Ilustración 2 - Informe Perspectivas Mundiales de Urbanización publicado por la ONU.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 17
Tal y como se puede observar en la imagen, gran parte de las ciudades más pobladas del
mundo se encuentran actualmente en Asia, continente que ha registrado los índices de
urbanización más elevados de las últimas décadas y cuya proyección de aumento de
población urbana se mantendrá elevada durante los próximos años. El continente africano
experimentará también una gran urbanización mientras que en Europa y América del Norte
algunas ciudades verán cómo su población se reduce.
Las ciudades, especialmente las de Asia y África, se enfrentan por tanto al reto de acomodar
de forma adecuada a todos estos nuevos ciudadanos, manteniendo el nivel de confort y la
calidad de vida de los habitantes que ya residen actualmente en ellas.
2.2.2 Sostenibilidad y habitabilidad
Todas las ciudades del mundo se enfrentan a 3 grandes dificultades a la hora de garantizar la
sostenibilidad. En primer lugar, las ciudades necesitan satisfacer una elevada demanda de
transporte y de energía concentrada en una superficie reducida. Debido al uso de
combustibles fósiles como fuente de energía, las ciudades experimentan altos niveles de
contaminación del aire, los cuales llegan a suponer una grave amenaza para la salud de sus
habitantes.
El segundo reto de sostenibilidad al que se enfrentan las ciudades es la gestión del impacto
medioambiental y los residuos. Por último, las ciudades se enfrentan al reto del agua. Muchas
ciudades se encuentran en situaciones delicadas a la hora de garantizar el suministro de agua
corriente y otras están contaminando el agua de sus ríos.
De entre todas las amenazas para la sostenibilidad y la habitabilidad de las ciudades, la
movilidad urbana juega un papel importante en la contaminación del aire. Los avances
tecnológicos como la reducción de las emisiones producidas por los motores de combustión
interna o el desarrollo de los coches eléctricos permiten sin duda mejorar los niveles de
contaminación de las ciudades, sin embargo, han de ir acompañados de ciertas medidas de
regulación que faciliten la transición desde la movilidad urbana del presente hacia una
movilidad urbana del futuro totalmente electrificada.
Otras formas de movilidad como la movilidad compartida juegan también un papel importante
en la reducción de la contaminación y del impacto medioambiental de la ciudad, sin embargo,
han de ser gestionadas adecuadamente para lograr un equilibrio que beneficie a toda la
sociedad.
Ilustración 3 -United Nations-Department of Economic and Social Affairs-Population Division. The World ’s Cities in 2018 - Data Booklet. World ’s Cities 2018 - Data Book. (2018).
Marco teórico
18 Escuela Técnica Superior de Ingenieros Industriales (UPM)
2.2.3 El reto de la energía
Que el futuro de la movilidad urbana está íntimamente ligado a la electrificación de los medios
de transporte es algo que hoy en día es mundialmente reconocido. En los medios de
transporte públicos, la propulsión eléctrica se utiliza desde hace décadas para los medios de
transporte de tipo ferroviario (metro, tranvía, trenes…) y su utilización para los autobuses
urbanos está experimentando un crecimiento incesante. Ya a finales del año 2017, 385.000
de los 3 millones de autobuses urbanos operativos en el mundo eran eléctricos, es decir el
13% de la flota mundial (McKerracher, Izadi-Najafabadi y Soulopoulos 2019).
En lo que respecta a los vehículos privados, más de 2 millones de coches eléctricos fueron
vendidos en 2018 y se espera que el 57% de los coches vendidos en 2040 lo sean también
(McKerracher, Izadi-Najafabadi y Soulopoulos 2019). Incluso para los medios de transporte
marítimos y aéreos se están desarrollando medios de propulsión híbridos e incluso eléctricos.
Para el transporte aéreo, a menudo cuestionado por su impacto medioambiental, este tipo de
tecnología podría traer una gran reducción de las emisiones de CO2 y con el desarrollo
adecuado de la capacidad de las baterías, nuevos medios de transporte como los vehículos
eléctricos de despegue y aterrizaje vertical (eVTOL) podrían revolucionar el transporte aéreo
urbano (Airbus 2019).
Ilustración 4 - Evolución de la adopción de los vehículos eléctricos para distintos tipos de vehículos. (McKerracher, Izadi-Najafabadi y Soulopoulos 2019).
Si a este aumento en la demanda de energía eléctrica debido a la electrificación de los medios
de transporte se le suma el incremento de la demanda debido al aumento de la población, nos
encontramos con que el sistema energético se verá sometido a una gran presión en los
próximos años. El sistema eléctrico ha de adaptarse para poder soportar una demanda tan
elevada y especialmente deberá adaptarse para responder a los picos de demanda de energía
que se produzcan en aquellos momentos en los muchos vehículos se conecten a la vez a la
red para recargar sus baterías.
Por otro lado, un nuevo ecosistema energético está emergiendo en las ciudades con el
objetivo de integrar una gran cantidad de pequeñas fuentes de energía procedentes de
paneles solares o pequeños generadores eólicos de particulares. Estas pequeñas
aportaciones particulares de energía, cuando no son consumidas por el propietario, pueden
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 19
ser distribuidas a los vecinos o bien almacenadas en una batería1, formándose así pequeñas
redes eléctricas conocidas como microredes. La integración de los vehículos eléctricos en
estas microredes permitiría, potencialmente, conectar la propia batería del coche a la red y
almacenar el excedente de energía o bien aportar energía a las viviendas en caso de que se
produjera un corte en el suministro de electricidad2.
Actualmente el 95% de la energía utilizada para el transporte procede del petróleo y toda esta
energía deberá ser suministrada a través de la red eléctrica en el futuro. Es por esto que el
desarrollo de este tipo de microredes y la adaptación del sistema eléctrico serán
fundamentales para el progreso de la movilidad urbana del futuro.
1 Las baterías usadas de vehículos eléctricos pierden autonomía con cada ciclo de uso. Cuando ya no cuentan con suficiente capacidad como para ser usadas para el transporte, pueden ser usadas en las microredes para almacenar energía. 2 Basado en la presentación Joël de Rosnay – Presidente de Biotics International. NETEXPLO 2019
Marco teórico
20 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Definición de ciudad
2.3.1 En España
Para poder realizar este estudio, es necesario definir lo que se considera una ciudad, algo
que no es precisamente trivial. Dado que se va a realizar un análisis entre distintas ciudades,
se debe adoptar un criterio sólido a la hora de definir lo que se considera como ciudad.
En España, se utilizan 3 criterios para definir una ciudad: En primer lugar, el criterio
morfológico. Una ciudad debe ser diferenciable a simple vista. La existencia de edificios de
varios pisos, calles de varios carriles por dirección o semáforos son algunos indicadores de
que estamos ante una ciudad. El segundo criterio utilizado es el de la población. En España,
se considera a un núcleo urbano como ciudad cuando supera los 10.000 habitantes. Este
número (Buolamwini y Gebru 2018) es distinto en cada país. Finalmente se tiene en cuenta la
actividad económica del núcleo urbano. En una ciudad, han de predominar los servicios y las
actividades industriales frente a la agricultura y la ganadería.
2.3.2 En la Unión Europea y la OECD
A nivel europeo, hasta hace poco no existía una definición harmonizada del concepto ciudad.
Para solventar el problema, la OECD y la Comisión Europea desarrollaron en 2011 una nueva
definición del concepto ciudad (Dijkstra y Poelman 2012).
Ilustración 5 - Países miembros de la OECD.
Esta nueva definición de ciudad se basa en la identificación de sectores de 1km2 con una
densidad de población superior a 1500 habitantes/ km2 lo que justifica que también se haga
referencia a las ciudades como áreas densamente pobladas. La metodología utilizada para
identificar las ciudades es la siguiente:
1. Se seleccionan los sectores de alta densidad de población y se eliminan aquellos que
están aislados o rodeados por menos de 5 sectores con densidad de población
superior a 1500 habitantes/ km2.
2. Se incorporan los sectores que, aunque no tengan una densidad de población superior
a 1500 habitantes/km2, están rodeados por 5 o más sectores de alta densidad.
3. Adicionalmente se impone la condición de que un centro urbano debe tener un mínimo
de población de 50.000 habitantes para ser considerado como ciudad.
El aglomerado de sectores de alta densidad de población resultante se denomina centro
urbano.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 21
Llegados a este punto, es posible que los sectores que componen el centro urbano
pertenezcan a diversos municipios. Este sería el caso de todos aquellos cuadrantes
pertenecientes a municipios de menor tamaño que rodean a las grandes ciudades y que
debido al crecimiento de la ciudad principal, se han anexionado a ella. Para todos estos casos,
se establece lo siguiente: Todos los municipios que tengan más del 50% de su población
situada en el centro urbano, son considerados como parte de la ciudad principal. Finalmente
se establece que la ciudad ha de tener un reconocimiento a nivel político.
Ilustración 6 - Dijkstra, L. & Poelman, H. Cities in Europe the New OECD-Ec. Reg. Focus (2012).
En algunos casos, el centro urbano, o aglomerado de sectores de alta densidad, abarca una
superficie que es mucho mayor que la de la ciudad principal. En estos casos se puede optar
por 3 estrategias:
• Se define una Gran ciudad que engloba todas las otras ciudades y adopta el nombre
de la más grande o la más relevante.
• Se divide el centro urbano en varias ciudades.
• Una combinación de la primera y la segunda estrategia.
La estrategia elegida debe responder a la necesidad de asegurar que los datos estadísticos
sean coherentes.
2.3.3 En el Mundo
Finalmente, a nivel mundial, la Organización de las Naciones Unidas (ONU) define las
ciudades como lugares donde vive y trabaja un gran número de personas y que además son
Marco teórico
22 Escuela Técnica Superior de Ingenieros Industriales (UPM)
centros de gobierno, comercio y transporte. Sin embargo, reconoce que no existe un criterio
estadístico estándar para determinar los límites y establece tres definiciones de límite de
ciudad. Los conceptos de ciudad que establece la ONU son los siguientes (Moreno 2017):
1. La ciudad propiamente dicha:
Hace referencia al concepto más reducido de ciudad. Se trata de una única unidad
política individual que incluye el centro histórico de la ciudad. Con esta definición, todas
las áreas urbanas pertenecientes a otros municipios no se consideran parte de la
ciudad y por lo tanto no contribuyen a la estadística de la ciudad principal. Muchos
países reportan sus datos estadísticos siguiendo esta definición a excepción de los
datos referentes a la capital. Este es el caso de Benín, Bolivia, Congo, República
Checa, Egipto, Alemania Corea, Polonia, Rusia y otros países.
2. Aglomeración urbana:
Se refiere al territorio que contiene el núcleo de la ciudad propiamente dicha y que
además está habitado con una densidad de población elevada. Este territorio es
independiente de los límites administrativos. Esta definición es la misma que la que
establecen la OECD y la Comisión Europea. En general, la población y la superficie de
una ciudad definida de esta manera es superior a la de la ciudad propiamente dicha.
Si se observa la ilustración 13, los sectores de alta densidad de población sobrepasan
los límites administrativos de la ciudad. Esta realidad es muy común en prácticamente
todas las grandes ciudades. Este es el caso de París, donde la ciudad propiamente
dicha, comúnmente denominada París intramuros y rodeada por la vía de
circunvalación el Boulevard Périphérique, tiene una población de 2.190.327 (Mairie de
Paris 2019) habitantes. Una cantidad que contrasta enormemente con los 11.017.000
habitantes de la aglomeración urbana (United Nations Department of Economic and
Social Affairs 2018).
Ilustración 7 – Modelo de aglomeración urbana en el que la población es superior a la población de la ciudad propiamente dicha.
En algunos casos, cuando dentro de los límites administrativos de la unidad política
que conforma la ciudad propiamente dicha existen áreas con baja densidad de
población, puede darse la situación en la que la población de la ciudad propiamente
dicha sea superior a la de la aglomeración urbana. Un ejemplo visual de esta situación
se propone en la ilustración 14. En esta situación imaginaria, los límites de la ciudad
propiamente dicha abarcan grandes sectores de baja densidad de población y el
número de sectores que conforman la aglomeración urbana es mucho más reducido.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 23
En este caso, la población de la aglomeración urbana es menor que la de la ciudad
propiamente dicha3.
Ilustración 8 - Modelo de aglomeración urbana el que la población es inferior a la población de la ciudad propiamente dicha.
3. Área metropolitana urbana:
El área metropolitana está asociada a un concepto estadístico denominado área
estadística de nivel 5. Se trata de un concepto más complicado que tiene significados
estadísticos, técnicos, administrativos y políticos. Algunos países usan esta definición,
aunque en general solo se usa para las capitales.
De entre las 1860 ciudades con más de 300.000 habitantes disponibles en la base de datos
de la ONU, un 55% utiliza la definición de aglomeración urbana, un 35% utiliza la definición
de ciudad propiamente dicha y el 10% restante utiliza la definición de área metropolitana
urbana (United Nations-Department of Economic and Social Affairs-Population Division 2018).
La ONU sugiere que, como se indica en la 2018 Revision of World Urbanization Prospects
(WUP) (United Nations Department of Economic and Social Affairs 2018), se utilice para el
concepto de ciudad la definición de aglomeración urbana.
Tabla 1 - United Nations, Department of Economic and Social Affairs, Population Division (2018). World Urbanization Prospects: The 2018 Revision, Online Edition.
3 Se descarta, por ser irreal, el caso hipotético en el que los dos sectores de alta densidad de población sumaran más población que los 30 sectores de baja densidad de la ciudad propiamente dicha.
Region, subregion,
country or area
Size class of urban
settlement
Size class
codeType of data 2000 2005 2010 2015 2020 2025 2030 2035
WORLD 10 million or more 1 Nº of Agglomerations 16 20 25 29 34 37 43 48
WORLD 5 to 10 million 2 Nº of Agglomerations 30 36 39 45 51 58 66 73
WORLD 1 to 5 million 3 Nº of Agglomerations 325 343 380 439 494 558 597 639
WORLD 500 000 to 1 million 4 Nº of Agglomerations 396 456 510 554 626 659 710 757
WORLD 300 000 to 500 000 5 Nº of Agglomerations 524 591 645 707 729 794 827 846
More developed regions 10 million or more 1 Nº of Agglomerations 5 6 6 6 6 6 7 7
More developed regions 5 to 10 million 2 Nº of Agglomerations 7 8 9 13 14 16 16 16
More developed regions 1 to 5 million 3 Nº of Agglomerations 96 96 100 103 105 110 113 115
More developed regions 500 000 to 1 million 4 Nº of Agglomerations 122 128 137 136 151 151 156 162
More developed regions 300 000 to 500 000 5 Nº of Agglomerations 183 189 188 203 194 196 198 201
Less developed regions 10 million or more 1 Nº of Agglomerations 11 14 19 23 28 31 36 41
Less developed regions 5 to 10 million 2 Nº of Agglomerations 23 28 30 32 37 42 50 57
Less developed regions 1 to 5 million 3 Nº of Agglomerations 229 247 280 336 389 448 484 524
Less developed regions 500 000 to 1 million 4 Nº of Agglomerations 274 328 373 418 475 508 554 595
Less developed regions 300 000 to 500 000 5 Nº of Agglomerations 341 402 457 504 535 598 629 645
Marco teórico
24 Escuela Técnica Superior de Ingenieros Industriales (UPM)
2.3.4 En este trabajo
Elegir una definición de ciudad u otra tiene un impacto sobre la superficie, la población, y todos
aquellos parámetros que dependen de la población incluida en la ciudad. Un ejemplo en el
que se aprecia el impacto de utilizar una u otra de las definiciones podría ser la ciudad de
Toronto en Canadá: Si usamos la definición de ciudad propiamente dicha la población es de
unos 2,6 millones. Esta cifra asciende a 5,1 millones si usamos la definición de aglomeración
urbana y, si utilizamos la definición de área metropolitana, la población es de 6,6 millones de
habitantes (United Nations-Department of Economic and Social Affairs-Population Division
2018).
En el análisis correspondiente a este trabajo, y dado que las ciudades que se van a
analizar son ciudades de la OECD, utilizaremos los datos estadísticos siguiendo el
criterio de la OECD siempre que sea posible y adecuado, es decir, usaremos el criterio
de aglomeración urbana. Como el criterio es el mismo que el segundo criterio utilizado por
la ONU en la mayoría de las ciudades, siempre que no sea posible utilizar datos de la OECD,
se utilizarán los datos extraídos de la ONU. Cuando se utilicen datos de otras fuentes es
posible que estos hayan sido recopilados utilizando otros criterios de definición de ciudad.
Este hecho ha sido identificado como una de las fuentes de error en los datos que se utilizan
en este trabajo.
Finalmente, se debe tener en cuenta que para algunos indicadores utilizados en este trabajo
como los relativos al clima, a la gobernanza, la presencia de río o mar, y otros, la definición
de ciudad escogida no tiene ninguna influencia por que dichos parámetros son independientes
de la población y el área de la ciudad.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 25
El concepto de ciudad inteligente (smart city)
La movilidad urbana del futuro no se puede estudiar sin considerar el concepto de ciudad
inteligente o smart city, un concepto cuya definición no está totalmente integrada a nivel global
y que sin embargo se utiliza a menudo para referirse a ciudades de todo el mundo haciendo
referencia tanto al presente como al futuro.
Según la normativa ISO 37122:20194, “una ciudad inteligente es una ciudad que aumenta el
ritmo al que se obtienen resultados de sostenibilidad social, económica y ambiental y
responde a desafíos como el cambio climático, el rápido crecimiento de la población y la
inestabilidad política y económica mediante la mejora sustancial de la forma en que se
involucra a la sociedad, la aplicación de métodos de liderazgo colaborativo, la colaboración
entre las distintas disciplinas y los sistemas de la ciudad, y la utilización de la información de
los datos y de las tecnologías modernas para prestar mejores servicios y mejorar calidad de
vida a los habitantes de la ciudad (residentes, empresas, visitantes), tanto en la actualidad
como en el futuro inmediato, sin que esto implique una desventaja injusta para otros ni una
degradación del medio ambiente natural”.
En este trabajo, y, basándose en el artículo Is there anybody out there? The place and role of
citizens in tomorrow ‘s Smart Cities (Vanolo 2016), se han identificado 4 tipologías de ciudad
inteligente que, si bien presentan diferencias claras, no están completamente desligadas entre
sí. Aunque las 4 tipologías de ciudad establecidas son situaciones extremas, en muchas
ciudades sí que se puede apreciar una tendencia hacia una de ellas.
A la hora de planificar la movilidad urbana de las ciudades inteligentes del futuro, se deberá
identificar el tipo de ciudad inteligente que se ambiciona ser y adaptar la estrategia de
movilidad consecuentemente. Las tipologías de ciudad inteligente identificadas son las
siguientes:
2.4.1 Ciudades inteligentes diseñadas desde cero
Esta tipología de ciudades inteligentes es una de las tipologías más difusas y estereotipadas
que existe. Se trata de un concepto asociado a ciudades inteligentes hipertecnológicas
construidas sin restricciones desde cero en emplazamientos en los que no existe un
asentamiento de población previo. La ventaja principal de estas ciudades inteligentes
diseñadas desde cero es que pueden ser construidas en torno a la tecnología y las nuevas
formas de movilidad emergentes.
Además, estas ciudades pueden elegir en cierta medida el tipo de ciudadano que quieren
atraer para que encaje adecuadamente con su infraestructura y modo de vida. Por ejemplo,
si una ciudad ha sido diseñada para que los ciudadanos puedan desplazarse andando o
usando transporte público, orientará su estrategia publicitaria para atraer a ciudadanos que
estén habituados al uso de transporte público o métodos alternativos al vehículo privado.
Algunas ciudades pertenecientes a esta tipología de ciudad inteligente son Songdo (Korea del
Sur), Mazdar City (Emiratos Árabes Unidos) y la menos conocida PlanIt Valley (Portugal).
Estas ciudades gozan de una enorme popularidad y representan la quintaesencia de la ciudad
inteligente (Carvalho 2015), sin embargo son casos aislados excepcionales y no se pueden
considerar como ejemplos representativos de smart city. A pesar de esto, India ha lanzado un
ambicioso proyecto de construcción de 100 nuevas ciudades inteligentes diseñadas desde
cero.
4 Traducción propia. Texto en inglés disponible en el link: https://www.iso.org/obp/ui/#iso:std:iso:37122:ed-1:v1:en
Marco teórico
26 Escuela Técnica Superior de Ingenieros Industriales (UPM)
En este trabajo, al no existir todavía ejemplos de esta tipología que estén completados, no se
estudiarán este tipo de ciudades. No obstante, sí sería posible predecir o estimar los datos
correspondientes a los indicadores de estas ciudades del futuro e introducirlas en la
clusterización para ver a qué tipo de ciudades se asemejarán.
2.4.2 Ciudades con inteligencia omnipresente y totalitaria
Esta tipología de ciudad inteligente está relacionada con una visión según la cual la tecnología
sirve como herramienta de control y vigilancia. Según esta visión, la infraestructura urbana y
los servicios están interconectados y controlados por un sistema central que está
continuamente obteniendo información a través de miles de sensores situados en la ciudad.
La información de las personas puede ser consultada gracias al reconocimiento facial y se
pueden vigilar y analizar aquellos comportamientos que se consideran sospechosos por estar
fuera de lo común estadísticamente hablando.
Una ligera tendencia hacia este tipo de tipología de ciudad inteligente la encontramos en
ciudades de países como China. Por ejemplo, en Hangzhou, un cerebro de la ciudad se
encarga de tomar decisiones basadas en datos y en el reconocimiento vocal y de imágenes.
Su nivel de desarrollo es tal que 200 policías han sido remplazados por la denominada patrulla
automática, la cual actúa con una precisión del 95%.
Esta tipología encarna algunas de las mayores preocupaciones que surgen actualmente con
respecto a asuntos como la privacidad, la supervisión, la seguridad de la tecnología y los
ataques que pueden ser realizados cuando se superan las barreras de seguridad.
Las ciudades que se orienten hacia esta tipología de ciudad inteligente invertirán en la
automatización de los medios de trasporte y fomentaran medidas que sustenten la supervisión
como por ejemplo la instalación masiva de sensores o el despliegue de una buena red 5G.
Además, bucarán atraer a aquellos ciudadanos cuyo nivel de confianza en la tecnología sea
elevado.
2.4.3 Ciudades con inteligencia digital y participación de los
ciudadanos
Esta tipología de ciudad inteligente se basa en el uso de datos procedentes de dos fuentes.
Por un lado, tiene en cuenta la información incorporada a través de sensores como pueden
ser sensores de luz, de lluvia o cámaras de tráfico y, por otro lado, incorpora información de
los propios ciudadanos, los cuales interactúan con la ciudad comportándose también ellos
mismos como sensores.
Ilustración 10 - Songdo, Korea del Sur (https://www.kpf.com/projects/new-songdo-city).
Ilustración 9 - Masdar City, Abu Dhabi (https://transsolar.com/fr/projects/masdar-city).
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 27
Este concepto de ciudad inteligente se articula en torno al uso de smartphones. El teléfono
móvil viaja con cada ciudadano y contiene sensores que permiten conocer la geolocalización
del ciudadano, la velocidad a la que se desplaza y el recorrido que realiza. Gracias a esta
información se puede, por ejemplo, detectar zonas donde hay retenciones y, ayudados por la
información proporcionada por las cámaras de tráfico y otros sensores, adaptar los semáforos
para mejorar el flujo de vehículos.
Además, el teléfono puede utilizarse para que el propio ciudadano interactúe con la ciudad de
forma activa a través de aplicaciones. Por ejemplo, el ciudadano podría indicar su satisfacción
con el estado de limpieza del autobús autónomo en el que se ha montado para ir al trabajo, si
su opinión es respaldada por otros usuarios, el autobús sería automáticamente dirigido a un
centro de limpieza al terminar su ruta.
Un ejemplo de este tipo de aplicación interactiva lo podemos encontrar actualmente en la
ciudad de Boston. Allí, la aplicación BOS:311 disponible en Android, AppleStore y accesible
también a través de su página web, permite a los ciudadanos informar sobre desperfectos en
la carretera o en la señalización, denunciar vehículos aparcados inadecuadamente, señalar
cualquier tipo de peligro o indicar cualquier otro tipo de incidencia. Gracias a esta colaboración
ciudadana las incidencias se cierran en tan solo unas horas, habiéndose cerrado ya más de
1,6 millones de incidencias.
Esta tipología de ciudad contempla un tipo de ciudadano comprometido con la ciudad y se
basa en la estigmatización de la tecnología digital. Esto supone una limitación ya que la
participación queda reducida a aquellos ciudadanos que disponen de un smartphone.
Aquellos ciudadanos que no se adapten al uso de la tecnología, quedaran excluidos de este
tipo de ciudades.
Ilustración 11 - Captura de pantalla de la aplicación BOS:311. https://311.boston.gov/
Marco teórico
28 Escuela Técnica Superior de Ingenieros Industriales (UPM)
2.4.4 Ciudades con inteligencia creativa
A menudo, las iniciativas más inteligentes y efectivas surgen en aquellos entornos en los que
la falta de recursos fomenta la creatividad de los ciudadanos. Se crean así ciudades que
también son inteligentes a pesar de que no ser necesariamente ciudades tecnológicas.
Un ejemplo de este tipo de inteligencia no digital podemos encontrarlo en la ciudad de Brugos,
España. Allí, aparcar en doble fila no solo no es ilegal, sino que está permitido en muchas
zonas. Para evitar que los coches que estacionan en la segunda línea bloqueen a los que
están en primera línea, los conductores dejan estacionado el coche sin aplicar el freno de
mano, permitiendo desplazar el coche en caso de que sea necesario salir de la primera línea.
Con esta artimaña, se logra flexibilizar el uso de las calles adaptándolas para lograr un
equilibrio entre las necesidades de tránsito y de aparcamiento.
Otro ejemplo lo encontramos en Sao Paulo, Brasil. Allí los conceptos de Smart City que se
manejan en otros lugares están demasiado alejados de la pobre realidad de sus barrios. Sin
embargo, en esta ciudad sí utilizan la tecnología para mejorar la realidad de sus ciudadanos.
No obstante, la utilizan siguiendo principios como el de la reducción del número de
aplicaciones, la integración de servicios y el fomento de la escalabilidad de las aplicaciones y
el uso de códigos open-source. Además, como no toda la población tiene acceso a la
tecnología, se ha evitado la digitalización de la burocracia, algo que sí se ha digitalizado
completamente en otras ciudades como Singapore.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 29
Necesidad de una buena planificación estratégica de la
movilidad urbana
En este contexto de transformación de la movilidad urbana, los gobernantes y planificadores
urbanos deben construir y modelar la movilidad urbana de las ciudades de manera que se dé
respuesta a los retos que se plantean. Aquellas ciudades cuya movilidad urbana no sea
correctamente planificada corren el riesgo de saturarse, sufrir problemas de congestión del
tráfico y de contaminación, ver aumentada la pobreza y la desigualdad entre los ciudadanos
y, sobre todo, corren el riesgo de desperdiciar los recursos limitados de los que disponen.
Aquellas ciudades que, por el contrario, logren aplicar correctamente las medidas de movilidad
urbana adecuadas, verán cómo aumenta la prosperidad y la cohesión social, mejorando la
calidad de vida de sus ciudadanos.
Muchos de los grandes defectos que condicionan la movilidad en las ciudades tienen un origen
histórico y se deben a la propia evolución de la ciudad a lo largo de los siglos. Por el contrario,
otros se deben a errores estratégicos en la planificación urbana. Un ejemplo claro es el caso
del boom de las bicicletas públicas en España a finales de los años 2000.
Ilustración 12 - Evolución de los sistemas de bicicleta pública en España. (Observatorio de la Bicicleta Pública en España 2018).
A partir del año 2006, los sistemas de bicicleta pública experimentaron un gran desarrollo
llegando a existir un total de 100 sistemas operativos en el año 2010. Sin embargo, este
servicio no tuvo la misma aceptación en todas las ciudades y, desde 2010, muchas ciudades
han ido suprimiendo estos sistemas reduciéndose el número total de sistemas operativos
hasta estabilizarse en torno a los 50 en la actualidad. A pesar de ello, el número total de
estaciones y de bicicletas operativas ha seguido aumentando. Este hecho indica que, pese a
haber sido un fracaso en muchas de las ciudades, los sistemas de bicicleta pública sí han
tenido una buena aceptación en algunas ciudades.
Marco teórico
30 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Ilustración 13 - Evolución del número de bicicletas y de estaciones de bicicleta pública en España. (Observatorio de la Bicicleta Pública en España 2018).
Tal y como muestran los datos, tanto en España como en el mundo entero, el éxito de los
sistemas de bicicletas públicas ha sido confirmado en numerosas ciudades. Sin embargo, hay
una serie de factores que hacen que la misma iniciativa que ha triunfado en una ciudad, sea
un completo fracaso en otra. Dichos factores están relacionados con el urbanismo, la
demografía, la geografía e incluso la cultura propia de cada ciudad.
Al igual que sucedió con el boom de las bicicletas públicas en España, a menudo, distintas
ciudades tratan de replicar aquellas medidas que han resultado exitosas en otras. Poder
contar con una herramienta que permita identificar si la iniciativa es adecuada para la ciudad
es fundamental para la planificación estratégica que han de realizar los dirigentes y
planificadores urbanos.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 31
3 Metodología Se definen 3 fases del trabajo:
1. Análisis e identificación de los aspectos que influyen en la movilidad urbana.
2. Obtención de los datos necesarios para la realización del análisis de los KPIs y la clusterización.
3. Análisis de los KPIs y clusterización.
Análisis e identificación de los aspectos que influyen
en la movilidad urbana:
A partir del estudio bibliográfico y la participación en el NETEXPLO Smart Cities Accelerator
Summit 2019, se han definido 250 indicadores de movilidad urbana. De entre todos los
indicadores se han seleccionado aquellos que se consideran más importantes para la
movilidad urbana (KPIs).
En esta primera fase se incluye también la prueba de concepto que se realizó, al principio del
trabajo, para verificar que el planteamiento que se estaba aplicando era el correcto.
3.1.1 Prueba de concepto (PoC)
3.1.1.1 Justificación
El término PoC procede de la abreviación de la expresión en inglés Proof of Concept. Una
prueba de concepto es una demostración, cuyo objetivo es demostrar la validez o el potencial
de un concepto o una teoría. Se trata de un prototipo a pequeña escala que además permite
detectar fallos o errores en el planteamiento o la ejecución.
La idea que se plantea originalmente para este trabajo es realizar una clusterización de las
ciudades en función de una serie de indicadores de movilidad urbana. Estos indicadores
pueden ser cuantitativos o cualitativos. Para verificar, en las primeras fases del trabajo, que
el enfoque que se ha planteado es el correcto, se ha realizado una primera prueba de
concepto (Proof of Concept).
El objetivo de esta prueba de concepto es detectar, lo más temprano posible, si existe algún
fallo en el planteamiento que obligue a cambiar el enfoque del trabajo. Especialmente crítico
es poder comprobar si mediante el análisis estadístico, se puede obtener la clusterización de
las ciudades en función de una serie de KPIs tanto cuantitativos como cualitativos,
asegurándose de que la clusterización obtenida arroja resultados razonables. Realizar una
prueba de concepto con un número reducido de parámetros hace más sencillo detectar si los
resultados obtenidos son razonables.
3.1.1.2 Base de datos utilizada para el PoC
Antes de dedicar tiempo a realizar una revisión bibliográfica exhaustiva y a generar una base
de datos con un gran número de ciudades y de indicadores de movilidad urbana, se ha
generado una pequeña base de datos con 18 ciudades europeas y un número reducido de
indicadores. En orden de importancia, se han utilizado los siguientes criterios para seleccionar
las ciudades utilizadas en la prueba de concepto:
1. Selección de ciudades conocidas: Para poder entender los resultados que arroja el
análisis estadístico, es importante tener una imagen lo más exacta posible de las
Metodología
32 Escuela Técnica Superior de Ingenieros Industriales (UPM)
ciudades analizadas. Por este motivo, se han elegido 18 ciudades europeas, 14 de las
cuales son conocidas personalmente por el autor.
2. Accesibilidad de la información: Para agilizar al máximo el proceso de creación de
la base de datos del PoC, se seleccionan ciudades cuya información es sencilla de
obtener.
3. Tamaño de las ciudades: Se han elegido ciudades de gran tamaño (más de
1.000.000 de habitantes) por dos motivos:
a. Las ciudades de gran tamaño son las ciudades que afrontan los mayores retos
de movilidad urbana.
b. Las ciudades grandes ofrecen una mayor cantidad de información tanto a nivel
de disponibilidad de datos como a nivel de información relativa a los problemas
de movilidad.
Las ciudades que se han incluido en la base de datos PoC son las siguientes: Amsterdam,
Athens, Barcelona, Berlin, Bruxelles, Budapest, Hamburg, Lisboa, London, Madrid,
Manchester, Milano, Munich, Napoli, París, Roma, Warszawa y Zagreb.
Los indicadores seleccionados para el PoC son los siguientes:
− Indicadores cuantitativos: Población, DensidadPoblación, DiasLluvia, MMLluvia y
GDP5.
− Indicadores cualitativos: Metro, Mar y Río.
En cuanto a los Indicadores cuantitativos, son esencialmente 3 parámetros: Población, lluvia
y GDP. Tanto población como lluvia son Indicadores que, por sí solos, no aportan suficiente
información. No es lo mismo una gran población distribuida en un área muy grande que una
población más reducida pero muy concentrada en un área pequeña. Lo mismo ocurre con la
lluvia. Precipitaciones abundantes durante un periodo concreto del año no tienen la misma
influencia sobre la movilidad que precipitaciones constantes a lo largo de todo el año. Es por
esto por lo que se han considerado la población, la densidad de población, los días de lluvia
y los milímetros de precipitación anual.
Los indicadores cualitativos adquieren valores binarios SI-NO. No haber incorporado
parámetros cualitativos que adquieran más de dos valores no condiciona la validez del PoC.
Se han elegido 3 indicadores que, en primera aproximación, podemos asumir que tienen una
influencia considerable sobre la movilidad urbana de las ciudades. El primero corresponde a
la infraestructura desarrollada en la ciudad. Los dos últimos indicadores cualitativos
incorporados a la base de datos PoC corresponden a características geográficas de la ciudad.
3.1.1.3 Análisis estadístico del PoC
Para realizar la clusterización de las ciudades se utiliza el método WardD2 y los datos son
normalizados antes de ser clusterizados. Los resultados obtenidos muestran que
efectivamente se puede realizar la clusterización en función de parámetros tanto cualitativos
como cuantitativos. Además, no se aprecia ningún resultado que nos indique que se ha
producido algún error en la clusterización.
5 Gross Domestic Product, Producto Interior Bruto (PIB) en español.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 33
Ilustración 14 – Clusterización POC.
Las ciudades que tienen una población más elevada (London y París) han sido agrupadas
juntas, las ciudades de climas húmedos se encuentran en el grupo de la izquierda y si nos
desplazamos hacia la derecha van apareciendo ciudades en general más secas. Se observa
que la ciudad de Napoli ha sido clasificada en su propio clúster. Analizando los datos se ha
comprobado que la densidad de población introducida era errónea (excesivamente elevada)
y por eso ha quedado tan diferenciada de las demás ciudades.
Un indicador de tipo cuantitativo que podría haber sido utilizado son los kilómetros de metro
disponibles. Seguramente se podría haber obtenido mejor información utilizando como
indicador los kilómetros en lugar del indicador Metro (existencia de un sistema de metro). Al
ser las ciudades analizadas de gran tamaño, todas menos Manchester y Zagreb tienen
sistema de metro y este indicador no es diferenciador entre las demás ciudades que sí
disponen de este sistema de transporte.
3.1.2 Fuentes de información y bases de datos de referencia
Para la realización de este trabajo se ha participado en el programa NETEXPLO Smart Cities
Accelerator Summit 2019 y se han realizado investigaciones bibliográficas de diversas
fuentes. Aquellas fuentes que más han influenciado este trabajo, junto con el programa de
NETEXPLO, se presentan detalladamente a continuación.
3.1.2.1 NETEXPLO Smart Cities Accelerator Summit 2019
Este programa internacional de formación certificado se crea para dar respuesta a los
principales retos a los que se enfrentan las smart cities (ciudades inteligentes) por el Netexplo
Metodología
34 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Observatory6 y las universidades; ESCP Europe, Peking University, Shanghai Jiao Tong
University and Telecom ParisTech, con el apoyo de la UNESCO.
La parte presencial del programa tuvo lugar en abril de 2019 y reunió a unos mil expertos y
responsables políticos de todo el mundo. El programa abordaba 3 temas: La movilidad urbana,
la conectividad de las ciudades y su habitabilidad, 3 aspectos íntimamente relacionados y que
han de ser considerados de manera conjunta (NETEXPLO 2019).
Durante 2 jornadas completas, más de 40 expertos aportaron su visión tanto del presente
como del futuro. Tanto sus presentaciones como el curso online con el que culmina el
programa y los dos libros asociados; Smart Cities Year Book 2018-2019 y Smart Cities.
Shaping the society 2030, han servido para la definición de los indicadores de movilidad
urbana y para la identificación de los KPIs, siendo una influencia notable para este trabajo.
Puesto que NETEXPLO es un observatorio global, el programa se centra en el estudio de 15
ciudades designadas por la UNESCO; 5 ciudades de Asia (Singapore, Songdo City, Mumbai
Corridor, Shenzhen y Christchurch), 2 ciudades de América del Sur (Sao Paulo y Medellín), 2
de América del Norte (Detroit y San Francisco), 3 de Africa y Oriente Medio (Konza, Kigali y
Dubai) y 3 ciudades de Europa (Helsinki, Lyon y Barcelona). Este enfoque internacional ha
sido especialmente útil para adquirir una visión global de la movilidad urbana.
3.1.2.2 IESE - Cities in Motion Index
Este trabajo, ampliamente reconocido como referencia para el estudio de ciudades, realiza un
análisis comparativo entre estas considerando 9 dimensiones: El Capital Humano, la
Cohesión Social, la Economía, la Gobernanza, el Medioambiente, la Movilidad y el Transporte,
la Planificación Urbana, la Proyección Internacional y la Tecnología.
En su sexta edición (2019), incorpora 174 ciudades de 80 países y considera 96 indicadores
de carácter objetivo y subjetivo. Como complemento del IESE - Cities in Motion Index, el IESE
publica también una serie de minilibros en los que se identifican buenas prácticas para cada
una de las dimensiones.
El objetivo de este estudio es proponer indicadores completos, comparables, objetivos y de
calidad que permitan evaluar, mediante la comparación entre ciudades, el desempeño de
cada una.
Para generar este índice, se mide el desempeño de las ciudades en los distintos indicadores
y se establece un ranking para cada dimensión estudiada. De esta forma se pueden identificar
aquellas dimensiones en las que las ciudades se encuentran en una buena posición y aquellas
en las que podría mejorar. Las ciudades que se sitúan en las primeras posiciones del ranking
de cada dimensión pueden ser tomadas como referencia y mediante su estudio, servir de
referencia para las que no han obtenido tan buena puntuación.
Este trabajo publicado por el IESE ha servido como base para la definición de algunos de los
indicadores de movilidad urbana utilizados en este trabajo y como referencia para identificar
numerosas fuentes de datos. Además, la propia clasificación obtenida en algunas de las
dimensiones ha sido utilizada como indicador para este trabajo.
6 Una red mundial de 19 universidades líderes, facilitada en colaboración con la UNESCO cuyos expertos se dedican al estudio de las innovaciones, al planteamiento de escenarios futuros y a la descripción de las tendencias más relevantes.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 35
Tabla 2 - Primeras ciudades del índice IESE Cities in Motion Index. Las distintas columnas muestran la clasificación obtenida por las ciudades en las diferentes dimensiones y en la última se muestra la clasificación
global. Datos extraídos manualmente (Pascual y Enric Ricart 2019).
3.1.2.3 Institute for Urban Strategies - Global Power City Index 2018
Este índice evalúa las ciudades en función de su magnetismo, es decir, en función de su
capacidad para atraer capital humano y económico desde otros lugares del mundo. En él se
evalúan 44 ciudades en función de su desempeño en 6 dimensiones: Economía, Investigación
y Desarrollo, Cultura Internacional, Habitabilidad, Medio ambiente y Accesibilidad. Al igual que
en el caso del IESE – Cities in Motion Index, se establece una clasificación de ciudades para
cada una de las dimensiones y finalmente se establece una clasificación global.
A pesar de contar con autores y contribuyentes procedentes de todo el mundo, los autores
principales de este trabajo son japoneses. Este hecho confiere a este índice una visión
ligeramente diferente a las visiones presentadas por los otros índices, contribuyendo a la
visión global a la que aspira este trabajo. Este índice ha servido como inspiración para la
definición de los indicadores utilizados.
3.1.2.4 Deloitte - City Mobility Index 2019
Este índice publicado a principios de 2019 ofrece a los líderes, gobernantes y planificadores
urbanos de las ciudades, datos que permiten orientar sus estrategias de movilidad urbana. En
concreto este estudio se focaliza en el concepto de movilidad urbana inteligente y evalúa, para
55 ciudades de todo el mundo, 15 indicadores de movilidad urbana organizados en torno a 3
pilares:
1. El desempeño y la resiliencia: Congestión, Fiabilidad del transporte público,
Seguridad del transporte público, Integración y Movilidad compartida y Calidad del aire.
City Country
Eco
no
my
Hu
man
cap
ital
Soci
al c
oh
esio
n
Envi
ron
men
t
Go
vern
ance
Urb
an p
lan
nin
g
Inte
rnat
ion
al
ou
trea
ch
Tech
no
logy
Mo
bili
ty a
nd
tran
spo
rtat
ion
Cit
ies
in M
oti
on
London UnitedKingdom 12 1 45 34 7 9 1 8 3 1
NewYork USA 1 3 137 78 26 2 8 11 5 2
Amsterdam Netherlands 10 36 38 28 27 11 2 7 11 3
Paris France 8 6 86 54 37 50 3 15 4 4
Reykjavík Iceland 90 53 18 1 19 108 22 4 46 5
Tokyo Japan 3 9 49 6 71 24 35 20 29 6
Singapore Singapore 21 44 47 10 20 31 4 1 67 7
Copenhagen Denmark 25 28 11 3 12 75 16 10 25 8
Berlin Germany 50 5 39 47 6 40 5 32 6 9
Vienna Austria 57 23 31 15 25 45 7 13 7 10
HongKong China 29 17 140 20 21 8 15 2 40 11
Seoul SouthKorea 15 14 95 32 39 27 34 6 17 12
Stockholm Sweden 18 58 60 5 24 48 24 14 21 13
Oslo Norway 17 71 20 8 52 54 19 17 20 14
… … … … … … … … … … … …
Lahore Pakistan 151 172 173 171 168 174 166 172 147 173
Karachi Pakistan 112 171 172 174 174 171 174 167 153 174
Metodología
36 Escuela Técnica Superior de Ingenieros Industriales (UPM)
2. La visión y el liderazgo: Visión y estrategia, Inversión, Innovación, Regulación
medioambiental e Iniciativas de sostenibilidad medioambiental.
3. Los servicios y la inclusión: Oferta de transporte público, Coste del transporte
público, Versatilidad, Satisfacción del cliente y Accesibilidad.
Tabla 3 – Indicadores de movilidad urbana del Deloitte - City Mobility Index 2019 (Deloitte 2018a).
Cada uno de los indicadores es evaluado con una puntuación únicamente visualizable de
manera interactiva a través de la página web de Deloitte7. Mientras que las otras fuentes
7 Link: https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/deloitte-urban-mobility-index-for-cities.html
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 37
contemplan aspectos de las ciudades a nivel global, este índice ha sido utilizado
especialmente para la obtención de los indicadores relacionados con el transporte.
3.1.2.5 ISO – 37120, Indicators for city services and quality of life
Aunque sin incorporar la clusterización jerárquica como herramienta para comparar el
desempeño de las ciudades con el de aquellas que son similares en términos de movilidad
urbana, un enfoque similar al que se plantea en este trabajo puede encontrarse en la norma
ISO 37120.
En este caso los indicadores utilizados no miden la movilidad urbana sino la capacidad de la
ciudad para ofrecer servicios y asegurar una buena calidad de vida de sus habitantes. Al igual
que con el objetivo inicial de este trabajo, la norma ISO 37120, Sustainable cities and
communities – Indicators for city services and quality of life (International Organization for
Standardization 2017) proporciona una serie de indicadores que miden el desempeño de las
ciudades en distintas áreas y permiten, mediante la comparación de unas ciudades con otras,
extraer lecciones y descubrir nuevas soluciones innovadoras («New International Standard for
measuring the performance of cities going “smart”» 2019). Esencialmente, se busca poder
evaluar el nivel de desarrollo de las ciudades en distintos aspectos y ayudar a la fijación de
objetivos.
Otro aspecto común entre la normativa ISO 37120 y este trabajo es la diferenciación de los
indicadores en dos niveles de relevancia. En el caso de la norma ISO 37120, se definen 46
indicadores clave (core) que equivalen a los KPIs de este trabajo y 54 indicadores de apoyo
(support) que equivalen a los otros indicadores no clasificados como KPI en este trabajo. Un
tercer grupo de indicadores definidos en la norma ISO 37120 son los indicadores de tipo perfil
(profile) de los cuales se definen 39. Se trata de indicadores de tipo informativo que aportan
información estadística básica.
La información correspondiente a los indicadores definidos en la norma ISO 37120 ha sido
recopilada para las 30 ciudades que participan en la iniciativa y se puede consultar en su
página web (Open data for cities 2019). Sin embargo, únicamente está disponible de forma
visual, haciendo imposible la explotación de esta información para la clusterización jerárquica
que se realiza en este trabajo. Además, de entre todos los indicadores evaluados por la
normativa ISO 37120, los indicadores específicos de movilidad urbana son muy limitados. En
cualquier caso, las conclusiones que se podrían obtener de una clusterización jerárquica
realizada únicamente con 30 ciudades serían muy limitadas.
La existencia de una normativa ISO que trata de realizar algo similar a lo que se plantea en
este trabajo demuestra que el enfoque elegido es bueno. La clusterización de las ciudades
para que se preste una mayor atención a aquellas ciudades que son similares a la ciudad
estudiada aspira a complementar el estudio de los indicadores.
3.1.3 Criterios de selección de las ciudades estudiadas
Aunque el objetivo original del trabajo era incluir el mayor número posible de ciudades y que
estas fueran de todo el mundo, la disponibilidad de datos para realizar la clusterización ha
sido finalmente lo que ha determinado la lista final de ciudades estudiadas en este trabajo.
Para elegir qué ciudades figuran en la base de datos utilizada en este trabajo se ha partido de
la base de ciudades con más de 300.000 habitantes de la ONU. En primer lugar y, dado que
muchos de los indicadores solo están disponibles para países de la OECD, se ha limitado el
estudio a ciudades de la OECD (criterio 1). En segundo lugar, se han seleccionado a aquellas
ciudades que, perteneciendo a la OECD, han sido consideradas en el IESE Cities in Motion
Index (criterio 2). El tercer criterio aplicado ha sido el de incluir únicamente las ciudades que,
Metodología
38 Escuela Técnica Superior de Ingenieros Industriales (UPM)
perteneciendo a la OECD y habiendo sido incluidas en el IESE Cities in Motion Index, estén
presentes en la mayoría de las bases de datos de Numbeo (criterio 3).
Finalmente se han añadido algunas ciudades que no llegan a 300.000 habitantes y se han
eliminado algunas ciudades que, si bien cumplían los 3 criterios, tenían muchos de los datos
no disponibles.
3.1.4 Definición de los indicadores de movilidad urbana y selección
de los KPIs
Los indicadores de movilidad urbana son parámetros de referencia de las ciudades que se
utilizan para medir, estimar o comparar las características o el nivel de desarrollo de distintos
aspectos de las ciudades. En concreto, en este trabajo se van a definir indicadores que estén
relacionados con la movilidad urbana, es decir, parámetros cuya alteración condicionará la
movilidad del presente o la movilidad del futuro o bien parámetros que sirven para caracterizar
la movilidad urbana.
Algunos de los indicadores son puramente cuantitativos y otros permiten medir de forma
cuantitativa, aspectos cualitativos de la movilidad urbana. Algunos indicadores deben ser
considerados en función de la población para evitar que el tamaño de la ciudad desvirtúe el
indicador. En estos casos, se han ponderado dividiéndose entre la población de la ciudad.
Esto permite comparar adecuadamente ciudades de distinta población.
3.1.4.1 Utilización de los indicadores disponibles en las bases de datos de
referencia
Teniendo en cuenta toda la información publicada en diversos estudios y por distintas
organizaciones como el Cities in Motion Index del IESE, el City Mobility Index de 2019 de
Deloitte o los indicadores definidos en la norma ISO 37120 - Sustainable cities and
communities – Indicators for city services and quality of life entre otras fuentes bibliográficas,
se podrían utilizar los rankings o puntuaciones obtenidas en los distintos parámetros como
indicadores para realizar la clusterización de las ciudades. Sin embargo, estos datos podrían
llevar a la obtención de resultados erróneos al realizar la clusterización.
Estos índices evalúan de forma general el desempeño de cada ciudad en dimensiones
globales. Por ejemplo, el Cities in Motion Index del IESE realiza una clasificación para la
dimensión Indicadores de Movilidad y Transporte que se basa en el desempeño de las
ciudades en 10 parámetros distintos: Índice de tráfico, Índice de ineficiencia, Índice de
ineficiencia, Índice de tráfico para desplazarse al trabajo, Bikesharing, Longitud del sistema
de metro, Estaciones de metro, Vuelos, Tren de alta velocidad, Vehículos y Bicicletas por
hogar.
El Cities in Motion Index publicado por el IESE sitúa a Madrid en el número 9 del ranking para
la dimensión Indicadores de Movilidad y Transporte y a Amsterdam en el número 11, es decir,
se considera que el nivel de desarrollo de la movilidad y el transporte de ambas ciudades es
similar. Si se realizara una clusterización teniendo en cuenta únicamente este indicador,
ambas ciudades aparecerían en el mismo clúster ya que de las 174 ciudades estudiadas,
Madrid y Amsterdam han obtenido una puntuación global muy similar.
Ambas ciudades han obtenido una clasificación global similar porque de manera conjunta y
teniendo en cuenta todos los indicadores, obtienen una puntuación global similar. Sin
embargo, si analizamos detalladamente los indicadores que componen la dimensión
Indicadores de Movilidad y Transporte es evidente que estas dos no obtienen los mismos
resultados en los distintos indicadores. Por ejemplo, el metro de Amsterdam tiene solo 33
kilómetros de línea frente a los 293 kilómetros del metro de Madrid y en cambio, el 53% de la
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 39
población de Amsterdam hace uso de bicicleta para ir al trabajo mientras que tan solo un 2%
de la población usa la bicicleta en Madrid.
Como no tenemos acceso a los datos correspondientes a los indicadores sino solamente a la
clasificación obtenida en cada dimensión, únicamente podemos usar esta clasificación como
indicador adicional que proporciona información sobre el rendimiento general en las distintas
dimensiones.
Así pues, para realizar una clusterización correcta, los datos obtenidos en las fuentes de
información y bases de referencia no son suficientes y debemos remitirnos a los datos puros
evitando que queden ocultos los rasgos característicos de las ciudades. Como se indica
previamente, las fuentes y bases de datos de referencia si servirán como referencia para
definir los indicadores utilizados en este trabajo y como indicadores de rendimiento a modo
general en el caso del IESE Cities in Motion Index.
Sí podemos utilizar los resultados obtenidos en el IESE Cities In Motion Index para detectar
correlaciones entre el desempeño de las ciudades en las distintas dimensiones. Para ello se
han estudiado, utilizando R8, las correlaciones entre las clasificaciones obtenidas. Los
resultados son los siguientes:
Tabla 4 - Correlaciones entre las clasificaciones obtenidas por las ciudades en las distintas dimensiones estudiadas en el IESE Cities In Motion Index.
Las observaciones más destacables son:
1. Correlación de 0,76 entre el desempeño en la dimensión Tecnología y el desempeño
en la dimensión Economía.
2. Correlación de 0,74 entre el desempeño en la dimensión Capital Humano y la
dimensión Gobernanza. Misma correlación de 0,74 también entre las dimensiones
Tecnología y Gobernanza.
3. No existe ninguna dimensión que esté especialmente correlacionada con la dimensión
Movilidad y Transporte. Cabe destacar que la correlación obtenida con la dimensión
gobernanza es prácticamente nula (0,05).
Los resultados obtenidos del análisis de las correlaciones muestran la complejidad de la
movilidad urbana. Al no existir correlaciones destacables con otras dimensiones, resulta
8 Código utilizado disponible en anexos.
Dimensión
Eco
nom
y
Hum
an.c
apit
al
Soci
al.c
ohe
sio
n
Envi
ronm
ent
Go
vern
ance
Urb
an.p
lann
ing
Inte
rnat
iona
l.out
reac
h
Tech
nolo
gy
Mo
bilit
y.an
d.tr
ansp
ort
atio
n
Economy 1 0,68 0,52 0,21 0,07 0,61 0,72 0,76 0,54
Human.capital 0,68 1 0,47 0,26 0,74 0,69 0,66 0,66 0,56
Social.cohesion 0,52 0,47 1 0,44 0,62 0,33 0,42 0,62 0,58
Environment 0,21 0,26 0,44 1 0,39 0,25 0,31 0,34 0,37
Governance 0,07 0,74 0,62 0,39 1 0,62 0,68 0,74 0,05
Urban.planning 0,61 0,69 0,33 0,25 0,62 1 0,61 0,61 0,46
International.outreach 0,72 0,66 0,42 0,31 0,68 0,61 1 0,07 0,52
Technology 0,76 0,66 0,62 0,34 0,74 0,61 0,07 1 0,52
Mobility.and.transportation 0,54 0,56 0,58 0,37 0,05 0,46 0,52 0,52 1
Metodología
40 Escuela Técnica Superior de Ingenieros Industriales (UPM)
especialmente complicado predecir el desempeño en materia de movilidad urbana de las
ciudades.
3.1.4.2 Definición de los indicadores utilizados en este trabajo
Para identificar los parámetros que se van a utilizar en la clusterización de las ciudades se
han definido los indicadores que hipotéticamente se utilizarían para caracterizar
adecuadamente la movilidad urbana de una ciudad. Para ello se ha realizado un mapa mental
de los indicadores en varios niveles.
Al realizar un mapa mental se realiza un mejor análisis en profundidad de todos aquellos
aspectos que afectan a la movilidad urbana, independientemente de que en un principio pueda
parecer que no tienen ninguna influencia en ella. Otra ventaja de hacer el mapa mental es la
posibilidad de agrupar los indicadores en distintas áreas y niveles de importancia. Esto permite
que se puedan realizar clusterizaciones a distintos niveles. Así, se podrían clusterizar las
ciudades en función de los indicadores de la dimensión Economía, clusterizarlas teniendo en
cuenta únicamente los indicadores correspondientes al transporte público o bien realizar una
clusterización con todos los indicadores a la vez.
Las 5 grandes dimensiones de indicadores que influyen en la movilidad urbana son:
1. Cultura y Aspecto Social
2. Demografía y Geografía
3. Economía
4. Medio Ambiente
5. Transporte
A partir de esos 5 grandes grupos y siguiendo una estructura de mapa mental se han ido
disgregando las distintas dimensiones hasta llegar a indicadores específicos que
potencialmente podrían ser cuantificables. Las distintas ramas se han desarrollado hasta el
nivel de detalle que se ha considerado adecuado para el estudio que se pretende realizar. El
mapa mental se muestra al completo más adelante en la ilustración 15 y puede ser
contemplado en tamaño aumentado al final de este trabajo.
No todas las ramas se han desarrollado hasta el mismo nivel de detalle. En algunas se llega
a un indicador cuantificable rápidamente y en otras se van sucediendo distintos niveles hasta
llegar al indicador. Lógicamente, la dimensión Transporte tiene un grado de desarrollo mucho
más elevado porque tiene un mayor impacto en la movilidad urbana.
Con este proceso de definición de indicadores siguiendo un mapa mental, se han obtenido
250 indicadores. Estos indicadores son los indicadores que idealmente, podrían ser usados
para caracterizar la movilidad urbana de una ciudad y realizar la clusterización jerárquica, sin
embargo, no todos ellos tienen la misma influencia en la movilidad urbana.
Es importante destacar que, en la definición de los indicadores, se han buscado indicadores
que puedan ser cuantificables y de los que existan datos disponibles u obtenibles.
3.1.4.3 Selección de los KPIs
De entre todos los indicadores definidos se han seleccionado aquellos que se han
considerado especialmente relevantes para la movilidad urbana. Se trata de indicadores
característicos de alto impacto en la movilidad. Además, y dado que el objetivo es poder
utilizar los KPIs para realizar la clusterización, se ha tratado de seleccionar KPIs que
estuvieran disponibles o fueran obtenibles de forma sencilla. La objetividad de los indicadores
seleccionados como KPI también ha sido un aspecto considerado.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 41
En la siguiente figura se muestra el mapa mental de indicadores. Aquellos con la letra en rojo
son los seleccionados como KPI. Para aquellos indicadores de los que se dispone de datos,
se ha indicado la fuente. Adicionalmente, se indica, mediante el color del subrayado, la
disponibilidad de datos referentes a los indicadores de las ciudades estudiadas. En verde se
subrayan los indicadores de los que se dispone de datos para las 79 ciudades estudiadas. En
naranja se subrayan los indicadores para los que se dispone de datos para gran parte de las
79 ciudades estudiadas, pero no para todas ellas. En azul, se han subrayado aquellos
indicadores de los que, aunque no se han obtenido los datos, sí se ha identificado la fuente
de la que se podrían obtener. Para facilitar su lectura se han dispuesto los indicadores de
cada dimensión de forma individual en los anexos de este trabajo.
Ilustración 15 - Mapa mental de indicadores y KPIs.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 43
Obtención de los datos necesarios para la realización
del análisis de los KPIs y la clusterización
Para poder valorar los indicadores se han recopilado datos de distintas fuentes. La cantidad
de fuentes de datos disponible en internet es enorme, sin embargo, los distintos estudios y
fuentes de datos disponibles suelen centrarse únicamente en ciudades correspondientes a
una determinada región o país. Para poder incorporar datos de los KPIs para un gran número
de ciudades a nivel global se ha recurrido a fuentes de información globales como WorldBank
o UN-Database. A la información obtenida en estas fuentes globales se ha añadido
información de fuentes regionales como Eurostat, la base de datos de la OECD y otras fuentes
locales como pueden ser las propias bases de datos de los ayuntamientos.
Además, se han incorporado datos extraídos de estudios realizados por diversas
organizaciones tanto públicas como privadas. Las más importantes forman parte de las
fuentes de información y bases de datos de referencia identificadas en la primera fase del
trabajo. A esto hay que añadir los datos que facilitan empresas privadas o páginas que
comparten sus datos. Existen además rankings que son publicados en internet por distintos
organismos y que se crean de forma cooperativa a través de la colaboración de distintos
usuarios como por ejemplo la página nomadlist.com en la que los usuarios de la comunidad
aportan sus valoraciones e impresiones de las ciudades que visitan. Finalmente, algunos de
los datos se han obtenido de forma manual a partir de Google Maps.
3.2.1 Necesidad de datos precisos y sin sesgo
La fiabilidad de los datos utilizados cobra especial importancia cuando se comienza a disponer
de gran cantidad de datos y sobre todo cuando entra en juego el procesamiento automático
de datos, y técnicas de inteligencia artificial y machine learning. En el caso del análisis
realizado en este trabajo, la clusterización va a agrupar las ciudades de forma automática y
por lo tanto, para evitar que los resultados sean incoherentes o estén sesgados, hay que
asegurar que los datos son suficientemente fiables.
Un ejemplo de funcionamiento incorrecto debido a la utilización de datos sesgados en una
herramienta tecnológica que se ha desarrollado utilizando inteligencia artificial es el caso de
los softwares de reconocimiento facial. El software de reconocimiento facial fue presentado
por primera vez en el Security show Japan en 2005 por OMRON Corporation. Esta tecnología
recibió el nombre de OKAO Vision Face Recognition Sensor (MD Robin [sin fecha]). A pesar
de no ser una tecnología nueva, no ha sido hasta el lanzamiento del iPhone X de Apple cuando
ha empezado a extenderse y llegar al usuario general.
En realidad, esto es lo que se podría pensar, sin embargo, el usuario medio del iPhone X no
es representativo de la sociedad, ni siquiera en el mundo desarrollado. Con un precio que
comienza en 1155,28€9 para la versión más básica, el iPhone X está solo al alcance de una
pequeña minoría y esta tiene unas características bastante específicas.
Los softwares de reconocimiento facial que utilizan inteligencia artificial para aprender e ir
mejorando utilizan los datos de sus usuarios, es decir utilizan las características de la cara.
Como la mayoría de los usuarios del iPhone X son personas occidentales de piel blanca, el
software contará con un gran número de imágenes de caras de piel blanca y mejorará su
capacidad de detección para este tipo de usuarios. Para aquellos tipos de cara con los que el
9 Precio consultado en página oficial de Apple. Link: https://www.apple.com/fr/shop/buy-iphone/iphone-xs
Metodología
44 Escuela Técnica Superior de Ingenieros Industriales (UPM)
software no ha podido entrenarse, los resultados serán peores. Se introduce así un sesgo en
la capacidad de detección de personas de distintos grupos sociales.
Por otro lado, hay que tener en cuenta quién está desarrollando los softwares de Inteligencia
Artificial. Si descartamos, a pesar de su enorme progreso en la última década, la contribución
tecnológica de China, nos encontramos con que las principales empresas tecnológicas son
americanas: Apple, Microsoft, Amazon, IBM, Google, Tesla o Uber son solo algunos ejemplos.
En el caso de Google, solo el 2,5% de sus trabajadores son de raza negra. En Microsoft y
Facebook la raza negra tan solo representa el 4% (Crawford, West y Whittaker 2019).
Además de esta desigualdad entre personal de color y personal blanco, existe una gran
desigualdad entre hombres y mujeres trabajando en Inteligencia Artificial. Estudios recientes
demuestran que solo el 18% de los expertos que participan en las conferencias de Inteligencia
Artificial de referencia son mujeres (Gagne, Kiser y Mantha 2019) y que más del 80% de los
profesores de Inteligencia Artificial son hombres (Shoham et al. 2018). En las empresas, tres
cuartas partes de las personas que trabajan en el desarrollo de software en EE. UU. son
hombres y esta diferencia entre hombres y mujeres es aún más destacable en los ámbitos de
la Inteligencia Artificial. De esta forma se introduce una segunda fuente de sesgo derivada del
propio desarrollo del software.
Así, no solo las imágenes de las que dispone la Inteligencia Artificial para aprender son
principalmente de personas blancas, sino que además, las personas que están desarrollando
el software son principalmente hombres blancos.
No son de extrañar por tanto los resultados obtenidos por Joy Buolamwini del MIT Media Lab.
Según su estudio, la tasa de error en el reconocimiento facial de hombres blancos es inferior
al 1%, ascendiendo al 7% para mujeres blancas. La tasa de error para los hombres de color
es del 12% y asciende notablemente para las mujeres de color que, con un 35% de tasa de
error, son las más discriminadas por el software de reconocimiento facial (Buolamwini y Gebru
2018).
El caso del sesgo introducido en los sistemas de reconocimiento de imagen muestra la
necesidad de prestar especial atención a la hora de incorporar datos lo menos sesgados
posibles al realizar la clusterización jerárquica.
3.2.2 Dificultades para la obtención de los datos correspondientes a
los indicadores:
La creación de la base de datos sobre la que se realiza el análisis y la clusterización ha sido
uno de los retos más importantes de este trabajo y, finalmente, solo se han logrado obtener
datos para algunos de los KPIs. Han sido identificadas las siguientes dificultades:
1. Amplia diversidad de datos que hay que extraer de distintas fuentes. Al analizarse
ciudades de todo el mundo, la información no es sencilla de extraer. En algunas zonas
como Africa o Asia se cuenta con muy pocas fuentes de información y es por esto por
lo que no se han incluido en el trabajo.
2. Algunos de los indicadores son difíciles de cuantificar. Para valorarlos sería necesario
realizar encuestas, contar con el feedback de algún experto o persona que conozca la
ciudad o bien desplazarse a la ciudad y hacer personalmente las observaciones
necesarias.
3. Muchos de los datos no se obtienen de bases de datos, sino que han de ser extraídos
manualmente de diversas páginas web. Esto supone un gran esfuerzo de extracción,
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 45
filtrado y procesamiento. Resulta especialmente laborioso realizar la limpieza de tantos
datos
4. Muchos de los indicadores se pueden obtener a nivel de país, pero no están
disponibles a nivel ciudad. Algunos de estos datos disponibles únicamente a nivel
nacional son datos de carácter económico, estadísticas de educación y en general
todos aquellos datos disponibles en la base de datos de la ONU.
5. Los nombres de las ciudades cambian según el lenguaje de la base de datos. Esto
dificulta enormemente el tratamiento de los datos. Para facilitar el tratamiento, se ha
optado por utilizar los nombres de las ciudades tal y como aparecen en la base de
datos de la ONU.
Metodología
46 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Análisis de los KPIs y clusterización
La fase final del trabajo consiste en la realización del análisis cualitativo de los KPIs y la
posterior clusterización de las ciudades a partir de los datos referentes a los KPIs que han
sido previamente obtenidos. Tras la clusterización de las ciudades se ha realizado un análisis
a alto nivel de los resultados obtenidos.
A continuación, se presenta la metodología utilizada para el análisis de los KPIs y la
clusterización.
3.3.1 Análisis de los KPIs
En esta fase se han ido analizando los distintos KPIs que se proponen en este trabajo. Se ha
justificado la influencia que tienen en la movilidad urbana y se ha valorado la información que
aportan para la caracterización de la movilidad urbana.
Algunos KPIs se han analizado más en profundidad y se han reflejado las observaciones que
se han considerado pertinentes. En aquellos casos en los que se hayan descubierto
curiosidades o datos interesantes también se han mostrado.
3.3.2 Clusterización de las ciudades en función de los KPIs
3.3.2.1 Técnicas de clusterización
La clusterización jerárquica es una técnica descriptiva de minería de datos (data mining10) que
se utiliza para construir una jerarquía de clústeres (agrupaciones de individuos) y cuyo objetivo
principal es descubrir un nuevo conjunto de categorías (clústeres). Las agrupaciones
obtenidas son interés por sí mismas y su valorización es intrínseca (Rokach y Maimon
2005).
A diferencia del análisis factorial, la clusterización permite que todos los parámetros sean
considerados para la clasificación evitando la pérdida de información. Además, las variables
cualitativas pueden ser consideradas siempre y cuando sean transformados
adecuadamente11 en variables cualitativas.
Un buen método de clusterización permite crear agrupaciones en las cuales existe un gran
parecido (minimización de las distancias intra grupales) entre los miembros del clúster y una
gran diferenciación con los otros clústeres (maximización de las distancias intergrupales).
Ilustración 16 - Ilustración extraída de los apuntes del curso Analyse de Données de Sandie Ferrigno. Ecole des
Mines, Nancy.
10 Información adicional sobre data mining disponible en el glosario. 11 Calcular por ejemplo la distancia khi2 entre los perfiles de los individuos y realizar la clusterización sobre dicha tabla de distancias.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 47
Según Cuadras (CUADRAS AVELLANA 1981), una clusterización pueden ser:
▪ Aglomerativa (de abajo a arriba) o divisiva (de arriba abajo):
- Aglomerativa: Si se parte de los individuos y se les va agrupando
progresivamente para formar nuevos grupos que se evalúan como un nuevo
individuo y continúan siendo agrupados con el resto de los individuos o grupos
de individuos.
- Divisiva: Cuando se parte de un conjunto formado por todos los individuos y se
divide sucesivamente en grupos más pequeños.
▪ Jerárquica o no jerárquica:
- Jerárquica: Cuando los grupos se van fusionando o subdividiendo en el caso de
ser descendente para formar grupos menos homogéneos. Esto genera una
relación de proximidad entre los distintos grupos.
- No jerárquica: Si los grupos establecidos no guarda ninguna relación entre ellos.
▪ Monotética o politética:
- Monotética: Cuando una de las características es muy relevante. En general se
procede de forma divisiva en estos casos.
- Politética: En aquellos casos en los que existen muchas características a
evaluar. Se procede de forma aglomerativa en estos casos.
En el caso de realizar una clusterización de tipo aglomerativa, se debe seleccionar el método
aglomerativo que se utiliza. Existen numerosos métodos. Los métodos más habituales son el
método Ward.D, el Ward.D2, el Single, el Complete, el Average, el McQuitty, el Median y el
Centroid. Todos ellos se basan en la agrupación progresiva de los individuos, que se
consideran como clústeres independientes, de manera que se minimice la distancia entre
clústeres.
Los distintos métodos se diferencian en la definición de distancia que utilizan. El método que
ofrece los mejores resultados es el método de Ward o método de la pérdida mínima de
inercia12. Tal y como se explica en la página web de la Universidad de Valencia (Universidad
de Valencia [sin fecha]), Ward propuso que al fusionar dos individuos para formar un clúster,
la pérdida de información puede medirse mediante la suma total de las desviaciones entre
cada individuo y la media del clúster al que potencialmente podría integrarse. Para minimizar
esta pérdida de información se compara una a una la distancia obtenida de la unión de cada
par de individuos (o clústeres en el caso de que ya hayan sido agrupados varios individuos) y
se realiza el emparejamiento que presente una distancia mínima.
Las técnicas de clusterización son adecuadas para aquellos casos en los que se dispone de
un gran volumen de datos y se requiere realizar una división en grupos homogéneos. Existen
numerosos casos de aplicación como por ejemplo el reconocimiento de formas, el análisis de
datos espaciales, el tratamiento de imágenes, análisis económicos y de marketing o análisis
de visitas de páginas web. En el sector médico, se utilizan para determinar grupos de
pacientes y para segmentar grupos de clientes y adaptar consecuentemente las estrategias
de marketing.
12 Según una investigación realizada por Kuiper y Fisher y en comparación con los métodos mínimo, máximo, media y centroide.
Metodología
48 Escuela Técnica Superior de Ingenieros Industriales (UPM)
3.3.2.2 Aplicación de la clusterización para la agrupación de las ciudades en
función de los KPIs estudiados
En este trabajo se ha realizado una clusterización jerárquica ascendente de tipo politética de
las 79 ciudades estudiadas en función de los KPIs de los que se dispone de datos y no han
sido descartados por estar correlacionados con otros KPIs13.
La clusterización es de tipo jerárquica, porque resulta interesante conocer la relación existente
(proximidad o lejanía) entre los distintos clústeres y de tipo ascendente (aglomerativa)
politética porque es el tipo adecuado para aquellas clusterizaciones en las que se consideran
muchos factores. El método aglomerativo utilizado en este trabajo es el método Ward.D2 por
ser el que proporciona los mejores resultados. La diferencia con respecto al método Ward.D
es que las distancias están elevadas al cuadrado según el nuevo criterio que introdujo Ward
en 1963.
Como los datos utilizados para cuantificar los KPIs están expresados en escalas muy distintas,
estos serán normalizados antes de realizarse la clusterización. Además, para aquellos KPIs
que están fuertemente correlacionados, para evitar el uso de información redundante, se ha
optado por utilizar únicamente uno de ellos en la clusterización.
3.3.2.3 Utilización de R para realizar la clusterización jerárquica ascendente
politética de 79 ciudades en función de 42 KPIs
Para realizar la clusterización se hace uso de la función hclust de R, la cual utiliza una serie
de métodos para realizar la clusterización jerárquica de un número n de individuos (79
ciudades) en función de un número p de parámetros (X KPIs).
En R la formulación utilizada para realizar una clusterización jerárquica es la siguiente:
hclust(d, method = "complete", members = NULL)
Donde d es una matriz de distancias calculada por la función dist a partir de los datos
previamente normalizados mediante la función scale. Method representa el método
aglomerativo utilizado, en este trabajo, el método Ward.D2.
Para realizar la representación gráfica de la clusterización jerárquica se utiliza la siguiente
formulación:
plot(x, labels = NULL, hang = 0.1, check = TRUE,axes = TRUE, frame.plot =
FALSE, ann = TRUE, main = "Cluster Dendrogram", sub = NULL, xlab =
NULL, ylab = "Height", ...)
El código completo utilizado en este trabajo está disponible en el apartado anexos donde
también se puede encontrar una tabla donde aparecen todos los datos utilizados en la
clusterización.
13 Los KPIs no considerados por estar correlacionados se indican en el apartado análisis de los KPIs y la tabla de correlaciones entre los KPIs de los que se dispone de datos puede consultarse en los anexos de este trabajo. Los KPIs no considerados son: Nº de paradas de metro, Tráfico en horas punta y el índice de ineficiencia.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 49
4 Resultados y Discusión
Análisis de los KPIs
En las siguientes páginas se estudian los KPIs agrupados según la dimensión a la que
pertenecen. Aquellos KPIs para los que se disponga de datos para las 79 ciudades estudiadas
en este trabajo se han indicado en verde. Aquellos para los cuales la disponibilidad de datos
sea parcial se han indicado en naranja y a aquellos KPIs para los que no se dispone de datos
se han marcado en rojo.
4.1.1 Cultura y Aspecto social
Esta dimensión agrupa los indicadores de movilidad urbana que están relacionados con los
aspectos culturales y sociales de los habitantes de las ciudades. Muchos de estos indicadores
reflejan aspectos relacionados con el comportamiento y las costumbres. Otros muestran la
predisposición de la población hacia el cambio y otros, por ejemplo, los relacionados con el
capital humano, reflejan la capacidad de la ciudad para innovar y evolucionar.
Debido a la dificultad que supone medir de forma cuantitativa este tipo de aspectos, se han
utilizado los indicadores correspondientes a 3 de las dimensiones analizadas en el IESE Cities
In Motion Index. Se recuerda que son por tanto indicadores que reflejan el nivel de desempeño
a nivel general de las distintas ciudades.
CU
LT
UR
A Y
AS
PE
CT
O S
OC
IAL
Capital humano
Fuente: IESE Cities in Motion Index
Con el avance de la globalización, el mundo ha entrado en una era en la que las personas,
los productos, el dinero y la información pueden cruzar las fronteras nacionales con
facilidad. A menudo, en las ciudades que resultan atractivas para la gente, estos mismos
productos y capitales se acumulan simultáneamente (Index, Takenaka y Ichikawa 2018).
De igual forma, una ciudad que logre conseguir una movilidad urbana efectiva y eficiente
mejorará la calidad de vida de sus habitantes y servirá como reclamo para el talento. El
talento permite generar innovación y fomenta el desarrollo de las ciudades incluyendo la
movilidad urbana. Para mejorar esta, es necesario combinar decisiones top-down y
botom-up de manera que los responsables de la toma de decisiones en la ciudad sean
también los ciudadanos14.
Otro asunto importante es el aspecto cultural. Éste determina las actitudes sociales hacia
el transporte público y la importancia que se le atribuye a la posesión de un vehículo
propio. Si la población considera que el transporte público “ofrece un servicio a la gente
que es demasiado vieja, demasiado joven, demasiado pobre, demasiado miedosa o
demasiado borracha para conducir un coche o montar en bicicleta”15, por mucho que se
invierta en mejorar el transporte público de una ciudad, si los ciudadanos consideran que
es algo reservado para las bajas clases sociales, la movilidad de dicha ciudad no
mejorará. Ejemplos de lugares donde la propiedad de un vehículo propio está
14 Basado en la presentación de Virginie Boutueil – Investigadora y Vice-Directora del Laboratorio de Transporte y Movilidad de la Ecole des Ponts-ParisTech. NETEXPLO 2019 15 Traducción propia. Artículo disponible en el siguiente link: https://www.economist.com/leaders/2018/06/23/how-to-stop-the-decline-of-public-transport-in-rich-countries
Resultados y Discusión
50 Escuela Técnica Superior de Ingenieros Industriales (UPM)
profundamente arraigada en la sociedad se pueden encontrar en EEUU y cada vez más
en China.
Debido a que los medios digitales juegan y jugarán un papel muy importante en la
movilidad urbana, es importante valorar las aptitudes de la población para utilizar
herramientas digitales. Otros aspectos culturales que influyen o influirán en la movilidad
urbana son la posición adoptada con respecto a la conducción autónoma o actitudes con
respecto a la realización de viajes compartidos con desconocidos.
Para cuantificar el capital humano de las ciudades, se ha utilizado el ranking de la
dimensión Indicadores de Capital Humano del IESE Cities in Motion Index el cual evalúa,
de forma general, el capital humano de la ciudad. Los indicadores que componen esta
dimensión se muestran en la siguiente tabla:
Tecnología
Fuente: IESE Cities in Motion Index
La tecnología juega un papel fundamental en 3 de los 4 modelos de Smart City que se
plantean en este trabajo. El nivel de desarrollo tecnológico, así como las habilidades
digitales de los ciudadanos son las bases necesarias para la implementación de
iniciativas de movilidad avanzadas como puede ser el uso de vehículos autónomos, la
utilización de aplicaciones móviles para la colaboración ciudadana o el control de tráfico
inteligente. Especialmente importante es el nivel de desarrollo digital y la posibilidad de
explotación de los datos obtenidos a través de las cámaras de seguridad, los
smartphones de los ciudadanos y demás sensores, pero más importante aún es el nivel
de tolerancia y aceptación de la intrusión en la vida privada del ciudadano para la
obtención de datos de carácter personal.
Para cuantificar este KPI se ha utilizado el ranking de la dimensión Indicadores de
Tecnología del IESE Cities in Motion Index el cual aporta una visión general del nivel de
desarrollo tecnológico de la ciudad. Los indicadores que componen esta dimensión son:
Tabla 5 - Indicadores de la dimensión Capital Humano. (IESE 2019 Cities in Motion Index).
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 51
Cohesión social-IESE
Fuente: IESE Cities in Motion Index
“La movilidad genera una fractura social. Los ciudadanos esperan soluciones que
mejoren la movilidad urbana y promocionen la inserción social y la solidaridad entre
territorios.” (Elisabeth Borne – Ministra de transporte de Francia, traducción propia)
Cualquier decisión sobre la movilidad urbana afecta en distinta mediada a distintos
grupos de población. Por ejemplo, cuando en el siglo XX se impulsó la utilización del
vehículo privado y se adaptaron las ciudades para su uso, los peatones dejaron de poder
moverse libremente por las calles como lo hacían hasta entonces y vieron como su
presencia se vio relegada a las zonas habilitadas.
En aquellas ciudades en las que existe una gran brecha social entre distintos barrios se
deberá trabajar para solucionarla y uno de los aspectos clave consiste en garantizar un
acceso igualitario a la movilidad. Otra brecha social que se ha generado en los últimos
años y que podría aumentar si no se toman las medias adecuadas es la brecha
tecnológica. Cualquier decisión tecnológica de movilidad urbana excluye a aquellas
personas que no disponen del acceso a la tecnología o que no están familiarizados con
su uso.
Para involucrar a toda la población en las decisiones de movilidad urbana es necesario
plantearse las siguientes 3 preguntas16:
16 Basado en la presentación de Brice Laurent – Investigador del Centro de Sociología de la Innovación de la Ecole de Mines-ParisTech. NETEXPLO 2019
Tabla 6 - Indicadores de la dimensión Tecnología. (IESE 2019 Cities in Motion Index).
Resultados y Discusión
52 Escuela Técnica Superior de Ingenieros Industriales (UPM)
1. ¿Qué tipo de ciudadano conforman nuestras decisiones tecnológicas?
2. ¿Cómo se manifiestan los efectos de la exclusión?
3. ¿Cómo podemos identificar a los grupos excluidos y ayudarlos a emerger?
Este KPI está íntimamente ligado con el KPI distribución de las zonas ricas y pobres
perteneciente a la dimensión DEMOGRAFÍA Y GEOGRAFÍA.
Para cuantificar la cohesión social de las ciudades, se ha utilizado el ranking de la
dimensión Indicadores de Cohesión Social del IESE Cities in Motion Index el cual
aporta una visión general del nivel de la cohesión social de la ciudad. Los indicadores
que componen esta dimensión son:
Tabla 7 - Indicadores de la dimensión Cohesión Social. (IESE 2019 Cities in Motion Index).
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 53
4.1.2 Demografía y Geografía
Los aspectos demográficos de las ciudades determinan el tipo de sistemas de movilidad más
adecuados para la ciudad. Además, aspectos como la edad de los habitantes hacen que la
demanda de varíe. Por ejemplo, las personas ancianas demandarán una buena red de
transporte público que sea accesible, las personas en edad laboral requerirán una red de
transportes e infraestructura que pueda responder adecuadamente a las horas punta y las
personas jóvenes encontraran muy apreciable que la red de transporte público siga operativa
durante la noche.
Aspectos como la distribución de las zonas de trabajo y las residenciales, así como la
morfología de la ciudad condicionarán los flujos de desplazamientos y la propia geografía de
la ciudad condicionará la construcción de infraestructuras de transporte. La situación
geográfica y la existencia de zonas verdes o protegidas también serán condicionantes de la
movilidad urbana.
Los KPIs de la dimensión Demografía y Geografía se analizan a continuación:
DE
MO
GR
AF
ÍA Y
GE
OG
RA
FÍA
Pobla
ció
n
Nº de Habitantes
Fuente: ONU
Es evidente que el número de habitantes de una ciudad afecta a la movilidad urbana.
A pesar de ser un factor importante, no podemos considerarlo de forma aislada sino
junto a otros aspectos como su distribución o la densidad de población de la ciudad.
Por ejemplo, a igualdad de densidad de población, una ciudad con muchos habitantes
podría beneficiarse en mayor medida de un medio de transporte de alta capacidad
como es el metro. Esto es así porque la utilidad de la red de metro crece
exponencialmente con el número de nodos de interconexión entre líneas. Una ciudad
con más habitantes, a igualdad de inversión por habitante, podría disponer de una red
de metro con más líneas y por tanto de mayor utilidad.
Densidad de población
Fuente: United Nations + World Population Review (Ankara, Auckland, Baltimore,
Birmingham, Istanbul, Skopje, Tel Aviv, Wellington, Wroclaw y Zagreb)
La densidad de población refleja la manera en la que el urbanismo de las ciudades ha
sido planificado y determina los medios de transporte más propicios para ella. Las
ciudades europeas, a menudo han sido construidas a lo largo de los siglos y muchas
de ellas cuentan con miles de años de historia. Todos estos años de historia han ido
dejando huella en la manera de construir los distintos barrios y de planificar la
movilidad. Si tomamos como ejemplo el casco histórico de las ciudades europeas,
hasta la invención de la máquina de vapor la movilidad urbana se limitaba a
desplazamientos a pie y raramente a caballo o en carros tirados por caballos. Es por
esto por lo que las ciudades eran construidas de forma compacta y con calles
estrechas.
Este urbanismo originario ha dejado huella en las ciudades europeas las cuales tienen
en general una densidad de población superior a las ciudades de América del Norte.
Estas otras se desarrollaron en el Siglo XX y su movilidad fue concebida para el uso
del coche privado como medio principal de transporte. Es por esto por lo que las
ciudades de América del Norte estudiadas en este trabajo presentan una densidad de
Resultados y Discusión
54 Escuela Técnica Superior de Ingenieros Industriales (UPM)
población más reducida y se sitúan predominantemente a la izquierda del gráfico
mostrado a continuación:
Dis
trib
ució
n e
spacia
l de la
pobla
ció
n
Superficie de la ciudad propiamente dicha
Fuente: OECD
Este KPI refleja el tamaño de la ciudad propiamente dicha, es decir la ciudad sin
tener en cuenta el área metropolitana. Es complementario a los KPIs de población
y densidad de población ya que estos hacen referencia al área metropolitana de la
ciudad.
Rascacielos de más de 100m de altura
Fuente: Skyscrapercenter
Este KPI mide la existencia de zonas de alta densidad de población o bien de zonas
en las que se concentra el lugar de trabajo de una gran cantidad de población.
Siguiendo el criterio personal del autor se ha utilizado el número de edificios de más
de 100 metros de altura y no el de otra altura diferente porque si se utiliza una altura
mayor como referencia, muchas ciudades no tendrían ningún edificio de tanta altura
y este KPI no serviría para diferenciarlas. Como referencia, las torres Kio de Madrid
miden 114 metros de altura, la torre Picasso 156 y en total podemos encontrar 14
edificios de más de 100 metros de altura en la ciudad.
Tal y como puede apreciarse en la ilustración 18, se ha observado una tendencia
hacia la construcción de rascacielos en las ciudades de Norte América y de Asia y
Oceanía. Las ciudades europeas, no cuentan con una gran cantidad de este tipo de
edificios y, a pesar de ser mayoritarias en este trabajo, no aparecen entre las
primeras posiciones en número de rascacielos.
Ilustración 17 - Distribución de las ciudades europeas y de Norte América seleccionadas para el trabajo ordenadas en función de su densidad de población.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 55
Ilustración 18 - Ciudades estudiadas en este trabajo con mayor número de rascacielos.
Morfología de la ciudad
Fuente: Clasificación manual utilizando Google Maps
Aunque la forma típica y más común de una ciudad es similar a un círculo, no todas
las ciudades tienen esta forma y esto condiciona la distribución de la población y la
manera en la que se estructuran las vías de comunicación.
Para poder evaluar la morfología de las ciudades estudiadas en este trabajo se han
definido 4 modelos de morfología y cada ciudad ha sido asignada a uno de los 4
grupos utilizando Google Maps. A continuación, se presenta una ciudad
correspondiente a cada tipología:
• 1 - Morfología circular perfecta (Milan)
• 2 - Morfología circular ahuevada (Madrid)
• 3 - Morfología alargada (Barcelona)
• 4 - Morfología irregular (Wellington)
Resultados y Discusión
56 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Ilustración 19 - Ejemplos de ciudades clasificadas según los distintos modelos de tipo de morfología definidos.
La morfología circular es la más común porque permite optimizar la distancia al
centro de la ciudad. Además, facilita la construcción de vías principales de
comunicación de forma radial que se entrecrucen con otras circulares de manera
que se optimicen los desplazamientos.
Sin embargo, a menudo existen obstáculos que impiden este tipo de desarrollo
circular de las ciudades. La presencia de montañas, de la costa, de ríos, de espacios
verdes protegidos o incluso la existencia de monumentos históricos o ruinas, hace
que en ocasiones las ciudades adquieran morfologías diferentes.
Estas otras morfologías diferentes a la circular suponen un reto para la movilidad.
Por ejemplo, las ciudades correspondientes al grupo 4 – Morfología irregular, no
suelen presentar vías de circunvalación porque los mismos obstáculos que impiden
la construcción de viviendas, impiden también la construcción de dichas vías.
En otras ocasiones, la existencia de un río o una gran vía de comunicación hace
que se formen corredores de viviendas en torno a ellos asemejándose la distribución
de la ciudad a la de una estrella.
Distribución de zonas ricas y pobres (Precio de apartamento de 3 dormitorios
en el centro de la ciudad / precio de apartamento equivalente en el exterior de
la ciudad)
Fuente: Numbeo
A medida que las ciudades crecen y el precio de las viviendas aumenta, la gente
con menor poder adquisitivo se ve obligada a desplazarse hacia el extrarradio y
acceder a la ciudad a diario para ir a trabajar. A menudo, la opción de desplazarse
en transporte público es demasiado complicada o requiere grandes tiempos de
desplazamiento y la única forma disponible para desplazarse es el coche privado.
Esto contribuye a la congestión de las carreteras, aumenta la contaminación y
genera malestar social y estrés en los ciudadanos.
Además, una diferencia excesiva entre el precio de la vivienda en el centro y en el
extrarradio genera desigualdad social ya que el acceso restringido a la movilidad
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 57
hace que las personas del extrarradio se encuentren en desigualdad de
oportunidades a la hora de encontrar un trabajo.
Para evaluar este indicador se ha calculado, a partir de los datos disponibles en
Numbeo, un coeficiente que mide la diferencia entre el precio de un apartamento en
el centro y en el exterior de la ciudad. Liderando la lista de desigualdad en el precio
de la vivienda, se encuentra Nueva York, ciudad en la que el precio de la vivienda
en el centro duplica el de la vivienda en el extrarradio. En Madrid y en Valencia es
aproximadamente 1,5 veces superior en el centro de la ciudad. Es curioso el caso
de Atenas, donde el precio de la vivienda en el centro de la ciudad es ligeramente
inferior al precio en el exterior.
Ge
og
rafí
a
Re
lieve
Relieve
Fuente: No disponible
Este KPI condiciona la construcción de infraestructura en la ciudad. Un relieve
abrupto o montañoso dificultará la construcción de redes de carreteras y de metro e
incluso hará necesario la instalación de escaleras mecánicas (Barcelona y
Medellín), funiculares (Oporto, Lisboa, San Sebastián, Budapest, París…) o
teleféricos (Zacatecas, Oporto, Medellín…)
Por otro lado, ciudades planas como Amsterdam, Copenhagen o Toulouse serán
más propicias para desplazarse en bicicleta. Aquellas ciudades que a pesar de
contar con desnivel quieran ofrecer un servicio de bicicletas públicas, tendrán que
planearlo adecuadamente y tratar de controlar el desequilibrio en el flujo de
bicicletas ya que los usuarios utilizarán con más frecuencia las bicicletas para
descender a la parte baja de la ciudad. En el caso de Pamplona, se dispone de
vehículos que se dedican a subir las bicicletas a las estaciones que se encuentran
en la parte alta de la ciudad.
Proximidad del mar
Fuente: Clasificación manual utilizando Google Maps
Las ciudades que se encuentren junto al mar o junto a un lago de grandes
dimensiones, no podrán expandirse más que por un lado y para lograr una buena
movilidad urbana deberán hacer frente a ciertos retos. Por ejemplo, su conexión con
el exterior se verá limitada ya que solo se podrá acceder por un lado de la ciudad.
Además, al verse la ciudad obligada a expandirse por un solo lado, su morfología
se alejará de la óptima distribución circular. Finalmente, la presencia del mar hará
dificil la construcción de vías de circunvalación completas y en algunos casos puede
suponer una dificultad añadida a la hora de construir una red de metro.
Una ventaja que aporta la presencia del mar, especialmente si éste está conectado
con el resto de los océanos, es el acceso al transporte marítimo tanto de mercancías
como de personas.
Para evaluar este KPI, se han observado a través de Google Maps las ciudades y a
cada una se le ha asignado un grupo:
• 0-Ciudades sin mar17
17 Las ciudades que se encuentran próximas al mar, pero no limitan directamente con él no se han considerado como 0-Ciudades sin mar
Resultados y Discusión
58 Escuela Técnica Superior de Ingenieros Industriales (UPM)
• 1-Ciudades con mar que no tiene acceso a los océanos (O lago de grandes
dimensiones)
• 2-Ciudades con mar conectado con océanos
Existencia de río
Fuente: Clasificación manual utilizando Google Maps
Tradicionalmente los asentamientos humanos que originaron las ciudades fueron
construidos en las proximidades de los ríos, los cuales servían para cubrir las
necesidades de acceso al agua. Posteriormente, los ríos fueron utilizados como
medio de transporte para desplazar personas y mercancías y gracias a la creación
de exclusas, los ríos se hicieron navegables. Este es el caso de la mayoría de las
ciudades europeas que cuentan con río.
Sin embargo, los ríos son una limitación para la movilidad de las ciudades ya que
las separan en dos. Un ejemplo curioso podemos encontrarlo en la ciudad de
Budapest donde el río hizo que hasta muy recientemente fueran dos ciudades
independientes, Buda y Pest. Ambas ciudades no fueron unificadas hasta la
construcción del primer puente de la ciudad en 1849, el Puente de las Cadenas.
En la actualidad se dispone de la capacidad técnica para construir prácticamente
cualquier puente (164,8 km – Gran Puente de Danyang-Kunshan o 12.345 km -
Puente Vasco de Gama sobre el Tajo a su paso por Lisboa), sin embargo, es
evidente que los ríos restringen la movilidad. Los puentes actúan como
concentradores de tráfico y obligan a recorrer distancia extra a peatones y ciclistas
que quieren atravesar el río. Además, la presencia de un río puede suponer una
dificultad añadida para la construcción de una red de metro.
Para evaluar este KPI, se han observado a través de Google Maps las ciudades y a
cada una se le ha asignado un grupo:
• 0-Ciudad SIN río
• 1-Ciudad CON río18
• 2-Ciudad CON río NAVEGABLE
• 3-Ciudad en la que el MAR hace se adquiere un aspecto similar al de un río
NAVEGABLE
18 Algunas ciudades, especialmente en Estados Unidos, presentan enormes canalizaciones para el agua que, si bien habitualmente están secas, actúan como ríos no navegables a efectos de movilidad urbana ya que para atravesarlos es necesario utilizar puentes.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 59
4.1.3 Economía
Los aspectos económicos de una ciudad condicionan el acceso a los medios de transporte de
sus ciudadanos. Las ciudades que cuentan con una buena salud financiera podrán permitirse
realizar una mayor inversión en movilidad y en aquellas en las que el poder adquisitivo sea
elevado en comparación con el coste de vida, los habitantes tendrán mayor libertad para elegir
el medio de transporte con el que realizar sus desplazamientos.
Otros aspectos como la distribución de la riqueza o el tipo de actividad económica que se
desarrolla en la ciudad son aspectos que tienen un impacto en la movilidad urbana. Por
ejemplo, las actividades de tipo industrial están marcadas por rígidos turnos de trabajo y
provocan concentraciones de desplazamientos al inicio y al final de cada turno mientras que
otros tipos de actividad cuentan con mayor flexibilidad y contemplan la posibilidad del
teletrabajo.
EC
ON
OM
ÍA
Tecnología
Fuente: IESE Cities in Motion Index
Este KPI ya ha sido identificado para la dimensión CULTURA Y ASPECTO SOCIAL.
Aunque en la clusterización solo se utilizará una única vez, este KPI se introduce también
en esta dimensión para hacer referencia al aspecto económico de la tecnología.
A pesar de que muchas medidas de mejora de la movilidad están basadas en la
tecnología, en muchos casos, la tecnología es demasiado cara o no está suficientemente
extendida entre la población. Por otro lado, aunque estamos en un mundo global y los
avances tecnológicos se extienden rápidamente, aquellas ciudades en las que se fomente
el emprendimiento y la innovación o aquellas ciudades que cuenten con empresas
digitales o un gran número de patentes y startups, estarán en una posición favorable para
incorporar los avances tecnológicos en primer lugar.
Para los mismos problemas de movilidad urbana, a menudo existen diferentes soluciones
y no siempre la solución tecnológica es la más adecuada. A pesar de que la tecnología es
un medio importante para mejorar la movilidad urbana, la tecnología no lo es todo y se
debe comprender y dominar antes de comenzar a hacer uso de ella de forma
descontrolada. A menudo, soluciones simples y no tecnológicas son la solución perfecta.
Internacionalización
Fuente: IESE Cities in Motion Index
El carácter internacional de la economía de un país hace que se genere un flujo de entrada
y salida de personas y de materias y productos en la ciudad. Este flujo genera una serie
de necesidades de movilidad urbana específicas. Por ejemplo, en Londres, 2 de las 3
carreteras con mayor número de horas perdidas en atasco al año son la A217 (110 horas
perdidas al año) que conecta la ciudad con el aeropuerto de Gatwick, y la A4 (81 horas
perdidas al año) la cual conecta la ciudad con el aeropuerto de Heathrow, el aeropuerto
más transitado del mundo.
Resultados y Discusión
60 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Tabla 8 – Carreteras más congestionadas de Londres.
Coste
de v
ida
Coste de vida en general
Fuente: Índice de Costo de Vida (Numbeo)
El coste de vida impacta directamente en las decisiones que toman los ciudadanos a
la hora de planificar su movilidad urbana y ha de evaluarse de manera conjunta con el
poder de adquisición.
En las ciudades estudiadas el coste de vida, en general, no está altamente
correlacionado con el poder adquisitivo. Esto se puede comprobar en el siguiente
gráfico en el cual se han ordenado las ciudades en orden decreciente de coste de vida.
Se puede apreciar cómo, si bien tanto el coste de vida como el poder de adquisición
siguen una tendencia descendente, el poder de adquisición oscila notablemente.
Los habitantes de las ciudades donde el coste de vida sea alto en comparación con el
poder de adquisición, verán reducidas sus posibilidades de elección de medios de
transporte frente a otras en las que el poder de adquisición sea elevado en
comparación con el coste de vida.
Ilustración 20 - Comparación de la puntuación en el índice de coste de vida con la clasificación en el índice de poder adquisitivo.
Para medir el coste de vida se utiliza el Índice de Costo de Vida de Numbeo, “un
indicador relativo de los precios de bienes de consumo, incluyendo comestibles,
restaurantes, transporte y servicios. El Índice de Costo de Vida no incluye gastos de
residencia como alquileres o hipotecas. Si una ciudad tiene un Costo de Vida de 120,
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 61
significa que Numbeo estima que es un 20% más cara que Nueva York.” (Numbeo
2019b)
Precio del alquiler
Fuente: Índice de Alquiler (Numbeo)
El precio del alquiler está relacionado con la accesibilidad a la vivienda dentro de la
ciudad. En aquellas ciudades en las que el coste del alquiler sea elevado, habrá un
gran número de personas que se verán obligadas a vivir en ciudades o pueblos de los
alrededores y acceder a la ciudad principal a diario para trabajar o estudiar.
Se utiliza el índice de alquiler de Numbeo para evaluar este KPI.
Poder de adquisición
Fuente: Poder Adquisitivo Local (Numbeo)
Este KPI, que debe de ser considerado de manera conjunta junto con los dos anteriores
(Coste de vida en general y Precio del alquiler), se mide utilizando el índice de Numbeo
Poder Adquisitivo Local el cual “muestra la capacidad adquisitiva relativa a la hora de
comprar bienes y servicios en una ciudad determinada, con relación al salario medio
de la ciudad. Si el poder adquisitivo doméstico es 40, significa que los habitantes de
dicha ciudad con salario medio pueden permitirse comprar una media de 60% menos
bienes y servicios que los habitantes de Nueva York con salario medio”.
Secto
r públic
o
ISO 37120 - Sustainable cities and communities. Indicators for city services and quality of life
Fuente: International Organization for Standardization
La normativa ISO37120 – Desarrollo sostenible en las ciudades, Indicadores para los
servicios urbanos y la calidad de vida, proporciona orientación a las ciudades sobre
cómo evaluar su desempeño para contribuir a los Objetivos de Desarrollo Sostenible
de la ONU. Aquellas ciudades que participan en la norma ISO37120 han sido
identificadas. Para evaluar este KPI, se atribuye un valor 1 a las ciudades que han
adoptado la normativa quedando en 0 el valor del KPI para las ciudades que no la
incorporan.
Gobernanza
Fuente: IESE Cities in Motion Index
En el acto de gobernar intervienen los gobernantes y los gobernados. El modo en que
ambos se relacionan y participan en la toma de decisiones, se conoce como
gobernanza.
Este KPI mide la capacidad de los gobernantes y de los ciudadanos para generar
oportunidades, solucionar problemas, tomar decisiones, lanzar iniciativas en la ciudad
y definir la estrategia de movilidad urbana.
Debido a la elevada inversión necesaria para el desarrollo de la movilidad, los
organismos públicos solo pueden cubrir el 25% de la inversión necesaria. Esta elevada
Resultados y Discusión
62 Escuela Técnica Superior de Ingenieros Industriales (UPM)
inversión requerida hace que el desarrollo solo sea posible mediante la colaboración
entre los organismos públicos y el sector privado19.
Esto obliga a establecer una relación entre los organismos públicos y privados en la
que se involucre al ciudadano. La eficacia con la que se gestionen dichas relaciones
determinará el éxito de las medidas de movilidad urbana adoptadas.
Para evaluar este KPI se ha utilizado el ranking de la dimensión Indicadores de
Gobernanza del IESE Cities in Motion Index, el cual evalúa de forma conjunta aspectos
como la corrupción, la disponibilidad de capital para invertir y la existencia de
plataformas de Open Data entre otros indicadores.
Tabla 9 - Indicadores de la dimensión Gobernanza. (IESE 2019 Cities in Motion Index).
19 Gérard Naulleau - Professor at ESCP Europe, specializing in project management in international business environments
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 63
4.1.4 Medio ambiente
La relación entre la movilidad urbana y el medioambiente es mutua. Los medios de transporte
tienen un impacto considerable en el medio ambiente, especialmente en la calidad del aire de
las ciudades. Esto hace que, para reducir la contaminación, se adopten a menudo medidas
de restricción de tráfico o se fomentan ciertos medios de transporte que no son contaminantes.
Además, aspectos medioambientales como el clima tienen una gran influencia en la movilidad
urbana.
ME
DIO
AM
BIE
NT
E
Medio ambiente (general)
Fuente: IESE Cities in Motion Index
La situación medioambiental de las ciudades es consecuencia directa en gran medida de
las emisiones generadas por el transporte. Por ejemplo, en la ciudad de Madrid, el
transporte genera el 41% de las emisiones de gases contaminantes, de los cuales el 80%
procede de los vehículos privados20.
Además, las condiciones medioambientales condicionan la planificación de la movilidad.
Por ejemplo, una medida comúnmente adoptada para reducir los picos de contaminación
en los centros urbanos es la restricción de la circulación a ciertos tipos de vehículos. En
ciudades como Copenhagen o Lisboa, el área de bajas emisiones ocupa respectivamente
el 56% y el 30% de la ciudad21.
Tabla 10 - Indicadores de la dimensión Medioambiente. (IESE 2019 Cities in Motion Index).
20 Estudio realizado por Siemens para el ayuntamiento de Madrid. 21 Here Urban Mobility Index. Link: https://urbanmobilityindex.here.com/
Resultados y Discusión
64 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Este KPI, que pretende reflejar de forma global la situación medioambiental de la ciudad,
se ha evaluado utilizando el ranking de la dimensión Indicadores de Medioambiente del
IESE Cities in Motion Index, el cual evalúa de forma conjunta aspectos como las emisiones
de CO2, metano, partículas PM2,5 y PM10. Además, evalúa otros aspectos como el
cambio climático, los residuos generados y la disponibilidad de recursos hidráulicos entre
otros indicadores.
Clim
a
Pre
cip
itacio
nes
Días de lluvia
Fuente: Extracción manual de varias páginas de internet; Current Results, Holyday weather y otras.
De entre todos los parámetros meteorológicos, el que más afecta a la movilidad es
la lluvia. Es evidente que la lluvia afecta a la movilidad provocando atascos y
accidentes y limitando la movilidad de las personas que se desplazan andando, en
bicicleta o en moto.
Aunque se podría haber utilizado una clasificación climática más detallada como la
clasificación climática de Köppen22, se ha preferido limitar el número de KPIs
relacionados con el clima de la ciudad a las precipitaciones ya que son las más
relevantes y sencillas de obtener.
mm3 de precipitación
Fuente: Extracción manual de varias páginas de internet: Current Results, Holyday weather y otras.
Este KPI mide los mm3 de precipitaciones registrados y complementa al KPI Días
de lluvia.
Conta
min
ació
n
Índice de contaminación
Fuente: Numbeo
Este KPI, evalúa de forma global, el nivel de contaminación de la ciudad. Aunque
algunos de los indicadores utilizados para la creación de este índice también se tienen
en cuenta en el KPI dimensión medio ambiente del IESE, este KPI es más exhaustivo
en los aspectos de contaminación del aire y del agua y añade otros tipos de
contaminación como la acústica y la lumínica.
22 La clasificación climática de Köppen, también llamada de Köppen-Geiger fue creada en 1900 por el científico ruso de origen alemán Wladimir Peter Köppen y posteriormente modificada en 1918 y 1936. Consiste en una clasificación climática mundial que identifica cada tipo de clima con una serie de letras que indican el comportamiento de las temperaturas y precipitaciones que caracterizan dicho tipo de clima (Universidad Nacional de Cuyo 2008).
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 65
4.1.5 Transporte
IMPORTANTE: Cuando se estudia el transporte de la ciudad, a menudo se busca evaluar el
grado de desarrollo de las infraestructuras o el uso de ellas. Para evitar que el tamaño de la
ciudad se vea reflejado en todos los indicadores, aquellos indicadores que son de carácter
absoluto (número de usuarios, número de líneas, número de vehículos...) se han ponderado
con el número de habitantes.
TR
AN
SP
OR
TE
Me
dio
s d
e T
ransport
e
NO
Pro
pie
dad N
O C
ontr
ol
Auto
buses
Urb
anos
Nº de líneas de autobuses urbanos / millón de habitantes
Extracción manual de varias páginas de internet: Páginas locales de
transporte público, Wikipedia, páginas de información turística y otras
Obtener los datos correspondientes al sistema de autobuses urbanos es una
tarea complicada por los siguientes motivos:
I. No existen bases de datos de referencia
II. Es difícil diferenciar entre las líneas de autobús urbanas y las
interurbanas. Para este trabajo se han tratado de contabilizar
únicamente las líneas urbanas.
III. No siempre existe una única empresa municipal de transportes. En
casos como la ciudad de Sydney, hasta 11 compañías distintas se
reparten el servicio de autobuses urbanos y en Birmingham 50.
IV. En ocasiones la información no se encuentra disponible en inglés y hay
que recurrir a traducciones.
V. Existen diferentes tipos de líneas urbanas. En este trabajo se han
contabilizado las ordinarias, las nocturnas y las líneas con destino al
aeropuerto.
Ilustración 21 - Autobuses urbanos eléctricos pertenecientes a la flota de autobuses de la ciudad de Shenzhen, la primera flota completamente eléctrica del mundo (16.000 autobuses).
El próximo reto de esta ciudad es electrificar sus 22.000 taxis. Link: https://www.theguardian.com/cities/2018/dec/12/silence-shenzhen-world-first-electric-bus-fleet
Resultados y Discusión
66 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Nº de pasajeros de autobuses urbanos / millón de habitantes
Fuente: No disponible
Este KPI refleja la capacidad y la utilización del sistema de autobuses urbanos.
Nº de paradas de autobuses urbanos /millón de habitantes
Fuente: Parcialmente disponible
Este KPI mide la accesibilidad de la red de autobuses urbanos. Al estar solo
parcialmente disponible no se utilizará en la clusterización.
Metr
o
Nº de líneas de metro / millón de habitantes
Fuente: Metrobits.org
Todos los datos de los KPIs referentes a la red de metro se han obtenido de la
base de datos de Metrobits.org. Se han seleccionado los más relevantes.
Ilustración 22 - Mapa del metro de Shanghai, el sistema de metro más desarrollado del mundo
(632,1 km, y 394 estaciones). Inaugurado el 10 de abril de 1995. Link: https://www.travelchinaguide.com/cityguides/shanghai/transportation/metro-subway-map.htm
Nº de pasajeros de metro / millón de habitantes
Fuente: Metrobits.org
Este KPI refleja la capacidad y la utilización del sistema de metro.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 67
Kilómetros de línea de metro /millón de habitantes
Fuente: Metrobits.org
Este KPI mide el nivel de desarrollo infraestructural de la red de metro.
Nº de estaciones de metro / millón de habitantes
Fuente: Metrobits.org
Este KPI mide la accesibilidad y el desarrollo infraestructural de la red de metro.
Al tener una correlación de 0,935 con el número de kilómetros de línea de metro,
a la hora de realizar la clusterización solo se va a considerar el KPI kilómetros
de línea.
Compacidad de la red de metro (Distancia media entre estaciones)
Fuente: Metrobits.org
La compacidad de la red de metro está íntimamente relacionada con el problema
de la última milla. Una red muy compacta como por ejemplo la de París, con 599
metros de distancia media entre paradas, evita que los pasajeros tengan que
caminar largas distancias al salir del metro.
Tra
nvía
Kilómetros de línea de tranvía / millón de habitantes
Extracción manual de varias páginas de internet: Páginas locales de transporte
público, Wikipedia, páginas de información turística y otras.
Datos estimados en Denver, Boston y Seattle.
Los sistemas de tranvía tuvieron en Europa y en América del Norte (Street cars)
un gran desarrollo a principios del S.XX, cuando la tracción eléctrica sustituyó a
la tracción animal usada hasta entonces.
Más tarde, a mediados del S.XX, el desarrollo del automóvil y de los autobuses
relegó al tranvía a un segundo plano llegando a desaparecer en muchas
ciudades. Sin embargo, recientemente han resurgido y, motivados por la
necesidad de reducir las emisiones de gases contaminantes en las ciudades, se
están construyendo nuevas redes de tranvías en la actualidad.
Especialmente llamativo es el caso de América del Norte, donde el urbanismo
característico de las ciudades deja espacio suficiente para la instalación de vías
de tranvía en la mayoría de las calles. Un ejemplo del renacimidnto del tranvía
es la red DC Streetcar de Washington DC, inaugurada el 27 de febrero de 2016.
Actualmente cuenta con una sola línea de 3,9 kilómetros y 8 paradas, pero está
planeado que crezca hasta los 60 kilómetros en 5 líneas distintas (Washington
Post 2010).
Diferenciar los sistemas de metro de los sistemas de tranvía resulta complicado
porque en ocasiones la red de metro también circula por el exterior. A efectos de
circulación lo verdaderamente diferenciador entre los sistemas de metro y los de
tranvía es el entorno por el que circula el vehículo que transporta los pasajeros.
En el caso de los sistemas de metro, independientemente de si son subterráneos
o circulan por el exterior, los vehículos se mueven por zonas a las que nadie tiene
Resultados y Discusión
68 Escuela Técnica Superior de Ingenieros Industriales (UPM)
acceso y el resto del tráfico no les afecta. Además, al estar en un entorno
controlado pueden alcanzar velocidades superiores y son susceptibles de ser
automatizados con facilidad.
En el caso de los tranvías, si bien en algunos casos cuentan con sus propias vías
a las que no pueden acceder los demás vehículos de la ciudad, sí que tienen que
cruzar calles y pasos de cebra, viéndose obligados a detenerse frecuentemente.
Además, la presencia de peatones y vehículos que pueden invadir la vía hace
que la velocidad a la que se desplaza el tranvía no pueda ser elevada.
A la hora de evaluar este KPI, se han considerado como sistemas de tranvía a
los sistemas de streetcar de América del Norte y a los sistemas de metro ligero
que circulan por la superficie compartiendo las calles con el resto de los vehículos
y peatones. En casos como el de Boston donde la línea verde es parcialmente
subterránea (50% aproximadamente) se han hecho las aproximaciones
pertinentes.
Ilustración 23 - Tranvía (Streetcar) de Washington DC. Link: https://www.dcstreetcar.com/about/resources/images/?jfl1=2
Nº de estaciones de tranvía / millón de habitantes
Fuente: Extracción manual de varias páginas de internet: Páginas locales de
transporte público, Wikipedia, páginas de información turística y otras.
Datos estimados en Denver, Boston y Seattle.
Este KPI mide la accesibilidad y el desarrollo infraestructural de la red de tranvía.
La correlación con el KPI kilómetros de red de tranvía es de 0,729, no siendo
suficientemente elevada como para considerar solo uno de ellos.
Nº de líneas de tranvía / millón de habitantes
Fuente: No disponible
Este KPI mide el desarrollo del sistema de tranvía de la ciudad.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 69
Tre
nes
Inte
rurb
anos
Nº de líneas de trenes interurbanos
Fuente: No disponible
Este KPI mide la conexión mediante vías ferroviarias de la ciudad principal
con las ciudades próximas que no forman parte del área metropolitana.
Rapid
Bus T
ransport
Existencia de sistema de autobús de tránsito rápido
Fuente: No disponible
Un sistema de autobús de tránsito rápido es un sistema de autobuses diseñado
específicamente para mejorar las capacidades de transporte de pasajeros de los
sistemas convencionales. Para ello cuentan con medidas como carriles
reservados para su uso exclusivo, prioridad en los cruces, y autobuses diseñados
específicamente para ahorrar tiempo en la carga y descarga de pasajeros.
Generalmente la frecuencia de paso de estas líneas de autobuses es elevada y
comunican sitios estratégicos de la ciudad.
Tra
nsport
e p
úblic
o e
n g
enera
l
Coste
Precio de billete sencillo de transporte público (One way Ticket)
Fuente: Numbeo
El precio del billete sencillo influye en la decisión de los ciudadanos a la hora
de elegir entre desplazarse utilizando un vehículo propio o el transporte
público. Aunque siempre va a ser más económico desplazarse usando
transporte público que usando un coche privado, un precio del transporte
público muy elevado puede hacer que los ciudadanos opten por otro tipo de
medios de transporte alternativos.
Podemos encontrar un ejemplo claro en la ciudad de Londres donde con un
precio de 2,84€ por el billete sencillo y 154,5€ por el abono mensual, muchas
personas optan por usar un taxi o un servicio VTC para desplazarse. En este
contexto, Uber ha lanzado en Londres un servicio a medio camino entre el
servicio de taxi y el autobús urbano. Mediante el uso de furgonetas con
capacidad para 9 personas, realizan rutas enfocadas a transportar a pasajeros
que realizan trayectos fijos a diario.
Dado que ninguna red pública de transportes es rentable, el precio del billete
sencillo refleja también la inversión en transporte público realizada.
Precio del abono mensual de transporte público (Monthly Pass Numbeo)
Fuente: Numbeo
El precio del abono mensual está ligeramente correlacionado (0,617) con el
precio del billete sencillo, sin embargo, existe mucha variabilidad tal y como
se puede observar en la siguiente gráfica:
Resultados y Discusión
70 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Ilustración 24 - Comparación del precio del billete sencillo y del abono mensual para las
ciudades estudiadas ordenadas en orden creciente del coste del abono mensual23.
Aunque de cara a la clusterización se va a usar tanto el precio del billete
sencillo como el del abono mensual, si tuviera que elegirse un único KPI se
debería elegir el del precio del abono mensual ya que es el precio que
normalmente pagan los viajeros que usan de forma habitual el transporte
público.
SI P
ropie
dad S
I C
ontr
ol
Coch
e
Índice de motorización
Fuente: Parcialmente disponible (Eurostat)
El índice de motorización mide la cantidad de coches por cada 1000 habitantes.
Es un indicador relevante a la hora de analizar el tipo de movilidad de una ciudad.
Únicamente se dispone de este dato para los países pertenecientes a la Unión
Europea y por lo tanto no ha sido utilizado para la clusterización.
Coste
Precio de 1 litro de gasolina
Fuente: Numbeo
Este KPI, junto con el KPI precio de Toyota Corolla 1.6l, sirve para evaluar el
coste del transporte usando un vehículo privado. Además, y dado que el precio
de la gasolina está fuertemente influenciado por los impuestos24, también
refleja la política adoptada por la ciudad o el estado al que pertenece.
Ambos KPIs se consideran para la clusterización porque, aunque existe una
cierta correlación entre el precio de la gasolina y el precio de un Toyota Corolla
1.6l (0,651), esta no es suficientemente elevada como para considerar uno
solo de ellos.
Precio de Toyota Corolla 1.6l
Fuente: Numbeo*
*Datos estimados en Antwerp, Baltimore, Birmingham, Cologne, Edinburgh,
Eindhoven, Frankfurt, Geneva, Hamburg, Leeds, Naples, Rotterdam,
Stuttgart, Valencia y Zurich.
23 Para que las escalas sean adecuadas, se muestra el coste diario comprando el abono mensual. 24 Hasta el 57% del precio de la gasolina en España son impuestos (Autopista 2019).
0
1
2
3
4
5
6
Pre
cio
en
€
Ciudades ordenadas en orden creciente del precio del billete sencillo
Precio de billete sencillo Precio diario comprando abono mensual
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 71
Este KPI trata de cuantificar el coste de los coches. Aunque existían datos
disponibles tanto para el Toyota Corolla como para el Volkswagen Golf, se ha
elegido usar el precio del Toyota no solo porque es el modelo de coche más
vendido en el mundo25, sino también porque su uso está muy extendido a nivel
mundial.
Para aquellos datos que no estaban disponibles y se han tenido que estimar,
se usa el precio de una ciudad cercana del mismo pais. En el caso de las
ciudades de Suiza, se ha estimado teniendo en cuenta el coste de vida del
país y el precio en las ciudades cercanas de Alemania.
Parking
Fuente: No disponible
Este KPI, del cual no se han podido obtener datos, busca cuantificar las
dificultades encontradas por los ciudadanos a la hora de aparcar el coche.
Idealmente sería un indicador que contabilizara el tiempo perdido al año
buscando sitios para aparcar.
Por ejemplo, en el caso de Estados Unidos de América, los ciudadanos pasan
unas 17 horas al año buscando sitio para aparcar, lo que supone un coste global
de 345$ por habitante en tiempo perdido, consumo de combustible y emisiones.
El tiempo perdido buscando sitio para aparcar se dispara en ciudades como
Nueva York donde alcanza las 107 horas al año (Deloitte 2018b).
Nº de vehículos eléctricos-Ciudad en el Top 25 SI/NO
Fuente: ICCT The International Council on Clean Transportation
Para evaluar este KPI, al no disponer de los datos de vehículos eléctricos para
todas las ciudades, se ha utilizado una variable binaria que atribuye un 1 a la
ciudad si se encuentra en el TOP 25 de ciudades con más coches eléctricos y un
0 si no está presente.
25 En el 2018 se vendieron 1.818.445 Toyota Corolla, muy por encima de los 789.519 Volkswagen Golf vendidos.
Resultados y Discusión
72 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Ilustración 25 - Top 25 de ciudades con mayor número de vehículos eléctricos (EVs). Link: https://theicct.org/publications/ev-capitals-of-the-world-2018
Mo
to
Índice de motos por habitante
Fuente: No disponible
Este KPI mide la utilización de motocicletas en la ciudad.
Bic
icle
ta
Porcentaje de personas que van al trabajo en bicicleta
Fuente: Eurostat + Extracción manual de NZdotstat, The Guardian.com, Statistics
Canada office y otras fuentes
Cualquier desplazamiento de menos de 8 kilómetros es susceptible de ser
realizado en bicicleta. Si analizamos el caso de las ciudades de Estados Unidos
de América, el 50% de los desplazamientos realizados en coche son inferiores a
estos 8 kilómetros (Deloitte, Peter Viechnicki, Abhijit Khuperkar, Tiffany Dovey
Fishman 2015) y este porcentaje es aún mayor en las más compactas ciudades
europeas.
Este KPI evalúa el número de usuarios que utilizan la bicicleta como medio de
transporte para ir al trabajo a diario, sin embargo, no contabiliza aquellos usuarios
que utilizan la bicicleta para completar parte de su trayecto. Este aspecto es
especialmente interesante porque las bicicletas son susceptibles de ser utilizadas
para solucionar el problema de la última milla, actuando como una conexión entre
los medios de transporte público y el punto de partida o final del trayecto.
Patin
ete
elé
ctr
ico (
O
sim
ilare
s)
Porcentaje de personas que van al trabajo en patinete eléctrico
Fuente: No disponible
Este medio de transporte emergente es especialmente adecuado para mejorar
el reto de la última milla sirviendo de conexión entre los medios de transporte
público y las zonas que no están suficientemente bien cubiertas por la red de
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 73
transporte. En efecto, se ha comprobado que los patinetes eléctricos tienen una
mayor aceptación entre los ciudadanos con menores ingresos (Populus 2018).
Los patinetes eléctricos, a pesar de los beneficios potenciales que pueden
aportar a la movilidad urbana y a su aceptación mayoritaria de por parte de la
población (Zarif, Pankratz y Kelman 2019), son objeto de gran controversia en
muchas ciudades. Su rápida irrupción ha hecho que en muchas ciudades no se
haya definido adecuadamente el lugar de la calle por el que deben circular y a
menudo circulan utilizando indiferentemente la carretera, las aceras y los carriles
bici, a velocidades muy superiores a las adecuadas para circular por la acera
poniendo en riesgo a los peatones y a velocidades no suficientemente elevadas
y sin contar con sistemas de seguridad adecuados cuando circulan por la
carretera junto con los demás vehículos.
Andar
Porcentaje de personas que van al trabajo andando
Fuente: Eurostat + Otras fuentes para EE. UU. En el caso de Porto, al no haber
sido capaz de obtener el dato, se ha estimado con la media.
Este KPI está ligeramente correlacionado con el precio de la gasolina e
inversamente correlacionado con el índice de la dimensión medioambiental del
IESE, es decir, aquellas ciudades que tienen un porcentaje elevado de
ciudadanos que se desplazan al trabajo andando obtienen una buena calificación
medioambiental y se sitúan entre las primeras posiciones del Índice de
Medioambiente del IESE.
A pesar de que pueda parecer evidente que la lluvia juega un papel importante
en el porcentaje de personas que se desplaza andando al trabajo, en las
ciudades estudiadas no se ha observado ninguna correlación con los días de
lluvia registrados.
Las correlaciones comentadas se muestran en el siguiente gráfico donde los
valores de los KPIs han sido normalizados y se han ordenado las ciudades en
orden descendiente de porcentaje de personas que van al trabajo andando.
Aunque existe una gran variabilidad, las líneas de tendencia representadas con
trazo discontinuo ayudan a visualizar las correlaciones; positiva con el precio de
la gasolina (0,535), negativa con el índice medioambiental (-0,447) y
prácticamente nula con los días de lluvia (-0,007).
Resultados y Discusión
74 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Ilustración 26 - Correlaciones del porcentaje de personas que van al trabajo andando con el
índice de Medioambiente del IESE, el número de días de lluvia y el precio de la gasolina.
NO
Pro
pie
dad S
I C
ontr
ol
Ta
xi
Tra
dic
ional
Nº de taxis (Nº medio de vehículos operativos)
Fuente: No disponible
Este KPI mide la cantidad de vehículos que ofrecen un servicio oficial de taxi.
Se considerará servicio oficial de taxi aquel que esté contemplado como tal en
la legislación vigente de la ciudad.
Coste del taxi
Fuente: Numbeo
Para medir el coste de los taxis, se ha definido un viaje modelo de 8 kilómetros
de distancia y 20 minutos de duración. Para calcular el coste se utiliza la
siguiente fórmula:
𝐶𝑜𝑠𝑡𝑒 = 𝑇𝑎𝑥𝑖 𝑠𝑡𝑎𝑟𝑡 + 8 ∗ 𝑇𝑎𝑥𝑖 1𝑘𝑚 + (20
60) 𝑇𝑎𝑥𝑖 1ℎ𝑜𝑢𝑟
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 75
VT
C (
Uber/
Cabify/O
tros)
Nº de vehículos VTC (Nº medio de vehículos operativos)
Fuente: No disponible
Este KPI cuantifica el número de vehículos que ofrecen servicios de VTC. En
el caso de ofrecer servicios VTC de manera ocasional, se cuantificará la parte
proporcional del tiempo pasado con respecto al uso normal de un vehículo
dedicado exclusivamente a ofrecer servicios VTC.
Coste de los servicios VTC
Fuente: No disponible
KPI utilizado para evaluar el coste de los servicios VTC. Una alternativa a los
taxis cada vez más extendida.
Existencia de servicio de Uber
Fuente: Uber.com
Los servicios de transporte bajo demanda o servicios VTC, han sido objeto de
debate y enfrentamiento en muchas ciudades de todo el mundo llegando a
prohibirse en algunas ciudades como Barcelona y varias ciudades alemanas
como Cologne, Frankfurt, Hamburg o Stuttgart entre otras.
Aunque existen numerosas empresas que ofrecen servicios VTC (Uber, Lyft,
Sidecar, Cabifly…) se ha considerado a Uber como la referencia para
cuantificar este KPI, el cual pretende identificar aquellas ciudades en las que
los servicios VTC no están permitidos o no son populares26.
Cars
harin
g
Flo
ta lib
re (
Fre
e flo
at)
Nº de vehículos de carsharing disponibles (flota libre)
Fuente: No disponible
Coste del servicio de carsharing (flota libre)
Fuente: No disponible
Área cubierta por los servicios de carsharing (flota libre)
Fuente: No disponible
Propulsión de los vehículos de carsharing (Eléctricos, híbridos,
gasolina, gasóleo…) (flota libre)
Fuente: No disponible
Los KPIs anteriores pretenden evaluar el desarrollo (KPI- Nº de vehículos de
carsharing disponibles) y el coste (KPI-Coste del servicio de carsharing) de
los servicios de carsharing en las ciudades estudiadas.
Los servicios de tipo flota libre son aquellos servicios que permiten estacionar
los vehículos libremente siempre y cuando se estaionen dentro de un área
26 Se asume que aquellas ciudades en las que Uber no tiene presencia, o bien no cuentan con suficiente demanda para este tipo de servicio o bien no está permitido. Esta afirmación perdería relevancia en el caso de incorporar al estudio ciudades de países como China donde es DiDi la empresa que domina el sector.
Resultados y Discusión
76 Escuela Técnica Superior de Ingenieros Industriales (UPM)
determinada (KPI- Área cubierta por los servicios de carsharing). Por ser los
más extendidos, solo se han considerado como KPI los servicios de
carsharing de tipo flota libre, dejando los indicadores de servicios de
carsharing de tipo estaciones como secundarios.
Además, el tipo de propulsión de los vehículos (KPI-Propulsión de los
vehículos de carsharing) puede aportar información sobre la legislación
vigente en las ciudades. Por ejemplo, en Madrid todos los vehículos de
carsharing son eléctricos27 mientras que, en las ciudades alemanas,
encontramos muchos vehículos que utilizan medios de propulsión
tradicionales.
Numerosas empresas ofrecen servicios de carsharing conviviendo a menudo
varias de ellas en la misma ciudad. Esto, junto con la variabilidad de las flotas
que se encuentran a menudo en continuo crecimiento, hace que la información
relativa a estos KPIs sea muy complicada de obtener.
Mo
tosharin
g
Flo
ta lib
re (
free flo
at)
Nº de motos de motosharing disponibles (flota libre)
Fuente: No disponible
Coste del servicio de motosharing (flota libre)
Fuente: No disponible
Área cubierta por los servicios de motosharing (flota libre)
Fuente: No disponible
Propulsión de los vehículos de motosharing (flota libre)
Fuente: No disponible
Estos KPIs son equivalentes a los de carsharing, pero focalizados
exclusivamente en los servicios de motosharing y excluyendo a los servicios
de patinete eléctrico.
La popularidad de los servicios de motosharing y carsharing varía de una
ciudad a otra y esta información es una característica distintiva de las ciudades
que sería interesante haber podido incorporar en la clusterización.
Al igual que con los servicios de carsharing, la obtención de los datos es muy
complicada.
Bik
esharin
g
Nº de bicicletas de bikesharing disponibles (flota libre + estaciones)
Fuente: Bike share map (Google Maps bike-sharing world map también dispone
de datos)
Coste del servicio de bikesharing (estaciones + flota libre)
Fuente: No disponible
Área cubierta por los servicios de bikesharing (flota libre)
Fuente: No disponible
27 A excepción de Wible que es híbrido enchufable.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 77
Propulsión de los vehículos de bikesharing (estaciones y flota libre)
Fuente: No disponible
Nº de estaciones de vehículos de bikesharing (estaciones)
Fuente: Bike share map (Google Maps bike-sharing world map también dispone
de datos)
Los servicios de bikesharing son aquellos servicios en los que el ciudadano paga
por el uso de una bicicleta que es propiedad de una empresa pública o privada
durante un tiempo limitado. La cantidad pagada depende normalmente del
tiempo de uso. Existen dos modelos de servicio:
1) Servicios de flota libre o free float: Son aquellos en los que el usuario
puede dejar la bicicleta estacionada y terminar el viaje siempre que se
encuentre dentro de la zona definida. Esta modalidad está muy extendida
especialmente en los países de Asia. Normalmente son empresas privadas
las que ofrecen el servicio.
2) Servicios basados en estaciones: El usuario debe recoger y depositar la
bicicleta en alguna de las estaciones disponibles. Habitualmente son
servicios públicos o están respaldados por la ciudad. Además, esta
modalidad permite recargar las bicicletas en las estaciones en el caso de que
estas sean eléctricas. Este tipo de servicio es el más extendido en Europa.
Ilustración 27 - La flota de bicicletas compartidas adquiere dimensiones impactantes en China. Existen numerosos depósitos de bicicletas, como el que se muestra en la imagen, donde se
acumulan decenas de miles de bicicletas de empresas como Mobike, Ofo y Hellobike, las tres compañías más grandes de bicicletas compartidas en China. Más fotos impactantes disponibles en el siguiente link: https://www.theatlantic.com/photo/2018/03/bike-share-oversupply-in-china-
huge-piles-of-abandoned-and-broken-bicycles/556268/
Aunque el estudio de ambos tipos de servicio por separado podría resultar
interesante, debido a la dificultad de obtención de los datos de manera
independiente, se ha optado por contabilizar de manera conjunta el número de
Resultados y Discusión
78 Escuela Técnica Superior de Ingenieros Industriales (UPM)
bicicletas, independientemente de si son de flota libre o basadas en estaciones.
No obstante, el número de estaciones sí se ha contabilizado. C
ongestió
n
TomTom traffic Index
Fuente: TomTom
Datos estimados en Skopje, Zagreb y Seúl
El índice de tráfico de TomTom proporciona estadísticas e información para que los
conductores, las marcas de coches, los urbanistas y los responsables políticos
dispongan de información no sesgada sobre los niveles de congestión en 403 ciudades
de 56 países y 6 continentes (TomTom 2018).
TomTom Traffic Index establece un ranking en el que la primera ciudad (Mumbai) es
la más congestionada. La ciudad de Madrid, por ejemplo, se sitúa en la posición 228
del ranking, 110 puestos por detrás de la más congestionada ciudad de Barcelona.
Numbeo Traffic Index
Fuente: Numbeo
Datos estimados en Leeds, Liverpool y Napoles
“El Índice de Tráfico es un índice compuesto que incluye simultáneamente tiempo
empleado en tráfico con motivo de desplazamiento al puesto de trabajo, valoración de
la insatisfacción con el tiempo consumido, estimación de las emisiones de CO2 en el
tráfico e ineficiencias del sistema de tráfico y transportes en general.” (Numbeo 2019a)
Dado que el tráfico es el indicador más importante de movilidad urbana y los índices
de TomTom y de Numbeo no están correlacionados (-0,317), se han considerado
ambos en la clusterización.
Índice de ineficiencia
Fuente: Numbeo
“El Índice de Ineficiencia es una estimación de las deficiencias en el tráfico, teniendo
en cuenta el modo de conducción, los tiempos en el desplazamiento, etc. Está pensado
para aportar más indicadores económicos con respecto al tráfico.” (Numbeo 2019a)
Este indicador, está altamente correlacionado (0,908) con el Numbeo Traffic Index y,
por lo tanto, a pesar de tener disponibilidad de datos, no se utiliza en la
clusterización.
Tráfico en horas punta (Índice Exp. de Tiempo)
Fuente: Numbeo
“El Índice Exp. de Tiempo - es una estimación de la insatisfacción debido a tiempos de
desplazamiento elevados en los trayectos de ida y vuelta al trabajo. La fórmula asume
que la insatisfacción aumenta exponencialmente con cada minuto que se tarda en
realizar un único trayecto cuando éste toma más de 25 minutos.” (Numbeo 2019a)
Este KPI valora la capacidad de las ciudades para absorber las situaciones de tráfico
en horas punta. También se ha detectado una alta correlación (0,889) de este KPI con
el Numbeo Traffic Index y por lo tanto no se utilizará en la clusterización.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 79
Infr
aestr
uctu
ra
Orientación de la infraestructura (Coches, bicicleta, andar, transporte público
(Ten-metro-bus))
Fuente: No disponible
Este KPI aspira a reflejar, de forma general, la orientación de la infraestructura de la
ciudad. Por ejemplo, las ciudades de América del Norte se desarrollaron en torno al
uso del vehículo privado y por lo tanto su infraestructura está adaptada a los coches.
Otras ciudades como Amsterdam están adaptadas para el uso de las bicicletas y tienen
una gran cantidad de carriles bici y enormes aparcamientos de bicicletas,
estratégicamente localizados en las estaciones de tren o en puntos de conexión con el
transporte público.
Red d
e c
arr
ete
ras
Auto
pis
tas d
e c
ircunvala
ció
n
Nº de autopistas de circunvalación
Fuente: No disponible
Este KPI mide el nivel de desarrollo de las autopistas de circunvalación. Además,
es un indicador característico de la movilidad de las ciudades ya que condiciona
el tipo de circulación en torno a la ciudad evitando que los vehículos que circulan
por la ciudad tengan que adentrarse en ella para atravesarla.
Kilómetros de autopistas de circunvalación
Fuente: No disponible
Este KPI aporta una idea del tamaño de los círculos que dibujan las autovías de
circunvalación. A menudo ciudades con tamaños y poblaciones similares como
París y Londres han construido sus vías de circunvalación principales a
distancias muy diferentes del centro. En el caso de París, el boulevard
Peripherique transcurre relativamente cerca del centro de la ciudad, describiendo
una circunferencia de 35,04 kilómetros. En cambio, en Londres, la autopista de
circunvalación M25 está mucho más alejada del centro y describe una
circunferencia de 195,5 kilómetros.
Zonas de tráfico restringido
Fuente: Here Mobility Index
Además de ser un indicador relevante de las políticas de movilidad urbana de la
ciudad, la existencia de zonas de tráfico restringido condiciona notablemente la
circulación, no solo dentro de la zona sino también en sus inmediaciones.
Al disponer de datos únicamente para algunas ciudades, no se utilizará este KPI en
la clusterización.
Esta
do
Satisfacción con el estado de las carreteras
Fuente: Eurostat
Este KPI mide el nivel de satisfacción de los ciudadanos con el estado de las
carreteras. Al estar disponible únicamente para las ciudades europeas, no se
utiliza en la clusterización.
Cobertura de la red de carreteras
Resultados y Discusión
80 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Fuente: No disponible
Este KPI evalúa la cobertura de la red de carreteras de la ciudad.
Túneles
Fuente: No disponible
Los túneles son elementos infraestructurales que requieren una gran inversión y
cuya construcción está a menudo condicionada por la composición del terreno sobre
el que está edificada la ciudad. Aquellas ciudades que han invertido en este tipo de
infraestructura se benefician de una circulación más fluida y eficaz. Este KPI evalúa
el nivel de desarrollo de la ciudad en materia de túneles.
Posibilidad de mejorar la red de carreteras
Fuente: No disponible
Con este KPI se pretende evaluar las dificultades a las que se ha de hacer frente
para llevar a cabo las mejoras en las infraestructuras de transporte de la ciudad. En
China, por ejemplo, la disponibilidad de capital, así como el poder del que dispone
el estado para expropiar los terrenos, permite que las redes de autopistas se
desarrollen a grandes velocidades. En la otra cara de la moneda están los Estados
Unidos de América, país en el cual, el fuerte valor que se le confiere a la propiedad
privada hace que los proyectos sean más caros y se desarrollen con lentitud.
Puntos de carga de vehículos eléctricos
Fuente: Here Mobility Index
La infraestructura de recarga de vehículos eléctricos condiciona la adopción del
vehículo eléctrico por parte de los ciudadanos. Para cuantificar el nivel de desarrollo
de esta red de recarga se utiliza el número de puntos de carga.
Zo
na p
eato
nal
Walkability score
Fuente: Nomadlist
Este KPI mide la adaptación de las ciudades para la circulación de peatones por sus
calles. Al no tener datos para todas las ciudades no se utiliza en la clusterización.
Carr
il bic
i
Kilómetros de carril bici
Fuente: No disponible
Los kilómetros de carril bici sirven para valorar la adaptación de la ciudad para la
circulación en bicicleta.
Inte
gra
ció
n d
el tr
ansport
e
Número de empresas/organismos que gestionan el transporte público
Fuente: No disponible
La integración de las empresas que gestionan el transporte público urbano de las
ciudades (metro, autobús, bicicletas públicas…) aporta un gran valor para la movilidad.
Los pasajeros disfrutan de una mejor experiencia de usuario y la existencia de una
única gobernanza común permite que se optimicen los recursos y se adapten las
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 81
conexiones entre los distintos medios de transporte, ahorrando tiempo al pasajero y
adaptándose mejor a los picos de demanda, especialmente en las horas punta.
En efecto, un estudio de Deloitte refleja que más que ningún otro indicador, los niveles
bajos de integración están correlacionados con bajos niveles de preparación para
afrontar los retos de la movilidad urbana (Deloitte 2018a).
Existencia de Open Data o APIs para el transporte
Fuente: No disponible
La existencia de datos públicos disponibles sobre el estado del transporte, estadísticas
relativas al número de desplazamientos según qué hora, o incluso datos sobre el
recorrido que realizan los viajeros permite construir servicios y aplicaciones que
contribuyen a la mejora de la movilidad.
Este KPI valora la disponibilidad de este tipo de datos en la ciudad, datos que
conforman la base sobre la que tanto los organismos públicos como las empresas
privadas pueden ofrecer servicios o innovar.
Existencia de tickets de transporte público integrados
Fuente: No disponible
Debido a que a menudo los ciudadanos de las ciudades próximas a la ciudad principal
acceden a diario a ella y utilizan una combinación de medios de transporte de ambas
ciudades, la movilidad urbana de la ciudad principal está condicionada por la movilidad
urbana de las ciudades de su área metropolitana
Los medios de transporte público están a menudo gestionados por organismos
públicos independientes y la integración completa de las empresas públicas
pertenecientes a distintas jurisdicciones es complicada. A pesar de esto, la existencia
de tickets de transporte comunes válidos en las distintas redes de transporte permite
al menos mejorar la experiencia de usuario.
Existencia de una aplicación de MaaS (Mobility as a Service)
Fuente: No disponible
Este tipo de aplicaciones trata de incorporar en una única plataforma todas las
opciones de transporte disponibles en la ciudad ofreciendo, por ejemplo, abonos
mensuales que permiten hacer uso de la red de transporte público, de taxis y de los
servicios de bicicleta compartida entre otros. Este es el caso de la ciudad de Helsinki
donde la aplicación Whim integra todas las opciones de transporte disponibles
ofreciendo al viajero distintas combinaciones de transporte para realizar sus
desplazamientos. Whim ofrece dos modalidades de abono. La primera de ellas permite
el uso de todos los medios de transporte público y la segunda incluye también servicios
de taxi y de alquiler de coches.
Satisfa
cció
n
Satisfacción con el transporte público
Fuente: Eurostat
Este KPI, que solo está disponible para las ciudades de la Unión Europea, mide la
satisfacción que tienen los ciudadanos con el sistema de transporte público.
Resultados y Discusión
82 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Satisfacción con el tiempo empleado para desplazarse al trabajo
Fuente: Eurostat
Este KPI que solo está disponible para las ciudades de la Unión Europea mide la
satisfacción de los ciudadanos con el tiempo empleado en los desplazamientos de ida
y vuelta al trabajo.
Planificación Urbana
Fuente: IESE Cities in Motion Index
La planificación urbana de las ciudades condiciona su movilidad del presente y del futuro.
Si las ciudades pudieran volver a construirse desde cero, seguramente lo harían teniendo
en cuenta los errores cometidos en el pasado y construirían la ciudad de forma diferente
basándose en las necesidades y limitaciones de movilidad urbana actuales.
Solo en los Estados Unidos de América se van a construir 70 millones de nuevas viviendas
en los próximos 40 años (Deloitte 2014). En este contexto de fuerte desarrollo urbano a
nivel mundial, la posibilidad de aprender de los errores e incorporar las medidas que han
sido exitosas en otras ciudades será transcendental. Es precisamente en este aspecto en
el que este trabajo aporta valor, guiando a los planificadores urbanos hacia aquellas
ciudades que se deberían tomar como referencia por ser similares en términos de
movilidad urbana.
La dimensión indicadores de planificación urbana del IESE Cities in Motion Index valora
de forma general el desempeño de las ciudades en lo que se refiere a planificación
urbana.
Tabla 11 - Indicadores de la dimensión Planificación Urbana. (IESE 2019 Cities in Motion Index).
Movilidad y Transporte
Fuente: IESE Cities in Motion Index
Este último KPI valora de forma general el desempeño global de las ciudades en materia
de movilidad y transporte. Se ha utilizado el índice de la dimensión movilidad y transporte
del IESE CIMI, el cual considera los siguientes indicadores:
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 83
Tabla 12 - Indicadores de la dimensión Movilidad y Transporte. (IESE 2019 Cities in Motion Index).
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 85
Clusterización de las ciudades en función de los KPIs
4.2.1 Datos utilizados para la clusterización
Finalmente, los KPIs utilizados en la clusterización son aquellos KPIs de los que se dispone
de datos para las 79 ciudades estudiadas28 a excepción de aquellos que no se deben
considerar por estar fuertemente correlacionados con otro KPI ya considerado (Nº de paradas
de metro, Tráfico en horas punta y el índice de ineficiencia). A continuación29, se enumeran,
agrupados por dimensión, los 42 KPIs utilizados para la clusterización:
CULTURA Y ASPECTO SOCIAL Capital humano Tecnología Cohesión Social Nº de Habitantes DEMOGRAFÍA Y GEOGRAFÍA Densidad de población Sup. Ciudad propiamente dicha Rascacielos Morfología de la ciudad Distribución zonas ricas y pobres Mar/Similar Río ECONOMÍA Internacionalización Coste de vida en general Precio del alquiler Poder de adquisición ISO 37120 Gobernanza MEDIO AMBIENTE Medioambiente Días de lluvia mm3 de lluvia Índice de contaminación TRANSPORTE Nº Líneas de Autobuses Urbanos/1M habitantes Nº Líneas Metro/1M habitantes Nº Pasajeros metro/1M habitantes Kms de línea de metro/1M habitantes Compacidad de la red Kms de línea tranvía/1M habitantes Nº Estaciones tranvía/1M habitantes Precio de billete sencillo Precio de abono mensual Precio 1l de Gasolina Precio Toyota Corolla 1.6l NºEVs (Ciudad en Top 25) Bike commuting Walk commuting Coste taxi oficial Uber Bicicletas /10.000 habitantes TomTom traffic index Numbeo Traffic index Planificación urbana Movilidad y transporte
28 Los datos que han sido estimados se justifican en el análisis cualitativo de los KPIs. 29 Los datos usados están disponibles en Anexos. En total se utilizan 3318 datos.
Resultados y Discusión
86 Escuela Técnica Superior de Ingenieros Industriales (UPM)
4.2.1.1 Errores, sesgo y aproximaciones en los datos utilizados en el trabajo
A pesar de que se ha remarcado la importancia de utilizar datos fiables y libres de sesgo,
especialmente cuando se utilizan métodos de análisis automático de datos, los datos usados
en este trabajo no son 100% fiables. Se han identificado las siguientes fuentes de errores en
los datos utilizados:
1. En algunos casos, los propios datos hacen referencia a conceptos que no están
perfectamente definidos en sí mismos: Si tomamos como ejemplo la población de
una ciudad, esta dependerá de la definición de ciudad que ha sido utilizada a la hora
de recopilar los datos. En el caso de Valencia, la población que muestra la base de
datos de la ONU es de 833.724 habitantes. Si utilizamos los datos de población de la
aglomeración urbana del estudio Demographia World Urban Areas, Valencia tiene una
población de 1.575.000 habitantes. Si buscamos la información en Wikipedia
obtendremos una población de 1.959.084 habitantes y si le preguntamos a Google,
nos dirá que tiene 2.522.383 habitantes, es decir, más de tres veces la cifra obtenida
en la base de datos de ONU. Aunque para la población se han utilizado los datos
extraídos de la ONU, para la obtención de los datos referentes a los demás KPIs se
han utilizado distintas bases de datos, las cuales se basan a menudo en otras tantas
bases de datos de distintas entidades y organismos. Debido a que la trazabilidad del
criterio de definición de ciudad empleado por las distintas bases de datos es
prácticamente nula, no se puede asegurar que todas las fuentes usen el mismo.
2. La capacidad de validación y verificación de la exactitud de los datos utilizados
es limitada: El trabajo necesario para asegurar que los datos obtenidos en las fuentes
son fiables al 100%, para un número tan elevado de KPIs y para 79 ciudades queda
fuera del alcance de este trabajo. A pesar de ello se han identificado errores llamativos
en algunos indicadores como por ejemplo en el Urban Mobility Index de Here. En este
índice, Madrid aparece como la primera ciudad en porcentaje de zonas verdes y la
penúltima en cobertura de la red de transporte público, datos sorprendentes para
cualquier persona que conozca Madrid. Al analizar los datos se descubre que todo el
Monte de El Pardo ha sido considerado como parte de la ciudad contabilizándose
como zona verde y a la vez como zona de la ciudad no cubierta por el transporte
público.
Ilustración 28 - Cobertura de la red de transporte público en la ciudad de Madrid (Azul) y zonas verdes de la ciudad (Verde). Link: https://urbanmobilityindex.here.com/city/madrid
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 87
3. Se utilizan indicadores que no son plenamente objetivos: Algunos de los datos
utilizados se obtienen de sondeos realizados a la población, otros como la clasificación
de la morfología de las ciudades dependen de la apreciación personal del autor de
este trabajo.
4. Se han aproximado algunos datos: Los algoritmos de clusterización jerárquica son
muy sensibles a los datos faltantes y, para evitar que se alteren los resultados de la
clusterización, en los casos en los que los datos de algún KPI no están disponibles
para las 79 ciudades estudiadas, se plantean tres opciones de actuación:
a. Se elimina la ciudad de la clusterización.
b. Se elimina el KPI de la clusterización.
c. Se aproxima el dato faltante.
En este trabajo se ha optado por aproximar los datos faltantes porque se considera
que es más valioso mantener el número de KPIs considerado y conservar una buena
cantidad de ciudades estudiadas. Los datos que han sido aproximados se han indicado
en el apartado análisis cualitativo de los KPIs.
5. Se han introducido muchos datos de forma manual: El riesgo de error humano en
la introducción manual de datos es elevado.
En lo que se refiere al sesgo introducido en el trabajo, se han identificado las siguientes
fuentes de sesgo:
1. La base de ciudades utilizadas en este trabajo no es representativa de las
ciudades del mundo entero: En los países desarrollados hay 125 ciudades con una
población superior a 1 millón de habitantes. Este número asciende a 454 en los países
menos desarrollados (año 2020, ONU). Para realizar un análisis que reflejara fielmente
la realidad de las ciudades a nivel mundial, las ciudades analizadas deberían guardar
una relación perteneciente a país desarrollado-perteneciente a país menos
desarrollado similar. Debido a la disponibilidad y accesibilidad de los datos, las
ciudades estudiadas son principalmente pertenecientes a países desarrollados.
2. Los indicadores son definidos y valorados en función del criterio del autor, es
decir, basándose en su conocimiento y en su manera de entender la movilidad:
Esta es la fuente de sesgo más importante del trabajo. El sesgo se introduce en la
definición de los indicadores de movilidad urbana y en la posterior selección de los
KPIs porque se realiza desde una visión de lo que es la movilidad urbana de la ciudad
de Madrid y en menor medida, la movilidad urbana en las ciudades europeas. Gracias
a la participación en el NETEXPLO Smart Cities Accelerator Summit 2019, se han
podido incorporar apreciaciones de expertos de movilidad urbana de todo el mundo,
pero a pesar del esfuerzo realizado por conocer y entender la movilidad a nivel global,
es imposible evitar que se escapen aspectos que, si bien no son especialmente
relevantes para la movilidad urbana en una ciudad europea, si lo son en otros
continentes.
4.2.1.2 Justificación de la utilización de datos erróneos, sesgados y
aproximados
Todas estas fuentes de error y de sesgo hacen que los resultados de la clusterización no sean
100% exactos. Esto no es un problema porque el objetivo de este trabajo es aportar una
herramienta que simplifica de manera aproximada algo realmente complejo, inexacto y
extremamente complicado de evaluar cómo es la movilidad urbana.
Resultados y Discusión
88 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Los resultados no se deben interpretar al pie de la letra, sino que deben utilizarse de forma
combinada junto con otro tipo de herramientas y han de ser interpretados por las personas
expertas en movilidad de cada una de las ciudades, sin olvidarse de los propios habitantes
que, como se comenta anteriormente en este trabajo, son a menudo los que aportan las
soluciones de movilidad más efectivas.
4.2.2 Análisis de los resultados obtenidos en la clusterización
Tras realizar la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs
establecidos, utilizando el método Ward.D2 se obtiene el siguiente dendograma:
La altura (Height en inglés) a la que se produce la unión de las ciudades o los grupos de
ciudades en el caso de que ya hayan sido agrupadas, indica el grado de diferenciación
existente entre las ciudades (o agrupaciones de ciudades) que se juntan en dicha unión. Esto
quiere decir que aquellas ciudades (o grupos de ciudades) que se unen en la parte inferior del
dendograma son más parecidas que las que se unen a una altura más elevada.
Por ejemplo, a la izquierda del dendograma, Dallas y San Antonio se han unido a muy baja
altura, lo cual quiere decir que son muy parecidas. En cambio, Seoul y Tokyo, también
situadas a la izquierda del dendograma, han sido agrupadas a una altura mucho más elevada.
Esto quiere decir que son relativamente diferentes entre ellas, a pesar de ello, el resto de las
ciudades o grupos de ciudades son aún más diferentes a Seoul y Tokyo y por eso han sido
emparejadas entre sí.
El algoritmo hclust utilizado para realizar el dendograma está programado para que en cada
división de la cual cuelgan dos sub-árboles, se coloque a la izquierda el subárbol que es más
Ilustración 29 - Resultados de la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs seleccionados para la clusterización. Método aglomerativo ascendente Ward.D2.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 89
similar. Cuando se llega a la base y se emparejan tan solo dos ciudades, ambas son igual de
similares o diferentes y se opta por colocar a la izquierda la ciudad que aparece primero en la
base de datos. Como la base de datos está ordenada alfabéticamente, las parejas aparecen
ordenadas alfabéticamente,
Si tomamos como ejemplo de nuevo la pareja Dallas, San Antonio y visualizamos la unión con
la pareja Denver-Phoenix, como la pareja Dallas-San Antonio ha sido situada a la izquierda,
esto quiere decir que Dallas y San Antonio se parecen más. Efectivamente esto se puede
verificar al comprobar que la unión Dallas-San Antonio está situada a una altura inferior que
la unión Denver-Phoenix.
El número de clústeres en los que se agrupan las ciudades determinará el grado de similitud
entre las ciudades de cada clúster, es decir, si establecemos un gran número de clústeres,
las ciudades de cada clúster serán muy parecidas. Sin embargo, la diferenciación entre los
distintos grupos será también pequeña. En el caso extremo, algunas ciudades que son
suficientemente diferentes de las demás serán clusterizadas de forma individual.
Aunque a la hora de utilizar la clusterización para evaluar las similitudes en la movilidad urbana
de las ciudades un procedimiento adecuado sería ir aumentando el número de clústeres para
avanzar desde agrupaciones grandes de ciudades hacia grupos más pequeños y específicos,
realizar el proceso de forma inversa e ir reduciendo el número de clústeres es otra opción
igualmente válida. El nivel de clusterización con 10 grupos definidos es seguramente el nivel
de detalle adecuado a la hora de realizar las observaciones ya que muestra grupos que
presentan un nivel de diferenciación suficientemente elevado pero que no llegan a incluir una
cantidad elevada de ciudades que pudiera complicar el análisis posterior de las ciudades
incluidas en cada grupo.
En las páginas siguientes se analizan los resultados obtenidos en la clusterización. Se ha ido
aumentando el número de clústeres (5,10 y 20) y se han utilizado los datos para caracterizar,
de forma general y a alto nivel, los distintos grupos de ciudades obtenidos.
Resultados y Discusión
90 Escuela Técnica Superior de Ingenieros Industriales (UPM)
4.2.2.1 Agrupación en 5 clústeres
Inicialmente se han definido únicamente 5 clústeres. De esta manera se consigue que la
diferenciación entre los distintos grupos de ciudades sea bastante significativa. Aquellas
ciudades que no se encuentren en el mismo grupo a este nivel de análisis no deberían ser
consideradas como referencia para el estudio de la movilidad. Los grupos identificados
pueden ser consultados en la página siguiente.
Como se puede ver, se han agrupado tan solo 3 ciudades en el primer clúster; Nueva York,
Seúl y Tokyo. Las 3 son ciudades que se sitúan entre las 6 ciudades con más población de
entre las estudiadas y entre las 20 con una mayor superficie. Además, ocupan las posiciones
1,2 y 5 en número de rascacielos. Se trata de ciudades que obtienen buenas clasificaciones
en las dimensiones de Capital Humano y Tecnología del IESE CMI. Ni los precios del alquiler
de estas ciudades ni el poder adquisitivo de sus ciudadanos son excesivamente elevados a
excepción de Nueva York. En materia de transporte, cuentan las tres con un número reducido
de líneas de autobús urbano en relación con su población y un número normal de líneas de
metro las cuales son utilizadas por una fracción muy reducida de la población a pesar de tener
el transporte público unos precios que no destacan ni por ser caros ni por ser reducidos. El
precio reducido del combustible podría justificar una mayor utilización de los coches en estas
ciudades. No obstante, no se aprecian altos niveles de congestión.
En el segundo clúster, se han agrupado todas las ciudades de Norte América (a excepción de
Nueva York) y además se incluyen Sydney y Melbourne. Las ciudades de América del Norte
estudiadas se caracterizan por tener una elevada puntuación en la dimensión Cohesión
Social, una población elevada y una densidad de población reducida. En general no cuentan
con ríos navegables. En materia económica, el coste de vida y el precio del alquiler no son
especialmente elevados, a pesar de ser el poder adquisitivo relativamente elevado. A nivel
medioambiental las ciudades de Norte América obtienen malos resultados siendo 15 de las
20 ciudades más contaminadas pertenecientes a este continente. Finalmente, el transporte
público se muestra poco desarrollado. Tanto el número de líneas de autobús como los
kilómetros de los sistemas de tranvía son reducidos. El precio de la gasolina en las ciudades
de América del Norte es sin duda el más bajo de entre todas las estudiadas y el precio del
Toyota Corolla 1.6l es también reducido. Muy pocos ciudadanos se desplazan al trabajo
andando o en bicicleta y sin embargo no se aprecian niveles de congestión excesivamente
elevados en estas ciudades.
Haber obtenido un grupo tan claramente diferenciado en el que se incluyen todas las ciudades
de América del Norte a excepción de Nueva York nos permite afirmar que la movilidad de las
ciudades de América del Norte es notablemente diferente a la movilidad de las ciudades del
resto del mundo.
En los otros 3 clústeres obtenidos se sitúan ciudades de Europa y del resto del mundo y,
aunque se puede intuir una cierta tendencia de localización geográfica en los grupos 3, 4 y 5,
no es tan remarcable como en el caso del clúster 2. Los clústeres 4 y 5 son más próximos
entre sí y se diferencian del número 3. De forma general, estos 3 grupos se diferencian
notablemente de los grupos 1 y 2 analizados anteriormente. Estos clústeres serán analizados
más en profundidad en las siguientes etapas del análisis.
Ilustra
ció
n 3
0 –
Clu
ste
rizació
n c
on
5 g
rup
os
Resultados y Discusión
92 Escuela Técnica Superior de Ingenieros Industriales (UPM)
4.2.2.2 Agrupación en 10 clústeres
Si refinamos la clusterización aumentando a 10 el número total de clústeres, obtenemos el
resultado que se muestra en la siguiente página. En esta segunda clusterización los 5 grandes
grupos se comienzan a dividir en otros más pequeños, si bien el primer grupo formado por
Nueva York, Seoul y Tokyo se mantiene unido lo que significa que las diferencias entre estas
tres ciudades no son suficientes como para separarlas en distintos clústeres a este nivel de
análisis. Las ciudades de América del Norte del segundo grupo han sido separadas en dos
grandes grupos y la ciudad de Los Ángeles aparece de forma individual.
En el grupo 3 de esta clusterización en 10 grupos, se han agrupado ciudades que se sitúan al
Sur de Estados Unidos, 3 de ellas en el estado de Texas, una en el de Misisipi, otra en Arizona
y únicamente la ciudad de Denver se encuentra en Colorado, algo más al Norte aunque aún
en la mitad Sur del país. En el otro gran grupo de ciudades de América del Norte se han
agrupado ciudades principalmente del Norte de EE. UU. y de Canadá, así como las ciudades
de Sydney y Melbourne.
El grupo 3 de la anterior clusterización en 5 clústeres se ha separado en dos grandes grupos;
los grupos 5 y 6 empezando a contar desde arriba. En el grupo 5 han aparecido ciudades del
Este de Europa, muchas de ellas capitales de algunos de los últimos países en incorporarse
a la Unión Europea. El hecho de que la primera división en subárboles que se aprecia de este
clúster se encuentre a una altura pequeña (aproximadamente 8) indica que las ciudades
pertenecientes a este grupo son muy similares. En efecto, este grupo se mantiene unido
incluso cuando se identifican 20 clústeres.
Las ciudades de este grupo formado por Tallin, Vilna, Bratislava, Zagreb, Riga, Wroclaw
(Breslavia), Budapest y Varsovia muestran una baja puntuación en la dimensión tecnológica
y una población relativamente reducida. Todas ellas cuentan con río navegable y a nivel
económico, tienen un bajo coste de vida, así como un bajo poder de adquisición.
A nivel medioambiental su situación no destaca ni por lo alto ni por lo bajo y a nivel transporte
se caracterizan por contar con un gran número de líneas de autobús urbano y con sistemas
de tranvía muy desarrollados. Tan sólo Budapest y Varsovia cuentan con metro. El coste del
transporte público es reducido y el de la gasolina y el de un Toyota Corolla 1.6l, en
comparación con las demás ciudades europeas, también lo es. Ninguna de estas ciudades
destaca a nivel de coches eléctricos y el número de ciudadanos que se desplaza andando al
trabajo en estas ciudades es relativamente elevado. El precio de los taxis en estas ciudades
es reducido y los niveles de congestión son bastante variables.
En el grupo 6 aparecen las 3 ciudades de Oriente Medio y la única ciudad de América del Sur
estudiada en este trabajo, así como algunas ciudades del Sur de Europa
En el grupo 8 contando desde arriba, se agrupan todas las ciudades del Reino Unido y de
Irlanda a excepción de Londres. Además, se incluyen ciudades de Europa (Bruselas, Amberes
y Liubliana) y de Oceanía (Wellington y Auckland). Las ciudades de este grupo se muestran
neutrales en la mayoría de los KPIs obteniendo valores y puntuaciones uniformemente
distribuidas a lo largo de todo el rango de valores. Los aspectos más destacables observados
en este grupo son las precipitaciones, con gran cantidad de días de lluvia y un volumen de
precipitaciones relativamente elevado, y la ausencia de sistemas de metro a excepción de
Glasgow, Bruselas y Amberes.
Finalmente, los grupos 7, 9 y 10 agrupan a ciudades europeas en las que no se aprecia ningún
tipo de agrupación geográfica destacable.
Ilustra
ció
n 3
1 –
Clu
ste
rizació
n c
on
10
gru
pos.
Resultados y Discusión
94 Escuela Técnica Superior de Ingenieros Industriales (UPM)
4.2.2.3 Agrupación en 20 clústeres
En la última fase del análisis se ha aumentado a 20 el número de clústeres, obteniéndose los
resultados mostrados en la ilustración de la página siguiente. Con esta clusterización en 20
grupos se aprecian 3 ciudades de América del Norte que se diferencian de las demás y no
han sido agrupadas con ninguna otra ciudad, es decir, hay 3 ciudades que presentan unas
características de movilidad urbana claramente diferentes a las demás.
Se siguen apreciando dos grandes grupos de ciudades de América del Norte, localizándose
en el grupo 6 las ciudades de Sydney y Wellington. Las ciudades del este de Europa siguen
formando un grupo único (7) tal y como se comentaba anteriormente y la ciudad de Tel Aviv
ha sido seleccionada de forma individual.
Ankara y Skopje han sido agrupadas en el mismo grupo a pesar de tener poblaciones muy
diferentes (5.117.603 y 595.275 habitantes respectivamente). Esto puede explicarse porque
ambas ciudades cuentan con las dimensiones Capital Humano, Tecnología, Cohesión Social,
Internacionalización poco desarrolladas además de ser las dos ciudades con los costes de
vida y del alquiler más reducidos de entre las estudiadas. En consonancia con estos bajos
costes, los ciudadanos de Ankara y Skopje también tienen un reducido poder adquisitivo.
En el grupo 10 se incluyen todas las ciudades de Italia, Portugal y Grecia además de las
ciudades de Santiago de Chile y Estambul. Las ciudades de este grupo, pese a ser de
tamaños variables, cuentan en general con altas densidades de población y el coste de vida
es relativamente asequible a excepción de Milan, Roma y Turín. A nivel medioambiental, no
se aprecia una contaminación excesiva en este grupo de ciudades y en cuanto a las
precipitaciones registradas, estas ciudades se encuentran entre las más secas. En lo que se
refiere a los medios de transporte públicos, los precios son relativamente bajos y no se
aprecian sistemas de metro, ni de autobuses urbanos, ni de tranvía que estén ni muy
desarrollados ni poco desarrollados. Un porcentaje relativamente elevado de personas se
desplaza al trabajo andando y los sistemas de bicicletas no están especialmente extendidos.
La congestión de estas ciudades es muy variable. Estambul es la ciudad con mayor
congestión de las estudiadas según TomTom Traffic Index mientras que otras ciudades de
este grupo como Skopje, Oporto o Turín no presentan apenas problemas de congestión.
Las ciudades del grupo 11, formado por Ginebra, Zúrich, Eindhoven, Copenhague y Reikiavik
presentan una buena cohesión social y diferencias entre los precios de la vivienda en el centro
y en el exterior de la ciudad reducidas. Tienen todas ellas costes de vida muy elevados y sus
ciudadanos, disfrutan de altos poderes adquisitivos. Son ciudades lluviosas y con buenas
condiciones ambientales. En cuanto al transporte público, los precios son muy elevados y tan
solo Copenhague tiene sistema de metro. Un porcentaje relativamente alto de los ciudadanos
de estas ciudades se desplaza al trabajo en bicicleta.
De entre los últimos clústeres la mayoría agrupa a menos de 3 ciudades (15, 16, 17 y 19). El
clúster número 18 agrupa a 5 de las 6 ciudades alemanas estudiadas. Todas ellas se
encuentran tierra adentro, pero cuentan con río navegable (a excepción de Múnich). Son
lluviosas y se encuentran entre las 12 ciudades con mayor número de líneas de metro en
relación con su población y, a pesar de los altos precios de los billetes, los sistemas de metro
de estas ciudades son muy utilizados por la población.
En el último clúster quedan incluidas las 3 ciudades españolas estudiadas, así como las
ciudades de Berlín y Helsinki. Destaca el emparejamiento de Madrid con Berlín, ciudades que
se asemejan especialmente en el número de rascacielos, en la distribución de las zonas ricas
y pobres, en su carácter internacional, en el poder adquisitivo de sus ciudadanos, en el
desarrollo de su sistema de metro similar, en el porcentaje de personas que van al trabajo
andando, y en la dimensión planificación urbana del IESE Cities in Motion Index.
Ilustra
ció
n 3
2 –
Clu
ste
rizació
n c
on
20
gru
pos.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 97
5 Conclusiones En este trabajo se ha estudiado la movilidad urbana de 79 ciudades de la OECD. Se han
definido 250 indicadores de movilidad urbana y, de entre ellos, se han seleccionado 89 como
KPIs. Su influencia en la movilidad urbana ha sido justificada, analizada y discutida utilizando
los datos disponibles para las ciudades analizadas.
Las observaciones más relevantes obtenidas del análisis de los KPIs son las siguientes:
• Los sistemas de tranvía están resurgiendo impulsados por la necesidad de reducir la
emisión de gases contaminantes. Con el mismo fin, las flotas de autobuses eléctricos
son también cada vez más numerosas.
• El clima, y en concreto las precipitaciones, no influye en la cantidad de gente que va
al trabajo andando. Además, cuanto mayor es el porcentaje de personas que se
desplaza al trabajo andando, mejores condiciones ambientales muestra la ciudad. Se
ha observado también que un elevado coste de la gasolina hace que más personas
vayan a trabajar andando.
• Para hacer frente al problema de la última milla, se están desarrollando enormemente
los servicios de micromovilidad como los ofrecidos por empresas de bikesharing o
patinetes eléctricos compartidos. Existen grandes controversias con respecto a estos
vehículos y sonados fracasos en el despliegue de este tipo de servicios.
• La integración de los sistemas de transporte público juega un papel fundamental en la
mejora de la movilidad urbana.
• La electrificación completa de los medios de transporte solo será posible gracias a la
mejora del sistema eléctrico actual y al desarrollo de las microredes.
Por último, se ha realizado una clusterización jerárquica de las 79 ciudades a partir de los
datos referentes a 42 de los KPIs. El dendograma obtenido (clusterización), en el cual
aparecen las 79 ciudades ordenadas en función de su similitud, es el resultado principal
de este trabajo. Tal y como se indica en los Objetivos del trabajo, el valor de la clusterización
es intrínseco, es decir, el dendograma en sí mismo aspira a servir como herramienta para que
los gobernantes y planificadores urbanos puedan usarla, junto con la base de datos generada,
en futuros trabajos o investigaciones más exhaustivas. No obstante, se presentan a
continuación las observaciones más destacables realizadas por el autor:
• En las agrupaciones obtenidas y, a pesar de no haber ningún KPI referente a la
localización geográfica, se observa que ciudades que se encuentran próximas
geográficamente son similares en términos de movilidad urbana.
• La movilidad urbana en las ciudades de Norte América es claramente distinta de la del
resto de ciudades estudiadas.
• Se ha observado una gran homogeneidad en la movilidad urbana de las ciudades del
Reino Unido. Lo mismo ocurre con las ciudades estudiadas de Alemania y con las de
Italia y Portugal.
• Las capitales de los países del Este de Europa presentan unas características de
movilidad urbana muy similar, seguramente condicionada por una evolución histórica
parecida durante el siglo XX y el XXI.
• Los problemas de tráfico no parecen estar relacionados con ningún grupo de ciudades
en particular, es decir, no se aprecia relación con unas características concretas.
Conclusiones
98 Escuela Técnica Superior de Ingenieros Industriales (UPM)
• Las ciudades con elevada población (más de 10 millones) presentan características
de movilidad urbana particulares que las diferencian del resto.
En cuanto a las limitaciones de este trabajo, se recuerda que se han identificado varias fuentes
de error y de sesgo (ver 5.2.1.1 Errores, sesgo y aproximaciones en los datos utilizados en el
trabajo a este trabajo) y, tal y como se indica (ver 7. Líneas futuras), se considera que sería
interesante poder comprobar, mediante el estudio en profundidad de algunas de las ciudades
clusterizadas, la validez de los resultados obtenidos. A pesar de las limitaciones, los
resultados obtenidos sirven para simplificar algo tan complejo y difícil de analizar como es la
movilidad urbana.
Finalmente, se considera que la utilización de la herramienta de clusterización presentada en
este trabajo podría complementarse con la información aportada en los distintos índices y
referencias principales mencionadas, facilitando la compleja labor a la que se enfrentan los
planificadores urbanos.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 99
6 Líneas futuras Este trabajo es susceptible de ser mejorado, comprobado y analizado y también puede ser
utilizado como base para otros trabajos o investigaciones. La construcción de una base de
datos con 79 ciudades y más de 42 KPIs permite que se sigan realizando otros análisis y
clasificaciones de las ciudades estudiadas. Además, la clusterización obtenida no es más que
un análisis previo que puede ser utilizado por otros estudios de movilidad.
Se proponen las siguientes líneas futuras a seguir:
1. Verificación de la efectividad de la clusterización jerárquica:
En este trabajo se presenta una clusterización jerárquica con la que se pueden identificar
aquellas ciudades que son similares en términos de movilidad urbana. Si la efectividad de esta
clusterización fuera elevada, esto querría decir que la misma medida adoptada en dos
ciudades caracterizadas como similares, proporcionaría resultados similares. Además, los
problemas de movilidad identificados en una ciudad deberían ser parecidos a los problemas
que sufren ciudades de su mismo clúster.
Se propone por tanto realizar un estudio de los problemas y medidas de movilidad urbana de
varias de las ciudades estudiadas y verificar si existen similitudes acordes con la clusterización
realizada en este trabajo.
Como ejemplo se propone el caso de las zonas de restricción al tráfico en las ciudades de
Madrid y Berlín. Ambas ciudades han sido emparejadas en la clusterización y ambas tienen
zonas de restricción al tráfico creadas para reducir la contaminación. Sería interesante evaluar
la efectividad de dichas medidas en ambas ciudades, así como el impacto y la aceptación por
parte de los ciudadanos.
Mediante el estudio de varios casos similares al propuesto se podría comprobar si la
clusterización en función de los KPIs seleccionados en este trabajo es una herramienta
efectiva.
2. Validación, verificación y mejora de la base de datos:
Tal y como se ha comentado en los resultados de este trabajo, se han identificado varias
fuentes de error y sesgo en la base de datos utilizada para la clusterización. Sería interesante
validar y verificar los datos utilizados. También sería interesante mejorar la base de datos,
aumentando el número de KPIs y de ciudades disponibles para la clusterización.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 101
7 Bibliografía30 AIRBUS, 2019. Cities: the key to a sustainable future for our planet. Airbus.com [en línea].
[Consulta: 24 mayo 2019]. Disponible en: https://www.airbus.com/newsroom/news/en/2019/05/cities-the-key-to-a-sustainable-future-for-our-planet.html.
AUTOPISTA, 2019. Toda la verdad sobre el precio de la gasolina: cuánto cuesta, cuánto pagamos y sus impuestos | Noticias | Autopista.es. autopista.es [en línea]. [Consulta: 9 agosto 2019]. Disponible en: https://www.autopista.es/noticias-motor/articulo/toda-la-verdad-sobre-el-precio-de-la-gasolina-cuanto-cuesta-pagamos-impuestos-como-se-reparten.
BUOLAMWINI, J. y GEBRU, T., 2018. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, vol. 81, pp. 1-15. ISSN 11786930. DOI 10.2147/OTT.S126905.
CARVALHO, L., 2015. Smart cities from scratch? A socio-technical perspective. Cambridge Journal of Regions, Economy and Society, no. 8 (1), pp. 43-60.
CORWIN, S., 2017. The urban optimist: Daniel Doctoroff on the future of cities. , no. 20.
CRAWFORD, K., WEST, S.M. y WHITTAKER, M., 2019. Discriminating Systems: Gender, Race and Power in AI [en línea]. S.l.: s.n. ISBN 6153295159091. Disponible en: https://ainowinstitute.org/discriminatingsystems.pdf.
CUADRAS AVELLANA, C., 1981. Métodos de Análisis Multivariante. EUNIBAR. Barcelona: s.n.
DELOITTE, PETER VIECHNICKI, ABHIJIT KHUPERKAR, TIFFANY DOVEY FISHMAN, W.D.E., 2015. Smart mobility: Reducing congestion and fostering faster, greener, and cheaper transportation options. www2.deloitte.com [en línea]. S.l.: Disponible en: https://www.cambridge.org/core/product/identifier/CBO9781107415324A009/type/book_part.
DELOITTE, 2014. Business Trends 2014. , pp. 134.
DELOITTE, 2018a. The Deloitte City Mobility Index: gauging global readiness for the future of mobility. Deloitte Insights [en línea], pp. 1-12. Disponible en: https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/deloitte-urban-mobility-index-for-cities.html.
DELOITTE, 2018b. The future of parking in the new mobility ecosystem | Deloitte Insights. deloitte.com [en línea]. [Consulta: 9 agosto 2019]. Disponible en: https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/future-of-parking-new-mobility-ecosystem.html.
DIJKSTRA, L. y POELMAN, H., 2012. Cities in Europe the New Oecd-Ec. Regional Focus,
GAGNE, J.-F., KISER, G. y MANTHA, Y., 2019. Global AI Talent Report 2019. [en línea]. [Consulta: 16 junio 2019]. Disponible en: https://jfgagne.ai/talent-2019/.
30 Para la realización de la bibliografía de este trabajo se ha seguido la normativa ISO-690 que es la
sugerida por la biblioteca de la UPM. Para la generación de la bibliografía se ha hecho del uso del editor
bibliográfico Mendeley. El formato de bibliografía se genera automáticamente gracias a la incorporación
del formato de estilo ISO-690, creado en Mendeley por Francisco-Javier Calzada-Prado, trabajador del
Departamento de Biblioteconomía y Documentación la biblioteca de la Universidad Carlos III de Madrid.
Bibliografía
102 Escuela Técnica Superior de Ingenieros Industriales (UPM)
IESE, 2019. IESE - Cities in Motion Index. ,
INDEX, P.C., TAKENAKA, H. y ICHIKAWA, H., 2018. Global Power City Index 2018. ,
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION, 2017. ISO/DIS 37122, Sustainable development of communities - Indicators for Smart Cities. [en línea], pp. 71. Disponible en: https://www.iso.org/obp/ui/#iso:std:iso:37122:dis:ed-1:v1:en.
MAIRIE DE PARIS, 2019. Ville de Paris, la Mairie de Paris et sa commune (75000). [en línea]. [Consulta: 19 junio 2019]. Disponible en: https://www.annuaire-mairie.fr/ville-paris.html.
MCKERRACHER, C., IZADI-NAJAFABADI, A. y SOULOPOULOS, N., 2019. Electric Vehicle Outlook 2019. . S.l.:
MD ROBIN, S., [sin fecha]. What phone was the first to use a face scanner? - Quora. [en línea]. [Consulta: 15 junio 2019]. Disponible en: https://www.quora.com/What-phone-was-the-first-to-use-a-face-scanner.
MORENO, E.L., 2017. Concepts, definitions and data sources for the study of. [en línea]. New York: Disponible en: http://www.un.org/en/development/desa/population/events/pdf/expert/27/papers/II/paper-Moreno-final.pdf.
NETEXPLO, 2019. Web SMART CITIES | Netexplo. [en línea]. [Consulta: 14 abril 2019]. Disponible en: https://netexplo.com/corporate/smart-cities/.
New International Standard for measuring the performance of cities going “smart”. [en línea], 2019. [Consulta: 23 junio 2019]. Disponible en: https://www.iso.org/news/ref2395.html.
NUMBEO, 2019a. About Traffic Indices At This Website. [en línea]. [Consulta: 10 agosto 2019]. Disponible en: https://es.numbeo.com/tráfico/índices-explicados.
NUMBEO, 2019b. Acerca de los Índices de Costo de Vida en Esta Página. [en línea]. [Consulta: 8 agosto 2019]. Disponible en: https://es.numbeo.com/coste-de-vida/índices-explicados.
OBSERVATORIO DE LA BICICLETA PÚBLICA EN ESPAÑA, 2018. Visión general 2018 | Observatorio de la Bicicleta Pública en España. [en línea]. [Consulta: 24 mayo 2019]. Disponible en: https://bicicletapublica.es/vision-general-2018/.
OPEN DATA FOR CITIES, 2019. World Council on City Data ISO37120. [en línea]. [Consulta: 5 agosto 2019]. Disponible en: http://open.dataforcities.org/.
PASCUAL, B. y ENRIC RICART, J., 2019. Índice IESE Cities in Motion 2019. IESE bussiness school University of Navarra, vol. 8, no. 5, pp. 1-100. DOI .1037//0033-2909.I26.1.78.
POPULUS, 2018. The Micro-Mobility Revolution: The introduction and adoption of electric scooters in the United States. [en línea], pp. 18. Disponible en: https://research.populus.ai/reports/Populus_MicroMobility_2018_Jul.pdf.
RANJBARI, M., MORALES-ALONSO, G., SHAMS ESFANDABADI, Z. y CARRASCO-GALLEGO, R., 2018. Sustainability and the Sharing Economy : Modelling the Interconnections. 12th International Conference on Industrial Engineering and Industrial Management XXII Congreso de Ingeniería de Organización, no. July.
ROKACH, L. y MAIMON, O., 2005. DATA MINING AND KNOWLEDGE DISCOVERY HANDBOOK. CLUSTERING METHODS. Springer, Boston, MA, pp. 321-322. DOI https://doi.org/10.1007/978-0-387-09823-4.
SHOHAM, Y., PERRAULT, R., BRYNJOLFSSON, E., CLARK, J., MANYIKA, J., NIEBLES, J.C., LYONS, T., ETCHEMENDY, J., GROSZ, B. y BAUER, Z., 2018. AI Index 2018 Annual Report. [en línea], pp. 1-94. Disponible en: http://cdn.aiindex.org/2018/AI Index
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 103
2018 Annual Report.pdf.
The Agile Manifesto - The Key Principles for Incremental Development. [en línea], [sin fecha]. [Consulta: 27 marzo 2019]. Disponible en: https://www.scrumalliance.org/forbes/transformation/agile-manifesto.
TOMTOM, 2018. Traffic congestion ranking | TomTom Traffic Index. [en línea]. [Consulta: 10 agosto 2019]. Disponible en: https://www.tomtom.com/en_gb/traffic-index/ranking.
UNITED NATIONS-DEPARTMENT OF ECONOMIC AND SOCIAL AFFAIRS-POPULATION DIVISION, 2018. The World ’s Cities in 2018 - Data Booklet. The World ’s Cities in 2018 - Data Booklet,
UNITED NATIONS DEPARTMENT OF ECONOMIC AND SOCIAL AFFAIRS, 2018. World Urbanization Prospects: The 2018 Revision, Methodology. Working Paper No. ESA/P/WP.252 [en línea], Disponible en: https://population.un.org/wup/Publications/Files/WUP2018-Methodology.pdf.
UNIVERSIDAD DE VALENCIA, [sin fecha]. INTRODUCCIÓN AL ANÁLISIS CLUSTER. [en línea]. [Consulta: 6 julio 2019]. Disponible en: https://www.uv.es/ceaces/multivari/cluster/CLUSTER2.htm.
UNIVERSIDAD NACIONAL DE CUYO, F. de I., 2008. Curso de Ingeniería Civil. Guia de estudio para las Catedras de Hidrología I e Hidrología II. S.l.: s.n.
VANOLO, A., 2016. Is there anybody out there? The place and role of citizens in tomorrow’s smart cities. Futures [en línea], vol. 82, pp. 26-36. ISSN 00163287. DOI 10.1016/j.futures.2016.05.010. Disponible en: http://dx.doi.org/10.1016/j.futures.2016.05.010.
WASHINGTON POST, 2010. Details emerge for D.C. streetcars, set to begin in 2012. [en línea]. [Consulta: 8 agosto 2019]. Disponible en: http://www.washingtonpost.com/wp-dyn/content/article/2010/10/24/AR2010102402637.html??noredirect=on.
ZARIF, R., PANKRATZ, D. y KELMAN, B., 2019. Small Is Beautiful: Making micromobility work for citizens, cities, and service providers. THE DELOITTE CENTER FOR INTEGRATED RESEARCH, pp. 18.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 105
8 Planificación temporal y presupuesto
Metodología de trabajo y herramientas utilizadas
Para el desarrollo de este trabajo se ha adoptado una forma de trabajar ágil siguiendo una
metodología Scrum con sprints de dos semanas al final de los cuales se ha realizado una
verificación del progreso con el tutor. Dado que este trabajo se ha realizado a distancia, este
tipo de metodología ha servido tanto para la planificación por parte del autor como para dar
visibilidad del progreso al tutor.
Los principios de desarrollo de proyectos Ágiles fueron concebidos para mejorar la manera en
la que se producía el código de software hace casi 20 años. Con el tiempo, los valores de la
metodología Ágil se han extendido a numerosas industrias y tipos de proyectos. Los principios
están enumerados en un manifestó de donde se pueden extraer una serie de ideas clave
como son la libertad y confianza en el equipo o el individuo que realiza el trabajo, la entrega
continua de contenido desde el principio en intervalos cortos, la evaluación del contenido
entregado y la posibilidad de incorporación de modificaciones. («The Agile Manifesto - The
Key Principles for Incremental Development» [sin fecha])
La metodología Scrum surge para aplicar de forma metódica los principios Agiles a la forma
de trabajar. En principio la metodología Scrum está pensada para trabajo en equipo ya que
facilita la comunicación entre los integrantes del equipo y visibiliza el trabajo realizado para
que el jefe de proyecto, el business owner o el cliente puedan realizar el seguimiento del
proyecto. Al ser el trabajo de carácter individual, la metodología scrum solo aporta valor en la
sincronización con el tutor y la visibilidad del avance del trabajo por parte de este.
Siguiendo esta metodología Scrum, el proyecto se ha desglosado desde el principio en sprints
de dos semanas, quedado dividida la carga de trabajo de forma homogénea. A continuación,
se ha realizado la planificación temporal de los incrementos (sprints) y a medida que los
objetivos del trabajo han ido evolucionando, se ha adaptado consecuentemente el contenido
de los sprints.
Finalmente, para realizar la planificación y el seguimiento, se ha utilizado la aplicación Trello,
la cual integra TeamGantt una segunda aplicación que permite la visualización de la
planificación temporal mediante un diagrama de Gantt.
Existen numerosas aplicaciones que permiten la gestión de proyectos con metodología
Scrum31 sin embargo se ha elegido Trello porque es una herramienta online gratuita sencilla
de utilizar y porque la integración con TeamGantt hace de la experiencia de planificación y
seguimiento del trabajo una tarea sencilla, eficiente y efectiva a la vez que ofrece una
experiencia de usuario gratificante. Otra funcionalidad adicional que aporta TeamGantt es la
posibilidad de exportar nuestra planificación tanto en versión PDF como en formato delimitado
por comas CSV. Como aspecto negativo, no se puede cambiar la configuración para que el
primer día de la semana sea el lunes, siendo el domingo el primer día mostrado.
31 Algunas de las herramientas que más se utilizan en las empresas son Jira, ofrecida por Atalassian, Team Foundation Server que se incluye dentro de Microsoft Vsual Studio o IBM Rational Team Concert https://www.ibm.com/fr-fr/marketplace/change-and-configuration-management, sin embargo, son aplicaciones de pago y están claramente orientadas al desarrollo informático habiendo sido por tanto descartadas para este trabajo. Muchas otras aplicaciones están disponibles en internet y ofrecen una versión gratuita con funcionalidades limitadas. Generalmente, con la versión gratuita queda limitada la cantidad de proyectos que permiten gestionarse a la vez o bien la cantidad de miembros que pueden participar.
Planificación temporal y presupuesto
106 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Planificación del trabajo y distribución temporal
La planificación del TFG se realizó tras ser validada la propuesta por el tutor y una vez se
demostró, con el POC, que la idea de clusterizar ciudades en función de parámetros
numéricos y variables cualitativas era factible. Las fases del trabajo, así como el tiempo
estimado dedicado a cada una de las tareas se muestran a continuación y en la tabla 13. Cada
una de las tareas ha sido desglosada indicándose las tareas principales. Estas conforman el
backlog de tareas del trabajo:
1. Idea de proyecto
a. Investigación preliminar
b. Generación de idea de TFG
2. Lanzamiento
a. Búsqueda de tutor
b. Investigación herramientas estadística
c. PoC
3. Planificación
a. Investigación de metodologías de trabajo
b. Generación del planning (Gantt)
4. Ejecución
a. Identificación y análisis de referencias bibliográficas
b. NETEXPLO Smart Cities Accelerator Summit 2019 curso presencial
c. Definición de indicadores y selección de KPIs
d. Análisis cualitativo KPIs
e. Recopilación de datos KPIs
f. Validación herramientas estadísticas
g. Análisis estadístico KPIs
h. NETEXPLO Smart Cities Accelerator Summit 2019, curso Online
i. Establecimiento de la metodología de referenciado bibliográfico
5. Seguimiento y control
a. Revisiones y feedback loops con tutor
b. Check calidad documento
6. Finalización
a. Redacción del documento TFG
b. Incorporación de feedback
c. Impresión y trámites finales
Aunque en general podemos considerar que las fases establecidas siguen el orden
establecido, a la hora de realizar la distribución temporal, no siguen necesariamente un orden
cronológico ya que algunas de las tareas se realizan de manera recurrente a lo largo de todo
el proyecto y otras tienen que realizarse en paralelo.
De acuerdo con la metodología Scrum adoptada, se han definido una serie de incrementos
de trabajo (sprints) de dos semanas de duración los cuales comienzan en lunes y terminan en
domingo. Así, cada dos semanas se ha realizado un informe del progreso que se ha enviado
por e-mail al tutor obteniéndose regularmente su feedback y orientando los siguientes sprints
consecuentemente.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 107
Tabla 13 – Dedicación temporal de las tareas realizadas.
La parte correspondiente a la fase I) Idea de proyecto y la parte de búsqueda de tutor
correspondiente a II) Planificación, se consideran trabajo preliminar y no se han incluido en
ningún sprint. Se considera la aprobación de la idea por parte del tutor como el inicio del primer
sprint y a partir de ese momento se han planificado 14 sprints que llevan hasta el 6 de
septiembre de 2019, fecha límite para entregar el TFG.
A cada sprint se le ha asignado una tarea principal extraída del backlog de tareas previamente
definido. Aquellas tareas que por ser demasiado grandes no pueden ser abarcadas en un solo
sprint, se han dividido en varios sprints consecutivos.
En la siguiente tabla se muestra la distribución temporal de los sprints:
Tabla 14 – Planificación temporal.
Los sprints, junto con el resto de las tareas no incluidas expresamente en un sprint concreto,
se han planificado en TeamGannt obteniendo la siguiente distribución temporal:
Idea de proyecto h Lanzamiento h Planificación h Ejecución h
Seguimiento y
control h Finalización h TOTAL
Investigación
preliminar 5
Búsqueda de
tutor 10
Investigación de
metedologias de
trabajo 10
Identificación y análisis
de referencias
bibliográficas 20
Revisiones y
feedback loops
con tutor 15
Redacción del
TFG 60
Generación de
idea de TFG 10
Investigación
herramientas
estadística 10
Generación del
planning (Gantt) 10
NETEXPLO Smart Cities
Accelerator Summit curso
presencial 40
Check calidad
documento 15
Impresión y
trámites
finales 10
PoC 15Definición de indicadores
y selección de KPIs 20
Análisis cualitativo KPIs 20
Recopilación de datos
KPIs 60
Validación herramientas
estadísticas 5
Análisis estadístico KPIs 20
NETEXPLO Smart Cities
Accelerator Summit curso
Online 10
Establecimiento de la
metodología de
referenciado bibliográfico 3
15 35 20 198 30 70 368
4% 10% 5% 54% 8% 19% 100%
Nº de sprint Comienzo Fin Tarea principal Status
Sprint 1 26-feb 17-mar PoC v1 Finalizado
Sprint 2 18-mar 31-mar Planificación Finalizado
Sprint 3 01-abr 14-abr PoC v2 Finalizado
Sprint 4 15-abr 28-abr Definición de indicadores y selección de KPIs (a) Finalizado
Sprint 5 29-abr 12-may Definición de indicadores y selección de KPIs (b) Finalizado
Sprint 6 13-may 26-may Definición de indicadores y selección de KPIs (b) Finalizado
Sprint 7 27-may 09-jun Análisis cualitativo KPIs (a) Finalizado
Sprint 8 10-jun 23-jun Análisis cualitativo KPIs (b) + Recopilación de datos KPIS (a) Finalizado
Sprint 9 24-jun 07-jul Recopilación de datos KPIs (b) + validación planteamiento estadístico Finalizado
Sprint 10 08-jul 21-jul Recopilación de datos KPIs (c) + certificación NETEXPLO Smart Cities Finalizado
Sprint 11* 22-jul 26-jul Análisis estadistico KPIs (a) + Entrega resultados obtenidos Finalizado
Sprint 12 27-jul 11-ago Análisis estadistico KPIs (b) Finalizado
Sprint 13 12-ago 25-ago Redacción documento Finalizado
Sprint 14* 26-ago 31-ago Check calidad documento Finalizado
Validación 01-sep 06-sep Validación Gustavo + Entrega TFG en indusnet Finalizado
Impresión 07-sep 13-sep Impresión, entrega en secretaría y trámites finales En progreso
Presentación 23, 30 de septiembre y 1 de octubre 2019
Ilustra
ció
n 3
3 - D
iag
ram
a d
e G
an
nt.
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 109
9 Índice de figuras Ilustración 1 - Informe Perspectivas Mundiales de Urbanización publicado por la ONU. ___________________ 16 Ilustración 2 -United Nations-Department of Economic and Social Affairs-Population Division. The World ’s Cities
in 2018 - Data Booklet. World ’s Cities 2018 - Data Book. (2018). ____________________________________ 17 Ilustración 3 - Evolución de la adopción de los vehículos eléctricos para distintos tipos de vehículos.
(McKerracher, Izadi-Najafabadi y Soulopoulos 2019). ______________________________________________ 18 Ilustración 4 - Masdar City, Abu Dhabi (https://transsolar.com/fr/projects/masdar-city). _________________ 26 Ilustración 5 - Songdo, Korea del Sur (https://www.kpf.com/projects/new-songdo-city). __________________ 26 Ilustración 6 - Captura de pantalla de la aplicación BOS:311. https://311.boston.gov/ ___________________ 27 Ilustración 7 - Evolución de los sistemas de bicicleta pública en España. (Observatorio de la Bicicleta Pública en
España 2018). _____________________________________________________________________________ 29 Ilustración 8 - Evolución del número de bicicletas y de estaciones de bicicleta pública en España. (Observatorio
de la Bicicleta Pública en España 2018). _________________________________________________________ 30 Ilustración 9 – Clusterización POC. _____________________________________________________________ 33 Ilustración 11 - Países miembros de la OECD. _____________________________________________________ 20 Ilustración 12 - Dijkstra, L. & Poelman, H. Cities in Europe the New OECD-Ec. Reg. Focus (2012). ___________ 21 Ilustración 13 – Modelo de aglomeración urbana en el que la población es superior a la población de la ciudad
propiamente dicha. _________________________________________________________________________ 22 Ilustración 14 - Modelo de aglomeración urbana el que la población es inferior a la población de la ciudad
propiamente dicha. _________________________________________________________________________ 23 Ilustración 15 - Mapa mental de indicadores y KPIs. _______________________________________________ 42 Ilustración 16 - Ilustración extraída de los apuntes del curso Analyse de Données de Sandie Ferrigno. Ecole des
Mines, Nancy. _____________________________________________________________________________ 46 Ilustración 17 - Distribución de las ciudades europeas y de Norte América seleccionadas para el trabajo
ordenadas en función de su densidad de población. _______________________________________________ 54 Ilustración 18 - Ciudades estudiadas en este trabajo con mayor número de rascacielos. __________________ 55 Ilustración 19 - Ejemplos de ciudades clasificadas según los distintos modelos de tipo de morfología definidos. 56 Ilustración 20 - Comparación de la puntuación en el índice de coste de vida con la clasificación en el índice de
poder adquisitivo. __________________________________________________________________________ 60 Ilustración 21 - Autobuses urbanos eléctricos pertenecientes a la flota de autobuses de la ciudad de Shenzhen, la
primera flota completamente eléctrica del mundo (16.000 autobuses). El próximo reto de esta ciudad es
electrificar sus 22.000 taxis. Link: https://www.theguardian.com/cities/2018/dec/12/silence-shenzhen-world-
first-electric-bus-fleet _______________________________________________________________________ 65 Ilustración 22 - Mapa del metro de Shanghai, el sistema de metro más desarrollado del mundo (632,1 km, y 394
estaciones). Inaugurado el 10 de abril de 1995. Link:
https://www.travelchinaguide.com/cityguides/shanghai/transportation/metro-subway-map.htm _________ 66 Ilustración 23 - Tranvía (Streetcar) de Washington DC. _____________________________________________ 68 Ilustración 24 - Comparación del precio del billete sencillo y del abono mensual para las ciudades estudiadas
ordenadas en orden creciente del coste del abono mensual. ________________________________________ 70 Ilustración 25 - Top 25 de ciudades con mayor número de vehículos eléctricos (EVs). Link:
https://theicct.org/publications/ev-capitals-of-the-world-2018 ______________________________________ 72 Ilustración 26 - Correlaciones del porcentaje de personas que van al trabajo andando con el índice de
Medioambiente del IESE, el número de días de lluvia y el precio de la gasolina. _________________________ 74 Ilustración 27 - La flota de bicicletas compartidas adquiere dimensiones impactantes en China. Existen
numerosos depósitos de bicicletas, como el que se muestra en la imagen, donde se acumulan decenas de miles
de bicicletas de empresas como Mobike, Ofo y Hellobike, las tres compañías más grandes de bicicletas
compartidas en China. Más fotos impactantes disponibles en el siguiente link:
https://www.theatlantic.com/photo/2018/03/bike-share-oversupply-in-china-huge-piles-of-abandoned-and-
broken-bicycles/556268/ _____________________________________________________________________ 77 Ilustración 28 - Cobertura de la red de transporte público en la ciudad de Madrid (Azul) y zonas verdes de la
ciudad (Verde). Link: https://urbanmobilityindex.here.com/city/madrid _______________________________ 86 Ilustración 29 - Resultados de la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs
seleccionados para la clusterización. Método aglomerativo ascendente Ward.D2. _______________________ 88
Índice de figuras
110 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Ilustración 30 – Clusterización con 5 grupos ______________________________________________________ 91 Ilustración 31 – Clusterización con 10 grupos. ____________________________________________________ 93 Ilustración 32 – Clusterización con 20 grupos. ____________________________________________________ 95 Ilustración 33 - Casual Loop Diagram (CLD) disponible en el artículo Sustainability and the Sharing Economy:
Modelling the Interconnections. (Ranjbari et al. 2018). ______________________ ¡Error! Marcador no definido. Ilustración 34 - Diagrama de Gannt. ___________________________________________________________ 108 Ilustración 35 - Indicadores de la dimensión Cultura y Aspecto Social ________________________________ 115 Ilustración 36 - Indicadores de la dimensión Demografía y Geografía ________________________________ 115 Ilustración 37 - Indicadores de la dimensión Economía ____________________________________________ 116 Ilustración 38 - Indicadores de la dimensión Medio Ambiente ______________________________________ 116 Ilustración 39 - Indicadores de la dimensión Transporte ___________________________________________ 117
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 111
10 Índice de tablas
Tabla 1 - Primeras ciudades del índice IESE Cities in Motion Index. Las distintas columnas muestran la
clasificación obtenida por las ciudades en las diferentes dimensiones y en la última se muestra la clasificación
global. Datos extraídos manualmente (Pascual y Enric Ricart 2019). __________________________________ 35 Tabla 2 – Indicadores de movilidad urbana del Deloitte - City Mobility Index 2019 (Deloitte 2018a). ________ 36 Tabla 3 - United Nations, Department of Economic and Social Affairs, Population Division (2018). World
Urbanization Prospects: The 2018 Revision, Online Edition. _________________________________________ 23 Tabla 4 - Correlaciones entre las clasificaciones obtenidas por las ciudades en las distintas dimensiones
estudiadas en el IESE Cities In Motion Index. _____________________________________________________ 39 Tabla 5 - Indicadores de la dimensión Capital Humano. (IESE 2019 Cities in Motion Index). ________________ 50 Tabla 6 - Indicadores de la dimensión Tecnología. (IESE 2019 Cities in Motion Index). ____________________ 51 Tabla 7 - Indicadores de la dimensión Cohesión Social. (IESE 2019 Cities in Motion Index). ________________ 52 Tabla 8 – Carreteras más congestionadas de Londres. _____________________________________________ 60 Tabla 9 - Indicadores de la dimensión Gobernanza. (IESE 2019 Cities in Motion Index). ___________________ 62 Tabla 10 - Indicadores de la dimensión Medioambiente. (IESE 2019 Cities in Motion Index). _______________ 63 Tabla 11 - Indicadores de la dimensión Planificación Urbana. (IESE 2019 Cities in Motion Index). ___________ 82 Tabla 12 - Indicadores de la dimensión Movilidad y Transporte. (IESE 2019 Cities in Motion Index). _________ 83 Tabla 13 – Dedicación temporal de las tareas realizadas. __________________________________________ 107 Tabla 14 – Planificación temporal. ____________________________________________________________ 107 Tabla 15 – Datos utilizados para la clusterización ________________________________________________ 120
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 113
11 Glosario 1. Clúster: Un clúster es una agrupación de individuos parecidos entre sí y diferentes a
los individuos de los otros grupos.
2. Clusterización: Técnica de procesamiento automático de datos que realiza una
agrupación de individuos en distintos clústeres. Más información sobre los tipos y
métodos de clusterización disponible en el apartado de metodología (Análisis y
clusterización de los KPIs)
3. Indicador: Parámetro utilizado para evaluar el estado de una situación o de algún
aspecto concreto. Aunque generalmente son de carácter cuantitativo, también pueden
ser datos de carácter cualitativo. La comparación en el tiempo de indicadores permite
medir la evolución.
4. KPI: Abreviatura de la expresión inglesa Key Performance Indicador. Un indicador
clasificado como KPI es aquel que se considera clave para la descripción del
desempeño. En el ámbito de este trabajo, del desempeño en materia de movilidad
urbana.
5. Smart City (ciudad inteligente): Según la normativa ISO 37122:201932, una ciudad
inteligente es una ciudad que aumenta el ritmo al que se obtienen resultados de
sostenibilidad social, económica y ambiental y responde a desafíos como el cambio
climático, el rápido crecimiento de la población y la inestabilidad política y económica
mediante la mejora sustancial de la forma en que se involucra a la sociedad, la
aplicación de métodos de liderazgo colaborativo, la colaboración entre las disciplinas
y los sistemas de la ciudad, y la utilización de la información de los datos y de las
tecnologías modernas para prestar mejores servicios y mejorar calidad de vida a los
habitantes de la ciudad (residentes, empresas, visitantes), tanto en la actualidad como
en el futuro inmediato, sin que esto implique una desventaja injusta para otros ni una
degradación del medio ambiente natural.
6. Data mining: La minería de datos (data mining en inglés) es un campo
multidisciplinario de la informática y la estadística cuyo objetivo es extraer información
de un grupo de datos transformando y estructurando la información de manera que
sea comprensible. Se trata de técnicas utilizadas, generalmente, en situaciones en las
que se desea analizar grandes cantidades de datos. La diferencia entre el análisis de
datos y la minería de datos es que el objetivo del primero es probar hipótesis mientras
que el objetivo de la minería de datos es encontrar patrones o relaciones desconocidas
en los individuos o sets de datos estudiados.
32 Traducción propia. Texto en inglés disponible en el link: https://www.iso.org/obp/ui/#iso:std:iso:37122:ed-1:v1:en
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 115
12 Anexos
Indicadores
12.1.1 Indicadores de la dimensión Cultura y Aspecto Social
Ilustración 34 - Indicadores de la dimensión Cultura y Aspecto Social
12.1.2 Indicadores de la dimensión Demografía y Geografía
Ilustración 35 - Indicadores de la dimensión Demografía y Geografía
Anexos
116 Escuela Técnica Superior de Ingenieros Industriales (UPM)
12.1.3 Indicadores de la dimensión Economía
Ilustración 36 - Indicadores de la dimensión Economía
12.1.4 Indicadores de la dimensión Medio Ambiente
Ilustración 37 - Indicadores de la dimensión Medio Ambiente
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 117
12.1.5 Indicadores de la dimensión Transporte
Ilustración 38 - Indicadores de la dimensión Transporte
Anexos
120 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Datos utilizados y clusterización C
iud
ad
Cap
ital
hu
man
o
Tecn
olo
gía
Co
he
sió
n S
oci
al
Nº
de
Hab
itan
tes
De
nsi
dad
de
po
bla
ció
n
Sup
. Ciu
dad
pro
pia
me
nte
dic
ha
Ras
caci
elo
s
Mo
rfo
logí
a d
e la
ciu
dad
Dis
trib
uci
ón
zo
nas
ric
as y
po
bre
s
Mar
/Sim
ilar
Río
Inte
rnac
ion
aliz
ació
n
Co
ste
de
vid
a e
n g
en
era
l
Pre
cio
de
l alq
uil
er
Po
de
r d
e a
dq
uis
ició
n
ISO
37
12
0
Go
vern
anza
Me
dio
amb
ien
te
Día
s d
e ll
uvi
a
mm
3 d
e ll
uvi
a
Ind
ice
de
co
nta
min
acio
n
Nº
Lin
eas
de
Au
tob
use
s U
rban
os/
1M
Nº
Lin
eas
Me
tro
/1M
hab
itan
tes
Nº
Pas
aje
ros
me
tro
/1M
hab
itan
tes
Km
s d
e li
ne
a d
e m
etr
o/1
M h
abit
ante
s
Co
mp
acid
ad d
e la
re
d
Km
s d
e li
ne
a tr
anví
a/1
M h
abit
ante
s
Nº
Esta
cio
ne
s tr
anví
a/1
M h
abit
ante
s
Pre
cio
de
bil
lete
se
nci
llo
Pre
cio
de
ab
on
o m
en
sual
Pre
cio
1l d
e G
aso
lin
a
Pre
cio
To
yota
Co
roll
a 1
.6l
NºE
Vs
(Ciu
dad
en
To
p 2
5)
Bik
e c
om
mu
tin
g
Wal
k co
mm
uti
ng
Co
ste
tax
i ofi
cial
Ub
er
Bic
icle
tas
/10
.00
0 h
abit
ante
s
Tom
Tom
tra
ffic
ind
ex
Nu
mb
eo
Tra
ffic
ind
ex
Pla
nif
icac
ión
urb
ana
Mo
vili
dad
y t
ran
spo
rte
Amsterdam 36 7 38 1148972 821 1164 10 2 1 0 2 2 80,19 53,83 53,83 1 27 28 132 838 31 4 3 74 28 1128 70 272 3,00 90,50 1,64 25988,57 1 53 24 23,91 1 36,12 199 94,72 11 11
Ankara 113 138 115 5117603 205 660 36 4 2 0 0 142 35,67 6,13 6,13 0 131 139 94 450 71 9 1 22 13 1288 2 2 0,52 28,36 1,18 20092,88 0 0 15 5,45 0 0,00 86 145,12 95 86
Antwerp 108 63 40 1042471 923 204 0 2 1 0 2 129 74,00 25,54 25,54 0 96 48 208 730 61 1 2 12 7 844 69 125 2,20 47,00 1,44 25988,57 0 39 33 2,25 0 37,90 92 162,63 42 32
Athens 78 27 155 3153355 1850 614 1 2 1 2 0 61 59,78 14,24 14,24 0 143 52 43 365 58 10 1 108 19 973 9 15 1,40 30,00 1,57 18654,71 0 2 42 9,81 1 0,00 29 150,39 133 80
Auckland 95 37 25 1606564 1210 544 13 4 1 2 0 51 77,93 41,40 41,40 0 38 7 136 1211 30 24 0 0 0 0 0 0 2,40 119,77 1,31 17354,85 0 1 4 14,67 1 0,00 112 165,64 53 106
Baltimore 56 60 103 2325087 2873 238 24 1 1 2 0 91 74,75 41,57 42,50 0 42 129 116 1064 64 3 0 8 11 1885 21 14 1,71 60,80 0,61 17733,88 0 1 7 13,64 1 0,00 118 127,26 47 115
Barcelona 46 24 89 5585556 1517 681 7 3 1 2 1 11 60,23 42,50 33,52 1 29 51 55 640 24 4 2 70 25 835 5 11 2,10 54,00 1,32 19877,78 0 7 30 12,38 0 8,30 167 102,31 29 12
Berlin 5 32 39 3562038 295 1077 12 1 1 0 2 5 66,48 46,50 32,43 0 6 47 106 571 46 8 3 142 41 797 53 225 2,80 81,00 1,41 17288,33 0 24 19 2,90 1 5,00 340 99,53 40 6
Birmingham 38 85 34 842065 4200 267 2 4 2 0 1 80 64,10 32,43 29,47 0 55 72 125 681 25 32 0 0 0 0 24 27 2,84 68,14 1,44 22231,61 0 0 2 17,57 1 0,00 135 138,00 70 75
Boston 4 19 84 4308634 656 4839 50 4 2 2 2 69 86,71 29,47 73,62 1 15 115 126 1112 43 4 1 34 16 1075 4 8 2,14 72,36 0,64 18066,37 0 2 15 19,27 1 5,48 174 216,40 21 131
Bratislava 49 113 14 434926 313 367 8 4 1 0 2 122 48,17 73,62 20,68 0 50 35 144 557 62 21 0 0 0 0 91 349 0,90 27,00 1,36 15310,00 0 4 22 8,30 1 1,38 69 95,69 67 85
Brussels 112 33 66 2080788 806 162 15 1 1 0 2 45 74,58 20,68 30,63 0 44 43 199 852 54 3 1 64 15 555 67 140 2,10 49,00 1,44 21805,00 0 6 38 18,80 1 18,34 39 126,44 49 24
Budapest 42 67 108 1768073 464 525 0 1 1 0 2 37 45,03 30,63 17,49 0 85 38 81 563 54 15 2 171 19 846 89 355 1,09 29,70 1,21 17379,70 0 9 37 1,18 1 10,03 54 137,79 83 61
Chicago 10 35 104 8865009 504 10163 326 2 2 2 2 18 79,21 17,49 56,55 0 41 130 124 937 44 2 1 25 19 1145 0 0 2,14 89,91 0,72 16913,15 0 1 6 13,65 1 5,17 122 188,18 5 38
Cologne 61 70 26 1118789 1216 568 10 1 1 0 2 63 66,84 56,55 27,91 0 31 92 133 796 20 7 13 189 42 1185 220 210 2,90 93,75 1,42 19198,00 0 15 7 18,38 0 0,63 176 151,86 130 27
Copenhagen 28 10 11 1346485 568 456 2 2 1 2 2 16 87,22 27,91 45,45 0 12 3 102 523 46 1 1 40 16 1050 0 0 3,22 53,74 1,45 31878,95 0 30 10 24,12 1 17,91 241 86,47 75 25
Dallas 12 29 80 6300661 211 9479 46 2 1 0 1 85 66,54 45,45 45,63 0 63 134 81 954 40 2 0 0 0 0 26 17 2,14 68,50 0,58 17050,84 0 0 2 11,62 1 0,00 299 174,10 71 120
Denver 31 12 78 2826679 131 9841 39 1 1 0 1 44 73,84 45,63 52,77 0 45 158 87 396 39 4 0 0 0 0 17 9 2,23 85,20 0,61 17106,97 0 2 4 11,78 1 2,14 234 169,69 18 96
Dublin 105 28 42 1228179 274 924 0 2 1 2 2 30 79,21 52,77 61,71 0 67 24 129 758 26 10 0 0 0 0 34 44 2,70 125,00 1,42 26051,67 0 17 35 14,40 1 11,18 14 153,34 92 69
Edinburgh 24 54 12 536775 510 263 0 1 1 2 0 38 67,87 61,71 31,85 0 75 81 254 750 21 13 0 0 0 0 26 30 1,93 61,33 1,40 22231,61 0 2 14 16,50 1 6,19 27 96,70 109 39
Eindhoven 82 9 9 358966 516 175 2 2 1 0 1 99 74,73 31,85 33,54 1 58 107 214 750 21 9 0 0 0 0 0 0 3,75 55,00 1,60 22231,61 0 24 3 28,00 1 0,00 247 83,03 69 48
Frankfurt 45 73 44 777156 616 370 33 4 1 0 2 32 71,65 29,33 36,26 0 59 80 169 629 28 7 4 170 26 732 84 111 2,80 89,00 1,43 19198,00 0 21 18 2,60 0 25,09 159 85,73 25 18
Geneva 85 48 30 679613 1088 66 0 3 1 1 0 13 122,12 36,26 68,69 0 2 60 172 1030 32 11 0 0 0 0 53 112 2,60 60,68 1,46 22272,73 0 7 9 32,96 1 16,92 65 104,75 139 41
Glasgow 25 84 17 1673332 540 1070 0 2 1 0 2 60 63,87 68,69 26,06 0 49 95 170 1124 30 7 1 8 6 743 0 0 2,61 57,92 1,43 21934,92 0 6 37 22,90 1 2,73 184 138,68 80 95
Hamburg 32 59 74 1789954 450 738 3 4 2 0 2 46 71,06 26,06 33,65 0 28 57 129 773 12 6 2 111 58 1102 0 0 3,20 85,00 1,43 19198,00 0 30 17 2,50 0 3,96 67 105,24 55 14
Helsinki 55 66 10 1304851 314 777 0 4 1 2 0 39 74,79 33,65 35,81 1 8 12 115 682 55 9 1 48 27 1462 74 204 2,90 54,70 1,52 24142,61 0 19 42 2,37 1 25,98 278 105,94 64 47
Houston 40 39 119 6370704 234 6914 100 1 2 0 1 56 64,76 35,81 43,05 0 60 150 104 1264 70 1 0 0 0 0 6 6 1,07 42,81 0,56 16411,63 0 0 2 12,40 1 0,84 204 201,41 17 129
Istanbul 124 76 165 15190336 2523 1360 97 3 2 2 2 48 38,37 43,05 10,33 0 151 132 84 805 48 3 0 5 7 1393 2 3 0,49 38,76 1,16 19965,39 0 0 21 4,67 1 1,07 6 247,50 66 112
Leeds 26 99 27 766000 508 1663 2 4 1 0 2 128 64,47 10,33 26,97 0 72 84 152 1024 37 8 0 0 0 0 0 0 2,84 63,60 1,40 22231,61 0 1 8 14,77 0 0,00 148 191,07 119 74
Lisbon 77 49 70 2956879 700 1128 2 4 2 2 2 26 53,75 26,97 32,13 0 73 14 77 726 37 3 1 62 15 852 16 28 1,45 36,70 1,56 21964,92 0 1 26 7,53 1 0,00 77 137,72 76 76
Liverpool 65 93 19 901708 1440 644 1 2 2 2 2 127 61,22 32,13 24,08 0 78 109 115 1368 23 12 0 0 0 0 0 0 2,61 73,48 1,40 22231,61 0 1 7 18,84 0 3,28 151 189,38 103 101
Ljubljana 100 36 32 279631 230 275 0 4 1 0 0 134 55,03 24,08 19,73 0 91 45 115 1368 60 11 0 0 0 0 0 0 1,20 37,00 1,32 20878,57 0 26 20 8,58 0 12,55 203 107,59 93 72
London 1 8 45 9304016 1851 2489 77 4 2 0 2 1 81,12 19,73 68,97 1 7 34 109 557 61 7 1 0 43 1552 3 4 2,84 154,45 1,45 24134,79 1 6 31 34,85 1 0,88 40 167,81 9 3
Los Angeles 2 21 82 12446597 213 83882 72 4 1 2 1 33 59,88 68,97 24,66 1 5 152 36 326 49 1 0 4 5 2196 9 5 1,50 85,63 0,82 17200,58 1 1 4 15,83 1 1,02 24 271,72 14 134
Madrid 41 34 55 6617513 841 1444 14 2 1 0 1 17 58,85 26,10 32,21 0 46 58 63 436 54 3 2 96 44 1062 4 5 1,50 54,60 1,28 20552,50 0 2 22 11,73 1 0,25 228 136,22 33 9
Manchester 19 77 53 2730076 1065 1274 2 1 2 0 2 74 66,59 32,21 30,08 0 76 101 143 829 26 22 0 0 0 0 34 34 3,41 73,82 1,41 22145,48 0 10 36 16,83 1 0,00 8 177,86 101 52
Melbourne 33 40 23 4967733 472 2705 131 3 2 2 2 6 73,30 30,08 43,04 1 4 31 93 603 41 7 0 0 0 0 49 365 2,78 96,96 0,94 15110,96 0 2 4 12,15 1 1,21 113 184,41 15 111
Miami 18 62 102 6122134 391 14274 112 3 1 2 0 9 76,59 43,04 58,87 0 47 142 135 1572 68 2 0 3 7 1809 0 0 1,93 96,23 0,63 17668,71 0 1 4 14,47 1 1,47 101 210,54 36 94
Milan 34 96 81 3140181 1326 2024 12 1 2 0 0 31 75,15 58,87 39,06 0 109 66 83 920 31 3 1 104 31 889 58 209 1,50 35,00 1,58 22272,73 0 6 17 14,66 1 10,90 103 133,98 56 23
Montreal 50 43 43 4220566 359 1623 47 1 2 0 2 41 66,39 39,06 27,38 0 40 63 163 1000 21 6 1 52 16 1003 0 0 2,15 56,17 0,88 14574,69 0 2 6 12,43 1 15,41 138 161,50 7 84
Munich 63 38 16 1538302 519 311 4 2 1 0 0 28 72,90 27,38 43,53 0 32 69 129 967 81 4 4 234 61 981 51 107 2,90 66,50 1,41 19198,00 0 27 19 19,33 1 83,21 110 110,09 58 8
Naples 99 136 99 2186853 2279 1174 0 2 1 2 0 111 61,06 43,53 19,09 0 141 112 87 1008 55 7 1 16 16 1160 5 15 1,20 40,00 1,55 22272,73 0 1 34 5,00 1 0,00 97 219,78 115 81
New York 3 11 137 18803552 848 12496 857 4 2 2 2 8 100,00 19,09 100,00 0 26 78 122 1268 25 2 1 0 20 852 0 0 2,35 103,61 0,69 18877,92 1 1 10 15,80 1 6,31 42 171,93 2 5
Oslo 71 17 20 1041378 182 452 2 4 1 2 0 19 105,36 100,00 44,70 1 52 8 113 763 18 6 5 73 82 885 126 95 3,66 76,97 1,63 29008,81 1 14 18 22,19 1 22,71 240 120,04 54 20
Ottawa 43 75 13 1393086 120 3274 3 2 1 0 0 98 69,34 44,70 31,14 0 16 62 161 920 67 12 0 0 0 0 0 0 2,31 76,99 0,82 15667,60 0 3 7 11,95 1 0,00 141 137,01 6 79
Paris 6 15 86 11017230 994 2074 24 2 1 0 2 3 85,13 31,14 46,55 0 37 54 111 637 48 3 1 0 20 599 10 17 1,90 75,00 1,55 22335,71 1 5 51 16,75 1 11,21 41 154,18 50 4
Philadelphia 16 22 96 5716764 498 4472 57 3 2 0 2 88 83,12 46,55 46,31 0 51 144 118 1055 59 1 1 19 11 984 11 21 2,14 82,20 0,68 17279,40 0 2 9 19,57 1 2,11 197 185,32 43 110
Phoenix 13 56 72 4511420 123 23953 13 2 1 0 1 43 67,87 46,31 35,71 0 56 137 30 208 37 2 0 0 0 0 9 8 1,71 54,38 0,64 17791,19 0 1 2 13,68 1 0,94 326 148,17 59 66
Porto 125 89 56 1312947 1335 637 0 2 2 2 2 86 51,70 35,71 24,11 1 92 19 101 1320 36 6 2 82 17 2112 53 62 1,50 31,00 1,55 23271,43 0 8 19 7,55 1 0,00 121 113,78 138 103
Prague 57 46 29 1305737 382 533 1 4 1 0 2 20 49,08 24,11 25,56 0 82 26 94 526 15 12 2 406 50 1550 109 210 0,93 21,29 1,24 17039,97 0 4 36 1,95 1 7,28 149 104,40 81 57
Reykjavik 53 4 18 212120 20 1039 0 4 1 2 0 22 98,01 25,56 48,84 0 19 1 148 798 37 26 0 0 0 0 0 0 3,77 100,74 1,78 30436,01 0 10 16 28,13 0 0,00 309 93,66 108 46
Riga 74 61 101 630692 153 303 3 2 2 0 2 93 49,93 48,84 13,22 0 97 27 120 636 67 13 0 0 0 0 289 360 1,15 50,00 1,28 17497,33 0 6 31 5,76 0 2,38 187 120,87 26 73
Rome 48 106 120 4257056 716 1331 1 1 2 0 2 14 71,26 13,22 36,86 0 62 123 78 799 67 8 1 78 14 859 9 45 1,50 35,00 1,59 24550,00 0 1 4 16,18 1 0,00 31 195,36 141 62
Rotterdam 62 47 35 1010026 780 704 20 2 1 0 2 92 71,00 36,86 38,18 1 101 49 131 856 38 8 5 86 79 1391 74 319 3,25 55,00 1,63 25988,57 0 41 24 2,36 0 0,00 209 109,84 16 16
San Antonio 37 51 63 2320137 111 3265 6 1 1 0 1 103 66,08 38,18 35,17 0 57 135 83 820 35 5 0 0 0 0 0 0 1,46 32,54 0,55 18752,97 0 0 2 16,65 1 2,25 321 127,71 44 99
San Diego 21 45 62 3251064 300 11059 33 4 1 2 1 52 72,45 35,17 64,77 1 10 138 42 263 36 3 0 0 0 0 26 17 2,14 61,65 0,82 17367,78 1 1 3 15,99 1 0,00 171 170,16 61 122
San Francisco 11 3 79 3313702 489 8645 93 4 1 2 3 36 89,10 64,77 113,78 0 64 122 68 525 70 7 2 33 53 4365 18 26 2,35 68,50 0,85 17483,86 1 3 10 15,62 1 5,64 55 236,96 13 100
Santiago 93 100 111 6767223 630 2847 11 2 1 0 0 57 52,07 113,78 17,01 0 87 30 52 313 28 6 1 95 17 1051 0 0 0,98 47,23 1,08 14497,93 0 4 34 7,83 1 2,93 28 137,89 28 56
Seattle 51 30 77 3432944 244 15575 57 3 1 2 0 67 86,59 17,01 65,32 0 23 143 149 958 49 6 0 36 8 1813 7 7 2,35 84,77 0,76 19208,74 1 3 9 14,66 1 0,00 95 201,36 78 149
Seoul 14 6 95 9963452 3594 3326 140 4 2 0 2 34 84,35 65,32 27,55 0 39 32 109 1451 49 4 1 0 33 1114 0 0 1,00 43,79 1,28 23319,04 0 1 35 7,73 1 12,32 213 154,70 27 17
Skopje 150 102 142 595275 888 91 4 4 1 0 1 154 35,71 7,99 7,99 0 121 119 65 474 83 4 0 0 0 0 0 0 0,57 24,36 1,11 16851,74 0 1 35 4,92 0 0,00 304 103,55 162 113
Stockholm 58 14 60 1632798 321 1387 4 4 1 0 2 24 77,63 37,54 37,54 0 24 5 105 539 16 33 2 189 65 1047 24 36 3,49 83,42 1,47 20393,21 1 17 33 19,24 1 9,19 168 128,24 48 21
Stuttgart 70 69 15 632692 750 350 0 4 1 0 2 89 67,75 32,46 32,46 0 79 65 139 717 42 9 3 276 38 1412 202 316 2,80 85,00 1,38 19198,00 0 13 23 23,30 0 15,33 108 115,62 96 30
Sydney 29 26 22 4925987 406 2179 124 4 1 2 3 10 80,03 56,05 56,05 0 22 18 98 1223 29 1 1 6 4 2005 3 5 2,59 140,52 0,96 15627,07 0 1 5 15,17 1 0,00 59 202,00 23 109
Tallinn 47 53 37 445259 133 159 4 3 1 2 0 95 53,35 17,43 17,43 0 125 21 127 693 23 14 0 0 0 0 88 74 2,00 23,00 1,34 16708,57 0 1 26 6,83 1 0,00 96 92,87 62 90
Tel Aviv 126 42 57 4181480 7606 570 47 4 1 2 1 104 83,13 42,25 42,25 0 54 41 68 530 45 2 0 0 0 0 0 0 1,42 51,42 1,54 31314,24 0 2 37 1,32 1 5,05 19 151,73 34 126
Tokyo 9 20 49 37393129 3123 7251 326 4 2 2 2 35 90,81 40,77 40,77 0 71 6 101 1529 43 0 0 0 8 1099 0 1 1,57 78,48 1,13 18247,01 1 14 23 3,44 1 0,00 25 119,01 24 29
Toronto 30 16 76 6196731 436 3249 263 2 1 2 1 27 85,41 50,26 50,26 1 17 53 145 831 38 3 1 45 11 933 13 114 2,15 96,48 0,86 15306,58 0 2 5 12,64 1 6,27 76 196,13 1 58
Turin 87 131 98 1792163 1040 130 1 2 1 0 1 101 69,22 20,68 20,68 0 105 133 81 981 70 7 1 18 7 670 32 104 1,70 38,00 1,59 22583,33 0 8 29 17,43 0 2,01 190 116,84 131 36
Valencia 109 111 46 833724 982 401 2 2 1 2 1 107 54,93 20,09 20,09 1 33 39 83 456 44 7 4 81 38 909 54 52 1,50 40,50 1,29 20552,50 0 1 16 4,00 1 30,61 292 101,34 51 31
Vancouver 83 44 33 2581079 823 1468 56 2 1 2 2 58 73,02 50,93 50,93 0 68 77 168 1457 25 9 1 46 31 1610 0 0 1,87 62,78 1,01 15686,63 0 2 7 13,56 1 6,48 36 150,99 3 71
Vienna 23 13 31 1930056 304 415 13 1 1 0 2 7 69,08 33,03 33,03 0 25 15 98 651 18 3 3 277 43 801 92 555 2,40 40,00 1,24 19253,80 0 13 44 16,87 1 7,30 145 84,01 45 7
Vilnius 22 109 128 538894 159 400 1 4 1 0 2 108 46,81 16,17 16,17 0 53 22 122 683 25 14 0 0 0 0 0 0 1,00 29,00 1,22 16454,55 0 3 17 6,67 1 5,40 107 98,05 57 78
Warsaw 79 124 69 1783251 364 516 20 1 1 0 2 53 43,17 22,24 22,24 0 77 96 93 515 58 16 1 79 16 1104 70 409 1,02 25,48 1,15 17000,60 0 11 17 6,64 1 29,00 34 126,91 20 45
Washington 8 31 71 5321730 379 8116 0 2 1 0 2 40 87,70 75,63 75,63 0 13 141 114 1009 40 5 1 41 36 2134 1 2 2,35 101,47 0,66 17733,88 0 3 12 14,35 1 7,85 131 199,24 10 92
Wellington 68 79 6 414818 290 194 2 4 1 2 0 79 73,00 39,75 39,75 0 14 2 122 1215 14 26 0 0 0 0 0 0 2,99 89,83 1,33 16766,54 0 3 7 15,60 1 0,00 142 93,54 41 70
Wroclaw 89 128 92 641401 122 292 1 1 1 0 2 135 42,00 18,68 18,68 0 112 98 180 683 61 19 0 0 0 0 131 596 0,79 20,85 1,14 17559,01 0 7 19 6,22 1 24,18 51 110,59 46 49
Zagreb 110 78 61 684878 1232 186 0 3 1 0 2 130 50,75 15,34 15,34 1 35 46 95 840 29 20 0 0 0 0 79 374 0,54 48,74 1,35 18524,35 0 13 26 8,17 1 1,33 269 123,52 86 98
Zurich 35 25 1 684878 1048 223 0 4 1 1 2 21 128,27 59,54 59,54 0 9 25 125 1048 16 6 0 0 0 0 106 277 3,73 73,69 1,44 25000,00 0 22 28 35,43 1 0,00 89 101,71 68 55
KPIs
Tabla 15 – Datos utilizados para la clusterización.
Anexos
122 Escuela Técnica Superior de Ingenieros Industriales (UPM)
Correlaciones de los KPIs
KPIs
Capital.humano
Tecnología
Cohesión.social
NºHabitantes
Densidad.de.población
Sup..Ciudad.propiamente.dicha
Rascacielos
Morfología.de.la.ciudad
Distribución.zonas.ricas.y.pobres
Mar.Similar
Río
Internacionalización
Coste.de.vida.en.general
Poder.de.adquisición
ISO.37120
Governanza
Medioambiente
Días.de.lluvia
mm3.de.lluvia
Pollution.Index
Nº.Lineas.de.Autobuses.Urbanos.1M
.habitantes
Nº.Lineas.Metro.1M.habitantes
Nº.Pasajeros.metro.1M.habitantes
Kms.de.linea.1M.habitantes
Nº.Estaciones.1M.habitantes
Compacidad.de.la.red
Kms.de.linea.tranvía.1M.habitantes
Nº.Estaciones.tranvía.1M.habitantes
Precio.de.billete.sencillo
Precio.de.abono.mensual
Precio.1l.de.Gasolina
Precio.Toyota.Corolla.1.6l
NºEVs..Ciudad.en.el.Top.25.
Bike.commuting
Walk.commuting
Coste.taxi.oficial
Bicicletas..10.000.habitantes
TomTom.traffic.index
Traffic.index.Numbeo
Inneficiency.index
Tráfico.en.horas.punta
Planificación.urbana
Movilidad.y.transporte
Cap
ital
.hu
man
o1
44
46
4-3
29
21
2-3
38
-31
6-1
9-2
84
8-2
24
51
2-3
76
-48
7-9
50
7-1
55
4-5
91
56
17
63
3-1
04
-66
-18
61
67
10
6-3
22
-39
93
82
18
9-3
21
78
26
5-2
83
14
6-4
8-2
35
-29
4-2
83
42
61
16
Tecn
olo
gía
44
41
17
6-2
74
14
-20
2-2
84
-14
47
-23
-12
66
02
-61
2-5
98
-18
75
17
18
5-2
2-7
42
12
25
6-4
4-4
-23
2-1
96
-18
91
39
19
1-4
56
-50
91
75
-13
7-4
09
-23
7-3
84
-23
-10
5-1
01
-15
-16
44
22
12
7
Co
hes
ión
.so
cial
64
17
61
33
21
12
17
12
92
-11
12
6-5
51
78
-31
7-9
4-1
53
41
94
5-4
42
-10
94
06
-26
9-1
72
-13
8-1
01
-10
41
92
-21
2-1
76
-62
3-2
91
-34
6-2
76
58
-38
48
5-3
44
-21
7-1
87
40
32
36
42
87
22
3
NºH
abit
ante
s-3
29
-27
43
32
12
73
28
65
81
52
55
21
88
15
3-3
05
16
72
09
-14
-32
83
-24
22
99
-38
6-9
9-1
75
-19
-26
24
7-2
99
-25
9-1
99
20
7-2
97
-15
14
38
-18
8-1
9-1
08
-16
4-2
76
34
72
62
50
1-3
38
-58
Den
sid
ad.d
e.p
ob
laci
ón
21
21
41
12
27
1-1
27
88
15
51
81
75
-16
96
97
-59
-49
12
6-8
7-1
56
11
32
8-4
6-2
9-1
28
-6-6
8-1
-14
5-1
66
-15
2-5
32
18
35
-12
-11
32
18
-13
-9-2
35
77
-22
15
73
15
3
Sup
..C
iud
ad.p
rop
iam
ente
.dic
ha
-33
8-2
02
17
13
28
-12
71
20
51
26
17
16
4-6
-15
33
51
41
86
-22
33
89
-30
1-1
45
79
-24
4-1
26
-15
3-1
15
-15
52
65
-17
1-1
82
-84
18
3-4
09
-19
43
86
-19
-29
25
2-1
41
-77
49
65
68
40
3-2
33
29
5
Ras
caci
elo
s-3
16
-28
42
92
65
88
82
05
11
71
55
27
31
7-2
74
28
54
53
1-1
57
8-1
82
94
-23
-28
3-4
9-1
61
-13
-21
63
-20
1-1
51
-25
30
5-3
81
-18
33
48
-17
8-1
93
-17
-89
-21
29
27
73
87
-38
5-1
Mo
rfo
logí
a.d
e.la
.ciu
dad
-19
-14
-11
11
52
15
51
26
17
11
16
82
85
-52
41
81
18
14
7-1
65
-26
4-1
34
44
-11
11
56
-14
6-9
31
-49
11
8-1
28
-23
71
08
23
89
57
83
09
-54
24
29
-13
5-3
42
41
01
53
-91
33
Dis
trib
uci
ón
.zo
nas
.ric
as.y
.po
bre
s-2
84
72
65
52
18
17
55
16
81
83
82
-11
2-7
48
-61
47
42
-11
23
58
-14
-12
1-2
6-9
15
25
12
6-1
16
-96
-17
96
2-1
38
-86
15
5-2
-7-1
88
-18
5-1
36
28
52
19
40
8-1
74
-12
Mar
.Sim
ilar
48
-23
-55
18
81
75
16
42
73
28
58
1-2
24
-22
63
51
35
52
31
-14
5-1
32
-84
20
9-1
59
-11
6-1
7-2
76
-15
6-1
99
12
8-2
16
-27
51
31
24
-67
12
91
67
-23
6-1
71
96
-14
3-2
39
23
42
71
68
-12
78
Río
-22
4-1
26
11
53
-16
-61
7-5
38
2-2
24
1-1
45
-21
14
9-5
-1-7
73
11
1-1
35
-11
51
69
14
41
63
10
82
25
18
32
71
52
12
2-7
-36
94
16
71
2-3
1-3
-14
14
11
13
26
4-2
11
-12
9
Inte
rnac
ion
aliz
ació
n5
12
60
27
8-3
05
96
-15
3-2
74
24
-11
2-2
26
-14
51
-50
6-5
12
-81
51
22
27
10
93
32
45
22
6-1
72
-27
6-3
59
-38
7-3
07
72
22
-36
2-4
61
5-8
4-3
25
-87
-17
-32
9-1
22
15
6-9
4-1
-28
13
38
38
5
Co
ste.
de.
vid
a.en
.gen
eral
-37
6-6
12
-31
71
67
97
35
28
51
81
-73
51
-21
-50
61
75
58
-57
8-1
28
22
63
17
-23
8-1
79
27
-14
71
36
11
37
8-1
09
-18
16
47
56
4-9
37
23
36
18
5-1
49
61
87
2-2
36
79
29
5-1
95
-20
3
Po
der
.de.
adq
uis
ició
n-4
87
-59
8-9
42
09
-59
14
45
31
84
83
55
14
9-5
12
75
19
4-5
37
13
45
22
11
-83
-23
9-1
7-1
33
16
42
23
45
-21
3-2
12
44
96
09
-35
16
44
63
-1-3
09
46
61
5-1
12
32
33
53
37
-38
49
ISO
.37
12
0-9
-18
7-1
53
-14
-49
18
61
14
7-6
12
31
-5-8
15
89
41
-29
8-1
19
-10
7-1
52
-11
4-1
15
12
1-5
61
89
16
21
42
54
12
51
73
13
48
11
32
71
20
9-4
69
56
82
16
41
19
-6-1
89
-13
Go
vern
anza
50
75
17
41
9-3
21
26
-22
3-1
5-1
65
47
-14
5-1
51
2-5
78
-53
7-2
98
11
65
-92
-52
49
31
-71
18
-99
-11
6-6
11
95
2-5
18
-58
42
02
-2-2
63
-93
28
-45
1-9
6-1
94
9-7
8-2
43
89
11
3
Med
ioam
bie
nte
-15
51
85
45
83
-87
38
97
8-2
64
42
-13
2-7
72
27
-12
81
34
-11
91
65
1-1
19
43
56
-31
2-1
32
-23
5-2
26
-29
11
34
-24
5-2
55
-22
8-6
8-5
9-2
92
-4-3
46
-44
74
1-1
83
53
55
64
97
35
73
54
48
Día
s.d
e.llu
via
4-2
2-4
42
-24
-15
6-3
01
-18
-13
4-1
12
-84
31
10
92
26
52
-10
7-9
2-1
19
13
68
-17
42
25
31
-89
-98
-67
-20
81
53
10
23
69
17
18
81
26
-15
92
74
-72
34
22
5-1
41
-24
3-2
37
-27
-4-2
11
mm
3.d
e.llu
via
-59
-74
-10
92
29
11
3-1
45
29
44
43
58
20
91
13
33
17
21
1-1
52
-54
36
81
-64
-74
-10
3-2
36
-12
9-1
49
11
-2-2
11
99
21
5-1
13
-8-9
6-2
8-2
17
15
-49
-86
15
21
25
10
1-3
71
09
Po
lluti
on
.In
dex
15
62
12
40
69
28
79
-23
-11
1-1
4-1
59
-13
52
45
-23
8-8
3-1
14
24
93
56
-17
4-6
41
-23
2-1
54
-17
4-1
-16
19
8-3
62
3-4
37
-23
2-1
8-7
3-2
5-1
06
61
-19
71
77
-92
36
20
32
31
48
17
6
Nº.
Lin
eas.
de.
Au
tob
use
s.U
rban
os.
1M
.hab
itan
tes
17
62
56
-26
9-3
86
-46
-24
4-2
83
15
6-1
21
-11
6-1
15
22
6-1
79
-23
9-1
15
31
-31
22
25
-74
-23
21
-14
75
-10
7-1
25
-31
41
47
19
51
44
-19
34
2-9
-96
-12
48
48
-92
-9-2
95
-30
1-2
89
22
4-2
2
Nº.
Lin
eas.
Met
ro.1
M.h
abit
ante
s3
-44
-17
2-9
9-2
9-1
26
-49
-14
6-2
6-1
71
69
-17
22
7-1
71
21
-71
-13
23
1-1
03
-15
4-1
47
15
79
66
47
09
30
14
78
22
92
49
10
12
63
12
77
93
96
9-1
42
98
11
8-1
61
-14
-59
37
-47
2
Nº.
Pas
ajer
os.
met
ro.1
M.h
abit
ante
s3
-4-1
38
-17
5-1
28
-15
3-1
61
-9-9
-27
61
44
-27
6-1
47
-13
3-5
61
8-2
35
-89
-23
6-1
74
55
79
16
57
69
73
09
41
73
75
76
-13
22
22
-74
-62
68
28
8-1
23
34
18
-29
-29
5-1
34
74
-41
5
Km
s.d
e.lin
ea.1
M.h
abit
ante
s-1
04
-23
2-1
01
-19
-6-1
15
-13
31
15
-15
61
63
-35
91
36
16
41
89
-99
-22
6-9
8-1
29
-1-1
07
66
46
57
19
35
52
42
21
15
42
77
89
24
31
49
26
73
82
35
-34
35
58
-14
5-1
41
4-2
06
-56
7
Nº.
Esta
cio
nes
.1M
.hab
itan
tes
-66
-19
6-1
04
-26
-68
-15
5-2
-49
25
-19
91
08
-38
71
13
22
16
2-1
16
-29
1-6
7-1
49
-16
-12
57
09
69
79
35
13
38
27
19
72
68
39
32
31
78
21
73
92
98
-43
41
91
25
-25
4-2
43
-6-1
43
-66
Co
mp
acid
ad.d
e.la
.red
-18
6-1
89
19
22
47
-12
65
16
31
18
12
61
28
22
5-3
07
78
34
51
42
-61
34
-20
81
11
98
-31
43
01
30
95
24
33
81
-19
-58
-14
17
1-1
72
-10
63
52
29
16
-65
8-2
22
35
62
91
47
1-2
42
-1
Km
s.d
e.lin
ea.t
ran
vía.
1M
.hab
itan
tes1
67
13
9-2
12
-29
9-1
45
-17
1-2
01
-12
8-1
16
-21
61
83
72
-10
9-2
13
54
11
9-2
45
15
3-2
-36
14
74
78
41
72
21
27
-19
17
29
42
-13
32
63
9-7
72
72
23
9-5
32
28
57
-33
3-2
94
-23
51
05
-25
5
Nº.
Esta
cio
nes
.tra
nví
a.1
M.h
abit
ante
s106
19
1-1
76
-25
9-1
66
-18
2-1
51
-23
7-9
6-2
75
27
12
2-1
81
-21
21
25
52
-25
51
02
-21
12
31
95
22
93
75
15
41
97
-58
72
91
-73
-23
92
11
-68
-13
63
24
27
7-1
32
48
-11
-34
7-2
8-2
19
-31
-26
1
Pre
cio
.de.
bill
ete.
sen
cillo
-32
2-4
56
-62
3-1
99
-15
2-8
4-2
51
08
-17
91
31
52
-36
26
47
44
91
73
-51
8-2
28
36
99
9-4
37
14
42
49
76
27
72
68
-14
42
-73
16
17
25
23
78
18
44
54
-14
55
85
12
81
53
-15
1-5
-16
3-7
3-3
27
Pre
cio
.de.
abo
no
.men
sual
-39
9-5
09
-29
12
07
-53
18
33
05
23
86
22
41
22
-46
15
64
60
91
34
-58
4-6
81
72
15
-23
2-1
91
01
-13
28
93
91
71
-13
3-2
39
61
71
-15
22
63
47
8-2
76
44
9-6
9-9
32
99
32
6-3
4-6
7
Pre
cio
.1l.d
e.G
aso
lina
38
21
75
-34
6-2
97
21
8-4
09
-38
19
5-1
38
-67
-75
-9-3
51
81
20
2-5
91
88
-11
3-1
83
42
26
32
22
24
33
23
-17
22
63
21
12
52
-15
21
65
1-6
24
67
53
57
52
1-7
1-5
07
-50
1-4
03
47
-52
4
Pre
cio
.To
yota
.Co
rolla
.1.6
l1
89
-13
7-2
76
-15
13
5-1
94
-18
37
8-8
61
29
-36
-84
37
26
41
3-2
-29
21
26
-8-7
3-9
12
7-7
41
49
17
8-1
06
9-6
83
78
26
65
11
88
44
30
42
89
17
68
9-2
23
-21
8-2
27
30
9-3
32
NºE
Vs.
.Ciu
dad
.en
.el.T
op
.25
.-3
21
-40
95
84
38
-12
38
63
48
30
91
55
16
79
4-3
25
33
64
63
27
1-2
63
-4-1
59
-96
-25
-96
79
-62
67
21
73
52
-77
-13
61
84
34
-62
88
19
42
82
48
29
-16
22
22
95
33
6-2
55
-1
Bik
e.co
mm
uti
ng
78
-2-3
84
-18
8-1
13
-19
-17
8-5
4-2
-23
61
67
-87
18
5-1
20
9-9
3-3
46
27
4-2
8-1
06
-12
39
62
68
38
39
29
27
23
24
45
47
84
67
44
94
12
44
52
48
61
71
-45
6-3
64
-33
7-3
7-5
21
Wal
k.co
mm
uti
ng
26
53
78
5-1
92
18
-29
2-1
93
24
-7-1
71
12
-17
-14
9-3
09
-46
28
-44
7-7
-21
76
14
89
28
82
35
29
81
62
39
27
7-1
45
-27
65
35
30
42
82
44
1-2
18
17
2-1
66
-31
2-3
46
-84
18
4-3
72
Co
ste.
taxi
.ofi
cial
-28
3-3
84
-34
4-1
08
-13
52
-17
29
-18
89
6-3
1-3
29
61
84
66
95
-45
14
12
34
15
-19
74
8-1
4-1
23
-34
-43
-65
-53
-13
58
54
49
75
28
92
48
52
-21
81
-12
51
75
1-3
18
7-1
25
Bic
icle
tas.
.10
.00
0.h
abit
ante
s1
46
-23
-21
7-1
64
-9-1
41
-89
-13
5-1
85
-14
3-3
-12
27
21
56
8-9
6-1
83
22
5-4
91
77
-92
29
83
43
55
41
98
22
82
48
12
8-6
92
11
76
29
48
61
72
-11
9-2
7-2
57
-16
-13
3-4
35
Tom
Tom
.tra
ffic
.ind
ex-4
8-1
05
-18
7-2
76
-23
5-7
7-2
1-3
4-1
36
-23
9-1
41
56
-23
-11
22
16
-19
45
3-1
41
-86
-9-9
11
81
88
12
5-2
22
57
-11
15
3-9
-71
89
-16
21
71
-16
62
59
1-3
17
-18
5-4
68
61
-31
Traf
fic.
ind
ex.N
um
beo
-23
5-1
01
40
33
47
77
49
62
92
42
85
23
41
41
-94
67
32
34
95
56
-24
31
52
23
6-2
95
-16
1-2
9-1
45
-25
43
56
-33
3-3
47
-15
13
-50
7-2
23
22
-45
6-3
12
17
-27
-31
71
90
88
89
-19
75
27
Inn
efic
ien
cy.in
dex
-29
4-1
52
36
26
2-2
25
68
27
71
01
21
92
71
13
-19
23
51
19
-78
49
7-2
37
12
52
03
-30
1-1
4-2
95
-14
1-2
43
29
1-2
94
-28
-52
99
-50
1-2
18
29
5-3
64
-34
65
1-2
57
-18
59
08
17
42
-19
65
47
Tráf
ico
.en
.ho
ras.
pu
nta
-28
3-1
64
42
85
01
15
74
03
38
75
34
08
16
82
64
-28
19
53
37
-6-2
43
57
-27
10
12
31
-28
9-5
9-1
34
4-6
47
1-2
35
-21
9-1
63
32
6-4
03
-22
73
36
-33
7-8
4-3
1-1
6-4
68
88
97
42
1-3
01
29
9
Pla
nif
icac
ión
.urb
ana
42
64
22
7-3
38
31
-23
3-3
85
-9-1
74
-1-2
11
33
8-1
95
-38
4-1
89
38
93
5-4
-37
48
22
43
77
4-2
06
-14
3-2
42
10
5-3
1-7
3-3
44
73
09
-25
5-3
71
84
87
-13
36
1-1
97
-19
6-3
01
17
8
Mo
vilid
ad.y
.tra
nsp
ort
e1
16
12
72
23
-58
53
29
5-1
13
3-1
22
78
-12
93
85
-20
39
-13
11
34
48
-21
11
09
17
6-2
2-4
72
-41
5-5
67
-66
-1-2
55
-26
1-3
27
-67
-52
4-3
32
-1-5
21
-37
2-1
25
-43
5-3
15
27
54
72
99
78
1
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 123
Códigos de R
12.4.1 Correlación IESE Cities in Motion Index
#### Correlaciones IESE #####
setwd("C:/Users/david/OneDrive - Universidad Politécnica de Madrid/TFG/04-
Ejecución/R/IESE cluseter")
#Cargamos los datos (CSV) utilizados para el prototipo
IESE<-read.table("IESE.csv",sep=";",header=T,dec=",",row.names=1)
IESE
head(IESE)
str(IESE) #Para ver de forma compacta los datos de la tabla
summary(IESE)
# Se seleccionan únicamente las clasificaciones obtenidas en las 9 dimensiones
IESE1<-IESE[,2:10]
IESE1
head(IESE1)
summary(IESE1)
#Análisis de la correlación entre la clasificación en los distintos indicadores
correlacionIESE=round(cor(IESE1),2)
correlacionIESE
#Se reflejan las correlaciones en un diagrama
pairs(IESE1)
#Se exportan los datos de las correlaciones
write.csv(correlacionIESE, file="correlacionIESE.csv")
12.4.2 Correlación KPIs
#### Test correlación #####
#Cargamos los datos (CSV) utilizados para el prototipo
V1.correlacion<-read.table("WorkingData-Set20190814.csv",sep=";", header=T,dec="," ,
row.names=1)
#Quitamos regiones y países
V1.correlacionKPIs<-V1.correlacion[,3:44]
#Calculamos las correlaciones, redondeamos a 3 dígitos y guardamos los datos obtenidos en
formato CSV
correlacion=round(cor(V1.correlacionKPIs),digits=3)
write.csv(correlacion, file="correlacion.csv")
Anexos
124 Escuela Técnica Superior de Ingenieros Industriales (UPM)
12.4.3 Clusterización
#### Clusterización, Working Data-Set 20190814 #####
#Carga de datos (CSV) utilizados para el prototipo
V1.20190814<-read.table("Working Data-Set 20190814.csv", sep=";", header=T,dec=",",
row.names=1)
V1.20190814
head(V1.20190814)
str(V1.20190814) #Para visualizar de forma compacta los datos de la tabla
summary(V1.20190814)
#Eliminación de regiones y países
V1.20190814KPIs<-V1.20190814[,3:44]
V1.20190814KPIs
#Normalización de la muestra
V1.20190814KPIsNORM<-scale(V1.20190814KPIs,center=T,scale=T)
V1.20190814KPIsNORM=round(V1.20190814KPIsNORM,digits = 3)
#Exportación de datos
write.csv(V1.20190814, file="datos-14Ago.csv")
write.csv(V1.20190814KPIs, file="KPIs-14Ago.csv")
write.csv(V1.20190814KPIsNORM, file="KPIsNORMALIZADOS-14Ago.csv")
#Matriz de distancias
V1.20190814KPIsNORM.dist<-dist(V1.20190814KPIsNORM)
V1.20190814KPIsNORM.dist
round(V1.20190814KPIsNORM.dist,1)
#Clasificacion con metodo Ward.D2
cah.ward<-hclust(V1.20190814KPIsNORM.dist,method="ward.D2")
#Selección de 3 grupos
plot(cah.ward)
rect.hclust(cah.ward,k=3)
groupes.cah<-cutree(cah.ward,k=3)
write.csv(sort(groupes.cah), file="Cluster 14-Ago k3.csv")
#Selección de 5 grupos
plot(cah.ward)
rect.hclust(cah.ward,k=5)
groupes.cah<-cutree(cah.ward,k=5)
write.csv(sort(groupes.cah), file="Cluster 14-Ago k5.csv")
#Selección de 10 grupos
plot(cah.ward)
rect.hclust(cah.ward,k=10, border = "red")
groupes.cah<-cutree(cah.ward,k=10)
write.csv(sort(groupes.cah), file="Cluster 14-Ago k10.csv")
#Selección de 15 grupos
Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana
David Fernández de Diego 125
plot(cah.ward)
rect.hclust(cah.ward,k=15)
groupes.cah<-cutree(cah.ward,k=15)
write.csv(sort(groupes.cah), file="Cluster 14-Ago k15.csv")
#Selección de 20 grupos
plot(cah.ward)
rect.hclust(cah.ward,k=20)
rect.hclust(cah.ward,k=20, border = "blue")
groupes.cah<-cutree(cah.ward,k=20)
write.csv(sort(groupes.cah), file="Cluster 14-Ago k20.csv")
#Selección de 30 grupos
plot(cah.ward)
rect.hclust(cah.ward,k=30)
groupes.cah<-cutree(cah.ward,k=30)
write.csv(sort(groupes.cah), file="Cluster 14-Ago k30.csv")
#Selección de 40 grupos
plot(cah.ward)
rect.hclust(cah.ward,k=40)
rect.hclust(cah.ward,k=40,border = "green")