CONCLUSIONES Y RECOMENDACIONES

5.1. CONCLUSIONES

En este trabajo se obtuvo un diagnóstico, a través de un SIG, de las operaciones en el corredor vial E35 por parte de las empresas de transporte público del Ecuador. Se plantearon dos estrategias generales de análisis sobre la información georreferenciada disponible y sobre variables adicionales no espaciales. En este sentido, fueron planteadas diferentes propuestas en el contexto de AEDE y AED que aportaron diferentes componentes de análisis al diagnóstico mencionado. Entre las principales estrategias consideradas se destaca el estudio de autocorrelación, multicorrelación, análisis de regresión, identificación de atípicos e identificación de grupos basada en técnicas multivariantes. El resultado de este análisis permitió la identificación de los principales factores que influyen en la operación de las empresas de transporte y la relación espacial que tienen estos factores con la información georreferenciada. Como una etapa concluyente fue posible el desarrollo de un análisis que surge del diagnóstico efectuado y que consiste en la formulación de estrategias para el control y la planificación de las empresas de transporte.

En los diferentes desarrollos de este trabajo, se plantearon estrategias de análisis de gran utilidad que aportan criterios para establecer relaciones entre las empresas de transporte, entre la información georreferenciada de velocidad y entre ambas. Como se mostró en cada estrategia perteneciente a los análisis AEDE y AED, las relaciones encontradas pueden evaluarse como relativamente precisas, en virtud de que pueden justificarse cuantitativamente a través de las diferentes métricas involucradas, por ejemplo, cálculos estadísticos, autocorrelación con el índice de Moran, MSE, SCDG para la agrupación con la técnica K-means, etc. De esta manera, las estrategias de análisis propuestas se consideran satisfactorias para el diagnóstico de las operaciones de las empresas de transporte, considerando el formalismo matemático detrás de cada una de ellas.

Con base en los desarrollos discutidos en la sección de resultados de este trabajo, se demuestra que los métodos de análisis propuestos permiten obtener el diagnóstico de las operaciones técnicas de las empresas de transporte consideradas. El diagnóstico se explica a través de las diferentes relaciones encontradas entre operadoras de transporte, registros GPS de velocidad y entre ambas. De esta forma, se asegura que la hipótesis de este trabajo es afirmativa.

La hipótesis planteada en el presente trabajo es afirmativa, lo que sugiere que un SIG permite ejecutar un análisis estadístico de variables espaciales. Por otro lado, este proceso; parte del planteamiento metodológico, permitió obtener los resultados para dar cumplimiento con los objetivos planteados. Es necesario también indicar, que la investigación también se apoyó en el lenguaje de programación en Python, que constituyó una herramienta importante para la ejecución y complemento de los procedimientos definidos.

En este trabajo se demuestra que los datos GPS de velocidad de las empresas de transporte presentan un comportamiento característico que forma patrones, debido a que existen, de manera general, localizaciones claramente relacionadas con rangos de velocidad específicos. Además, se demuestra la coexistencia de cierto grado de correlación en el comportamiento de diferentes operadoras

Los factores que influyen mayormente en las operaciones de las empresas de transporte son GESTIÓN DE CONDUCTORES Y PERSONAL DE APOYO, GESTIÓN OP CONTROL Y SEGURIDAD, UNIDADES HABILITADAS, TOTAL FRECUENCIAS y GESTIÓN ORGANIZACIONAL. La influencia de estas variables fue determinada con base en un análisis de multicorrelación entre variables de operación y variables descriptivas de las empresas de transporte.

La relación espacial identificada entre los datos GPS y los factores influyentes mencionados antes; tomando como referencia al índice de Moran, es relativamente baja considerando un análisis de multicorrelación (dependencia lineal entre variables). No obstante, mediante la aplicación de una técnica de agrupamiento, se identifican tres grupos con las siguientes relaciones Grupo 1: las operadoras mantienen un número elevado en el total de frecuencias y de unidades habilitadas, es un grupo con tendencia media de agrupación en información de velocidad, gestión organizacional y gestión de conductores y personal de apoyo media y gestión operativa, control y seguridad baja. Grupo 2: las operadoras mantienen un número bajo en el total de frecuencias y unidades habilitadas, grupo con tendencia mínima de agrupación en información de velocidad, gestión organizacional y gestión de conductores y personal de apoyo alta y gestión operativa, control y seguridad media. Grupo 3: las operadoras mantienen un número bajo de total de frecuencias y un número medio de unidades habilitadas, grupo con tendencia máxima de agrupación en información de velocidad, gestión organizacional, gestión de conductores y personal de apoyo y gestión operativa, control y seguridad baja.

Las estrategias de mejora para el control y la planificación de transporte fueron planteadas a través de los resultados del análisis de variables espaciales y no espaciales aplicados De este modo, considerando el análisis estadístico y análisis gráfico de las variables espaciales se definieron las estrategias referentes a normar la gestión de los dispositivos de monitoreo GPS en las unidades de transporte, repotenciar la Plataforma de Transporte Seguro y desarrollar proyectos para la implementación y mejoramiento de puntos de control de velocidad; esta última también en concordancia con el análisis de regresión y de multicorrelación de la variable velocidad. Del análisis de multicorrelación de las variables no espaciales surge la estrategia concerniente a definir una metodología para la planificación de transporte. Con los resultados de la identificación de grupos de operadoras, se desarrolló la estrategia de incentivar la creación de Consorcios o Fusiones entre las operadoras de transporte. De los factores que influyen en las operaciones de las empresas de transporte se define repotenciar el modelo actual de intervención a operadoras de transporte, normar un reglamento para la gestión de capacitación y operatividad e impulsar el desarrollo y uso de aplicaciones en dispositivos móviles de libre acceso para la ciudadanía

5.2. RECOMENDACIONES

Definir una propuesta por parte de la ANT para el desarrollo y mejoramiento de la Plataforma de Transporte Seguro, a fin de que los registros de las unidades vehiculares cuenten con información amplia y completa, de manera que los estudios en las empresas de transporte puedan ejecutarse de una forma más detallada.

Utilizar las métricas estadísticas de análisis no espacial para validar registros GPS de velocidad. Como se mostró en el presente trabajo, el análisis estadístico es una técnica robusta para identificar la presencia de observaciones atípicas en un conjunto de datos.

Utilizar la identificación de puntos de control y la técnica de interpolación para poder definir localizaciones en las que existen excesos de velocidad con mayor frecuencia, a fin de que en la práctica pueda implementarse tecnología de control de velocidad, por ejemplo, a través del mejoramiento o incremento de fotorradares

Proponer modelos de regresión más sofisticados a la regresión lineal que puedan adaptarse de mejor manera a la complejidad del conjunto de datos georreferenciados. Por ejemplo, el uso de métodos basados en inteligencia artificial. Esto con el fin de incrementar la precisión de las estimaciones obtenidas con dichos modelos.

Realizar un análisis más exhaustivo de AEDE y AED considerando un mayor número de operadoras de transporte y rutas autorizadas y la inclusión de más variables descriptivas, a fin de que los resultados del estudio reflejen de manera más aproximada la operación de una empresa de transporte determinada.

Bibliograf A

Acevedo Bohorquez, I., & Velásquez Ceballos, E. (2008). Algunos conceptos de la econometría espacial y el análisis exploratorio de datos espaciales. Ecos de Economía No. 27, 9-34.

Agencia Nacional de Tránsito. (2019). Base de datos de transporte. Ecuador.

Aguilar Torres, F., & Aguilar Torres, M. (s.f.). Integración y análisis exploratorio de datos geoespaciales como base para la gestión integrada del Litoral.

Anselin, L. (1999). The Future of Spatial Analysis in the Social Sciences. A Journal of the Association of Chinese Professionals in Geographic Information Systems , 67-76.

Anselin, L. (2003). GeoData 0.9 User´s Guide. Illinois: University of Illinois.

Ayala Baño, E. P., & Hidalgo Astudillo, A. D. (2018). Sistema de monitoreo y ubicación de buses basado en la tecnología GPS en la “Cooperativa de Transporte Urbano 7 de Octubre” en la ciudad de Quevedo. Ambato: Universidad Técnica de Ambato.

Batanero, C., Estepa, A., & Godino, J. (1991). Análisis exploratorio de datos: sus posibiliades en la enseñanza secundaria. Suma, nº 9, 25-31.

Bosque Sendra, J. (2005). Espacio geográfico y ciencias sociales. Nuevas propuestas para el estudio del territorio . Investigaciones Regionales, 203221.

Bustos Piedra, M. E., & Marín Palacios, M. S. (2017). Accesibilidad en el espacio público para personas con movilidad reducida. Cuenca como caso de estudio. Cuenca: Universidad de Cuenca.

Buzai, G. (2005). LOS SISTEMAS DE INFORMACIÓN

Y SUS MÉTODOS DE ANÁLISIS EN EL CONTINUO RESOLUCIÓNINTEGRACIÓN . Consejo Nacional de Investigaciones Científicas y Técnicas

Geogr Fica

Cai, X., & Wang, D. (2006). Spatial autocorrelation of topographic index in catchments. Journal of Hidrology 328, 581-591.

Campos Vargas, M., Quintana Romero, L., Monroy Gaytán, J., & Frausto Martinez, O. (2018). Análisis exploratorio espacial del índice de vulnerabilidad socioeconómica en el municipio de Naucalpan Estado de México. Revista de Ciencias Sociales y Humanidades, 4(8), 259-272.

Castro Heredia, L., Carvajal Escobar, Y., & Ávila Díaz, Á. (2012). Análisis clúster como técnica de análisis exploratorio de registros múltiples en datos metereológicos. Ingeniería de Recursos Naturales y del Ambiente, (11), 1120.

Castro, R., & Luna, M. (2018). Análisis Exploratorio de Datos Geográficos Voluntarios: estudio de caso en la dministración zonal Manuela Sáenz de Quito. LATIN AMERICAN JOURNAL OF COMPUTING - LAJC, 21-26.

Celemín, J. P. (2009). Autocorrelación espacial e indicadores locales de asociación espacial. Importancia, estructura y aplicación. Universitaria de Geografía, 11-31.

Celi Ortega, S. F. (2018). Análisis del sistema de transporte público privado de la ciudad de Quito-Ecuador. Revista Espacios Vol 39 (19), 2018. Quito.

Chasco Yrigoyen, C. (2009). Análisis Exploratorio de datos espaciales al servicio del geomarketing. Ponencia presentada en el III Seminario sobre Nuevas Tecnologías en la Investigación, el Marketing y la Comunicación. eParticipación.

Chasco, C. (2003). Econometría espacial aplicada a la predicción-extrapolación de datos espaciales. Dirección General de Economía y Planificación.

Consejo Nacional de Competencias. (2012). Resolución No.006-CNC-2012. Ecuador.

Directorio de la Agencia Nacional de Tránsito. (2018). Reglamento para el Proceso de Intervención de Operadoras de Transporte Interprovincial e Intraprovincial. Quito.

Ferrer, R., Freixa, M., & Guardia, J. (1992). Aportaciones del análisis exploratorio de datos al estudio de la resistencia. Anuario de Psicología, 23-36.

Galindo, E. (2010). Estadística: Métodos y Aplicaciones. Quito: PROCIENCIA EDITORES.

Guédez, A. (2017). Análisis exploratorio de datos espaciales aplicados al modelo monocéntrico de economía urbana para las parroquias del estado Carabobo. Congreso ciencia y tecnología, Universidad de Carabobo

Gutiérrez-Puebla, J., García-Palomares, J., & Cardozo, D. (2012). Regresión Geográficamente Ponderada (GWR) y estimación de la demanda de las estaciones del Metro de Madrid. XV Congreso Nacional de Tecnologías de la Información Geográfica, 1-13.

Hernández Hernández, V. (2012). Análisis exploratorio espacial de los accidentes de tránsito en Ciudad Juárez, México. Rev Panam Salud Publica, 396–402. Herring, T. (1996). The Global Positioning System. Scientific American, 274(2), 3238.

Manzano Villafuerte, V. S., & Aldás Robayo, N. A. (2018). Sistema de Information Integrado para el Monitoreo y Control de estaciones de transporte publico urbano en la ciudad de Ambato. Ambato: Universidad Técnica de Ambato.

Marschallinger, R. (2009). Spatial Statistics. Salzburg: University of Salzburg.

Martori, J. (2008). La incorporación del espacio en los métodos estadísticos: autocorrelación espacial y segregación. X Coloquio Internacional de Geocrítica.

Moreno Jiménez, A., Cervera Cruañes, B., Cervera Cruañes, F., Gómez García, N., Martínez Suarez, P., Moreno Jimenez, A., & Vidal Dominguez, M. (2008). Sistemas y analisis de la informacion geografica. Alfaomega.

Moreno, R. (2000). Técnicas econométricas para el tratamiento de datos espaciales: la econometría espacial. Edicions Universitat Barcelona.

Moreno, R., & Vayá, E. (2002). Econometría espacial: nuevas técnicas para el análisis regional. Una aplicación a las regiones europeas. Madrid.

Murillo, D., Ortega, I., Carrillo, J. D., Pardo, A., & Rendón, J. (2012). Comparación de métodos de interpolación para la generación de mapas de ruido en entornos urbanos. Ingenierías USBMed, 62-68.

Ojeda Capa, E. V., & Semanate Trávez , D. M. (2015). Diseño e implementación de un sistema de monitoreo para la compañía de transportes Planeta Transplaneta S.A. utilizando tecnologías inalámbricas gps y gprs. Quito: Universidad Politécnica Salesiana.

Olaya, V. (2014). Sistemas de Información Geográfica. Madrid.

Ortúzar Salas, J. (2012). Modelos de Demanda de Transporte. Santiago de Chile: Ediciones Universidad Católica de Chile.

Panavial (2020). Peaje Machachi [Foto]. Obtenido el 24 de agosto de 2021: https://www.panavial.com/wp-content/uploads/2020/06/pnvl-PeajeMachachi-300x214.jpg

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel , V., Thirion , B., Grisel , O., . . . Cournapeau, D. (2012). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 2825-2830.

Peña, D. (2002). Descripción de Datos Multivariantes. En Análisis de Datos Multivariantes (págs. 61-70). Madrid: McGRAW-HILL/INTERAMERICANA DE ESPAÑA, S.A.U.

Pérez Medinilla, Y., Crespo Borges, T., & Ríos Rodríguez, L. (2015). Análisis Exploratorio de datos a través de mapas conceptuales. Publicación Latinoamericana y Caribeña de Educación, 96-105.

Plusvalía (2021). Paso Lateral Latacunga. Obtenido el 24 de agosto de 2021: https://img10.naventcdn.com/avisos/9/00/53/25/30/77/1200x1200/8062892

7.jpg

Pozo-Ruz, A., Ribeiro, A., García-Alegre, M., García, L., Guinea, D., & Sandoval, F. (2000). Sistema de Posicionamiento Global (GPS): descripción, análisis de errores, aplicaciones y futuro. ETS ingenieros de Telecomunicaciones. Universidad de Malaga

República del Ecuador, Asamblea Nacional. (2008). Ley Orgánica de Transporte Terrestre, Tránsito y Seguridad Vial. Montecristi.

República del Ecuador, Asamblea Nacional. (2012). Reglamento a la Ley de Transporte Terrestre, Tránsito y Seguridad Vial . Quito.

República del Ecuador, ECU911 Transporte Seguro. Servicio Integrado de Seguridad ECU911 Obtenido el 24 de agosto de 2021: https://www.ecu911.gob.ec/transporte-seguro/

Rojo, J. (2006). Análisis descriptivo y exploratorio de datos. Madrid: Laboratorio de Estadística.

Sánchez-Peña, L. (2012). Alcances y límites de los métodos de análisis espacial para el estudio de la pobreza urbana. Papeles de población, 18(72), 147180. Ciudad de México.

Tobler, W. R. (2016). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography , 234-240.

Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley Publishing Co.

Vilalta y Perdomo, C. J. (2005). Cómo enseñar autocorrelación espacial. Economía, Sociedad y Territorio, 323-333.

Witten, I., & Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Oxford: ELSEVIER.

Anexos

ANEXO 1. INFORMACIÓN RÁSTER PARA ANÁLISIS GRÁFICO