Modelos Espaciales Urbanos para el Análisis de la Movilidad de Estudiantes de Educación Superior en un Área Metropolitana. La tesis examina la interacción espacial en términos de movilidad estudiantil entre los lugares de residencia y los principales campus universitarios dentro de la ZMVM.
Introducción
Modelos urbanos
Modelos estáticos o cuasi-dinámicos agregados
Permiten probar hipótesis derivadas de teorías que respaldan la construcción de modelos. El modelo de Lowry fue uno de los primeros modelos LUT en utilizar técnicas derivadas de la teoría de la interacción espacial, siendo pionero en la consideración del uso del suelo y la retroalimentación del tráfico.
Modelos dinámicos desagregados basados en microsimulación
Timmermans (2003) menciona que este tipo de modelo consume teoría a diferencia de los modelos tradicionales estáticos y agregados que han intentado producirla. Una referencia importante en este tipo de modelos es el sistema de modelación USA TRANSIMS, que combina modelos de demanda de viajes basados en actividades con un sistema de microsimulación de tráfico a escala regional (Barrett, 1995).
Ciencia de las ciudades y smart cities
Big Data, computación urbana y modelado urbano
Otro tipo de datos se relaciona con flujos o movimientos entre dos puntos en el espacio, como los datos de tráfico vehicular en la red de carreteras. La información sobre las actividades realizadas en el espacio, a partir de este tipo de datos, se conoce como huella digital.
Sistemas de soporte para la toma de decisiones y visualización
Infraestructura y escalabilidad: los datos utilizados en estas visualizaciones provienen de la operación diaria de redes de infraestructura física y de información en las ciudades que utilizan diferentes tecnologías y protocolos de comunicación: RFID, WiFi, Bluetooth, GPS, Radio Frecuencia, entre otros. Perspectivas 2D y 3D: Dependiendo del propósito de la visualización, se pueden presentar en dos o tres dimensiones.
Logros y retos
Batty (2012) menciona que uno de los objetivos de abordar el estudio de las ciudades y sus procesos desde el paradigma de la complejidad es la definición de problemas críticos que aparecen rápida e inesperadamente en la sociedad, algunos de los cuales están fuertemente relacionados con la infraestructura crítica. Conectar la infraestructura física de las Smart Cities con su función operativa y planificación a través de su administración, control y optimización.
La nueva ciencia de las ciudades
Pero en la nueva ciencia de las ciudades, los modelos se utilizan para informar más que para predecir el funcionamiento de las ciudades. Estas técnicas y modelos están enmarcados en la ciencia emergente de las ciudades e incorporan muchas de las ideas cuantitativas presentes en la década de 1950 en las corrientes de la geocomputación y la física social.
Transporte y movilidad inteligente
En la medida en que estos nuevos datos sobre la movilidad y el sistema de transporte puedan vincularse a los conceptos de origen y destino, esto permitirá comprender las dinámicas económicas y sociales creadas por estos flujos. Al respecto, Batty (2015) menciona que los datos de las tarjetas inteligentes se recopilan dentro del sistema de transporte, por lo que las ubicaciones registradas pertenecen a nodos en la red de infraestructura de transporte y, por lo tanto, muchas veces no pueden interpretarse como puntos de entrada. a los obtenidos por métodos tradicionales: trabajo, compras, estudio, estancia, etc.
Discusión
La nueva teoría, que ve las ciudades como sistemas complejos, pretende responder preguntas sobre el desarrollo y la dinámica de las ciudades y sus sistemas. El papel de la teoría de redes en este marco es relacionar el tamaño de una red de infraestructura con las formas o estructuras que permiten el funcionamiento de las ciudades, además de permitir el estudio de sus flujos e interdependencias con otros procesos o redes urbanas. Las nuevas posibilidades generadas por las tecnologías e ideas que surgen de las ciudades inteligentes han cambiado la forma en que vemos y entendemos la ciudad y plantean preguntas sobre cómo estos datos pueden usarse para derivar nuevas teorías sobre cómo funcionan las ciudades en horizontes temporales mucho más largos. más cortos que los tradicionales.
Sin embargo, a pesar de reconocer que los modelos y técnicas analíticas de la ciencia urbana producen conocimiento útil, nos advierte sobre su interpretación y uso en la toma de decisiones; ya que dicho conocimiento puede estar sesgado o influenciado por errores técnicos o interpretativos.
Introducción
Las instituciones de educación superior, especialmente aquellas con mayor matrícula, pueden considerarse un tipo especial de atractores y productores de viajes en las ciudades. Siguiendo el estudio de la movilidad estudiantil en función de la demanda de educación superior, los modelos urbanos de esta tesis se utilizarán para estudiar los patrones de movilidad diaria derivados de actividades significativas dentro de las instituciones de educación superior, siguiendo las técnicas de modelación de Cullinam y Duggan (2016), Singleton , Wilson y O'Brien (2012), quienes utilizan respectivamente modelos de interacción espacial para comprender la demanda de educación superior y transporte a escala metropolitana. En esta tesis, los utilizaremos para demostrar el valor de su participación en la toma de decisiones para la planificación integral del sistema de educación superior, las infraestructuras críticas de transporte y las ciudades en general.
Integrar la infraestructura de las Ciudades Inteligentes con su operación y planificación operativa a través de su gestión, control y optimización.
Diseño metodológico
Recolección y análisis de datos del área de estudio
Tenga en cuenta que el Distrito 067, que contiene el campus de Ciudad Universitaria de la UNAM, es uno de los principales centros de viajes de la ZMVM. a)b). La duración de los viajes con fines de estudio de los residentes de la ZMVM mayores de 18 años y con un diploma de educación posprimaria aprobado tiene la siguiente distribución de frecuencia según lo informado en la EOD 2007. Proporción de la población económicamente activa mayor de 18 años 18 años de edad y educación posprimaria en el distrito (𝑋𝑝2).
Promedio del recíproco de la distancia euclidiana (en km) entre los campus de un distrito y los centroides de los demás distritos (𝑋𝑎6).
Construcción de modelos de movilidad de estudiantes
Sin embargo, este enfoque se basa en un conocimiento a priori que no permite analizar en profundidad la variación en la relación entre las variables explicativas y la variable dependiente. Para ello se ajustan los viajes que se producen o atraen en función de la fiabilidad del modelo de generación. Por otro lado, la distribución de la longitud del viaje (TLD) es el número de viajes observados en cada categoría de distancia y no debe confundirse con la función de impedancia o desutilidad.
Por otro lado, la distribución de la longitud del viaje (TLD) es el número de viajes observados en cada categoría de distancia y no debe confundirse con la función de impedancia o desutilidad.
Discusión
La validación del modelo de distribución depende del uso previsto de los resultados; Sin embargo, es importante verificar que las estimaciones reproduzcan correctamente el estado conocido de lo que se está modelando, en este caso la distribución de trayectorias. Se puede aplicar un modelo de distribución adecuadamente calibrado a otro conjunto de datos para predecir la distribución de viajes en un lugar o momento diferente. Una vez calibrados los modelos de generación de viajes, se utilizarán para estimar la producción y el atractivo de los viajes para el año horizonte 2010, para lo cual existen datos sobre las variables que explican la generación de viajes, pero no para validar los resultados.
Luego, el modelo calibrado se utilizará para estimar la distribución de viajes para el año horizonte 2010, alimentando el modelo con los resultados estimados de producción y retiro de viajes para el mismo año.
Introducción
Análisis Descriptivo
Las variables de interés se describen en el tiempo (en el caso de las variables explicativas tanto para el año base: 2007 como para el año horizonte 2010) y en las unidades de análisis (resultados por distrito de la Encuesta de Destinos de Origen 2007 y datos de la Censo de Población y Vivienda de 2010 agregado por distritos). De manera similar, se calcularon los principales estadísticos descriptivos de las variables explicativas tanto para el modelo de producción como para el de retiro, cuyos resultados se pueden consultar en el Anexo C. El análisis descriptivo muestra que todas las variables explicativas, excepto 𝑋𝑎6 (IDP ), tienen una distribución con tendencia positiva. sesgado, además de ser leptocúrtico, excepto 𝑋𝑎5 (PDD) y 𝑋𝑎6 (IDP).
En el caso del modelo de atracción, la accesibilidad del distrito en transporte público se puede aproximar mediante cualquiera de las variables 𝑋𝑎5 (PDD) o 𝑋𝑎7 (NP2000); Sin embargo, este último tiene una correlación de Pearson de 0,947 con la variable NV2000, por lo que se descarta.
Calibración, validación y predicción con modelos de transporte
Modelos de Generación
El análisis de la variación de los coeficientes sirve como evidencia empírica de la heterogeneidad espacial del modelo. Siguiendo el mismo razonamiento que en el modelo de producción de viajes, se realizó una calibración de los parámetros de una ecuación de regresión lineal multivariada de mínimos cuadrados ordinarios (MCO) con datos de la encuesta Origen-Destino de 2007 como variable dependiente y con datos sobre educación y transporte. de diferentes fuentes (ver Apéndice B). Fuente: Elaboración propia con datos de EOD 2007, ANUIES, DENUE, SEMOVI y Mapatón CDMX mediante SPSS.
Fuente: Elaboración propia con datos de EOD 2007, ANUIES, DENUE, SEMOVI y Mapaton CDMX utilizando ArcMap 10.3.
Balanceo
La diferencia entre el número total de viajes antes y después del balanceo fue del 0,48%, muy inferior al valor recomendado del 10%, por lo que se considera aceptable.
Modelo de Distribución
Siguiendo el mismo proceso, se realiza el análisis de los viajes extraídos resultante de la calibración del modelo de distribución para el año 2007. Una forma de comparar el modelo de flujos obtenido con el modelo de distribución y los flujos observados en el EOD 2007 es a través de la visualización de las matrices origen-destino. Se muestra una comparación visual entre la intensidad del flujo observada entre los distritos de origen y destino a partir de los datos EOD de 2007 y los flujos estimados por el modelo.
Visualizar el flujo en las figuras anteriores permite un análisis visual más detallado de la distribución de viajes para los distritos seleccionados.
Discusión
A partir de la revisión del estado del arte de los modelos urbanos, específicamente aquellos que consideran el uso del suelo y el transporte, se seleccionaron los dos primeros niveles del modelo de cuatro pasos para estimar la demanda de transporte; el cual fue adaptado para estimar viajes con un propósito específico: estudiar educación superior. Se propone como solución al problema de las atracciones especiales un modelo de generación de viajes basado en una regresión ponderada geográficamente. Los resultados de producción y atracción de viajes obtenidos con este modelo se ingresan en un modelo de distribución de gravedad doblemente restringido con diferentes funciones de desutilidad.
El modelo de generación y distribución permite realizar estimaciones para el año de referencia, lo que aporta nueva información sobre la movilidad derivada de la educación superior en la zona de estudio.
Resumen de las conclusiones
Por otro lado, el modelo desarrollado aborda un problema específico, es decir, la movilidad en la educación superior. Según datos de la EOD 2007, más del 50% de los viajes con motivo de estudios a la ZMVM fueron realizados por estudiantes de esta titulación, por lo que se puede esperar una proporción similar en los años siguientes. Otro hallazgo importante es el crecimiento de la matrícula y la multiplicación de nuevas instituciones de educación superior en las afueras de la ZMVM.
Además, fue posible predecir su influencia en la producción o atracción de viajes, permitiendo verificar el signo de los coeficientes obtenidos con el modelo de regresión.
Trabajo futuro
Distritación
Extracción de variables
Análisis Descriptivo
