Tabla 4.4. Estadística descriptiva no espacial de variables analizadas

Cabe mencionar que la presencia de variables con una Kurtosis elevada se puede interpretar como la presencia de operadoras atípicas o también como la existencia de grupos claramente definidos, por ejemplo, operadoras con demasiados excesos de velocidad y operadoras con pocos excesos de velocidad. El análisis de los resultados estadísticos mostrados aquí se complementará con el análisis gráfico detallado a continuación.

4.2.2. Análisis gráfico

En el contexto del análisis univariante, en la Ilustración 4.12 se muestran los diagramas de caja de las 16 variables consideradas. Es posible identificar la presencia de observaciones atípicas en diferentes variables, como se mencionó antes. Se observan valores ubicados en los extremos del diagrama de caja, por fuera del rango definido por los cuartiles Q1 y Q3 Desde el punto de vista del análisis gráfico de diagramas de caja, estas observaciones sugieren la presencia de atípicos u operadoras que escapan de la tendencia general (Peña, 2002)

Ilustración 4 12 Diagramas de caja de variables no espaciales

Para la variable NÚMERO DE EXCESOS, se observa la presencia de atípicos, debido a que se presentan operadoras con 0 excesos y otras con un elevado número de excesos Para la variable EXCESO DE VELOCIDAD, esta identificación de atípicos es mucho más evidente. En el caso de COBERTURA DE INSTALACIÓN, se identifican observaciones atípicas con la particularidad de que estas se encuentran a la izquierda de la gráfica, es decir, que existen operadoras con un bajo nivel de cobertura que escapa de la tendencia general entre las operadoras. Finalmente, en la variable TOTAL FRECUENCIAS se observan tres operadoras que escapan de la tendencia general y pueden ser consideradas como grandes operadoras.

Ilustración 4.13.

Histogramas de variables no espaciales

Por otro lado, en la Ilustración 4.13 se muestran los gráficos de histogramas de las variables analizadas. En este tipo de gráficos se puede apreciar fácilmente el grado de dispersión y la estructura de los datos (existencia de grupos y cercanía a la forma de una distribución de probabilidad típica).

En estos diagramas se destaca con claridad la existencia de dos grupos en las variables COBERTURA INSTALACIÓN, TOTAL RUTAS y en las variables de Gestión. Por otro lado, en las variables NÚMERO DE EXCESOS y EXCESO DE VELOCIDAD se aprecia una alta dispersión o variabilidad en los datos. Finalmente, con respecto a las variables TIEMPO y VELOCIDAD MEDIA se aprecia cierta tendencia a una distribución con una forma típica.

4.2.3. Análisis de multicorrelación

En la Ilustración 4.14 se presenta el resultado de multicorrelación o correlación entre pares de las variables analizadas.

Ilustración 4.14. Matriz de multicorrelación entre variables descriptivas

Se observa que las variables TOTAL RUTAS y UNIDADES HABILITADAS mantienen una relación positiva de aproximadamente 0.9, es decir, que existe una elevada dependencia lineal entre estas variables. El resultado es en cierto grado intuitivo en virtud de que cuando una empresa de transporte tiene un mayor número de unidades habilitades, el total de rutas también se espera que sea mayor.

La Gestión Financiera guarda una relación negativa respecto a la variable de Gestión de Prestación de servicio, lo que significa que en las operaciones se presta un menor enfoque a la prestación del servicio si la Gestión financiera presenta un nivel de madurez alto.

Además, se observa que variables como VELOCIDAD MEDIA o EXCESOS DE VELOCIDAD tienen una relativamente baja correlación con respecto al resto de variables, principalmente, variables de GESTIÓN. Esta condición es un reflejo de que actualmente el modelo de control y regulación por parte de las entidades correspondientes en el país no incide significativamente en controlar los límites de velocidad en las unidades vehiculares.

Adicionalmente, se aprecian correlaciones relativamente elevadas en torno a las variables de GESTIÓN, lo cual puede ser originado por una tendencia a evaluar arbitrariamente a las empresas de transporte con calificaciones similares para los distintos aspectos de gestión.

Cabe destacar que en el resultado de la Ilustración 4 14 es factible identificar que existen variables descriptivas que tienen una mayor influencia sobre aquellas variables relacionadas con la operación de las empresas de transporte. Esto será analizado más adelante en la sección 4.3. El resultado de esta identificación es sustancial en el presente trabajo, porque permite el desarrollo del diagnóstico de las empresas de transporte considerando los factores más importantes a ser tomados en cuenta en la práctica.

4.2.4. Identificación de atípicos

En la Ilustración 4.15 se aprecia el resultado de la identificación de operadoras atípicas con base en un análisis multivariante, es decir, que los atípicos se identifican considerando las multicorrelaciones entre variables El diagrama mostrado es una representación en tres dimensiones de la matriz de datos de variables analizadas. En este punto cabe mencionar que para visualizar el resultado, solo se visualizan en los ejes correspondientes a las variables TIEMPO, VELOCIDAD MEDIA y NÚMERO DE EXCESOS.

Ilustración 4 15 Identificación de operadoras atípicas en el conjunto de datos

En el gráfico mostrado se aprecia que las operadoras 1, 23 y 27 han sido identificadas por el algoritmo LOF como observaciones atípicas. Una observación más detallada sobre la matriz de datos de la Tabla 3.5 permite encontrar que estas operadoras presentan tiempos de ruta reducidos y una mayor cantidad de número de excesos de velocidad. Esto demuestra la condición de que los altos rangos de velocidades que se presentan para estas operadoras influyen en menores tiempos de ruta. Además, para la variable OPERACIÓN EN RUTA, las operadoras 1 y 23 presentan valores excesivamente bajos.

Finalmente, es preciso señalar que el resultado analizado en este apartado constituye información significativa para los entes rectores del transporte en el Ecuador, considerando que la identificación de atípicos permite orientar acciones de control solamente para operadoras específicas.

4.2.5. Identificación de grupos de operadoras

Con base en un análisis previo del monitoreo de SCDG (ver sección 3.4.2.2), se determinó considerar cinco grupos de operadoras en este caso. En la Ilustración

4.16 se presentan los grupos de operadoras identificadas mediante la técnica de agrupamiento K-means

Ilustración 4 16 Identificación de grupos de operadoras

En la agrupación obtenida, considerando complementariamente la información de la Tabla 3.5, se identifican diferentes patrones en estos grupos. En la Tabla 4.5 se resumen los principales patrones encontrados, descritos como características de los grupos.

Tabla 4.5. Características de los grupos identificados

Grupo Características del grupo

• Está conformado por 14 operadoras

• Las operadoras ostentan un número mediano de unidades habilitadas (entre 4 y 56).

1

• Todas estas operadoras no presentan excesos de velocidad, a excepción de la operadora 21, la cual presenta 2 excesos.

• En este grupo no existen operadoras de la ruta Quito-Latacunga.

• Con respecto al total de rutas, estas operadoras tienen una cantidad similar de rutas.

• Las operadoras tienen calificaciones similares en sus variables de Gestión.

• Está conformado por 4 operadoras

• Las operadoras ostentan un número bajo de operación en ruta (entre 0.49 y 0.74).

2

• Todas estas operadoras presentan tiempos de ruta bajos

• Este grupo está compuesto por operadoras de la ruta Quito-Riobamba

• Está conformado por 7 operadoras

• Las operadoras ostentan un número mediano de unidades habilitadas (entre 17 y 69).

3

• En este grupo existen operadoras con un elevado número de excesos de velocidad

• Las operadoras del grupo tienen un número elevado de frecuencias.

• En este grupo existen operadoras de todas las rutas

• Las operadoras tienen calificaciones disímiles en sus variables de Gestión.

• Está conformado por 1 operadora

4

• Se trata de la operadora con mayor número de rutas (140)

• Está conformado por 2 operadoras

• Las operadoras ostentan un número elevado de frecuencias (entre 242, 257).

5

• En este grupo las velocidades medias son parecidas

• En este grupo las operadoras cumplen con la ruta Quito-Ambato

• Las operadoras tienen las mismas calificaciones en sus variables de Gestión.

Todos los resultados discutidos en la sección 4.1. y 4.2., que fueron obtenidos con la metodología para el análisis exploratorio de datos espaciales y no espaciales, han permitido cumplir con el análisis del comportamiento de los datos GPS obtenidos de los dispositivos instalados en las unidades de transporte de las empresas de transporte que operan en el corredor vial E35.

4.3. FACTORES QUE INFLUYEN EN LAS OPERACIONES DE LAS EMPRESAS DE TRANSPORTE

De acuerdo con el resultado mostrado en la Ilustración 4.14, es posible identificar cuáles son las variables descriptivas que mayormente influyen en las variables de operación de una empresa de transporte.

Con este resultado, para cada variable de operación se determina cuales son las dos variables descriptivas con mayor correlación. En la Tabla 4 6 se presenta un resumen de esta identificación

Tabla 4.6. Factores mayormente influyentes en variables operativas

En el resultado mostrado se aprecian correlaciones que no necesariamente son elevadas. No obstante, el presente análisis tiene como fin extraer las variables con mayor correlación únicamente.

La manera de identificación propuesta conlleva a considerar solo una variable como influyente en una variable de operación. Esta suposición es una aproximación considerando que existen relaciones con más de una variable.

De acuerdo a lo indicado anteriormente, se puede evidenciar que con la metodología de análisis de relación no espacial, se ha podido determinar los factores influyentes en las operaciones de las empresas de transporte y por tanto, se ha podido cumplir con el objetivo 2 planteado en el presente trabajo.

4.4. RELACIÓN ESPACIAL ENTRE LOS DATOS GPS Y LOS FACTORES IDENTIFICADOS

Anteriormente, se analizó la multicorrelación entre variables de operación y variables descriptivas de las empresas de transporte. De esta manera, se introdujo implícitamente la relación espacial de los datos GPS con el resto de las variables no espaciales. No obstante, las relaciones encontradas no consideran todos los datos georreferenciados

de velocidad de una manera estricta.

Por este motivo, para conseguir una relación espacial que tome en cuenta a todos los datos georreferenciados de velocidad, se adiciona en el análisis de multicorrelación al índice de Moran (identificado para cada una de las operadoras).

De este modo, se establece una multicorrelación entre el índice de Moran (variable que se desprende de datos espaciales y que considera todas las observaciones de velocidad) y los factores identificados como más influyentes en las operaciones de las empresas de transporte.

El análisis en este caso permite encontrar de una manera más precisa una relación espacial entre los datos GPS y los factores identificados La inclusión del índice de Moran en este análisis añade al estudio la información de la autocorrelación espacial y los patrones distintivos de los registros GPS de velocidad de cada operadora. En definitiva, se encuentra la relación espacial deseada.

A continuación, en la Ilustración 4.17 se presenta el gráfico de multicorrelación entre el índice de Moran y los factores influyentes en las operaciones de las empresas de transporte.

Ilustración 4.17. Matriz de multicorrelación entre el Índice de Moran y variables influyentes

En el resultado de la Ilustración 4.17 se evidencia que existen valores muy bajos de correlación. Sin embargo, esto solo implica que la relación lineal es baja. Para determinar de una manera más general la relación entre estas variables, se utiliza un método gráfico, debido a que la relación puede adoptar extrema complejidad que no puede ser determinada con la matriz de multicorrelación

En este sentido, en la Ilustración 4 18 se presenta un diagrama de dispersión que asocia el índice de Moran y dos variables influyentes para una visualización en tres dimensiones. Evidentemente, la identificación visual de patrones puede ser complicada en este caso. Por este motivo, se aplica la división de grupos con la técnica K-means en este conjunto de datos para que la identificación de patrones se desarrolle de una manera computacional y no dependa de la subjetividad.

Ilustración 4.18. Gráfico de dispersión entre el índice de Moran y dos factores influyentes en las empresas de transporte

En este sentido, en la Ilustración 4 19 se presenta el resultado de la formación de grupos para la identificación de relaciones entre las variables influyentes y el Índice de Moran.

Ilustración 4.19. Relación espacial entre el índice de Moran y factores influyentes en las empresas de transporte

En el resultado mostrado en la Tabla 4 7, se resume un análisis de las relaciones espaciales identificadas.

Tabla 4.7. Relaciones espaciales identificadas

Grupo

1

2

3

Características del grupo

• Está conformado por 5 operadoras

• Las operadoras ostentan un número elevado del total de frecuencias (entre 242 y 378).

• Las operadoras tienen un número elevado de unidades habilitadas (entre 19 y 122).

• El índice de Moran oscila entre 0.26 y 0.45 (grupo con tendencia media de agrupación en información de velocidad). Patrones medianamente identificados en la información GPS.

• Gestión organizacional media.

• Gestión op. Control y seguridad baja.

• Gestión de conductores y personal de apoyo media

• Está conformado por 14 operadoras

• Las operadoras ostentan un número bajo de total de frecuencias (entre 12 y 143).

• Las operadoras tienen un número bajo de unidades habilitadas (entre 4 y 56).

• El índice de Moran oscila entre 0.14 y 0.45 (grupo con tendencia mínima de agrupación en información de velocidad) Patrones mínimamente identificados en la información GPS.

• Gestión organizacional alta.

• Gestión op. Control y seguridad media.

• Gestión de conductores y personal de apoyo alta.

• Está conformado por 9 operadoras

• Las operadoras ostentan un número bajo de total de frecuencias (entre 4 y 163).

• Las operadoras tienen un número medio de unidades habilitadas (entre 2 y 70).

• El índice de Moran oscila entre 0.25 y 0.67 (grupo con tendencia máxima de agrupación en información de velocidad) Patrones altamente identificados en la información GPS.

• Gestión organizacional baja.

• Gestión op. Control y seguridad baja.

• Gestión de conductores y personal de apoyo baja.

En esta sección se puede apreciar, que gracias al análisis de relación espacial entre los datos GPS y factores influyentes planteados en la metodología a través de la aplicación del estadístico I de Moran, se ha dado cumplimiento al objetivo 3, planteado dentro de la presente investigación.

4.5. ESTRATEGIAS DE MEJORA PARA EL CONTROL Y LA PLANIFICACIÓN DE TRANSPORTE

En este punto, a través de todo el desarrollo de análisis AEDE y AED, es posible la formulación de estrategias de mejora en el control y la planificación del transporte. Estas estrategias consideran como base los principales hallazgos obtenidos en los resultados de este trabajo. A continuación, se presentan las estrategias propuestas.

a. Normar la gestión de los dispositivos de monitoreo GPS en las unidades de transporte

De acuerdo con la sección 4.1.1, en donde se analizaron métricas estadísticas espaciales, se plantea establecer mejoras en la normativa y un procedimiento para el mantenimiento y reparación de los dispositivos GPS instalados en las unidades de transporte con base en la identificación de registros GPS atípicos. Asimismo, en concordancia con la misma sección, al existir valores desagregados o atípicos; que pueden relacionarse con problemas en el registro de los datos GPS, es necesario desarrollar estudios para identificar la ubicación de las inconsistencias y posibles medidas de mitigación b. Repotenciar la Plataforma de Transporte Seguro

De acuerdo con la sección 4.1.1, y en cuanto a la disposición y adquisición de datos GPS, se plantea que la ANT, con el apoyo del gobierno nacional, destine recursos para repotenciar la Plataforma de Transporte Seguro Esto considerando que ésta es una herramienta esencial para el control en tiempo real de las operaciones. De esta manera, la herramienta podrá estar enfocada no únicamente para seguridad de la ciudadanía en el interior de las unidades de transporte, sino también como un medio que interactúe con Sistemas de Información Geográfica, para la adquisición, análisis y aplicación de datos Con una automatización efectiva de la Plataforma, se podría realizar un análisis detallado con una amplia disponibilidad de variables que complementen el presente trabajo con futuras investigaciones c. Desarrollar proyectos para la implementación y mejoramiento de puntos de control de velocidad

Del análisis gráfico de la sección 4.1.2 y del análisis de regresión de la sección 4.1.5, es posible la identificación visual y analítica de localizaciones en las que las unidades de transporte son propensas a presentar excesos de velocidad. De esta manera, se recomienda tomar como referencia el estudio realizado, para establecer puntos de control de velocidad en las vías estatales en las que se opera el transporte público interprovincial, y con esto se definan proyectos para la implementación o incremento de estos, preferiblemente a través de medios electrónicos.

Esta estrategia también tiene concordancia con el análisis de multicorrelación de la sección 4.1.4, debido a que el resultado de este análisis muestra el comportamiento de la velocidad en cada cantón por el que atraviesa una unidad vehicular en su trayecto. De esta manera, la estrategia se puede fortalecer con la participación de los Gobiernos Autónomos Locales, quienes mantienen competencias asumidas en materia de control y regulación de transporte terrestre en sus jurisdicciones.

Es importante enfatizar que con el análisis de regresión de la sección 4.1.5, se puede desarrollar investigaciones complementarias a partir de la estimación de velocidades a través del modelo de regresión planteado.

d. Definir una metodología para la planificación de transporte

En relación con la sección 4.2.3, referente a la multicorrelación de variables no espaciales, en donde se evidencia la relación representativa entre el total de rutas y las unidades habilitadas, se plantea la definición de una metodología que permita desarrollar una planificación de transporte para la asignación de oferta a las operadoras, considerando los parámetros de demanda. Así mismo, los estudios de planificación de transporte deberán contribuir con el equilibrio de la oferta ya autorizada en cuanto a frecuencias y flota vehicular habilitada.

De esta manera, se aprovecha los resultados del análisis desarrollado para identificar directamente las causas que tienen mayor efecto en ciertas variables.

e. Incentivar la creación de Consorcios o Fusiones entre las operadoras de transporte

Del análisis de la sección 4.2.5, referente al agrupamiento de operadoras, una estrategia importante corresponde al incentivo para que las operadoras de transporte se consorcien o fusionen, de acuerdo con las características en común mostradas en este análisis. Esto con el propósito de que potencien sus operaciones y pilares de gestión en cada ámbito administrativo y operativo. Esto también, contribuirá con la aplicación y monitoreo que la ANT ejerce sobre las operadoras de transporte para la verificación de cumplimiento de Contratos de Operación. Por otro lado, con el análisis de agrupamiento, y con la identificación de las necesidades y condiciones de la operación, se podrá aplicar medidas de mejora enfocadas en solventar puntos críticos. f. Repotenciar el modelo actual de intervención a operadoras de transporte g. Normar un reglamento para la gestión de capacitación y operatividad

Los resultados de la sección 4.3, en cuanto a los factores mayormente influyentes en las variables operativas, se determina que es necesario repotenciar y actualizar la norma existente relacionada con la intervención de operadoras de transporte, en cuanto a la obligatoriedad e incentivos de su aplicación, enfocándose también en la difusión de los beneficios para la empresa de transporte.

Con el análisis también se plantea mejorar los parámetros que se evalúan en cada pilar de gestión, en especial los que tienen que ver con la operación y seguridad vial, que influyen directamente en el tiempo y velocidad de operación de una ruta autorizada.

Asimismo, dentro de la sección 4.3, se determinó a la gestión de conductores y personal de apoyo, como una variable importante que influye en la operación, para ello se plantea que la ANT desarrolle una norma que considere programas de capacitación y evaluación periódica de conductores; en coordinación con cada empresa de transporte. Esto permitirá identificar la situación actual de conocimientos y aptitudes de cada uno, y tomar las acciones correctivas que se requiera.

Así mismo, los programas deberán considerar la socialización de la normativa y entendimiento de las cláusulas descritas en el Contrato de Operación, para el total cumplimiento del instrumento legal.

Finalmente, es necesario que se incorporen también acciones coordinadas con los Gobiernos Autónomos Locales en cuanto a las competencias que mantienen para el cumplimiento y regulación de la operatividad en sus jurisdicciones cantonales, acceso autorizado a terminales terrestres y prestación del servicio seguro y oportuno a la ciudadanía h. Impulsar el desarrollo y uso de aplicaciones en dispositivos móviles de libre acceso para la ciudadanía

Es importante que las investigaciones desarrolladas por la ANT se encuentren acompañadas de un desarrollo tecnológico adecuado. Para el presente caso, en relación con las variables identificadas en la sección 4.3, se plantea el desarrollo de aplicaciones de libre acceso para la ciudadanía, para el acceso de información de servicio autorizado, horarios, tarifas; entre otros. Así también, sirva como una herramienta de control en ruta, especialmente, para la velocidad en ruta, y se complemente con un portal de denuncias por parte de la ciudadanía en caso de evidencias de incumplimiento o violación de la norma.

En resumen, en la Ilustración 4 20 se presentan las estrategias propuestas en este trabajo.

Impulsarel desarrolloyuso deaplicaciones endispositivos móviles delibre accesoparala ciudadanía

Normarun reglamento paralagestión decapacitación y operatividad

Normarla gestióndelos dispositivosde monitoreoGPS enlas unidades detransporte Potenciarla Plataformade Transporte Seguro Desarrollar proyectospara implementación y mejoramiento depuntosde controlde velocidad

Potenciarel modeloactual deintervención aoperadoras detransporte

Definiruna metodología parala planificaciónde transporte Incentivarla creaciónde Consorcioso Fusionesentre las operadoras detransporte

Ilustración 4.20. Estrategias planteadas para el control y la planificación de transporte

Las estrategias anteriormente descritas, fueron desarrolladas en concordancia a cada uno de los elementos definidos en la propuesta metodológica, es así, que con esta última sección de resultados se demuestra el cumplimiento del cuarto y último objetivo planteado.

4.6. DISCUSIÓN DE RESULTADOS

En esta sección se presenta un extracto de los hallazgos más representativos producto de la metodología aplicada, así mismo, se expone las respuestas a las preguntas de investigación planteadas en el presente trabajo.

El comportamiento de los datos GPS obtenidos a través de los dispositivos instalados en las unidades de transporte de las operadoras analizadas (28) que operan en el corredor vial E35, desarrollado a través del análisis exploratorio de datos espaciales y no espaciales, refleja que los valores de las posiciones (X, Y) son relativamente cercanas para la coordenada X por la localización latitudinal del eje vial y con claras diferencias para las coordenadas Y por la dispersión de los datos GPS en la latitud. Las mediciones GPS han registrado localizaciones más dispersas o inclusive la existencia de información incompleta como producto de las posibles intermitencias en la señal existentes en dichas mediciones; sin embargo, se enfatiza que la estructura de datos de los registros GPS para todas las operadoras es similar.

Por otro lado, con las localizaciones en donde las operadoras incurren en excesos de velocidad se ha podido identificar zonas comunes en donde presentan dichos excesos y rangos de velocidad altos y bajos, este último por posibles problemas de tráfico durante el trayecto, paradas no autorizadas de las unidades de transporte o eventos fortuitos.

Otro de los comportamientos identificados, aplicando el estadístico de I de Moran, es que para las 27 operadoras; a excepción de una operadora (LIDER), existen grupos o patrones definidos en la información de velocidad de los registros GPS, es decir, presentan autocorrelación espacial.

Tomando en consideración la variable velocidad por separado en las tres rutas analizadas que operan en el corredor vial E35, Quito-Ambato, Quito-Latacunga y Quito-Riobamba, el análisis de multicorrelación refleja que existe una correlación significativa entre diferentes operadoras, por ejemplo, en la ruta Quito-Ambato en donde se determinó el valor más alto de correlación para dos operadoras, existe un comportamiento cercano a la dependencia lineal entre las mismas.

Dentro del procedimiento definido en la metodología referente a un modelo de regresión, para la ruta Quito-Ambato por la característica de correlación indicada en el párrafo anterior, y considerando como variable dependiente a la velocidad y como variables independientes a las coordenadas (X, Y), se obtuvieron modelos más precisos en dos operadoras, cuyas estimaciones de velocidad en la práctica serán más cercanos a la realidad.

Por su parte, en la aplicación del análisis no espacial, se tiene un comportamiento en las operadoras que se escapan de la tendencia general y bajo la existencia de grupos claramente definidos, por ejemplo, operadoras con demasiados excesos de velocidad y operadoras con pocos excesos de velocidad.

Se observa además, que en el análisis de muticorrelación entre las variables no espaciales, existe la presencia de una relación positiva, es decir, que existe una elevada dependencia lineal entre algunas variables, como es el cado para las variables “TOTAL DE RUTAS” y “UNIDADES HABILITADAS”.

Respecto a las variables no espaciales de gestión, se obtuvieron por su parte relaciones negativas, como es el caso de la “gestión financiera” y la “gestión de prestación de servicio”.

En el análisis aplicado bajo el criterio de identificación de grupos, se determina por ejemplo, que se clasifican principalmente por su número de unidades habilitadas, excesos de velocidad, total de rutas y calificaciones similares en sus variables de gestión, esto criterio aporta significativamente al momento de definir y aplicar estrategias de mejora.

De esta manera, se han descrito en términos generales los resultados de la aplicación de los análisis correspondientes a resolver la primera pregunta de investigación, que considera el comportamiento de los datos espaciales y no espaciales y la relación entre los mismos

Basado en el análisis de multicorrelación entre las variables no espaciales, se obtuvo para cada variable de operación, las variables descriptivas con mayor correlación, de esta manera se tienen identificados los factores influyentes en las operaciones. Por ejemplo, para el “Tiempo de Ruta” influye mayormente la “Gestión de Conductores y Personal de apoyo”, o para la “Operación en Ruta” influye la “Gestión Organizacional” de las empresas de transporte. Con este análisis, se ha podido tener una primera idea del porqué de la forma de operación del transporte y responder a la segunda pregunta de investigación planteada.

La incorporación del índice de Moran al análisis de multicorrelación para conseguir una relación espacial que considere a todos los valores georreferenciados de velocidad, determinó que existen valores muy bajos de correlación entre índice de moran y las variables influyentes (factores), sin embargo, el análisis gráfico con división de grupos que se aplicó de manera complementaria, identificó por ejemplo para uno de los grupos de operadoras, una tendencia media de agrupación en información de velocidad y patrones medianamente identificados en la información GPS. Este análisis ha permitido responder cuál es la relación espacial entre los datos GPS y los factores identificados que influyen en la operación.

Con base en el AEDE y AED realizados y sus principales hallazgos, se plantearon las estrategias de mejora para el control y la planificación de transporte, entre las cuales se destaca el desarrollo de proyectos para la implementación y mejoramiento de puntos de control de velocidad, esto gracias al análisis del comportamiento en las zonas de excesos de velocidad registrados por las operadoras de transporte. Por su parte, se propone como otra medida repotenciar la plataforma de transporte seguro, para disponer de más variables de información espacial y robustecer los análisis de las operaciones de las empresas de transporte en posibles estudios complementarios a la presente investigación.

De acuerdo con lo expuesto, se ha demostrado el cumplimiento de los objetivos planteados y la respuesta a las preguntas de investigación. La metodología aplicada puede ser mejorada incorporando variables explicativas y ampliando zonas de análisis, así como una comparación de hallazgos en las mismas, inclusive adicionando un análisis de comportamiento por provincias o corredores viales del país.