105158 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Diagnóstico a través de un SIG de las operaciones de las empresas de transporte público en el corredor vial E35-Ecuador. GIS-based analysis of the operations of public transport companies at the E35 highway in Ecuador by/por

Karla Johanna Vaca Barragán 11826733 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor: Leonardo Zurita Arthos PhD

Quito-Ecuador, marzo de 2022

COMPROMISO DE CIENCIA

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Quito-Ecuador, marzo de 2022

Firma

AGRADECIMIENTO

A mi familia y amigos, por su confianza y apoyo.

A mis profesores que me han apoyado y guiado en el desarrollo de mi investigación.

A mis colegas y autoridades de trabajo por la apertura y disponibilidad de datos usados en la presente investigación.

A las operadoras de transporte por el aporte de información de su estructura y gestión.

DEDICATORIA

A mi Padre Dios por sus bendiciones y bondades diarias.

A Alexander y Samantha por y para ustedes toda mi vida, por ser siempre lo más maravilloso de mis días.

A Efraín, por acompañarme y caminar juntos por el sendero de la vida.

A mis Padres, por su amor y colocarme siempre en el lugar y tiempo preciso.

A Alejandra y Sebastián, por su admiración, apoyo y enseñanzas.

RESUMEN En Ecuador, el servicio de transporte público de pasajeros está concesionado a empresas privadas, las cuales operan bajo un título habilitante que reglamenta condiciones y obligaciones. Para el monitoreo y control de operaciones, las unidades de transporte de estas empresas disponen de dispositivos instalados que registran información georreferenciada mediante un Sistema de Posicionamiento Global. Al disponer de datos georreferenciados relacionados con las operaciones de estas empresas, existe un amplio campo para explorar e investigar si estas operaciones se enmarcan en lo que establece su título habilitante. En el presente trabajo se investiga la obtención de un diagnóstico, a través de un SIG, de las operaciones en el corredor vial E35 por parte de las empresas de transporte público de pasajeros del Ecuador. Para el desarrollo de este diagnóstico, se proponen diferentes estrategias que componen dos enfoques de análisis generales desarrollados sobre variables espaciales y no espaciales. Entre las principales estrategias consideradas se destaca el estudio de autocorrelación espacial, multicorrelación, análisis de regresión, identificación de atípicos e identificación de grupos basada en técnicas multivariantes. Los resultados de estos análisis permitieron la identificación de factores con significativa influencia sobre la operación de las empresas de transporte. Además, se caracterizó 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. El presente trabajo proporciona una guía para que las operadoras de transporte e instituciones relacionadas al transporte, tránsito y seguridad vial desarrollen propuestas de medidas y proyectos de mejora.

Palabras clave: Análisis multivariante, correlación, ESDA, GIS, empresas de transporte.

ABSTRACT In Ecuador, public transport is given in concession to private companies, which operate subject to a service contract that regulates conditions and compromises. For monitoring and control of operations, transport units of these companies have installed devices that record georeferenced information through a Global Positioning System. By having georeferenced data related to the operations of these companies, there is a large field to explore and investigate whether these operations agree with what their service contract establishes. In the present work, the obtaining of a diagnosis, through a GIS, of the operations in the E35 road corridor by public transport companies of Ecuador is investigated. For the development of this diagnosis, different strategies of two general analysis approaches developed over spatial and non-spatial variables, are proposed. Within the main strategies considered, the study of spatial autocorrelation, multiple correlation, regression analysis, outlier identification and clustering identification based on multivariate techniques stands out. The results of these analyzes provide the identification of factors with significant influence over the operation of public transport companies. In addition, the spatial relationship between these factors and the georeferenced information was characterized. As a conclusion stage, it was possible to develop an analysis that arises from the diagnosis made and that consists of the formulation of strategies for the control and planning of transport companies. This work provides a guide for public transport companies and institutions related to transport, traffic, and road safety to develop proposals for measures and improvement projects.

Key words: Correlation, ESDA, GIS, multivariate analysis, transport companies.

TABLA DE CONTENIDOS

COMPROMISO DE CIENCIA ...................................................................... 6 AGRADECIMIENTO .................................................................................... 7 DEDICATORIA ............................................................................................ 8 RESUMEN ................................................................................................... 5 ABSTRACT ................................................................................................. 6 TABLA DE CONTENIDOS .......................................................................... 7 ÍNDICE DE FIGURAS................................................................................ 10 ÍNDICE DE TABLAS .................................................................................. 13 ACRÓNIMOS ............................................................................................ 14 1. INTRODUCCIÓN ....................................................................................... 15 1.1.

ANTECEDENTES ................................................................................... 15

1.2.

OBJETIVO GENERAL ............................................................................ 16

1.3.

OBJETIVOS ESPECÍFICOS ................................................................... 16

1.4.

PREGUNTA DE INVESTIGACIÓN ......................................................... 16

1.5.

HIPÓTESIS ............................................................................................. 17

1.6.

JUSTIFICACIÓN ..................................................................................... 17

1.7.

ALCANCE ............................................................................................... 18

2. REVISIÓN DE LITERATURA .................................................................... 20 2.1.

MARCO TEÓRICO.................................................................................. 20 7

2.1.1. 2.1.2. 2.1.3. 2.1.4. 2.1.5. 2.1.6. 2.1.7. 2.1.8. 2.1.9. 2.1.10.

2.2.

MARCO HISTÓRICO .............................................................................. 33

2.2.1. 2.2.2. 2.2.3.

2.3.

Transporte ..................................................................................................20 Ámbitos de Transporte ...............................................................................20 Operadoras de Transporte..........................................................................22 Proyecto Transporte Seguro .......................................................................23 Modelos de Gestión en las Operadoras de Transporte ...............................24 Sistema de Posicionamiento Global ...........................................................25 Análisis espacial .........................................................................................27 Interpolación ...............................................................................................27 Análisis Exploratorio de Datos ....................................................................28 Análisis Exploratorio de Datos Espaciales ..................................................30

Caso de estudio: Quito ...............................................................................33 Caso de estudio: Cuenca............................................................................34 Caso de estudio: Ambato............................................................................34

MARCO METODOLÓGICO .................................................................... 35

2.3.1. 2.3.2. 2.3.3. 2.3.4. 2.3.5. 2.3.6. 2.3.1. 2.3.2.

Caso de estudio: Juárez .............................................................................35 Caso de Estudio: Quito ...............................................................................36 Caso de estudio: Antioquia .........................................................................36 Caso de Estudio: Madrid ............................................................................37 Caso de Estudio: Carabobo ........................................................................37 Caso de Estudio: Valle del Cauca...............................................................37 Caso de Estudio: Costa de Almería-Andalucía ...........................................38 Caso de Estudio: Naucalpan ......................................................................38

3. METODOLOGÍA ........................................................................................ 40 3.1.

ÁREA DE ESTUDIO................................................................................ 40

3.2.

FLUJOGRAMA ........................................................................................ 43

3.3.

JUSTIFICACIÓN DE LA METODOLOGÍA .............................................. 47

3.4.

DESARROLLO METODOLÓGICO ......................................................... 48

3.4.1. 3.4.2. 3.4.3.

Obtención de datos para el análisis ............................................................48 Análisis exploratorio de datos espaciales y no espaciales ..........................62 Análisis de relación espacial y planteamientos de estrategias ....................82

4. RESULTADOS Y ANÁLISIS ...................................................................... 83 4.1.

ANÁLISIS EXPLORATORIO DE DATOS ESPACIALES ........................ 83

4.1.1. 4.1.2. 4.1.3.

Análisis estadístico espacial .......................................................................83 Análisis gráfico ...........................................................................................85 Análisis de autocorrelación espacial ...........................................................87

4.1.4. 4.1.5.

4.2.

ANÁLISIS EXPLORATORIO DE DATOS NO ESPACIALES .................. 98

4.2.1. 4.2.2. 4.2.3. 4.2.4. 4.2.5.

4.3.

Análisis de multicorrelación de la variable velocidad...................................90 Análisis de regresión espacial ....................................................................95

Análisis estadístico no espacial ..................................................................98 Análisis gráfico ...........................................................................................99 Análisis de multicorrelación ......................................................................102 Identificación de atípicos ..........................................................................104 Identificación de grupos de operadoras ....................................................105

FACTORES QUE INFLUYEN EN LAS OPERACIONES DE LAS

EMPRESAS DE TRANSPORTE .................................................................... 106 4.4.

RELACIÓN ESPACIAL ENTRE LOS DATOS GPS Y LOS FACTORES

IDENTIFICADOS ............................................................................................ 107 4.5.

ESTRATEGIAS DE MEJORA PARA EL CONTROL Y LA

PLANIFICACIÓN DE TRANSPORTE ............................................................. 111 4.6.

DISCUSIÓN DE RESULTADOS ........................................................... 116

5. CONCLUSIONES Y RECOMENDACIONES ........................................... 120 5.1.

CONCLUSIONES.................................................................................. 120

5.2.

RECOMENDACIONES ......................................................................... 123

6. BIBLIOGRAFÍA ........................................................................................ 124 7. ANEXOS.................................................................................................. 128 ANEXO 1.

INFORMACIÓN RÁSTER PARA ANÁLISIS GRÁFICO ........... 128

ANEXO 2.

GRÁFICAS DE AUTOCORRELACIÓN PARA EL ANÁLISIS DEL

ÍNDICE DE MORAN ....................................................................................... 135 ANEXO 3.

ANÁLISIS DE MULTICORRELACIÓN ..................................... 142

ÍNDICE DE FIGURAS

Ilustración 2.1. Gestión del sistema de Transporte Seguro. ............................... 24 Ilustración 2.2. Tipos de autocorrelación espacial .............................................. 33 Ilustración 3.1. Red vial E35. Estación peaje “Machachi” ................................... 42 Ilustración 3.2. Red vial E35-Paso Lateral Latacunga ........................................ 42 Ilustración 3.3. Flujograma de la metodología .................................................... 45 Ilustración 3.4. Estructura de la Etapa 1 ............................................................. 49 Ilustración 3.5. Interfaz principal de la Plataforma de Transporte Seguro .......... 55 Ilustración 3.6. Interfaz del Módulo Reporte-Trayectoria Histórica ..................... 56 Ilustración 3.7. Interfaz del Módulo Reporte-Exceso de Velocidad..................... 56 Ilustración 3.8. Interfaz del Módulo Reporte-Tiempo de Conducción ................. 57 Ilustración 3.9. Interfaz del Módulo Reporte-Resumen de Exceso de Velocidad 58 Ilustración 3.10. Interfaz del Módulo Reporte-Actividades por Fecha................. 58 Ilustración 3.11. Buffer definido a partir de la ruta E35 ....................................... 59 Ilustración 3.12. Selección de observaciones dentro del Buffer definido ............ 60 Ilustración 3.13. Estructura de la Etapa 2 ........................................................... 62 Ilustración 3.14. Ejemplo de análisis gráfico a partir de un ráster de datos de velocidad .............................................................................................................. 65 Ilustración 3.15. Creación de un ráster a partir de registros de velocidad .......... 65 Ilustración 3.16. Herramienta I de Moran ........................................................... 67 Ilustración 3.17. Uso de la herramienta GeneratePointsAlongLines para generación de capa de puntos base .................................................................... 69 Ilustración 3.18. Extracción de valores de píxel del ráster de interpolación ....... 69 10

Ilustración 3.19. Estructura de la Base de Datos uniforme de registros GPS de velocidad .............................................................................................................. 70 Ilustración 3.20. Ejemplo de matriz de correlación ............................................. 72 Ilustración 3.21. Esquema de análisis de regresión con el uso de un modelo de regresión lineal disponible en librerías de Python ................................................ 73 Ilustración 3.22. Esquema de análisis de mayor influencia de una variable descriptiva sobre una variable de operación ........................................................ 78 Ilustración 3.23. Ejemplo de monitoreo de SCDG (%) para la identificación del número de grupos de operadoras ........................................................................ 80 Ilustración 3.24. Ejemplo de identificación de grupos en un conjunto de datos con la técnica K-means (se considera reducción de variables en tres componentes principales) ........................................................................................................... 81 Ilustración 3.25. Estructura de la Etapa 3 ........................................................... 82 Ilustración 4.1. Resultado de Elipse de desviación estándar de registros GPS de velocidad .............................................................................................................. 85 Ilustración 4.2. Muestra de resultados del análisis gráfico de operadoras de la ruta Quito-Ambato: a) 22 DE JULIO, b) AMAZONAS, c) AMBATO, d) AMERICA. ............................................................................................................................. 86 Ilustración 4.3. Muestra de resultados autocorrelación. Operadoras: a) VAFITUR, b) SANTA, c) TURISMO BAÑOS ......................................................................... 88 Ilustración 4.4. Resultado de Información ráster para la operadora LIDER ........ 90 Ilustración 4.5. Multicorrelación de la Variable Velocidad entre Operadoras de la ruta Quito-Ambato ................................................................................................ 91 Ilustración 4.6. Matriz de gráficos de dispersión e histogramas de la Variable Velocidad (km/h) entre una muestra de las Operadoras de la ruta Quito-Ambato 92 Ilustración 4.7. Multicorrelación de la Variable Velocidad entre Operadoras de la ruta Quito-Latacunga ............................................................................................ 93 11

Ilustración 4.8. Matriz de gráficos de dispersión e histogramas de la Variable Velocidad (km/h) entre Operadoras de la ruta Quito-Latacunga .......................... 93 Ilustración 4.9. Multicorrelación de la Variable Velocidad entre Operadoras de la ruta Quito-Riobamba ............................................................................................ 94 Ilustración 4.10. Matriz de gráficos de dispersión e histogramas de la Variable Velocidad (km/h) entre una muestra de las Operadoras de la ruta Quito-Riobamba ............................................................................................................................. 95 Ilustración 4.11. Modelos de regresión lineal para las operadoras de la ruta Quito-Ambato ....................................................................................................... 97 Ilustración 4.12. Diagramas de caja de variables no espaciales ...................... 100 Ilustración 4.13. Histogramas de variables no espaciales ................................ 101 Ilustración 4.14. Matriz de multicorrelación entre variables descriptivas .......... 102 Ilustración 4.15. Identificación de operadoras atípicas en el conjunto de datos 104 Ilustración 4.16. Identificación de grupos de operadoras ................................. 105 Ilustración 4.17. Matriz de multicorrelación entre el Índice de Moran y variables influyentes .......................................................................................................... 108 Ilustración 4.18. Gráfico de dispersión entre el índice de Moran y dos factores influyentes en las empresas de transporte ......................................................... 109 Ilustración 4.19. Relación espacial entre el índice de Moran y factores influyentes en las empresas de transporte ........................................................................... 110 Ilustración 4.20. Estrategias planteadas para el control y la planificación de transporte ........................................................................................................... 116

ÍNDICE DE TABLAS

Tabla 2.1. Datos de oferta y operadoras habilitadas ............................................ 22 Tabla 2.2. Resumen del Marco Metodológico ...................................................... 39 Tabla 3.1. Operadoras de servicio de transporte de rutas especificadas en el corredor vial E35 .................................................................................................. 44 Tabla 3.2. Placas operativas de las operadoras bajo estudio .............................. 50 Tabla 3.3. Variables disponibles de las empresas de transporte bajo estudio ..... 51 Tabla 3.4. Código del Cantón de domicilio de la operadora ................................. 54 Tabla 3.5. Matriz de datos de variables de operación y variables descriptivas de las empresas de transporte bajo estudio .............................................................. 61 Tabla 4.1. Estadística descriptiva espacial para los registros GPS de velocidad de las operadoras bajo estudio ................................................................................. 83 Tabla 4.2. Resultado de autocorrelación del registro GPS de velocidad de operadoras ........................................................................................................... 89 Tabla 4.3. Cálculo del error medio cuadrático (MSE) para los modelos de regresión lineal encontrados ................................................................................ 97 Tabla 4.4. Estadística descriptiva no espacial de variables analizadas ............... 99 Tabla 4.5. Características de los grupos identificados ....................................... 106 Tabla 4.6. Factores mayormente influyentes en variables operativas ................ 107 Tabla 4.7. Relaciones espaciales identificadas .................................................. 111

ACRÓNIMOS

AC: Análisis Clúster AEDE: Análisis exploratorio de datos espaciales AED: Análisis exploratorio de datos ANT: Agencia Nacional de Tránsito ESDA: Exploratory Spatial Data Analysis GPS: Global Positioning System IDW: Inverse Distance Weighting LOF: Local Outlier Factor (Factor Local Atípico) LOTTTSV: Ley Orgánica de Transporte Terrestre Tránsito y Seguridad Vial MSE: Mean Squared Error (Error Medio Cuadrático) OSM: Open Street Map RLOTTTSV: Reglamento General para la Aplicación de la Ley Orgánica de Transporte Terrestre, Tránsito y Seguridad Vial SCDG: Suma de los Cuadrados de las Distancias dentro de Grupos SIG: Sistema de Información Geográfica TICS: Tecnologías de la Información y Comunicación UPS: Uninterruptible Power System

INTRODUCCIÓN 1.1. ANTECEDENTES Actualmente el servicio de transporte público de pasajeros del Ecuador se encuentra concesionado a empresas privadas de transporte que explotan las rutas y frecuencias mediante Títulos Habilitantes denominados Contratos de Operación, entendiéndose como ruta a las líneas de servicio de transporte y a frecuencia como los horarios en los que se ejecuta el servicio autorizado. En los documentos habilitantes de las operadoras de transporte, se estipulan cláusulas de estricto cumplimiento, así como también la flota habilitada acorde a una determinada oferta de transporte asignada. Cada ruta se compone de un origen, destino y paradas intermedias que definen los ámbitos de operación descritos en la normativa de transporte vigente. Es así, que en el país existen dos modalidades reguladas por la autoridad a cargo denominada Agencia Nacional de Tránsito (ANT); al servicio entre y dentro provincias se conoce como ámbito interprovincial e intraprovincial respectivamente; la presente investigación se enfocará en el ámbito interprovincial (República del Ecuador, Asamblea Nacional, 2008). Al existir una figura legal de por medio; que garantiza que las operaciones están siendo autorizadas y reguladas, es importante verificar el cumplimiento de las mismas y de ser el caso proceder bajo la normativa vigente. En los últimos años, se ha identificado que las operaciones se ven influenciadas por factores como la oferta existente y la demanda no cubierta, todo esto relacionado con la falta de implementación de modelos de gestión que les permita identificar a las operadoras sus fortalezas y amenazas a fin de establecer y aplicar medidas que garanticen su rentabilidad y un servicio de calidad al ciudadano. Como medios de control por parte de la ANT se han implementado herramientas tecnológicas que permiten el monitoreo en tiempo real a través de sistemas de posicionamiento global instalados en las unidades de transporte a fin de identificar el comportamiento de las rutas y frecuencias ejecutadas en contraste con las autorizadas en los títulos habilitantes (República del Ecuador, ECU911, 2021). De acuerdo a lo descrito anteriormente, la presente investigación tiene el principal objetivo de obtener un diagnóstico de las 15

operaciones de las empresas de transporte en contraste con la oferta autorizada. Además, pretende identificar la o las variables relacionadas con la gestión en la operación que influyen en el cumplimiento de rutas y frecuencias asignadas y la relación espacial que guarda con los mismos; todo esto para establecer estrategias de aplicación para la gestión y control de las operaciones enfocadas principalmente a la seguridad vial.

1.2. OBJETIVO GENERAL •

Obtener el diagnóstico a través de un SIG de las operaciones en el corredor vial E35 por parte de las empresas de transporte público del Ecuador.

1.3. OBJETIVOS ESPECÍFICOS •

Analizar el comportamiento de los datos GPS (Global Positioning System) obtenidos de los dispositivos instalados en las unidades vehiculares de las empresas de transporte que operan en el corredor vial E35.

•

Determinar los factores que influyen en las operaciones de las empresas de transporte.

•

Establecer la relación espacial entre los datos GPS y los factores identificados.

•

Formular estrategias de mejora para el control y la planificación de transporte.

1.4. PREGUNTA DE INVESTIGACIÓN •

¿Cuál es el comportamiento de los datos GPS obtenidos de los dispositivos instalados en las unidades vehiculares de las empresas de transporte que operan en el corredor vial E35?

•

¿Cuáles son los factores que influyen en las operaciones de las empresas de transporte? 16

•

¿Cuál es la relación espacial entre los datos GPS y los factores identificados?

•

¿Qué estrategias de mejora se pueden formular para el control y la planificación de transporte?

1.5. HIPÓTESIS •

La aplicación de un método de análisis estadístico en un SIG permite obtener el diagnóstico de las operaciones técnicas, de las empresas de transporte público en el corredor vial E35 del Ecuador.

1.6. JUSTIFICACIÓN La importancia de analizar las operaciones por parte de las empresas de transporte radica en poder obtener un diagnóstico de la oferta real de transporte y compararla con la oferta autorizada por la autoridad competente. Para lograr tal fin, se dispondrán y analizarán los datos GPS instalados en las unidades de transporte, con un enfoque de análisis espacial de datos, para de esta forma analizar su comportamiento en relación a lo autorizado en sus títulos habilitantes que constituyen los instrumentos legales por medio de los cuales la institución competente y los prestadores del servicio establecen los derechos y obligaciones a fin de garantizar un servicio de transporte de calidad y seguro enmarcado en las políticas nacionales de regulación y control. El presente trabajo permitirá tener una línea base de información del comportamiento de operaciones del servicio de transporte público y con la formulación de estrategias de mejora, contribuirá para el desarrollo de planes y proyectos tanto para la institución a cargo como para las operadoras de transporte; y así, éstas evalúen de ser el caso, la importancia de mejorar su gestión interna para que sus operaciones sean seguras y confiables. Además, es importante también repotenciar el uso de los datos GPS registrados por las unidades de transporte en un SIG y presentar para la Institución otro 17

beneficio del geoprocesamiento que permita obtener información para la ejecución de estrategias en los diversos ámbitos de análisis de transporte como; por ejemplo, los modelos actuales de asignación de rutas y frecuencias del país, los índices de siniestralidad del país, saturación de los corredores viales, entre otros. Los datos corresponden a la Plataforma de Transporte Seguro de la Agencia Nacional de Tránsito. Por otra parte, con la información de los niveles de madurez en cada uno de los pilares de gestión proporcionados por las empresas de transporte, se aportará con un análisis de relación, como una fuente de información para uso y análisis de las partes interesadas, y para la aplicación en diferentes investigaciones que contribuyan en el desarrollo y mejora de los modelos de gestión de las operadoras de transporte. Finalmente, se ha considerado tomar como zona de estudio el corredor vial (E35) ya que constituye una de las vías estatales principales del país y de mayor extensión que conecta a las principales provincias del país de norte a sur; por ende, como se ha indicado anteriormente, el análisis será aplicado en el ámbito interprovincial.

1.7. ALCANCE La presente investigación, pretende obtener un diagnóstico de las operaciones ejecutadas por las empresas de transporte a través del análisis de los datos GPS registrados por los dispositivos instalados en las unidades de transporte, y de esta forma tener un análisis de relación de las variables identificadas en torno a la gestión y operación en territorio para el planteamiento de estrategias de mejora. El análisis se aplicará para las operadoras de transporte público de pasajeros de la modalidad interprovincial, que mantienen rutas autorizadas dentro del corredor vial E35 del Ecuador, que atraviesa las provincias de la región Sierra del país. Los principales beneficiarios de la presente investigación serán las operadoras de transporte público y las instituciones competentes en materia de tránsito, transporte 18

y seguridad vial, que contarán con una línea base de información para el desarrollo de futuros proyectos y definición de medidas de mejora dentro del ámbito de sus competencias.

REVISIÓN DE LITERATURA 2.1. MARCO TEÓRICO 2.1.1.

Transporte

Se puede definir al transporte como el medio o vector que realiza el desplazamiento de las personas y sus bienes que requieren superar una distancia física en el territorio, cuya unidad de estudio se puede establecer al viaje, mismo que guarda estrecha relación con la movilidad, pero con una clara diferencia. El transporte es la acción del desplazamiento mientras que la movilidad es el comportamiento de ese desplazamiento en el cual se pueden estudiar variables como motivo, frecuencia, modo, etc. (Gutiérrez-Puebla, García-Palomares, y Cardozo, 2012). En este contexto, se puede concebir al transporte como un sistema en el que se da la interacción entre una red (infraestructura), un sistema de gestión y un conjunto de medios que compiten o se complementan (Ortúzar Salas, 2012) . Dentro de la normativa del país, la Ley Orgánica de Transporte Terrestre, Tránsito y Seguridad Vial (LOTTTSV) en su artículo 46 define al transporte como “El transporte terrestre automotor es un servicio público esencial y una actividad económica estratégica del Estado, que consiste en la movilización libre y segura de personas o de bienes de un lugar a otro, haciendo uso del sistema vial nacional, terminales terrestres y centros de transferencia de pasajeros y carga en el territorio ecuatoriano. Su organización es un elemento fundamental contra la informalidad, mejorar la competitividad y lograr el desarrollo productivo, económico y social del país, interconectado con la red vial internacional.” (República del Ecuador, Asamblea Nacional, 2008, Secc. Del transporte automotor).

2.1.2.

Ámbitos de Transporte

De acuerdo con el artículo 60 del Reglamento a la Ley Orgánica de Transporte Terrestre Tránsito y Seguridad Vial (RLOTTTSV), se definen los siguientes ámbitos

de operación del transporte terrestre, (República del Ecuador, Asamblea Nacional, 2012, cap. 4): •

Servicio de Transporte Intracantonal: opera dentro de los límites cantonales, pudiendo ser un servicio urbano (entre parroquias urbanas), servicio rural (entre parroquias rurales) o servicio combinado (entre parroquias urbanas y rurales).

•

Servicio

Transporte

Intraprovincial:

también

conocido

como

intercantonal, se presta dentro de los límites provinciales entre cantones. •

Servicio de Transporte Intrarregional: es el transporte que opera entre las provincias que conforman una misma región.

•

Servicio de Transporte Interprovincial: corresponde al servicio que se presta dentro de los límites del territorio nacional, entre provincias de diferentes regiones, o entre provincias de una región y las provincias del resto del país o viceversa, o entre provincias que no se encuentren dentro de una región.

•

Servicio de Transporte Internacional: se presta fuera de los límites del país, teniendo como origen el territorio nacional y como destino un país extranjero o viceversa.

•

Servicio de Transporte Transfronterizo: Se presta entre regiones de frontera debidamente establecidas acorde a la normativa nacional e internacional vigente.

De acuerdo con la Resolución No. 006-CNC del 26 de abril del 2012, se resuelve transferir a los Gobiernos Autónomos Desconcentrados las competencias para planificar, regular y controlar el tránsito, el transporte terrestre y la seguridad vial dentro de sus jurisdicciones cantonales (Consejo Nacional de Competencias, 2012). Es por ello, que la ANT regula y planifica el transporte público en los ámbitos interprovincial e intraprovincial.

2.1.3.

Operadoras de Transporte

Actualmente, las empresas de transporte público operan bajo el título habilitante denominado Contrato de Operación, que acorde al artículo 55 de la LOTTTSV, se considera el medio por el cual, las operadoras explotan las rutas y frecuencias a nivel nacional que son de propiedad exclusiva del Estado. Las operadoras pueden consorciarse o fusionarse entre dos o más empresas de transporte, acorde a su personería jurídica o criterio de operación, esto contribuye al mejoramiento de la prestación del servicio y aplicación de medidas de control (República del Ecuador, Asamblea Nacional, 2008). Tabla 2.1. Datos de oferta y operadoras habilitadas

RUTAS

FRECUENCIAS

OPERADORAS

CUPOS

RUTAS

FRECUENCIAS

AZUAY BOLÍVAR CAÑAR CARCHI CHIMBORAZO COTOPAXI EL ORO ESMERALDAS GUAYAS IMBABURA LOJA LOS RÍOS MANABÍ MORONA SANTIAGO NAPO ORELLANA PASTAZA PICHINCHA SANTA ELENA SANTO DOMINGO SUCUMBÍOS TUNGURAHUA ZAMORA CHINCHIPE TOTAL

CUPOS

PROVINCIA

INTRAPROVINCIAL

OPERADORAS

INTERPROVINCIAL

15 7 10 8 16 17 8 2 6 10 4 17 15 4 2 1 2 10 4 10 2 28 2 200

310 234 215 197 453 418 328 154 133 404 244 603 685 123 58 61 93 492 184 326 284 807 123 6929

180 181 127 64 312 445 176 156 64 134 275 311 407 186 73 67 91 239 32 263 397 618 156 4954

1353 792 2591 416 2037 3329 1583 949 988 1718 578 3631 2727 460 375 215 269 1397 1224 1288 1647 3978 267 33812

20 7 10 6 17 8 10 3 35 6 12 9 22 5 3 3 3 17 15 5 3 219

216 114 115 153 279 141 208 140 1096 160 134 156 561 56 49 41 26 558 385 45 62 4695

274 178 137 98 385 251 205 174 270 119 198 106 353 143 98 140 64 162 94 39 116 3604

1351 676 726 902 1750 2140 2963 671 15109 1834 532 1660 4403 415 790 532 363 6642 5705 321 268 49753

Fuente: ANT (2019) El servicio de transporte público puede prestarse en unidades vehiculares tipo buses, minibuses y tipo costa tal como se describe en el artículo 63 del Reglamento 22

a la Ley Orgánica de Transporte Terrestre Tránsito y Seguridad Vial (República del Ecuador, Asamblea Nacional, 2012). Según las bases de información, la ANT mantiene 200 operadoras de ámbito interprovincial y 219 operadoras de ámbito intraprovincial habilitadas mediante Contratos de Operación con una oferta concesionada de 8558 rutas y 83565 frecuencias a nivel nacional. Referente al parque automotor se tiene un aproximado de 11624 unidades tipo bus, tipo costa y microbús habilitados para el servicio de transporte, ver Tabla 2.1 (Agencia Nacional de Tránsito, 2019).

2.1.4.

Proyecto Transporte Seguro

El proyecto denominado Seguridad Integral en el Transporte Público y Comercial “Transporte Seguro" es una iniciativa del Gobierno Nacional del Ecuador, implementado en el transporte público y comercial por la ANT y coordinado con el Sistema Integrado de Seguridad ECU911 con una inversión aproximada de $94´494,447 (República del Ecuador, ECU911, 2021). El objetivo del referido proyecto es: “reducir el índice de siniestralidad en las vías del Ecuador, con una adecuada planificación y control del servicio público y comercial de transporte” (República del Ecuador, ECU911, 2021, párr. 2). Por otro lado, el proyecto contempla también la “Gestión del Tránsito”, con la finalidad de monitorear a las unidades de transporte y la operación de las rutas autorizadas a las empresas de transporte, como parte de la gestión del tránsito y transporte.

Esta

información

está

al alcance

mediante

una

plataforma

implementada, en la cual se dispone de reportería y visualización en tiempo real de las operaciones y atención de emergencias cuando son reportadas en las unidades, ya sea por excesos de velocidad o vulneración de la seguridad ciudadana. En resumen, el proyecto Transporte Seguro permite gestionar dos pilares fundamentales: gestión de tránsito y seguridad ciudadana; el primero lo gestiona la ANT y el segundo el Sistema Integrado de Seguridad ECU911 (ver Ilustración 2.1.).

Ilustración 2.1. Gestión del sistema de Transporte Seguro. Fuente: República del Ecuador, ECU911 (2021) Para lograr la gestión de tránsito y la seguridad ciudadana, cada unidad de transporte cuenta con un conjunto de dispositivos instalados que se denomina “kit de seguridad” y está conformado por: 1 Grabador digital de video móvil, 1 GPS, 2 Cámaras de video Infrarroja con video, 1 UPS (Sistema de alimentación de

energía ininterrumpida) y 3 Botones de auxilio. A través de los datos grabados por el GPS, el sistema realiza el cálculo de las velocidades en cada posición, considerando como exceso de velocidad al valor que supera los 90 km/h (República del Ecuador, ECU911, 2021).

2.1.5.

Modelos de Gestión en las Operadoras de Transporte

Con Resolución Nro. ANT-NACDSGRDI18-0000094 de 31 de octubre de 2018, la ANT aprobó el Reglamento del Procedimiento de Intervención a las operadoras de transporte público Inter e Intraprovincial; con la finalidad de subsanar las falencias que inciden en el modelo de gestión de una operadora de transporte, garantizando de esta manera una movilidad segura que tenga como base la eficiencia y 24

seguridad ocupacional, calidad del servicio, rentabilidad y sostenibilidad de la operadora (Directorio de la Agencia Nacional de Tránsito, 2018) . En el artículo 4 del referido reglamento se describen los ejes principales de acción citados a continuación (Directorio de la Agencia Nacional de Tránsito, 2018, pp. 45): Gestión Organizacional: refiere la estructura administrativa y de gobernabilidad de la operadora, Gestión Financiera: Toma de decisiones acerca de las necesidades financieras de la operadora, optimizando sus recursos para el logro de objetivos integrales, Gestión de Conductores y Personal de apoyo: análisis de las condiciones de trabajo y cumplimiento de obligaciones laborales, Gestión de la Prestación del Servicio: niveles de servicio para cubrir las expectativas del cliente y Gestión operativa, control y seguridad: Monitoreo, Seguimiento y Control permanente de la flota vehicular y del personal durante la prestación del servicio. En el proceso de intervención a las operadoras de transporte, se genera información de gestión administrativa y de operaciones; principalmente, la misma se registra en una base de datos denominada “Matriz de Caracterización”, la cual permite identificar el nivel de madurez a través de valores establecidos en un rango de 1 a 5, en donde 1 significa Caótico y 5 Mejora Continua, estos criterios han sido definidos dentro de la normativa interna de la institución para cada pilar de gestión. Con el nivel de madurez se pueden establecer propuestas con acciones que deben implementar las empresas de transporte para un proceso de mejora.

2.1.6.

Sistema de Posicionamiento Global

El Sistema de Posicionamiento Global (GPS) es un sistema de localización, el cual fue diseñado por el Departamento de Defensa de los Estados Unidos con fines militares para proporcionar estimaciones precisas de posición, velocidad y tiempo. Se encuentra operativo desde 1995, utiliza conjuntamente una red de ordenadores y una constelación de 24 satélites para determinar por 25

triangulación, la altitud, longitud y latitud de cualquier objeto en la superficie terrestre (Herring, 1996). 2.1.6.1. Existen

Fuentes de error en los GPS errores

que

afectan

forma

significativa

las

medidas

realizadas con el GPS y son los siguientes (Pozo-Ruz et al., 2000): •

Perturbación ionosférica: la ionosfera está formada por una capa de partículas cargadas eléctricamente que modifican la velocidad de las señales de radio que la atraviesan, este tipo de error es corregible.

•

Fenómenos meteorológicos: en la troposfera, en donde ocurren los fenómenos meteorológicos, el vapor de agua afecta a las señales electromagnéticas disminuyendo su velocidad. Los errores generados son similares en magnitud a los causados por la ionosfera; sin embargo, su corrección es prácticamente imposible.

•

Imprecisión en los relojes: los relojes atómicos de los satélites presentan ligeras desviaciones a pesar de su cuidadoso ajuste y control; lo mismo sucede con los relojes de los receptores.

•

Interferencias eléctricas imprevistas: las interferencias eléctricas pueden ocasionar un redondeo inadecuado en el cálculo de una órbita. Cuando el error es grande, es fácilmente detectable; sin embargo, si las desviaciones son pequeñas pueden causar errores de hasta un metro.

•

Error multisenda: las señales transmitidas desde los satélites pueden sufrir reflexiones antes de alcanzar el receptor. En la actualidad existen receptores que emplean técnicas avanzadas de procesamiento de señal y antenas con un diseño especial para minimizar este error.

•

Interferencia "Disponibilidad Selectiva S/A": constituye la mayor fuente de error y es introducida premeditadamente por el nivel militar.

•

Topologías receptor-satélites: los receptores deben considerar la geometría receptor-satélites visibles utilizada en el cálculo de distancias, ya que una determinada configuración espacial puede aumentar o disminuir la precisión de las medidas. Los receptores más avanzados utilizan un factor que modifica el error de medición de la distancia denominado dilución de la precisión geométrica.

El error debido a la disponibilidad selectiva y los relacionados con la imprecisión de los relojes son independientes de la geometría de los satélites. Los retrasos ionosféricos, troposféricos y los errores multisenda dependen fuertemente de la topología. Los errores procedentes de las distintas fuentes se acumulan en un valor de incertidumbre que va asociado a cada medida de posición GPS.

2.1.7.

Análisis espacial

Es la serie de técnicas estadísticas y matemáticas aplicadas al estudio de los datos distribuidos sobre el espacio geográfico (Buzai, 2005). El análisis espacial también puede ser concebido como el conjunto de operaciones desarrolladas en base a los datos espaciales en el trabajo habitual con estos. El análisis de los datos geográficos es, junto con la producción cartográfica, una de las tareas fundamentales de un SIG. La información que se procesa en un SIG es a su vez fuente de nueva información, y solo es a través de un análisis cómo se puede obtener resultados de diversa clase (Olaya, 2014).

2.1.8.

Interpolación

Dentro de la estadística, la interpolación es aplicada para estimar valores desconocidos a partir de una serie de datos conocidos y ponderados. Existen algunas técnicas y cada una busca determinar una función matemática que más se ajuste y represente adecuadamente el fenómeno bajo estudio, con se optimiza la cantidad de información a recolectar en campo. Dentro de las técnicas existentes se tiene el método IDW (Inverse Distance Weighting; Murillo, Ortega, Carrillo, Pardo, y Rendón, 2012). 27

2.1.8.1.

Inverse Distance Weighting (IDW)

Es un método matemático de interpolación que usa una función inversa de la distancia, aplica el supuesto que los fenómenos que están más cerca son más parecidos, y por tanto tienen más peso e influencia sobre el punto a estimar, su ecuación viene dada por (Moreno Jiménez et al., 2008): 𝑁

𝑍(𝑆0 ) = ∑ 𝜆𝑖 ∗ 𝑍(𝑆𝑖 )

(2.1)

𝑖=1

Donde: 𝑍(𝑆0 ) = 𝑣𝑎𝑙𝑜𝑟 𝑎 𝑝𝑟𝑒𝑑𝑒𝑐𝑖𝑟 𝑁 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝜆𝑖 = 𝑝𝑒𝑠𝑜 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑜 𝑎 𝑐𝑎𝑑𝑎 𝑝𝑢𝑛𝑡𝑜 𝑣𝑒𝑐𝑖𝑛𝑜 𝑍(𝑆𝑖 ) = 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑚𝑒𝑑𝑖𝑑𝑜𝑠

Para determinar los pesos de cada punto vecino, se aplica la siguiente ecuación: 𝜆𝑖 =

𝑑𝑖𝑜 −𝑝 −𝑝 ∑𝑁 𝑖=1 𝑑𝑖𝑜

(2.2)

Donde: 𝑑 = 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙 𝑙𝑢𝑔𝑎𝑟 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 (𝑆𝑜) 𝑦 𝑒𝑙 𝑙𝑢𝑔𝑎𝑟 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 (𝑆𝑖) 𝑝 = 𝑓𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑟𝑒𝑑𝑢𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑒𝑠𝑜, 𝑒𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛.

2.1.9.

Análisis Exploratorio de Datos

De acuerdo con el trabajo denominado “Exploratory Data Analysis” (Tukey, 1977), el estadístico y matemático Jhon W. Tukey, es concebido como el creador y figura central en la aplicación de la metodología del Análisis Exploratorio de Datos. A esta herramienta se la puede definir como una estrategia sobre el análisis de datos, en la que se impulsa a que los investigadores apliquen un criterio activo en el proceso 28

de análisis de estos, esto como un medio para plantear nuevas hipótesis de investigación (Pérez Medinilla, Crespo Borges, y Ríos Rodríguez, 2015). Por otro lado, el análisis exploratorio de datos es considerado también como una fase previa al análisis estadístico inferencial, cuyo objetivo está encaminado a la familiarización con los datos que va a analizar y con la naturaleza de estos. En esta fase previa no es indispensable el planteamiento de una hipótesis, y utiliza técnicas muy sencillas, donde priman las representaciones gráficas. En esta fase es donde se pueden evidenciar las relaciones más evidentes que existen entre las variables y que se pueden ratificar con un estudio más robusto posterior. Por otro lado, el análisis exploratorio de

datos

permite también

estudiar las

principales

características de la distribución de las variables y detectar sus valores atípicos (Rojo, 2006). De acuerdo con Ferrer, Freixa, y Guardia (1992), es necesario aplicar las técnicas estadísticas exploratorias para comprobar las condiciones de aplicación de la prueba de hipótesis, detectar errores o atípicos; entre otros. En términos generales, el análisis exploratorio da una visión distinta y previa, que se complementa con un análisis confirmatorio, los dos enfocados a una mejor calidad del análisis de datos. El análisis exploratorio de datos maneja dos principios: la regularidad y las desviaciones. El primero indica la estructura resumida de un conjunto de observaciones; por ejemplo, en una nube de puntos es la recta a la cual estos se ajustan. El segundo se refiere a las diferencias, desviaciones o residuos de los datos con respecto a la estructura definida con el principio anterior; que, para el caso del ejemplo planteado, corresponde a la diferencia respecto a la recta. Usualmente, el análisis exploratorio de datos se ha concentrado en la búsqueda de un modelo que represente la regularidad de las observaciones (Batanero, Estepa, y Godino, 1991). 2.1.9.1.

Análisis de datos multivariantes

El análisis de datos multivariantes tiene por objeto el estudio estadístico de algunas variables medidas en elementos de una población. Tiene como objetivos, resumir 29

el conjunto de variables en unas pocas variables nuevas; con la mínima pérdida de información, determinar agrupamientos en el caso de existir, y relacionar conjuntos de variables. Para alcanzar los objetivos indicados, un recurso importante es el entendimiento de la estructura de la dependencia entre las variables, ya que esto permite resumirlas en variables indicadoras. Las técnicas de análisis multivariante tienen aplicaciones en todos los campos científicos, Biología, Psicometría, Marketing, Ciencias Sociales, Ciencias de la computación; entre otros (Peña, 2002).

2.1.10. Análisis Exploratorio de Datos Espaciales A fines de los ochenta surgieron las primeras ideas del AEDE (o ESDA en inglés, Exploratory Spatial Data Analysis) y se consolidaron en los noventa a través de paquetes informáticos específicos en los cuales con la ayuda de un conjunto de técnicas destinadas a identificar patrones de relación espacial en un grupo de datos con características de localización (Anselin, 1999). Por tanto, se puede sintetizar que el AEDE es una serie de técnicas para visualizar y estimar la autocorrelación espacial (Sánchez-Peña, 2012). Es la metodología para estudiar patrones y asociaciones; en la mayoría de los casos, de extensas bases de datos (Moreno, 2000). Otra de las definiciones identificadas es el conjunto de técnicas que permiten describir distribuciones espaciales, identificar localizaciones atípicas, descubrir esquemas de asociación espacial y sugerir diferentes regímenes espaciales u otras formas de inestabilidad espacial (Moreno y Vayá, 2002). El AEDE es definido por Chasco (2003), como un grupo de técnicas que describen y visualizan las distribuciones espaciales, identificando localizaciones atípicas, descubriendo esquemas de asociación (autocorrelación espacial) y sugiriendo estructuras en el espacio geográfico (heterogeneidad espacial). Por otro lado, el AEDE busca crear una interfaz amigable para estudiar la información geográfica a través de la exploración de los datos, permitiendo descubrir patrones y anomalías en los mismos. Lo cual, puede ser aplicado en programas de análisis estadístico-tradicionales y en software SIG; para este último 30

por su complejidad es necesario tener conocimientos previos para poder manejarlos; mientras que los programas tradicionales, se destacan por la capacidad de generar gráficos estadísticos y mapas que favorecen la exploración de los datos; por lo tanto, son capaces de mostrar simultáneamente dos “espacios”: el geográfico y el matemático (Bosque Sendra, 2005). Las técnicas del AEDE son muy eficaces en situaciones en las que no existe un marco formal o teoría previa acerca del fenómeno que se desea analizar; por tanto, con la aplicación de estas técnicas se pretende determinar en primer momento el comportamiento de los datos. Estos casos se presentan muy comúnmente en el campo de las ciencias sociales, cuando se analizan grandes bases de datos geográficos cuya distribución no necesariamente debe ser conocida a priori (Celemín, 2009). 2.1.10.1.

Autocorrelación espacial

De acuerdo con Tobler (2016), todo está relacionado con todo lo demás, pero las cosas cercanas están más relacionadas que las distantes. A partir de ello nacen los conceptos de autocorrelación espacial, que para Vilalta y Perdomo (2005) es la concentración o dispersión de los valores de una variable en un mapa. Es así, que el análisis de la autocorrelación espacial es un procedimiento intrínsecamente geográfico que permite identificar el comportamiento de la información georreferenciada a diferentes escalas (Celemín, 2009), y de esta manera determinar si se cumple con la hipótesis de que una variable tiene una distribución aleatoria o si, por el contrario, existe una asociación significativa de valores similares o no similares entre unidades espaciales vecinas (Martori, 2008). Dicho de otra manera, la prueba de hipótesis nula determina si se cumplen o no con los supuestos del modelo de estimación si un estadístico muestral difiere significativamente de lo esperado aleatoriamente (Celemín, 2009). Vilalta y Perdomo (2005, p. 325), resaltan la utilidad de la Autocorrelación Espacial para estudiar la forma en que un fenómeno se dispersa a través de las unidades espaciales, y si tal patrón corresponde a algún modelo ya establecido o bien registra la segregación espacial de alguna característica. En resumen, “refleja el grado en 31

que objetos o actividades en una unidad geográfica son similares a los objetos o actividades en unidades geográficas próximas”. La autocorrelación a través de análisis estadístico constituye la aproximación más tradicional al efecto de dependencia espacial, permitiendo contrastar la presencia o ausencia de un esquema de dependencia espacial. Permite contrastar si se cumple la hipótesis de que una variable se encuentra distribuida de forma totalmente aleatoria en el espacio o si, por el contrario, existe una asociación significativa de valores similares o diferentes entre regiones vecinas (Moreno y Vayá, 2002). Entre los principales análisis estadísticos de autocorrelación espacial están la I de Moran y G(d) de Gestis y Ord, los dos permiten contrastar la hipótesis nula de no autocorrelación espacial, es decir, la hipótesis nula de la existencia de una distribución aleatoria de la variable a lo largo del territorio (Moreno y Vayá, 2002). Para el caso del coeficiente I de Moran, sus valores varían entre +1 y –1, donde +1 significa una autocorrelación positiva perfecta (perfecta concentración), y -1 una autocorrelación negativa perfecta (perfecta dispersión); el cero significa un patrón espacial totalmente aleatorio (Vilalta y Perdomo, 2005). De acuerdo con lo anterior, la medición de la autocorrelación espacial que una misma variable tiene en diferentes unidades espaciales se enmarca en una de las siguientes posibilidades (Celemín, 2009): •

Autocorrelación espacial positiva: las unidades espaciales vecinas presentan valores próximos, refiere una tendencia al agrupamiento de las unidades espaciales (ver Ilustración 2.2).

•

Autocorrelación espacial negativa: las unidades espaciales vecinas presentan valores muy distintos, refiere una tendencia a la dispersión de las unidades espaciales.

•

Sin autocorrelación: no ocurre ninguna de las dos posibilidades anteriores. Por lo tanto, los valores de las unidades espaciales vecinas presentan valores producidos de forma aleatoria.

Ilustración 2.2. Tipos de autocorrelación espacial Fuente: Anselin (2003)

2.2. MARCO HISTÓRICO En este apartado se describen diversas investigaciones desarrolladas en el contexto de transporte público, las cuales han sido presentadas en un marco histórico reciente.

2.2.1.

Caso de estudio: Quito

Se han desarrollado investigaciones en el ámbito de la movilidad de la población en el sistema de transporte público, una de ellas es la realizada por Celi Ortega (2018), en donde se presenta un análisis de la problemática del transporte público en el Distrito Metropolitano de Quito, identificando como principal falencia la falta de fiscalización por parte del Municipio. Por otro lado, se identificó que, para el tema de seguridad, control de velocidad y cumplimiento de paradas autorizadas se implementaron dispositivos GPS y cámaras implementadas en cada unidad de transporte. Como principal resultado de la investigación se identificó que existen sectores con necesidades de incremento de servicio de transporte en virtud de la expansión urbana, así como también debe existir un adecuado control y aplicación 33

de medidas regulatorias para garantizar un servicio público seguro y enmarcado en la normativa local.

2.2.2.

Caso de estudio: Cuenca

En tema de acceso al servicio de transporte, en Cuenca se llevó a cabo un estudio con el objetivo de determinar el nivel de preferencia de la ciudadanía hacia el transporte urbano de la ciudad y la existencia de inclusión hacia las personas con movilidad reducida. Como principal resultado, se determinó que la planificación de la movilidad de la ciudad se ha enfocado en propiciar el uso de transporte motorizado privado, dejando en último término a los peatones y la accesibilidad a las personas con movilidad reducida (Bustos Piedra y Marín Palacios, 2017).

2.2.3.

Caso de estudio: Ambato

De acuerdo al proyecto de tesis de ingeniería realizado por Manzano Villafuerte y Aldás Robayo (2018), en la cual se presenta una propuesta para la implementación de sistemas de información integrado para el monitoreo y control de estaciones de transporte público urbano en la ciudad de Ambato, basado en el uso de la electrónica y de las Tecnologías de la Información y Comunicación (TICS), se obtuvo un sistema que proporciona información a los usuarios sobre paradas y recorridos que realiza el servicio de transporte, y por otra parte, como una herramienta para aplicar el control y monitoreo de operaciones, en la misma se resalta a los sistemas de monitoreo en el sistema de transporte como los medios para la obtención de múltiples beneficios. En relación a este ámbito, se disponen de algunas investigaciones, tal es el caso del proyecto de titulación desarrollado por Ayala Baño y Hidalgo Astudillo (2018), en el cual se aplicó un estudio para la implementación de un sistema GPS en una empresa de transporte en la ciudad de Quevedo, identificando como principal beneficio la posibilidad de asignar puntos de control para el monitoreo de operaciones y cumplimiento de las rutas asignadas; todo esto, con la intención de establecer medidas de mejora para la optimización de tiempos de viaje y reducir la aplicación de sanciones bajo la normativa correspondiente. 34

Otro de los temas investigados que se pueden destacar dentro de los sistemas de posicionamiento global instalados en las unidades de transporte, es la aplicabilidad para el control de velocidades; por tanto, contribuye a la gestión interna de las empresas de transporte para una programación óptima de sus operaciones con enfoque en un servicio de calidad y seguro (Ojeda Capa y Semanate Trávez , 2015) De acuerdo a lo anterior las investigaciones han demostrado que tiene grandes contribuciones el uso y análisis de los registros GPS en las operaciones de las rutas autorizadas por parte de

las empresas de transporte, y que identificar las

condiciones de la prestación del servicio permite conceptualizar la percepción de los usuarios y qué medidas se pueden considerar para la mejora del servicio y el fomento del uso de transporte público en las ciudades que proyectan la implementación de medios de movilización sustentables.

2.3. MARCO METODOLÓGICO En esta sección se describen varias investigaciones enfocadas en el análisis de información relacionada con sistemas georreferenciados, en donde se han propuesto metodologías novedosas que pretenden estudiar con profundidad dicha información.

2.3.1.

Caso de estudio: Juárez

Para el análisis de siniestros de tránsito suscitados en la ciudad de Juárez, México, en la investigación se aplicó el AEDE integrado en un sistema de información geográfica, con la finalidad de observar el comportamiento y distribución de la siniestralidad vial en el ámbito urbano a través del índice I de Morán. El análisis incluyó la identificación de la presencia de agrupamientos de riesgo vial y su nivel

de significancia estadística, para determinar las zonas en donde se concentran los siniestros de tránsito. Dentro de los principales resultados, fue el valor de autocorrelación global positivo respaldando la presencia de agrupamientos entre las variables analizadas y su relación con el riesgo vial caracterizado por condiciones de baja densidad de población y un elevado flujo de tránsito. 35

Finalmente, el estudio demostró la utilidad de las técnicas exploratorias de datos espaciales aplicado en el área de la seguridad vial (Hernández Hernández, 2012).

2.3.2.

Caso de Estudio: Quito

En este artículo; desarrollado con base en un análisis exploratorio de datos, se demostró la importancia de la aplicación de este, como un primer acercamiento para conocer las características en un conjunto de vías del OSM; que en sus siglas en inglés significa OpenStreetMap, el cual es concebido como una iniciativa dentro del desarrollo de la Información Geográfica Voluntaria. La zona de estudio seleccionada fue considerada como céntrica y urbana, con un conjunto de datos completos y consistentes. Otro aporte importante en la investigación fue la utilización de dos tipos de software libre; por un lado, un Sistema de Información Geográfica para el análisis espacial y, por otro lado, un ambiente de programación en lenguaje R para el análisis estadístico de los datos. Finalmente, la investigación determinó el valioso aporte de un análisis estadístico en un conjunto de datos con carácter espacial, considerando además la importancia de integrar un SIG con un ambiente de programación para la obtención de los resultados, que principalmente fueron la caracterización de las entidades espaciales registradas en OSM, para el caso de estudio (Castro y Luna, 2018).

2.3.3.

Caso de estudio: Antioquia

El estudio en que el que consideraron variables referentes al número de homicidios en cada uno de los municipios que conforman el departamento de Antioquia, Colombia; a través de un AEDE a fin de evaluar la presencia de efectos espaciales entre los datos disponibles, determinó que los fenómenos de violencia no son procesos que se producen de manera aleatoria sino que obedecen a patrones, con ello se pudieron identificar las políticas gubernamentales necesarias que deben ser diseñadas con el objetivo de controlar zonas donde se concentra la mayor tasa de homicidios. Con lo anterior, quedó demostrado la importancia de la aplicación de un análisis estadístico espacial como primera etapa de los estudios que manejen datos con carácter espacial (Acevedo Bohorquez y Velásquez Ceballos, 2008). 36

2.3.4.

Caso de Estudio: Madrid

El análisis exploratorio de datos espaciales aplicado al ámbito de los estudios del mercado geográfico fue realizado con el objetivo de determinar las relaciones entre las variables que por la naturaleza de los datos no son claramente identificadas. En la investigación se presentaron las principales técnicas del AEDE, empleando el software libre GeoDa desarrollado por el Profesor Luc Anselin de la Universidad de Illinois, el cual combina el análisis estadístico con el análisis gráfico. El análisis estadístico de datos espaciales se basó principalmente en el estudio de las distribuciones espaciales y sus valores atípicos, esquemas de asociación espacial, agrupamientos espaciales y puntos calientes/fríos de negocio. Con esta investigación se dejó en evidencia el aporte de un análisis estadístico aplicado mediante un software libre que no requiere de amplios conocimientos de Sistemas de Información Geográfica (Chasco Yrigoyen, 2009).

2.3.5.

Caso de Estudio: Carabobo

Esta investigación presenta un análisis exploratorio de datos para un conjunto de variables referentes a aglomeración urbana y variables de carácter de acceso a servicios privados como TV por cable, Internet, número de cajeros y oficinas bancarios; entre otros) y públicos (calidad del servicio de agua, electricidad, entre otros). Con el análisis estadístico y la autocorrelación espacial a través del estadístico I de Moran, se planteó un modelo de regresión poblacional para estimar la autocorrelación espacial de variables, para la definición de alternativas para un mejor funcionamiento de las áreas urbanas para repotenciar el desempeño económico (Guédez, 2017).

2.3.6.

Caso de Estudio: Valle del Cauca

En este caso de estudio, el autor presenta la aplicación del Análisis Clúster (AC) como método exploratorio de datos en registros de información pluviométrica. Dentro de las principales conclusiones se determinó que como técnica de análisis multivariante puede ser útil para reducir una compleja cantidad de información; sin embargo, se determinó que puede llegar a obtener resultados erróneos por 37

clasificaciones o agrupamientos inexactos, inclusive determinando grupos que no existen. De esta manera se evidenció que una única herramienta estadística puede no generar resultados precisos y que se hace necesario aplicar un análisis exploratorio de datos espaciales robusto acompañado de un análisis gráfico (Castro Heredia et al., 2012).

2.3.1.

Caso de Estudio: Costa de Almería-Andalucía

Otro ámbito en el que se ha aplicado un análisis exploratorio de datos espaciales corresponde a la gestión de áreas costeras. En esta bibliografía se ha planteado el desarrollo de una metodología para la planificación y conservación de costas. La propuesta metodológica apoyó en la obtención de información relevante y desarrollo de herramientas útiles para la toma de decisiones dentro de las políticas de áreas costeras. Referente a la adquisición de datos espaciales, en el estudio se destaca la aplicación de imágenes satelitales, como un importante recurso para la obtención y definición de variables que fueron empleadas para el diseño de la propuesta metodológica (Aguilar Torres y Aguilar Torres, s.f.).

2.3.2.

Caso de Estudio: Naucalpan

Para el caso de la presente bibliografía el análisis exploratorio de datos espaciales contribuyó a determinar la relación entre las variables de los procesos de vulnerabilidad socioeconómica. En la investigación, se incorporaron análisis gráficos correspondientes a mapas de los parámetros estadísticos como son; Índice de Moran, Cuantiles, Distribución Espacial; entre los principales. Con el análisis estadístico se pudo determinar índices de vulnerabilidad y su comportamiento o patrón de movimiento de un lugar respecto a otro (Campos Vargas et al., 2018). En la Tabla 2.2, se presenta un resumen con los principales desarrollos y aportes en cada una de las bibliografías citadas en la presente investigación.

Tabla 2.2. Resumen del Marco Metodológico CITA (Acevedo Bohorquez & Velásquez Ceballos, 2008) Chasco Yrigoyen (2009) Hernández Hernández (2012) Castro Heredia et al. (2012)

Castro y Luna (2018) (Campos Vargas, Quintana Romero, Monroy Gaytán, & Frausto Martinez, 2018) Guédez (2017) Aguilar Torres y Aguilar Torres (s.f.)

PRINCIPALES APORTES Análisis exploratorio de datos espaciales para la generación de estrategias y definición de políticas para la gestión de indicadores de tasas de homicidios. Aplicación de un software libre GeoDa, para el análisis estadístico y gráfico de variables espaciales. Identificación de atípicos y agrupamientos de zonas en los que se suscitan siniestros de tránsito. Definición de ventajas y desventajas de la aplicación del Análisis Clúster (AC) como un método exploratorio de datos. Integración del análisis exploratorio de datos espaciales en un sistema de Información Geográfica libre y lenguaje de programación. Análisis gráfico a través de la generación de mapas con los principales parámetros estadísticos. Obtención de un modelo de regresión poblacional a partir del análisis exploratorio de datos espaciales. Planteamiento de una propuesta metodológica basada en un análisis exploratorio de datos espaciales para la gestión de áreas costeras.

METODOLOGÍA En el presente capítulo se explica el planteamiento propuesto en esta tesis para obtener 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. En primer lugar, se describe el área de estudio considerada y sus características. A continuación, se presenta el flujograma de la metodología con la estructura de cada una de las tres etapas planteadas. Luego, se describe el desarrollo metodológico que contiene el detalle de los datos disponibles en el presente trabajo a ser analizados, el proceso para la obtención de estos, la estructura de las bases de información, la definición de variables y descripción de los procedimientos a ejecutar para dar cumplimiento a cada uno de los objetivos del presente trabajo. Finalmente, se plantea la respectiva justificación de la metodología propuesta para el presente trabajo. Es importante precisar, que el desarrollo de este trabajo se efectúa con el soporte del programa ArcGIS y el uso de programación en lenguaje Python.

3.1. ÁREA DE ESTUDIO La red vial estatal E35 también conocida como Troncal de la Sierra; con una longitud aproximada de 1000 km, atraviesa la región Sierra de Ecuador; específicamente las provincias de Carchi, Imbabura, Pichincha, Cotopaxi, Tungurahua, Chimborazo, Cañar, Azuay, y Loja, constituyendo de esta manera una de las principales vías del país. Dentro de esta red vial, las empresas de transporte operan rutas desde y hacia las capitales provinciales, para la presente investigación se analizarán las ciudades de Quito, Ambato, Latacunga y Riobamba (Ver Mapa 3.1).

Mapa 3.1 Área de estudio-Red vial Estatal E35 del Ecuador 41

Entre el Puente Internacional de Rumichaca (Carchi) hasta la ciudad de Riobamba (Chimborazo), la red vial E35 se encuentra concesionada a la empresa privada PANAVIAL, con 9 estaciones de cobro de peaje en total. En la Ilustración 3.1 se ejemplifica una estación de cobro de la ruta vial mencionada.

Ilustración 3.1. Red vial E35. Estación peaje “Machachi” Fuente: Panavial (2020) Desde la ciudad de Quito hacia la ciudad de Riobamba, la red vial E35 cuenta con un promedio de cuatro carriles. Para las ciudades de Latacunga y Ambato se cuenta con pasos laterales que forman parte de la referida red vial, lo cual permite optimizar los tiempos de viaje al no ingresar al casco urbano de las referidas ciudades. En la Ilustración 3.2 se ilustra un segmento de la Red vial E35-Paso Lateral Latacunga.

Ilustración 3.2. Red vial E35-Paso Lateral Latacunga Fuente: Plusvalía (2021) 42

Es preciso indicar que la ANT cuenta con el portal digital Plataforma de Transporte Seguro, en el cual se registra la información georreferenciada de velocidad de las unidades vehiculares pertenecientes a las operadoras de transporte que están habilitadas por esta agencia. Esta información se obtiene mediante tecnología GPS instalada en cada unidad vehicular de las empresas de transporte (República del Ecuador, ECU911, 2021). En este sentido, en el presente estudio se considera con fines investigativos la información registrada de las operadoras de servicio de transporte que tienen autorización de oferta en la red vial estatal E35. Para el efecto, se han seleccionado tres rutas que forman parte de esta red vial. En el portal Plataforma de Transporte Seguro se tienen registros de 33 operadoras autorizadas para prestar el servicio de transporte en las tres rutas directas Quito-Latacunga, Quito-Ambato y QuitoRiobamba. Entre las operadoras indicadas se tienen 592 frecuencias diarias en total, tanto para el trayecto de ida como el de retorno. En la Tabla 3.1 se presenta el detalle de estas operadoras que son consideradas en el presente estudio.

3.2. FLUJOGRAMA Para el desarrollo del presente trabajo se planifican tres etapas, que consiste en: Etapa 1: Obtención de datos para el análisis, Etapa 2: Análisis exploratorio de datos espaciales y no espaciales y Etapa 3: Análisis de relación espacial y planteamiento de estrategias (ver Ilustración 3.3). A continuación, se presentan las actividades de cada etapa. Además, se resalta el correspondiente cumplimiento de objetivos específicos de este trabajo.

Tabla 3.1. Operadoras de servicio de transporte de rutas especificadas en el corredor vial E35 No.

OPERADORA

PROVINCIA

22 DE JULIO

TUNGURAHUA

AMAZONAS

TUNGURAHUA

AMBATENITA

TUNGURAHUA

AMBATO

TUNGURAHUA

AMERICA

TUNGURAHUA

ANDINA

TUNGURAHUA

BAÑOS

TUNGURAHUA

CIRO

COTOPAXI

CANARIO

TUNGURAHUA

CHIMBORAZO

CITA EXPRESS

TUNGURAHUA

CONDOR PROANO

TUNGURAHUA

CONDORAZO

CHIMBORAZO

COTOPAXI

ECUADOR EJECUTIVO

CHIMBORAZO

EL DORADO

TUNGURAHUA

EL DORADO CIA. LTDA.

TUNGURAHUA

EXPRESO BAÑOS

TUNGURAHUA

EXPRESO BOLIVARIANO

COTOPAXI

FLOTA PELILEO

TUNGURAHUA

HUAMBALO

TUNGURAHUA

INDOAMERICA

PICHINCHA

INTERANDINA

TUNGURAHUA

LATACUNGA

COTOPAXI

LIDER

TUNGURAHUA

PATRIA Y GRAN COLOMBIA DE TURISMO

CHIMBORAZO

RIOBAMBA

CHIMBORAZO

RIOBAMBA EXPRESS

PICHINCHA

SANTA

TUNGURAHUA

TOA

TUNGURAHUA

TRANS VENCEDORES

CHIMBORAZO

TRASANDINA EXPRESS

TUNGURAHUA

VAFITUR

TUNGURAHUA TOTAL

RUTA AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO QUITO-RIOBAMBA RIOBAMBA-QUITO AMBATO-QUITO QUITO-AMBATO LATACUNGA-QUITO QUITO-LATACUNGA AMBATO-QUITO QUITO-AMBATO QUITO-RIOBAMBA RIOBAMBA-QUITO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO QUITO-RIOBAMBA RIOBAMBA-QUITO LATACUNGA-QUITO QUITO-LATACUNGA QUITO-RIOBAMBA RIOBAMBA-QUITO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO LATACUNGA-QUITO QUITO-LATACUNGA AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO LATACUNGA-QUITO QUITO-LATACUNGA AMBATO-QUITO QUITO-AMBATO QUITO-RIOBAMBA RIOBAMBA-QUITO QUITO-RIOBAMBA RIOBAMBA-QUITO QUITO-RIOBAMBA RIOBAMBA-QUITO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO AMBATO-QUITO (TERMINAL QUITUMBE) QUITO-AMBATO QUITO-AMBATO (TERMINAL QUITUMBE) QUITO-RIOBAMBA RIOBAMBA-QUITO AMBATO-QUITO QUITO-AMBATO AMBATO-QUITO QUITO-AMBATO

NO. FRECUENCIAS 2 2 10 7 1 1 16 14 3 6 1 2 5 6 26 26 6 5 16 16 7 7 7 9 1 1 24 24 20 20 1 1 9 6 3 2 16 16 4 5 2 2 3 4 8 9 30 30 3 2 20 16 8 8 2 2 5 6 10 2 9 2 9 9 16 14 4 3 592

Ilustración 3.3. Flujograma de la metodología En la primera etapa, se obtiene información de registros GPS de velocidad e información proporcionada por la ANT, a fin de estructurar una base de datos de entrada compuesta por una variable espacial y un conjunto de variables no espaciales. La variable espacial se obtiene de los registros GPS de velocidad de las unidades de transporte que circulan por distintas rutas del corredor E35. Por 45

otro lado, las variables no espaciales se componen de variables que caracterizan la operación de las empresas de transporte (obtenidas de los mismos registros GPS) y de variables descriptivas obtenidas de información proporcionada por la ANT. La segunda etapa consta de dos estrategias generales de análisis: espacial y no espacial. El primer análisis general considera la aplicación de un AEDE compuesto por diferentes técnicas que permiten estudiar detalladamente el comportamiento de los datos GPS obtenidos de las empresas de transporte. Estas técnicas son: análisis

estadístico

espacial,

análisis

gráfico,

autocorrelación

espacial,

multicorrelación y regresión espacial. Todas ellas son técnicas aplicadas de forma independiente y que aportan información específica para el análisis. El segundo análisis general consiste en la aplicación de un AED convencional (no espacial), en virtud de que se estudian variables no espaciales. Entre las técnicas que componen este análisis se encuentra el análisis estadístico, gráfico, multicorrelación, identificación de atípicos e identificación de grupos. El análisis no espacial tiene como propósito determinar los factores que mayormente influyen en la operación de las empresas de transporte. Los análisis estadísticos mencionados usan como métricas a: la Media, Distancia Estándar, Desviación Estándar y Elipse para la variable espacial; y la media, desviación estándar, cuartiles, kurtosis y asimetría para las variables no espaciales. Con respecto a los análisis gráficos propuestos, se considera la creación de información ráster para la variable espacial y la creación de diagramas de caja e histogramas de los datos para las variables no espaciales. Con respecto a la autocorrelación espacial, ésta se determina con base en el Índice de Moran. En el caso de la multicorrelación (correlación entre distintas variables), se utiliza la construcción de la matriz de correlación para el caso de variables espaciales (registros de velocidad de diferentes operadoras) y variables no espaciales. Posteriormente, para la variable espacial se desarrollan modelos de regresión lineal considerando como variables explicativas a las coordenadas (X, Y) y como variable 46

dependiente a la velocidad. En el caso de las variables no espaciales, el análisis AED correspondiente concluye con la identificación de operadoras atípicas y con la identificación de grupos de operadoras. La identificación de atípicos se efectúa mediante la aplicación del algoritmo del Factor Atípico Local (LOF, por sus siglas en inglés) sobre las variables no espaciales. La identificación de grupos se consigue con la técnica clásica de agrupamiento K-means. En la tercera y última etapa (etapa concluyente), se conjuga el análisis AEDE y AED en concordancia con el tercer objetivo planteado en el presente trabajo para relacionar los datos GPS y los factores no espaciales que influyen en la operación de las empresas de transporte. Adicionalmente, en esta etapa se desarrolla la formulación de estrategias de mejora para el control y la planificación del transporte como un aporte de gran valor que surge posterior al diagnóstico de las operaciones de las empresas de transporte elaborado con análisis AEDE y AED.

3.3. JUSTIFICACIÓN DE LA METODOLOGÍA De acuerdo con las secciones que serán explicadas en la siguiente sección, se justifica la metodología considerada en virtud de que los diferentes análisis propuestos permiten cumplir con los objetivos planteados en este trabajo. Por ejemplo, con el procedimiento del análisis exploratorio de datos espaciales y no espaciales se podrá cumplir con el objetivo referente a analizar el comportamiento de los datos GPS de las rutas autorizadas dentro del corredor E35. En este procedimiento se incorporaron: análisis gráfico, estudio de autocorrelación espacial, análisis de grupos, regresión espacial; entre otros. De esta forma, la metodología considera análisis robustos para la identificación del comportamiento de las variables definidas, lo cual tiene concordancia, debido a la complejidad de los sistemas georreferenciados. Los análisis propuestos se desarrollan a través del software ArcGIS y el lenguaje de programación Python. De este modo, se cuenta con herramientas y códigos complejos y automatizables para una obtención precisa de los análisis indicados.

Por otro lado, la aplicabilidad de la metodología considerada se justifica en que el análisis multivariante de datos es una herramienta fundamental que permite entender las correlaciones existentes entre diferentes variables, lo cual permitió la identificación y el análisis de los factores que influyen en las operaciones de las empresas de transporte, planteado como otro de los objetivos del presente trabajo. En este contexto, es preciso mencionar que la aplicación de técnicas multivariantes es necesaria considerando la complejidad de la información que se está analizando y el enfoque de los objetivos planteados. Así mismo, la metodología está orientada a obtener la relación espacial existente entre los datos GPS y los factores influyentes identificados, a través del estadístico I de Moran, el cual se obtiene con el procedimiento planteado para la autocorrelación espacial. Considerando el marco metodológico desarrollado en el capítulo de Revisión de Literatura, se aprecia que los estudios desarrollados incorporan en sus metodologías, un análisis exploratorio de datos en diversos ámbitos con resultados importantes para la interpretación del comportamiento de los mismos, lo cual, en la presente investigación se pretende aplicar para el área de transporte para obtener el diagnóstico de las operaciones, en donde los estudios desarrollados en el país se han enfocado a otros fines. Finalmente, una vez integrados todos los análisis anteriores en concordancia con los objetivos definidos, la metodología permite el desarrollo y planteamiento de las estrategias de mejora para el control y planificación de transporte. De esta forma, todos los objetivos del presente trabajo pueden ser satisfactoriamente cumplidos.

3.4. DESARROLLO METODOLÓGICO 3.4.1.

Obtención de datos para el análisis

En esta sección y en la sección 3.3.2., se presentan y se describen los datos que han sido utilizados para el desarrollo de la presente investigación tanto de carácter

espacial como no espacial. De este modo, en la Ilustración 3.4, se presenta el diagrama resumen de la Etapa 1:

Datos analizados.

Obtención de la variables espaciales: Registros GPS de velocidades.

Obtención de la variables no espaciales: Registros GPS de operación y variables descriptivas a partir de base de datos ANT.

Ilustración 3.4. Estructura de la Etapa 1 3.4.1.1.

Datos analizados

Registros GPS de velocidad de operadoras - Variable espacial En el portal Transporte Seguro se tiene a disponibilidad datos georreferenciados de velocidad de las unidades vehiculares de las operadoras indicadas en km/h. Los registros GPS de velocidad y coordenadas (X, Y) de posición de las unidades vehiculares se registran con una frecuencia de 1 medición por cada minuto. La información georreferenciada de velocidad disponible es considerada en este trabajo para desarrollar un diagnóstico de las operaciones de las empresas de transporte público en el corredor vial E35. El diagnóstico se efectúa mediante técnicas de análisis de datos espaciales que se describirán más adelante en la sección 3.4. Dada la extensión de la información, se consideran registros de GPS de un día completo. El reporte contempla alrededor de 25000 medidas GPS por cada placa y por operadora. Dicho reporte depende de las unidades operativas en el día analizado, por lo que se analiza el registro de medidas según disponibilidad de los datos. 49

En este sentido, cabe mencionar que no necesariamente todas las operadoras transitan en el corredor vial E35 en el mismo día, por lo que es necesario considerar mediciones en diferentes días, de esta manera se consideran registros para los días 13/07/2021 y 20/07/2021. Además, es importante señalar que en el portal Transporte Seguro no se disponen de registros completos para ciertas operadoras. De acuerdo con la información proporcionada por este portal, se consideran un total de 28 operadoras para el presente estudio. En la Tabla 3.2 se muestran las placas de las unidades vehiculares seleccionadas de cada una de estas operadoras y las respectivas rutas a ser analizadas. Tabla 3.2. Placas operativas de las operadoras bajo estudio No.

CANTÓN DOMICILIO

OPERADORA

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

SAN PEDRO DE PELILEO AMBATO AMBATO AMBATO AMBATO RIOBAMBA LATACUNGA AMBATO RIOBAMBA LATACUNGA RIOBAMBA AMBATO SAN PEDRO DE PELILEO SAN PEDRO DE PELILEO SAN PEDRO DE PELILEO QUITO AMBATO LATACUNGA AMBATO RIOBAMBA RIOBAMBA QUITO AMBATO AMBATO RIOBAMBA AMBATO BAÑOS AMBATO

22 DE JULIO AMAZONAS AMBATO AMERICA CANARIO CHIMBORAZO CIRO CONDOR PROAÑO CONDORAZO COTOPAXI ECUADOR EJECUTIVO EL DORADO CIA EL DORADO COOP FLOTA PELILEO HUAMBALÓ INDOAMERICA INTERANDINA LATACUNGA LIDER PATRIA RIOBAMBA RIOBAMBA EXPRESS SANTA TOA TRANSVENCEDORES TRASANDINA TURISMO BAÑOS VAFITUR

FECHA DE REGISTROS GPS 13/07/2021 13/07/2021 20/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 20/07/2021 20/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 13/07/2021 20/07/2021 13/07/2021 20/07/2021 13/07/2021

RUTA

PLACA

QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-RIOBAMBA QUITO-LATACUNGA QUITO-AMBATO QUITO-RIOBAMBA QUITO-LATACUNGA QUITO-RIOBAMBA QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO QUITO-LATACUNGA QUITO-AMBATO QUITO-RIOBAMBA QUITO-RIOBAMBA QUITO-RIOBAMBA QUITO-AMBATO QUITO-AMBATO QUITO-RIOBAMBA QUITO-AMBATO QUITO-AMBATO QUITO-AMBATO

TAA2525 TAA3691 TAV1118 HAA1881 TAA1898 HAA2068 XAA2278 TAA3079 HAA2065 TAQ0116 HAA3059 TAA5066 TAA2327 TAA2853 TAA4113 TAA5202 TAA1908 XAA2309 TAA4888 HAA3210 HAA2736 TAA3257 TAA5047 TAA4098 HAA3057 TAA4876 TAA5143 TAA5203

Variables no espaciales Los datos georreferenciados de velocidad constituyen información valiosa de la operación de una unidad vehicular en particular. A partir de esta información es posible identificar variables que representan detalladamente la operación de una empresa de transporte. Por ejemplo: velocidad media, excesos de velocidad, el 50

tiempo necesario para recorrer su respectiva ruta o el análisis de los puntos en los que una unidad vehicular invade posiciones ajenas a su trayecto (operación fuera de ruta). En este contexto, con el fin de efectuar un diagnóstico más detallado de las operaciones de las empresas de transporte público, en este trabajo se propone un análisis complementario al análisis espacial de la velocidad. El análisis adicional tiene como propósito principal estudiar la influencia de diferentes factores en las operaciones de las empresas de transporte. Para este análisis se contemplan variables no espaciales. En el análisis complementario indicado se consideran diferentes variables que se desprenden de los registros GPS de velocidad (Variables de Operación de la Empresa de Transporte) y de información proporcionada por la ANT que describen a las operadoras (Variables descriptivas o características de las operadoras). Debido a que estas variables dejan de estar georreferenciadas, el estudio propuesto para este caso se basa en técnicas de análisis espacial convencional de datos, es decir, análisis no espacial. Las técnicas de análisis que se van a utilizar son descritas en las secciones posteriores. Las variables no espaciales que se consideran en este análisis particular se indican en la Tabla 3.3. Tabla 3.3. Variables disponibles de las empresas de transporte bajo estudio No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

VARIABLE TIEMPO DE RUTA VELOCIDAD MEDIA NÚMERO DE EXCESOS EXCESO DE VELOCIDAD OPERACIÓN EN RUTA UNIDADES HABILITADAS COBERTURA INSTALACION FRECUENCIAS EN RUTA TOTAL RUTAS TOTAL FRECUENCIAS GESTIÓN ORGANIZACIONAL GESTIÓN FINANCIERA GESTIÓN DE CONDUCTORES Y PERSONAL DE APOYO GESTIÓN DE PRESTACIÓN DEL SERVICIO GESTIÓN OP CONTROL Y SEGURIDAD CANTON CÓDIGO

UNIDAD SEG KM/h UNIDADES % [0…1] UNIDADES [0…1] UNIDADES UNIDADES UNIDADES UNIDADES UNIDADES UNIDADES UNIDADES UNIDADES UNIDADES

VARIABLES DE OPERACIÓN DE LAS EMPRESAS DE TRANSPORTE

VARIABLES DESCRIPTIVAS DE LAS EMPRESAS DE TRANSPORTE

A continuación, se describen distintas particularidades de estas variables. 51

a) Tiempo de ruta Se refiere al tiempo de viaje, expresado en segundos, de la ruta autorizada en el Título Habilitante a favor de la operadora de transporte. Para cada operación diaria, el reporte GPS contiene la información de tiempo de ruta por cada placa perteneciente a una operadora de transporte que presta el servicio dentro del área de estudio. b) Velocidad media Corresponde al cálculo entre los valores de distancia expresada en kilómetros y el tiempo de ruta; expresada en segundos, detallado en el párrafo anterior. Estas dos variables forman parte del reporte GPS. La ecuación de cálculo es la siguiente:

Velocidad media =

Distancia de ruta Tiempo de ruta

(3.1)

c) Número de excesos Esta variable define el número de registros con excesos de velocidad que se obtienen para una unidad vehicular en las mediciones GPS. Se considera exceso de velocidad cuando una unidad supera los 90 km/h. Cabe mencionar que en cada reporte GPS disponible del portal de la ANT se muestra el número de excesos según cada placa del vehículo correspondiente. d) Exceso de velocidad Corresponde al cálculo del número de excesos de velocidad por placa dividido para el número de registros totales de excesos de velocidad registrados por toda la operadora en el día analizado. La ecuación es la siguiente:

Exceso de velocidad=

número de excesos total de registros de excesos de la operadora

(3.2)

e) Operación en ruta La presente variable, obtenida a partir de herramientas de geoprocesamiento en ArcGIS, representa la relación entre el número de registros en los que una unidad se encuentra fuera de la ruta especificada en su título habilitante, es decir, invade una ruta ajena a la permitida y el número de registros totales de esa unidad.

Operación en Ruta =

No. registros de una unidad dentro de ruta No. registros totales de una unidad

(3.3)

Cabe mencionar que la invasión de una ruta ajena a la permitida, registrada en GPS, puede obedecer a diversos motivos, por ejemplo, problemas en la calibración y registro de datos desde el GPS, errores de medición o eventualidades que haya atravesado una unidad vehicular. f) Unidades habilitadas Corresponde a las unidades vehiculares habilitadas en el Contrato de Operación para cada operadora de transporte, y que operan una determinada ruta y frecuencia autorizada. g) Cobertura instalación Esta variable corresponde a la división del número de kits de seguridad instalados en las operadoras de transporte sobre el total de unidades habilitadas en las mismas. Cobertura de Instalación=

número de kits instalados total unidades habilitadas

(3.4)

h) Frecuencias en ruta Se refiere al total de frecuencias autorizadas en Contrato de Operación para cada una de las rutas autorizadas para las operadoras de transporte, para la presente

investigación las frecuencias en ruta corresponden a las rutas Quito-Ambato, QuitoLatacunga y Quito-Riobamba; respectivamente i) Total rutas Corresponde al número total de las rutas autorizadas en Contrato de Operación, esta variable permitirá tener una noción de la dimensión de cada operadora j) Total frecuencias Corresponde al número total de las frecuencias autorizadas en Contrato de Operación, esta variable permitirá tener una noción de la dimensión de cada operadora. k) Cantón código Corresponde a la asignación numérica acorde al cantón en el que se encuentra domiciliada la operadora de transporte en análisis, bajo el detalle de la Tabla 3.4. Tabla 3.4. Código del Cantón de domicilio de la operadora No. 1 2 3 4 5 6 7

Cantón Pelileo Ambato Baños de Agua Santa Guano Latacunga Quito Riobamba

Adicionalmente, se complementa el conjunto de variables descrito con aquellas referentes a: Gestión Organizacional, Gestión Financiera, Gestión de Conductores y Personal de Apoyo, Gestión de Prestación del Servicio, Gestión Operativa Control y Seguridad, las cuales fueron definidas en la sección 2.1.5. 3.4.1.2.

Obtención de variables espaciales

De acuerdo con las descripciones anteriores y a la Ilustración 3.4 presentada en la sección anterior, en este trabajo se utiliza como datos de entrada: registros GPS de velocidad de las operadoras y variables no espaciales compuestas por variables de

operación y descriptivas de las operadoras. En esta sección se detalla el proceso para la obtención de esta información. Obtención de Registros GPS de velocidad A continuación, se incluye el detalle de la obtención de los registros GPS de velocidad del portal Transporte Seguro. Para el acceso a la plataforma se requiere de la creación de un usuario, al que se asigna un perfil determinado para el uso y aplicación de la información. La interfaz de la plataforma se muestra en la Ilustración 3.5, la cual presenta como pantalla principal el módulo de Monitoreo, que permite visualizar en tiempo real la operación de una ruta autorizada. Módulo Monitoreo

Placas operativa en ruta Listado de placas de la operadora

Trayectoria de la ruta

Ilustración 3.5. Interfaz principal de la Plataforma de Transporte Seguro Para el presente trabajo, se requiere del uso de un módulo denominado Reporte (ver Ilustración 3.6), en el cual se genera toda la reportería referente a vehículos (unidades de transporte) y GPS; entre los principales. El primer reporte generado corresponde a Trayectoria Histórica, el cual contiene los datos de operadora, placa, coordenadas, entre otros.

Módulo Reporte

Opción de descarga Listado de reportes disponibles referente a información de vehículo

Interfaz del reporte

Ilustración 3.6. Interfaz del Módulo Reporte-Trayectoria Histórica Con la opción de descarga, se pueden obtener los reportes en formato .xlsx, mismos que fueron cargados en ArcGIS, con la finalidad de obtener la variable Placa, que se encuentra operando las rutas autorizadas dentro del corredor E35; mostradas en la Tabla 3.1. Módulo Reporte

Interfaz del reporte

Ilustración 3.7. Interfaz del Módulo Reporte-Exceso de Velocidad Otro de los reportes necesarios corresponde a Excesos de Velocidad, tal como se puede apreciar en la Ilustración 3.7. El reporte contiene la información únicamente de la velocidad registrada mayor a 90 km/h categorizada como exceso de velocidad 56

para cada placa, de este modo se genera otra de las variables; denominada asimismo excesos de velocidad, correspondiente a la placa identificada en una de las rutas autorizadas de la zona de análisis, y la variable velocidad máxima. Por otro lado, se dispone del reporte de Tiempo de Conducción, el que proporciona la información de tiempo (seg) y distancia (km), en la Ilustración 3.8 se muestra el detalle de su interfaz. Con los datos del reporte se generaron las variables de tiempo, distancia y velocidad media. Módulo Reporte

Interfaz del reporte

Ilustración 3.8. Interfaz del Módulo Reporte-Tiempo de Conducción En la Ilustración 3.9, se muestra el reporte de Resumen de Exceso de Velocidad, mismo que cuantifica los excesos de velocidad por placa dentro de la ruta autorizada, con ello se obtiene la variable número de excesos.

Módulo Reporte

Interfaz del reporte

Ilustración 3.9. Interfaz del Módulo Reporte-Resumen de Exceso de Velocidad Finalmente, de acuerdo con la Ilustración 3.10, para la obtención de la variable espacial de velocidad, se dispone del reporte Actividades por Fecha, en el que existe la información de la velocidad en cada una de las coordenadas registrada por placa perteneciente a la operadora. Módulo Reporte

Interfaz del reporte

Ilustración 3.10. Interfaz del Módulo Reporte-Actividades por Fecha

3.4.1.3.

Obtención de variables no espaciales

En este apartado se describe la propuesta de obtención de variables no espaciales a partir de registros GPS de velocidad, considerando la formulación detallada en la sección 3.4.1.1. Adicionalmente, el conjunto de variables no espaciales se compone de variables descriptivas que son proporcionadas directamente por la ANT. Análisis de operación en ruta Los datos GPS, obtenidos del portal de Transporte Seguro fueron cargados en el programa ArcGIS, para determinar dos variables necesarias, la placa (unidad vehicular) que operó la ruta del corredor en análisis, exportada a una nueva capa, y la operación en ruta normalizada entre 0 y 1. Con ello, se cuantificó el número de observaciones que se encuentran dentro de la ruta analizada, aplicando como primer paso la herramienta de geoprocesamiento buffer (contorno definido alrededor de una capa) para identificar los puntos que están dentro de dicho buffer. La distancia definida para el buffer se considera como el ancho aproximado de la vía del corredor E35 (30 metros) según se muestra en la Ilustración 3.11.

Herramienta de Geoprocesamiento

Listado de placas

Capa de entrada: vía Distancia

Resultado del Buffer

Ilustración 3.11. Buffer definido a partir de la ruta E35

Con la herramienta selection by location (ver Ilustración 3.12), se identificaron los puntos dentro del buffer definido en el paso anterior, para finalmente obtener la operación en ruta dividiendo la cantidad de observaciones dentro del buffer sobre la cantidad total de observaciones de la unidad vehicular. El valor de operación en ruta forma parte de la matriz de variables para el análisis estadístico posterior. Herramienta de Geoprocesamiento

Capa de entrada: Placa operativa Buffer

Puntos seleccionados dentro del Buffer

Ilustración 3.12. Selección de observaciones dentro del Buffer definido

En resumen, en la Tabla 3.5 se presenta la matriz de datos de las variables no espaciales descritas. Para esta información se propone el desarrollo de un análisis exploratorio de datos convencional o no espacial.

TIEMPO DE RUTA

VELOCIDAD MEDIA

NUMERO DE EXCESOS

EXCESO DE VELOCIDAD

OPERACIÓN EN RUTA

UNIDADES HABILITADAS

COBERTURA INSTALACION

FRECUENCIAS EN RUTA

TOTAL RUTAS

TOTAL FRECUENCIAS

GESTIÓN ORGANIZACIONAL

GESTIÓN FINANCIERA

GESTIÓN DE CONDUCTORES Y PERSONAL DE APOYO

GESTIÓN DE PRESTACIÓN DEL SERVICIO

GESTIÓN OP CONTROL Y SEGURIDAD

CANTON CÓDIGO

1 22 DE JULIO PELILEO 2 AMAZONAS AMBATO 3 AMBATO AMBATO 4 AMERICA AMBATO 5 CANARIO AMBATO 6 CHIMBORAZO RIOBAMBA 7 CIRO LATACUNGA 8 CONDOR PROAÑO AMBATO 9 CONDORAZO RIOBAMBA 10 COTOPAXI LATACUNGA 11 ECUADOR EJECUTIVO RIOBAMBA 12 EL DORADO CIA AMBATO 13 EL DORADO COOP PELILEO 14 FLOTA PELILEO PELILEO 15 HUAMBALÓ PELILEO 16 INDOAMERICA QUITO 17 INTERANDINA AMBATO 18 LATACUNGA LATACUNGA 19 LIDER AMBATO 20 PATRIA RIOBAMBA 21 RIOBAMBA RIOBAMBA 22 RIOBAMBA EXPRESS QUITO 23 SANTA AMBATO 24 TOA AMBATO 25 TRANSVENCEDORES RIOBAMBA 26 TRASANDINA AMBATO 27 TURISMO BAÑOS BAÑOS 28 VAFITUR AMBATO

RUTA

CANTÓN DOMICILIO

OPERADORA

No.

Tabla 3.5. Matriz de datos de variables de operación y variables descriptivas de las empresas de transporte bajo estudio

23579 10077 48180 28796 32277 30119 35835 20938 28795 35999 17557 35270 18120 40978 31560 18171 22504 33136 24895 13614 26396 21185 24360 39360 17036 21073 20279 32424

39.60292 45.96025 38.31199 43.87832 42.13659 42.71323 34.22834 42.89206 37.42468 32.69785 36.76048 40.5627 38.34791 24.09371 43.07754 34.50871 42.79673 46.48011 44.23835 48.27929 49.16705 33.01345 46.96948 37.56729 38.43856 42.3509 27.72332 45.63519

23 2 0 0 0 0 0 0 0 5 0 0 0 2 0 0 0 0 0 14 2 0 35 0 0 0 16 0

0.0358814 0.0001245 0 0 0 0 0 0 0 0.0004677 0 0 0 0.00012 0 0 0 0 0 0.0008283 0.0001527 0 0.0014351 0 0 0 0.0003662 0

0.78783 0.67635 0.61049 0.67782 0.63743 0.70408 0.59392 0.72027 0.63829 0.62704 0.64096 0.69619 0.87558 0.3265 0.78074 0.42742 0.59267 0.51134 0.71667 0.659 0.82367 0.48827 0.4215 0.58454 0.73963 0.88295 0.92446 0.66448

38 38 35 6 7 22 17 8 13 46 23 9 39 69 19 4 12 19 4 70 56 2 66 11 27 37 122 4

97.368 97.368 91.429 100 100 100 100 100 92.308 100 100 100 79.487 88.406 73.684 75 75 100 100 98.571 98.214 100 98.485 100 96.296 97.297 93.443 75

4 17 30 9 11 32 52 16 2 48 40 15 2 9 4 7 17 60 5 36 16 4 11 23 18 30 11 7

20 38 18 4 4 4 10 4 6 17 8 10 30 42 26 5 8 12 4 32 38 2 51 12 20 10 140 10

242 151 110 14 16 44 108 20 61 343 50 32 257 163 355 12 26 94 12 145 143 4 112 46 52 78 378 16

2 2 2 2 2 2 2 2 2 2 3 1 2 1 2 2 2 2 2 3 3 2 1 2 3 2 3 2

2 3 3 2 2 2 2 2 2 2 3 2 2 2 2 2 2 3 2 3 3 2 2 2 3 2 3 2

2 1 1 1 1 2 2 1 1 2 3 1 2 1 1 1 2 1 1 3 2 2 1 1 3 2 3 1

2 1 1 2 2 2 2 2 2 2 1 2 2 2 2 2 2 1 2 1 2 2 2 2 1 2 1 2

1 2 2 2 2 1 1 2 2 1 1 2 1 2 2 2 2 2 2 1 2 1 2 2 1 1 1 2

1 2 2 2 2 7 5 2 7 5 7 2 1 1 1 6 2 5 2 7 7 6 2 2 7 2 3 2

3.4.2.

Análisis exploratorio de datos espaciales y no espaciales

En este trabajo se propone una diversidad de análisis para estudiar la operación de empresas de transporte. En la Ilustración 3.13 se presenta la estructura de la Etapa 2 que comprende tanto el análisis espacial como el análisis no espacial, la etapa central del presente trabajo que considera la ejecución de los dos primeros objetivos planteados. A continuación, las diferentes propuestas son explicadas, así como el aporte que brinda cada tipo de análisis al diagnóstico total de la operación.

Análisis exploratorio de datos espaciales: Análisis estadístico, gráfico, autocorrelación espacial, multicorrelación y regresión espacial.

Análisis exploratorio de datos no espaciales:

Identificación de factores que influyen en las operaciones de las empresas de transporte.

Análisis estadístico no espacial, gráfico, multicorrelación, identificación de atípicos y de grupos.

Ilustración 3.13. Estructura de la Etapa 2 3.4.2.1.

Análisis exploratorio de datos espaciales

Dentro del ámbito espacial se puede aplicar la media espacial, distancia estándar, desviación estándar y elipse de desviación estándar. La media espacial en un sistema de coordenadas cartesiano corresponde a la ubicación promedio de un conjunto de datos con una característica espacial, esta definición se asemeja también al centro de gravedad de la superficie en donde se encuentran distribuidos los datos y es un indicador de la tendencia central espacial (Marschallinger, 2009). Está determinada por las siguientes fórmulas:

∑𝑛𝑖=1 𝑥𝑖 𝑥̅ = 𝑛

(3.5)

∑𝑛𝑖=1 𝑦𝑖 𝑦̅= 𝑛

(3.6)

Donde: 𝑥𝑖 : Valores en coordenadas x 𝑦𝑖 : Valores en coordenadas y 𝑛: Total de puntos de la muestra Por otro lado, la distancia estándar mide la dispersión espacial de un conjunto de datos en torno a su centro de gravedad, por lo que es considerada como una medida para el análisis de patrones. Asimismo, esta variable estadística, indica como los datos se encuentran dispersos de la media espacial. A mayor distancia estándar, será mayor la dispersión y viene dada por la siguiente fórmula:

𝐷𝐸= √

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2 + 𝑛 𝑛

(3.7)

Donde: 𝑥̅ , 𝑦̅: Media espacial en las direcciones x, y respectivamente. En complemento, la elipse de desviación estándar es la representación de la tendencia espacial, debido a que la mayoría de los fenómenos espaciales no mantienen una extensión uniforme hacia todas las direcciones. Por lo tanto, se puede definir a la tendencia espacial, como la dependencia de la dirección de las distribuciones espaciales. La elipse de desviación estándar no considera únicamente la dispersión de puntos, sino que además considera la dirección de la extensión de la dispersión. Viene dada con la siguiente fórmula: 63

𝐸= √

𝑆𝑥2 + 𝑆𝑦2 2

(3.8)

Donde 𝑆𝑥2 , 𝑆𝑦2 son las desviaciones estándar en las direcciones X, Y, calculadas con la ecuación estadística convencional de desviación estándar de una muestra (ver sección 3.4.2.1). Análisis gráfico Con el fin de observar la distribución espacial de la variable velocidad durante el trayecto

una

unidad

vehicular,

preciso

analizar

información

georreferenciada desde una perspectiva gráfica. En este sentido, los registros GPS de velocidad son transformados hacia información de tipo ráster. De tal manera que la información velocidad durante el trayecto de una unidad vehicular se aprecie mediante capas georreferenciadas en el programa ArcGIS. En la Ilustración 3.14 se muestra un ejemplo de los gráficos que se consideran en este análisis. El principal enfoque consiste en relacionar las diferentes localizaciones del trayecto de una unidad vehicular con los rangos de velocidades que se han registrado. Como se muestra en el ejemplo, el análisis gráfico aporta la posibilidad de identificar patrones y la operación característica de la velocidad de las empresas de transporte de una forma gráfica y sencilla.

Ilustración 3.14. Ejemplo de análisis gráfico a partir de un ráster de datos de velocidad Para crear un ráster a partir de los registros de velocidad se utilizan las herramientas de ArcGIS de acuerdo con lo indicado en la Ilustración 3.15.

Añadir capa de puntos

Herramienta de Geoprocesamiento Capa de puntos de velocidad

Capa de entrada Campo: Velocidad

Ráster de Interpolación

Ilustración 3.15. Creación de un ráster a partir de registros de velocidad

Análisis de autocorrelación espacial La autocorrelación espacial en información georreferenciada permite entender el grado en que un elemento es similar a otros elementos cercanos. La autocorrelación permite encontrar patrones que son visualmente apreciables en el espacio. En el caso del presente estudio, el análisis se enfoca en analizar la autocorrelación de la variable velocidad en cada punto (X, Y) de la capa “PUNTOS DE CONTROL” con la finalidad de encontrar el grado de similitud de velocidades entre estos puntos de control y poder hallar patrones en el comportamiento de la trayectoria de una unidad específica. Una manera ampliamente extendida para medir la autocorrelación espacial de una variable es el índice de Moran (I de Moran). Este índice es considerado en este trabajo para el análisis de autocorrelación espacial. El índice de Moran está dado por la siguiente expresión:

𝑛 ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑤𝑖𝑗 (𝑥𝑖 − 𝑥̅ )(𝑥𝑗 − 𝑥̅ ) ∑𝑖 ∑𝑗≠𝑖 𝑤𝑖𝑗 (∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 )

(3.9)

Donde: 𝑛: Número de observaciones o unidades espaciales a ser tomadas en cuenta. 𝑥: Valor de una observación 𝑥̅ : Media de todos los valores 𝑤𝑖𝑗 : Variable de peso. La variable de peso para el presente análisis corresponde a la distancia inversa. La interpretación de I de Moran, viene dada de la siguiente manera: valores positivos indica la existencia de grupos de valores similares, es decir una autocorrelación espacial positiva. Valores positivos más altos indican mayor autocorrelación espacial. Un valor negativo significa autocorrelación espacial negativa, valores cercanos a cero indica una falta de dependencia espacial. 66

Los valores z y p son medidas estadísticas, en donde un valor positivo de z es significativo cuando los valores similares forman agrupamientos espaciales. Un valor negativo de z es significativo cuando los valores similares están espacialmente dispersos (Cai y Wang, 2006). Además, en este contexto de análisis, cuando p es menor a 0.05, se puede afirmar que existe algún patrón espacial específico y, por lo tanto, autocorrelación espacial. El procedimiento para determinar el índice de Moran y las métricas asociadas (z y p) se esquematiza con la Ilustración 3.16. Herramienta de Geoprocesamiento

Capa de entrada Valor de velocidad Raster

Puntos de velocidad

Índice de Moran z p

Gráfica Gausiana

Ilustración 3.16. Herramienta I de Moran Análisis de multicorrelación En este caso se estudia la relación entre los registros GPS de las operadoras consideradas en este trabajo. En este sentido, cabe mencionar que existe un diferente número de registros GPS para cada operadora. Además, estos registros no corresponden a mediciones efectuadas exactamente en las mismas localizaciones. Por estas razones, se crea una base de datos uniforme de 67

velocidades con el mismo número de observaciones y considerando las mismas localizaciones para todas las operadoras. Todo esto con el fin de que el análisis a desarrollarse considere un mismo marco de referencia. El procedimiento para conseguir una base de datos uniforme (igual número de observaciones e igual localización X, Y de estas) de registros GPS de velocidad es el siguiente: 1. Se genera una capa tipo punto compuesta por puntos distribuidos equidistantemente sobre la carretera de la ruta de análisis. La separación de estos puntos es del 1% de la distancia de la ruta (de este modo se generan 99 puntos sobre la carretera). Estos puntos funcionan como una capa base en la que se proyectan o interpolan los registros GPS de velocidad iniciales. 2. Se utiliza el ráster creado en el análisis gráfico para proyectar o interpolar los valores de los píxeles correspondientes en la capa de puntos base. Estos puntos se denominan en este trabajo como Puntos de Control debido a que simulan puntos de control fijos en la carretera y registran una misma cantidad de datos de velocidad de las empresas de transporte (como si se tratara de fotorradares). Para

generar

capa

puntos

base

aplicó

herramienta

GeneratePointsAlongLines sobre una capa de tipo línea que traza una ruta de análisis. Esto se desarrolló con el soporte de programación en lenguaje Python, como se indica en el siguiente segmento de código: import arcpy arcpy.env.workspace = 'C:/Users/Usuario/OneDrive/MAESTRIA/TESIS/DATOS/TESIS 21072021/TESIS 21072021.gdb' arcpy.GeneratePointsAlongLines_management('QUITO_AMB', 'percentage_intervals', 'PERCENTAGE', Percentage=1)

De acuerdo con la Ilustración 3.17, una vez ingresado el código se obtiene la capa de puntos de control, sobre la que se calculan las respectivas coordenadas (X, Y).

Puntos de control

Código

Ilustración 3.17. Uso de la herramienta GeneratePointsAlongLines para generación de capa de puntos base Posteriormente, sobre esta capa de puntos base, se extraen los correspondientes valores de píxel del ráster de interpolación, como se muestra en la Ilustración 3.18. Para la obtención de los valores de velocidad en los puntos de control, se aplica la herramienta extract values to points, aplicado a cada operadora de transporte.

Herramienta de Geoprocesamiento Puntos de control Ráster de Interpolación

Puntos de control Ráster de Interpolación

Puntos con valor de velocidad extraído

Ilustración 3.18. Extracción de valores de píxel del ráster de interpolación 69

Una vez efectuadas las acciones descritas antes, se obtiene una base de datos uniforme representada como una matriz con la forma indicada en la Ilustración 3.19. Se aprecia que de esta manera se tienen el mismo número de observaciones o registros (99) para el número de operadoras analizadas y estratificadas de acuerdo con su correspondiente ruta. Registro No.

1 2 … n=99

… … … …

Velocidad [km/h] Operadora 2 … … … … … … … … …

Operadora 1 … … … …

Operadora p … … … Matriz nxp

Ilustración 3.19. Estructura de la Base de Datos uniforme de registros GPS de velocidad La información de velocidad contenida en la base de datos se expresa como una matriz M de orden nxp de la siguiente forma:

Mnxp =[m1

m11 … mp ] = [ ⋮ mn1

m12 ⋮ mn2

… m1p ⋱ ⋮ ] … mnp

(3.10)

Para la obtención de la correlación entre las diferentes operadoras es necesario definir a la matriz de correlación, la cual describe la correlación entre cada par del total de las operadoras analizadas. La matriz de correlación se define como (Peña, 2002):

1 Mcorrelación = [ ⋮ rp1

r12 ⋮ rp2

… r1p ⋱ ⋮ ] … 1

(3.11)

Donde cada término rjk de la matriz está dado por:

rjk =

sjk √sjj ∙ skk

(3.12)

El término de correlación rjk varía entre -1 y 1 y se calcula como:

1 sjk = ∑(mij − ̅̅̅)(m mj mk ik − ̅̅̅̅) n

(3.13)

i=1

En este sentido, el lenguaje de programación de Python cuenta con una herramienta gráfica para visualizar el resultado de la matriz de correlación de una manera más didáctica como un mapa de calor matricial ejemplificado en la Ilustración 3.20. Se considera suficiente estudiar únicamente la diagonal inferior de esta matriz debido a su simetría. En cada campo de esta matriz se encuentra el valor calculado de correlación y se asigna también una escala colorimétrica coherente con el valor de esta correlación. En este análisis, una correlación (positiva o negativa) más cercana a la unidad implica una mayor dependencia lineal (positiva o negativa) entre el par de variables analizadas. Una correlación cercana a 0 implica una menor dependencia lineal, pero no implica que las variables no tienen relación, debido a que puede existir una relación no lineal y más compleja.

Ilustración 3.20. Ejemplo de matriz de correlación Análisis de regresión espacial Los análisis descritos anteriormente permiten un diagnóstico detallado de las operaciones de las empresas de transporte. Sin embargo, aún resta el análisis de la relación matemática o cuantitativa entre las coordenadas (X, Y) y la velocidad. Como un estudio final de la exploración de datos espaciales, se propone el desarrollo de un análisis de regresión considerando como variables explicativas a las coordenadas (X, Y) y como variable dependiente o de salida a la velocidad. En este sentido, el modelo de regresión se debe realizar para cada operadora, utilizando sus correspondientes registros de velocidad como variable de salida. Este análisis tiene un aporte de gran utilidad, debido a que permite predecir velocidades de una ruta en particular según su ubicación durante el trayecto. Además, esta información sirve para identificar la ubicación de puntos de control o 72

fotorradares una vez que se logren estimar localizaciones altamente susceptibles a que se produzcan excesos de velocidad. Para este trabajo, se considera un tipo de regresión ampliamente utilizada en análisis de datos (Witten y Frank, 2005): la regresión lineal. Debido a que el detalle formal matemático de este modelo de regresión escapa del alcance de este trabajo, no se describe la formulación matemática correspondiente. En este sentido, cabe mencionar que el lenguaje Python facilita el uso de este modelo de regresión sin la necesidad de que el usuario conozca en detalle la formulación matemática correspondiente. En Python este modelo se encuentra previamente programado de una manera compacta y lista para ser utilizada en cualquier

tipo

problema

con

soporte

del

módulo

denominado

sklearn.linear_model.LinearRegression (Pedregosa et al., 2012). Por esta razón, se utiliza este modelo de regresión de Python para el desarrollo de este análisis. En la Ilustración 3.21 se esquematiza la metodología considerada para el análisis de regresión. Registro No.

1 2 … n=99

… … … …

Variables explicativas

Operadora 1 … … … …

Velocidad [km/h] Operadora 2 … … … … … … … … …

Operadora p … … … nxp

Variable dependiente

Operadora 1

Modelo de regresión

Módulo Regresión Lineal

Ilustración 3.21. Esquema de análisis de regresión con el uso de un modelo de regresión lineal disponible en librerías de Python

3.4.2.2.

Análisis exploratorio de datos no espaciales

Este tipo de exploración se concentra en dos tipos de análisis: univariante y multivariante. El análisis univariante contempla el estudio de una sola variable en particular, independientemente de otras, mientras que el análisis multivariante analiza la relación entre múltiples variables (Peña, 2002). El análisis univariante contempla el análisis estadístico no espacial y el análisis gráfico, mientras que el análisis multivariante considera el análisis de multicorrelación, la identificación de atípicos y la identificación de grupos. En primer lugar, la exploración de datos conlleva al análisis estadístico no espacial, el cual se trata de un análisis univariante. A continuación, se describen diferentes métricas estadísticas utilizadas (Galindo, 2010). Valor medio o promedio El

promedio,

notado

como

𝑥̅ ,

conjunto

mediciones

𝑥1 , 𝑥2 , … , 𝑥𝑛 es igual a la suma de sus valores dividido entre n; es decir;

𝑥̅ =

𝑥1 , 𝑥2 , … , 𝑥𝑛 ∑𝑛𝑖=1 𝑥𝑖 = 𝑛 𝑛

(3.14)

Entre las ventajas del empleo del promedio se puede mencionar que se expresa en las mismas unidades de la variable, en su cálculo intervienen todos los valores de la distribución, es el centro de gravedad de toda la distribución, respetando a todos los valores observados y es único. Entre las desventajas se tiene únicamente que se ve afectado por la presencia de valores atípicos (Galindo, 2010). Desviación estándar: La desviación estándar de un conjunto de n mediciones 𝑥1 , 𝑥2 , … , 𝑥𝑛 es la raíz cuadrada de la suma de los cuadrados de las desviaciones de las mediciones, respecto al promedio 𝑥̅ , dividida entre n-1; es decir:

𝑛

1 𝑠=√ ∑(𝑥𝑖 − 𝑥̅ )2 𝑛−1

(3.15)

𝑖=1

La desviación estándar es siempre positiva y sus unidades de medida son las mismas que aquellas que corresponden a los datos originales y es única; entre sus principales ventajas. Los inconvenientes de la desviación estándar es que en su cálculo intervienen todos los valores de la distribución y por ello puede ser complicada su obtención y se ve afectada por los valores atípicos. Percentiles Son cada uno de los 99 valores que dividen a la distribución de los datos en 100 partes iguales. Con ellos se pueden encontrar regiones donde se acumulan los datos; así, el 30% de los datos están por debajo del trigésimo percentil.

𝑛𝑘 − 𝑁𝑘−1 100 𝑃𝑘 = 𝐿𝑘−1 + 𝑛𝑘

(3.16)

Cuartiles Son valores que dividen a la distribución de los datos en 4 partes, cada una de las cuales engloba el 25% de los mismos. Los cuartiles son tres, el cuartil inferior que deja a su izquierda el 25% de los datos, el cuartil medio que deja a su izquierda el 50% de los datos; coincide con la mediana, y el cuartil superior que deja a su izquierda el 7% de los datos. Por tanto, para calcular los cuartiles solo se deberá tener en cuenta que corresponden a los percentiles de orden 25, 50 y 75; respectivamente.

Kurtosis En un conjunto de datos es importante analizar la homogeneidad de estos (Peña, 2002). En este sentido, existen diferentes métricas que permiten determinar si existen datos que se separan considerablemente de la media y que por tanto existe alta heterogeneidad. Una medida ampliamente considerada en análisis de datos es la kurtosis, la cual está dada por:

𝐾=

1 ∑(𝑥𝑖 − 𝑥̅ )4 −3 𝑛 𝑠4

(3.17)

La manera en la que es posible medir la heterogeneidad es la siguiente: •

Cuando existen pocos datos atípicos en los datos la variabilidad será grande, por lo que la kurtosis será elevada (𝐾 > 0).

•

Cuando los datos se asemejan a una distribución normal, el coeficiente de kurtosis toma un valor de 0.

•

Cuando la kurtosis toma valores negativos significa que existen valores atípicos menos extremos que una distribución normal.

Asimetría (skewness) En análisis de datos es útil el cálculo de coeficientes de asimetría que indiquen el grado de simetría de un conjunto de datos con respecto a su media. El coeficiente de asimetría en este caso puede ser calculado por la expresión dada por Peña (2002) de la siguiente manera:

1 ∑(𝑥𝑖 − 𝑥̅ )3 𝐴= 𝑛 𝑠3

(3.18)

Cuando se trata de una variable simétrica el coeficiente toma un valor de cero, caso contrario, el coeficiente difiere toma valores grandes a medida que la variable es más asimétrica. 76

Análisis gráfico El análisis gráfico en este caso corresponde a la utilización de diagramas de caja e histogramas de las variables no espaciales. Con este tipo de gráficos es posible analizar la estructura de los datos que se analizan, la presencia de observaciones atípicas y la identificación de comportamientos característicos o patrones. Análisis de multicorrelación En este caso se analiza la correlación entre pares de variables no espaciales considerando la misma formulación matemática que se explicó en el apartado 3.4.2.1. Cuando se trata de múltiples variables, la multicorrelación permite la búsqueda de relaciones o influencias entre ellas (Witten y Frank, 2005). En este sentido, este tipo de análisis permite identificar los principales factores que influyen en las variables relacionadas con la operación de las empresas de transporte (ver Tabla 3.3). La manera en la que se identifican estos factores es la siguiente. Para cada variable de operación de las empresas de transporte (TIEMPO, VELOCIDAD MEDIA, NÚMERO DE EXCESOS DE VELOCIDAD, EXCESO DE VELOCIDAD Y OPERACIÓN EN RUTA), a través de la matriz de correlación, se determina cual es la variable descriptiva con la que existe una mayor correlación. En la Ilustración 3.22, se expone la manera en la que se identifica la variable descriptiva con mayor influencia en una variable de operación. En este caso, se considera la variable TIEMPO. Para las variables de operación restantes se sigue el mismo procedimiento. Se debe recalcar que solo una variable descriptiva se considera a la vez.

Ilustración 3.22. Esquema de análisis de mayor influencia de una variable descriptiva sobre una variable de operación Identificación de atípicos El análisis propuesto en este caso está orientado a identificar aquellas operadoras que presentan disimilitud con respecto a las demás, con base en la información disponible de las variables no espaciales (ver Tabla 3.5). De esta manera, es posible obtener información adicional relacionada con las empresas de transporte que requieren mayor atención por presentar un comportamiento que se desprende de la tendencia normal que ostentan las demás operadoras.

La identificación de atípicos se desarrolla mediante la aplicación del algoritmo LOF, sobre las variables no espaciales. Este algoritmo se basa en la determinación de la densidad o concentración de datos. De manera que a cada dato se le asigna una ponderación según su distancia relativa con respecto a los datos vecinos o más datos más cercanos. Si se supera cierta ponderación umbral (definida a priori en los parámetros del algoritmo), el dato analizado se considera como atípico. El lenguaje Python cuenta con la librería sklearn.neighbors.LocalOutlierFactor en donde se encuentra implementado el algoritmo LOF. El algoritmo requiere como información de entrada básicamente la matriz de datos de la Tabla 3.5. Se considera la parametrización por defecto del algoritmo. Identificación de grupos El análisis de agrupamiento tiene por objeto agrupar elementos en grupos homogéneos en función de las similitudes entre ellos, es decir, la búsqueda de relaciones

entre

elementos

que

permitan

agrupamiento

según

sus

características. De esta manera, se encuentra una manera más robusta de encontrar relaciones entre diferentes operadoras, debido a que se considera no sólo pares de variables, como en el caso del análisis de multicorrelación, sino que se considera la relación de una variable con las demás. El agrupamiento de operadoras en grupos se desarrolla a partir de los datos de las variables de la Tabla 3.5. Se utiliza el algoritmo K-means para el desarrollo del agrupamiento. Este algoritmo divide un conjunto de observaciones (operadoras) en k grupos, de manera que cada observación pertenece al grupo cuyo centroide (valor medio) se encuentra más cercano (Peña, 2002). El algoritmo requiere que previamente se defina el número de grupos a considerar. Una técnica empírica ampliamente utilizada es monitorear la suma de los cuadrados de las distancias dentro de los grupos de las observaciones hacia el centroide (suma definida con la nomenclatura SCDG). Si se tienen n observaciones, con k=n, SCDG (%) = 0%. Con k=1, SCDG (%) = 100%. De esta forma, se tiene una referencia con la cual se puede plantear el objetivo de definir k grupos para 79

conseguir un SCDG (%) menor a un porcentaje determinado. Porcentajes de 20%, 15% o 10% son usuales en análisis de datos (Pedregosa, et al., 2012). En la Ilustración 3.23 se presenta un ejemplo de monitoreo del SCDG a medida que se incrementa el número de grupos seleccionados.

Ilustración 3.23. Ejemplo de monitoreo de SCDG (%) para la identificación del número de grupos de operadoras Fuente: Pedregosa et al. (2012) Para el presente trabajo, se utiliza el módulo de Python sklearn.cluster.KMeans para el desarrollo de la identificación de grupos de operadoras considerando la matriz de datos de la Tabla 3.5 . En este sentido, cabe mencionar que en la Tabla 3.5 se tiene un conjunto de 16 variables. Con el objetivo de que el algoritmo K-means pueda desarrollarse de una manera más precisa, con una matriz de datos más sencilla, se propone la reducción del número de variables mediante una transformación lineal conocida como Componentes Principales. El análisis de Componentes Principales permite reducir el número de variables de una matriz de datos mediante la extracción de la información más representativa. Por ejemplo, en muchos casos, una matriz de p variables puede reducirse a una matriz de un número menor de variables o componentes, sin una pérdida significativa de información (Peña, 2002). La reducción en componentes principales se desarrolla con el soporte del módulo de Python sklearn.decomposition.PCA (Pedregosa, et al., 2012). El número de nuevas variables o componentes se define a priori en Python. En este trabajo se 80

considera el uso de 3 componentes principales, debido a que de esta manera se facilita la visualización del número de grupos en un diagrama tridimensional, como se ejemplifica en la Ilustración 3.24. .

+ Centroide o valor medio del grupo

Ilustración 3.24. Ejemplo de identificación de grupos en un conjunto de datos con la técnica K-means (se considera reducción de variables en tres componentes principales) 3.4.2.3.

Factores que influyen en las operaciones de las empresas de transporte

Este análisis se reduce a identificar las variables producto del análisis de multicorrelación propuesto en la sección 4.2.3.; referente al análisis exploratorio de datos no espaciales. Los hallazgos son detallados en el siguiente capítulo de Resultados y Análisis en la sección 4.3.

3.4.3.

Análisis de relación espacial y planteamientos de estrategias

A través de la metodología planteada en la Etapa 2, se puede continuar con el análisis de la Etapa 3, esto en concordancia con los objetivos tres y cuatro planteados en el presente trabajo. En la Ilustración 3.25, se resumen los dos procedimientos considerados en esta etapa.

Relación espacial entre los datos GPS y factores influyentes

Estrategias mejora para control y planificación transporte

de el la de

Ilustración 3.25. Estructura de la Etapa 3 3.4.3.1.

Relación espacial entre los datos GPS y factores influyentes

Para determinar y lograr el cumplimiento del tercer objetivo, se plantea aplicar un análisis de multicorrelación entre el Índice de Moran; acorde a lo detallado en la sección 3.3.2.1. (Análisis de autocorrelación espacial) y las variables o factores influyentes obtenidos de acuerdo con lo indicado en la sección 3.3.2.3. Los hallazgos son detallados en el siguiente capítulo de Resultados y Análisis en la sección 4.4. 3.4.3.2.

Estrategias de mejora para el control y la planificación de transporte

Una vez desarrollada la metodología planteada para el cumplimiento de los tres objetivos anteriores, se han descrito las estrategias a partir de cada resultado obtenido en concordancia al último objetivo definido. Cada una de estas estrategias, son detalladas en el siguiente capítulo de Resultados y Análisis en la sección 4.5. 82

RESULTADOS Y ANÁLISIS En este capítulo se exponen los resultados obtenidos mediante la aplicación de la metodología propuesta, la cual se esquematizó en la Ilustración 3.3. Además, se presenta un análisis de los hallazgos más importantes. A continuación, se desarrolla cada uno de los estudios enmarcados en los enfoques generales del análisis AEDE y AED explicados en el capítulo anterior.

4.1. ANÁLISIS EXPLORATORIO DE DATOS ESPACIALES 4.1.1.

Análisis estadístico espacial

En esta sección se analiza estadísticamente las coordenadas (X, Y) de los registros de velocidad de las operadoras de transporte que forman parte de este estudio. En la Tabla 4.1 se presentan los resultados de la media espacial, distancia estándar, desviación estándar de las mediciones y elipse de desviación estándar para el conjunto de registros GPS de velocidad obtenidos de las operadoras bajo estudio. Tabla 4.1. Estadística descriptiva espacial para los registros GPS de velocidad de las operadoras bajo estudio No.

OPERADORA

Media X

Media Y

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

22 DE JULIO AMAZONAS AMBATO AMERICA CANARIO CHIMBORAZO CIRO CONDOR PROANO CONDORAZO COTOPAXI ECUADOR EJECUTIVO EL DORADO CIA EL DORADO COOP FLOTA PELILEO HUAMBALO INDOAMERICA INTERANDINA LATACUNGA LIDER PATRIA RIOBAMBA EXPRESS RIOBAMBA SANTA TOA TRANSVENCEDORES

-78.5940 -78.5878 -78.5942 -78.5981 -78.5922 -78.6190 -78.5878 -78.5926 -78.6326 -78.5870 -78.6165 -78.5911 -78.5830 -78.5657 -78.5931 -78.5817 -78.5975 -78.5881 -78.5873 -78.6166 -78.6235 -78.6128 -78.5479 -78.5947 -78.6162

-0.8473 -0.7102 -0.8219 -0.9196 -0.7863 -1.0474 -0.6386 -0.8163 -1.2254 -0.6053 -1.0106 -0.7663 -0.9994 -0.5370 -0.7761 -0.7222 -0.8791 -0.7120 -0.8168 -1.0496 -1.1201 -0.9877 -0.4863 -0.8378 -1.0307

Distancia Estándar 0.3573 0.3825 0.3778 0.3478 0.3893 0.5304 0.2599 0.3679 0.4649 0.2618 0.5403 0.3949 0.4047 0.3321 0.3647 0.4124 0.3809 0.3119 0.3601 0.5232 0.5899 0.5297 0.3970 0.3963 0.5607

Desv. Estándar X 0.0316 0.0334 0.0318 0.0319 0.0330 0.0513 0.0310 0.0300 0.0455 0.0330 0.0509 0.0363 0.0323 0.0264 0.0333 0.0385 0.0324 0.0294 0.0278 0.0474 0.0522 0.0493 0.0586 0.0325 0.0514

Desv. Estándar Y 0.3562 0.3818 0.3767 0.3466 0.3882 0.5284 0.2582 0.3671 0.4630 0.2599 0.5387 0.3935 0.4038 0.3312 0.3634 0.4111 0.3799 0.3107 0.3593 0.5221 0.5883 0.5281 0.3930 0.3952 0.5590

Elipse 0.2529 0.2710 0.2673 0.2461 0.2755 0.3754 0.1839 0.2604 0.3290 0.1853 0.3826 0.2794 0.2864 0.2350 0.2580 0.2920 0.2696 0.2207 0.2548 0.3707 0.4176 0.3750 0.2810 0.2804 0.3969

26 27 28

TRASANDINA TURISMO BAÑOS VAFITUR

-78.5883 -78.5907 -78.5877

-0.7308 -0.8769 -0.8037

0.3619 0.3446 0.3924

0.0323 0.0236 0.0289

0.3609 0.3441 0.3916

0.2562 0.2439 0.2776

En el resultado estadístico mostrado se aprecia que el valor medio de la coordenada X es relativamente cercano para todas las operadoras, lo cual se espera en virtud de que la red vial E35 tiene una localización latitudinal. Con respecto al valor medio de la variable Y, se observan claras diferencias, debido a que existe una diferente dispersión en el conjunto de datos de registros GPS de las operadoras latitudinalmente. Con respecto a la distancia estándar, se observa que el grado de dispersión es mayor para ciertas operadoras, como: ECUADOR EJECUTIVO, RIOBAMBA EXPRESS, TRANSVENCEDORES. La interpretación física de este resultado es que las mediciones GPS han registrado localizaciones más dispersas o inclusive información incompleta. Una causa de este efecto son las intermitencias existentes en las mediciones GPS. Por otro lado, en el resultado de desviación estándar y elipse se aprecia cierta similitud en los valores obtenidos entre operadoras, con ligeras diferencias. En este sentido, en la Ilustración 4.1 se observa gráficamente el resultado comparativo del cálculo de la Elipse de desviación estándar para los registros GPS. Esto demuestra que existe consistencia en las observaciones obtenidas de todas las operadoras, es decir, una estructura de datos de los registros GPS similar, lo que permite inferir que estos registros se encuentran dentro de un contexto equiparable. De esta manera, es factible la comparación de operadoras considerando que cada una de ellas ostenta un registro tomado con unidades GPS independientes.

Ilustración 4.1. Resultado de Elipse de desviación estándar de registros GPS de velocidad Un resultado adicional del análisis estadístico mostrado es que no se evidencia la presencia de atípicos en los registros de coordenadas GPS.

4.1.2.

Análisis gráfico

En este apartado se obtuvo de una manera gráfica la distribución espacial de los valores de velocidad en km/h de los registros GPS de las diferentes operadoras a través de información ráster. En la Ilustración 4.2, se presenta una muestra de los resultados obtenidos en ArcGIS para las operadoras de la ruta Quito-Ambato. En el resultado mostrado se aprecia la distribución espacial de la información de velocidad que caracteriza el comportamiento de las empresas de transporte. A partir de esta información se desprende información significativa, como las localizaciones en las que las operadoras incurren en excesos de velocidad. En este sentido, es posible identificar zonas comunes en las que se presentan excesos de velocidad. Esta situación puede ocurrir como causa de falta de puntos de control o mecanismos que motiven a las operadoras a mantener regulados sus rangos de velocidad dentro de los límites admisibles en Ecuador. 85

Quito

Ambato

Ilustración 4.2. Muestra de resultados del análisis gráfico de operadoras de la ruta Quito-Ambato: a) 22 DE JULIO, b) AMAZONAS, c) AMBATO, d) AMERICA.

En la información ráster se identifica una cantidad apreciable de veces en las que existen excesos de velocidad. Por otro lado, también se identifican rangos de velocidad bajos, los cuales pueden corresponder a problemas de tráfico durante el trayecto, paradas no autorizadas de las unidades de transporte o eventos fortuitos. Además, un resultado destacable de este análisis es que el comportamiento de las operadoras es considerablemente distinto, lo cual se evidencia en la información ráster y los patrones gráficos de velocidad que se observan. Esto demuestra claramente que la operación de las empresas de transporte es disímil. En el Anexo 1 se presentan los resultados completos de la Información ráster obtenida para el resto de las operadoras. De manera general, existen diferencias en los patrones que reflejan el comportamiento de la operación de las empresas de transporte. Esto será corroborado más adelante en el análisis de multicorrelación, en donde, en efecto, la correlación entre empresas de transporte es diversa.

4.1.3.

Análisis de autocorrelación espacial

En este apartado se identifican patrones del conjunto de registros GPS de velocidad para las diferentes operadoras. Con el uso de la herramienta Autocorrelación espacial (I de Moran) de ArcGIS se miden las autocorrelaciones espaciales para cada operadora de transporte. En la Ilustración 4.3 se presenta una muestra de resultados gráficos proporcionados por la herramienta ArcGIS sobre el cálculo del Índice de Moran. El gráfico proporcionado por el programa ArcGIS corresponde al resultado de una prueba de hipótesis1 que evalúa la significancia del índice de Moran. Además, se proporcionan los parámetros z y p de dicha prueba estadística. Como se describió en la sección 3.4.2.1, un valor de z mayor conlleva a una mayor probabilidad de la existencia de grupos en el conjunto de datos. En este sentido, se obtuvo que para la mayoría de las operadoras, existen valores positivos de z

1 Las pruebas de hipótesis son técnicas de inferencia estadística para evaluar la veracidad de un

enunciado (Galindo, 2010).

elevados, es decir, la existencia de grupos o patrones en la información de velocidad de los registros GPS.

c) Ilustración 4.3. Muestra de resultados autocorrelación. Operadoras: a) VAFITUR, b) SANTA, c) TURISMO BAÑOS El resultado de autocorrelación para todas las operadoras se resume en la Tabla 4.2. La información expuesta indica que en 27 operadoras se obtiene la significancia adecuada (p-value menor a 0.05) para demostrar que existen patrones 88

espaciales específicos en los registros de velocidad. Por lo tanto, en estas 27 operadoras existe con autocorrelación espacial en los datos. Por otro lado, en el caso de la operadora LIDER se aprecia un p-value mayor a 0.05. Esto implica que, para esta operadora, sus registros GPS no presentan ningún patrón espacial específico, es decir, no existe autocorrelación espacial. La interpretación física de este último resultado es que el comportamiento de los datos GPS para esta operadora no obedecen a una tendencia definida y son más cercanos a un comportamiento disperso. Tabla 4.2. Resultado de autocorrelación del registro GPS de velocidad de operadoras No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Operadora 22 DE JULIO AMAZONAS AMBATO AMERICA CANARIO CHIMBORAZO CIRO CONDOR PROAÑO CONDORAZO COTOPAXI ECUADOR EJECUTIVO EL DORADO CIA EL DORADO COOP FLOTA PELILEO HUAMBALÓ INDOAMERICA INTERANDINA LATACUNGA LIDER PATRIA RIOBAMBA RIOBAMBA EXPRESS SANTA TOA TRANSVENCEDORES TRASANDINA TURISMO BAÑOS VAFITUR

Moran's Index: 0.259434 0.475971 0.252120 0.228448 0.328188 0.293056 0.534586 0.224484 0.205891 0.394685 0.454629 0.357840 0.453945 0.671105 0.294963 0.368449 0.213094 0.449396 0.144166 0.329352 0.378125 0.604982 0.434449 0.376978 0.232798 0.356756 0.310612 0.220008

z-score: 2.640615 4.755434 2.570018 2.338371 3.321827 2.968939 5.440207 2.297231 2.117763 4.049342 4.557606 3.596872 4.560604 6.705215 2.997472 3.700948 2.185261 4.592670 1.510605 3.333458 3.817365 6.018389 4.405190 3.788099 2.378518 3.593673 3.149502 2.254484

p-value: 0.008276 0.000002 0.010169 0.019368 0.000894 0.002988 0.000001 0.021606 0.034195 0.000051 0.000005 0.000322 0.000005 0.000001 0.002722 0.000215 0.028870 0.000004 0.130889 0.000858 0.000135 0.000001 0.000011 0.000152 0.017382 0.000326 0.001635 0.024166

Con respecto a la operadora LIDER, en la Ilustración 4.4 se presenta el correspondiente resultado ráster. En esta información ráster se aprecia la carencia de patrones de velocidad definidos, lo cual se corrobora en el índice de Moran calculado antes.

Ilustración 4.4. Resultado de Información ráster para la operadora LIDER En el Anexo 2 se presenta el conjunto completo de resultados gráficos de autocorrelación.

4.1.4.

Análisis de multicorrelación de la variable velocidad

De acuerdo con la Tabla 3.2, las operadoras bajo estudio recorren diferentes rutas del corredor E35. Por esta razón, para una comparación equitativa, se efectúa el análisis de multicorrelación por separado para las tres rutas posibles de las operadoras: Quito-Ambato, Quito-Latacunga y Quito-Riobamba. En primer lugar, en la Ilustración 4.5 se presenta el resultado del análisis de multicorrelación de la Variable Velocidad entre Operadores de la ruta QuitoAmbato. Se aprecia que existe una correlación significativa entre diferentes operadoras. Por ejemplo, entre las operadoras TOA y 22 DE JULIO se aprecia una correlación de 0.74, siendo el valor más elevado de este análisis. También, se observa una correlación apreciable de 0.72 entre las operadoras TRASANDINA y 90

AMAZONAS, lo cual implica que existe un comportamiento cercano a una dependencia lineal entre estas operadoras.

Ilustración 4.5. Multicorrelación de la Variable Velocidad entre Operadoras de la ruta Quito-Ambato Con el propósito de profundizar en este análisis, en la Ilustración 4.6 se muestran gráficos de dispersión entre las cuatro primeras operadoras que recorren la ruta Quito-Ambato. Se incluye la distinción por cantón en el que se localizan las coordenadas correspondientes de cada dato de velocidad. La información mostrada refleja que en localizaciones del cantón Latacunga se presentan los mayores rangos de velocidad.

Ilustración 4.6. Matriz de gráficos de dispersión e histogramas de la Variable Velocidad (km/h) entre una muestra de las Operadoras de la ruta Quito-Ambato Además, en el resultado gráfico se aprecia que existe una mayor dispersión o rango de valores cuando las operadoras transitan en los cantones de Latacunga y Mejía, es decir, que presentan un comportamiento similar en el que ostentan mayor variabilidad en sus velocidades. Con respecto a la ruta Quito-Latacunga, se obtuvo el resultado de la Ilustración 4.7, considerando que solo tres operadoras transitan en esta ruta. Para este caso, se obtienen valores significativos de correlación entre las tres operadoras, lo que indica un comportamiento lineal entre los registros de velocidad de estas operadoras.

Ilustración 4.7. Multicorrelación de la Variable Velocidad entre Operadoras de la ruta Quito-Latacunga En este sentido, en la Ilustración 4.8 se expone la relación entre estas operadoras considerando gráficas de dispersión. Se aprecia claramente una tendencia lineal en la relación entre estas operadoras. Además, se obtienen mayores dispersiones cuando las operadoras transitan en Latacunga y Mejía. Se aprecia que en los cantones de Mejía y Latacunga se tienen mayores velocidades que en el caso de las velocidades obtenidas en Quito.

Ilustración 4.8. Matriz de gráficos de dispersión e histogramas de la Variable Velocidad (km/h) entre Operadoras de la ruta Quito-Latacunga 93

Ilustración 4.9. Multicorrelación de la Variable Velocidad entre Operadoras de la ruta Quito-Riobamba Finalmente, en la Ilustración 4.9 se muestra el resultado de multicorrelación para las operadoras de la ruta Quito-Riobamba. En este caso se observan bajos valores de correlación entre las operadoras. Este resultado se aprecia de manera gráfica con la Ilustración 4.10, en donde se aprecia una dispersión lejana a una tendencia lineal.

Ilustración 4.10. Matriz de gráficos de dispersión e histogramas de la Variable Velocidad (km/h) entre una muestra de las Operadoras de la ruta Quito-Riobamba

4.1.5.

Análisis de regresión espacial

En este caso, con el fin de evitar extender innecesariamente el análisis de este trabajo, se analizaron los modelos de regresión únicamente para las operadoras de la ruta Quito Ambato. En este sentido, en la Ilustración 4.11 se muestra el resultado de los modelos de regresión para las mencionadas operadoras. Es preciso resaltar que los modelos de regresión desarrollados consideran como variable dependiente a la velocidad y como variables independientes a las coordenadas (X, Y). De esta manera, este análisis aporta con un potencial significativo para la agencia reguladora, debido a que permitiría predecir o estimar un valor de velocidad considerando una coordenada (X, Y) específica. 95

En el resultado mostrado se aprecia que, para ciertas operadoras, como INTERANDINA, FLOTA_PELILEO, CANARIO o HUAMBALO se obtienen ajustes de la regresión lineal muy aproximados a los registros de velocidad. Para el resto de las operadoras, a pesar de la alta dispersión que presenta el conjunto de datos, el modelo de regresión lineal se muestra como una técnica adecuada para relacionar coordenadas y velocidad. Con el fin de incluir un criterio cuantitativo en este análisis, se calculó el error medio cuadrático para cada modelo de regresión. En la Tabla 4.3 se presenta el resultado de este error. Un valor menor del mismo indica una mejor aproximación del modelo al comportamiento real de los datos. De esta manera se corrobora que en las operadoras INTERANDINA y FLOTA_PELILEO se obtienen los modelos de regresión más precisos. En la práctica, esto implica que las estimaciones para estas operadoras serán más cercanas a la realidad.

Ilustración 4.11. Modelos de regresión lineal para las operadoras de la ruta Quito-Ambato

Tabla 4.3. Cálculo del error medio cuadrático (MSE) para los modelos de regresión lineal encontrados No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

OPERADORA 22 DE JULIO AMAZONAS AMBATO AMERICA CANARIO CONDOR_PROANO DORADO_CIA DORADO_COOP FLOTA_PELILEO HUAMBALO INDOAMERICA INTERANDINA LIDER SANTA TOA TRASANDINA TURISMO_BANOS VAFITUR

MSE 0.0156 0.0275 0.0149 0.0155 0.0111 0.0169 0.0224 0.0173 0.0109 0.0111 0.0272 0.0103 0.0180 0.0120 0.0213 0.0205 0.0167 0.0178

De acuerdo con la gráfica mostrada, se aprecia que la relación entre las coordenadas (X, Y) y la velocidad es más compleja que una relación lineal. No obstante, con fines de simplificación y, de acuerdo con los bajos errores MSE

mostrados en la Tabla 4.3, una regresión lineal puede ser suficiente para fines prácticos.

4.2. ANÁLISIS EXPLORATORIO DE DATOS NO ESPACIALES En esta sección se presentan los análisis no espaciales desarrollados en torno a los datos mostrados en la Tabla 3.5.

4.2.1.

Análisis estadístico no espacial

En la Tabla 4.4 se presenta el resultado estadístico descriptivo de las variables analizadas. En primer lugar, se aprecia que entre la media y la mediana (Cuartil 50%) existen diferencias considerables para las distintas variables, por ejemplo, en la variable NÚMERO DE EXCESOS. En este caso, la media es 3.54 y la mediana es 0. De esta manera, es evidente la presencia de operadoras atípicas considerando solo a la variable de excesos de velocidad, tomando en cuenta que existen operadoras con ningún registro de exceso de velocidad y otras con una cantidad apreciable de excesos (35). Una situación similar ocurre para el caso de las variables EXCESO DE VELOCIDAD y TOTAL DE RUTAS. La falta de homogeneidad para los datos de las tres variables mencionadas también se aprecia en el cálculo de la kurtosis y la asimetría, en donde se obtienen valores excesivos, lo cual sugiere la presencia de observaciones atípicas en el conjunto de datos. Para las variables restantes se aprecia que el valor de la media se acerca considerablemente al valor de la mediana, de manera que la distribución de datos puede considerarse como homogénea. Este resultado se corrobora en el cálculo de la kurtosis y el coeficiente de asimetría, en donde se observan valores bajos.

FRECUENCIAS EN RUTA

TOTAL RUTAS

TOTAL FRECUENCIAS

GESTIÓN ORGANIZACIONAL

GESTIÓN FINANCIERA

GESTIÓN DE CONDUCTORES Y PERSONAL DE APOYO

GESTIÓN DE PRESTACIÓN DEL SERVICIO

GESTIÓN OP CONTROL Y SEGURIDAD

CANTON CÓDIGO

28.0 28.0 19.1 20.9 16.0 26.9 2.0 2.0 7.0 5.8 15.5 11.0 30.0 27.0 60.0 140.0 0.4 14.5 1.1 3.4

28.0 110.1 110.5 4.0 24.5 69.5 146.5 378.0 0.7 1.3

28.0 2.1 0.5 1.0 2.0 2.0 2.0 3.0 0.8 0.1

28.0 2.3 0.5 2.0 2.0 2.0 3.0 3.0 -1.1 1.0

28.0 1.6 0.7 1.0 1.0 1.0 2.0 3.0 -0.7 0.8

28.0 1.8 0.4 1.0 1.8 2.0 2.0 2.0 -0.6 -1.2

28.0 1.6 0.5 1.0 1.0 2.0 2.0 2.0 -1.9 -0.5

28.0 3.6 2.3 1.0 2.0 2.0 6.0 7.0 -1.5 0.5

OPERACIÓN EN RUTA

28.0 93.8 9.2 73.7 92.1 98.3 100.0 100.0 0.6 -1.4

EXCESO DE VELOCIDAD

28 28 28 28.0 28.0 39.99 3.54 0.0014 0.7 29.4 6.05 8.37 0.0068 0.1 27.5 24.09 0.00 0 0.3 2.0 37.26 0.00 0 0.6 8.8 41.35 0.00 0 0.7 20.5 43.97 2.00 0.00012 0.7 38.3 49.17 35.00 0.0359 0.9 122.0 0.55 7.58 27.8634 0.3 3.4 -0.80 2.77 5.2732 -0.3 1.7

NUMERO DE EXCESOS

COBERTURA INSTALACION

28 26875.5 8946.4 10077.0 20773.3 25645.5 32602.0 48180.0 -0.2 0.3

UNIDADES HABILITADAS

Observaciones Media Desv. estándar Mínimo Cuartil 25% Cuartil 50% Cuartil 75% Máximo Kurtosis Asimetría

VELOCIDAD MEDIA

TIEMPO

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 100

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). 101

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 102

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.

103

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. No . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

OPERADORA 22 DE JULIO AMAZONAS AMBATO AMERICA CANARIO CHIMBORAZO CIRO CONDOR PROAÑO CONDORAZO COTOPAXI ECUADOR EJECUTIVO EL DORADO CIA EL DORADO COOP FLOTA PELILEO HUAMBALÓ INDOAMERICA INTERANDINA LATACUNGA LIDER PATRIA RIOBAMBA RIOBAMBA EXPRESS SANTA TOA TRANSVENCEDORES TRASANDINA TURISMO BAÑOS VAFITUR

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.

104

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. No . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

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.

105

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). • 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). • 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). • 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. • 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). • 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.

106

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 No.

VARIABLE DE OPERACIÓN

TIEMPO DE RUTA

2 3 4 5

VELOCIDAD MEDIA NÚMERO DE EXCESOS EXCESO DE VELOCIDAD OPERACIÓN EN RUTA

VARIABLE DESCRIPTIVA (INFLUYENTE) GESTIÓN DE CONDUCTORES Y PERSONAL DE APOYO GESTIÓN OP CONTROL Y SEGURIDAD UNIDADES HABILITADAS TOTAL FRECUENCIAS GESTIÓN ORGANIZACIONAL

CORRELACIÓN 0.48 0.32 0.60 0.25 0.50

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). 107

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

108

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.

109

GESTIÓN DE

No.

OPERADORA

UNIDADES HABILITADAS

TOTAL GESTIÓN CONDUCTORES Y FRECUENCIAS ORGANIZACIONAL PERSONAL DE APOYO

1 22 DE JULIO 2 AMAZONAS 3 AMBATO 4 AMERICA 5 CANARIO 6 CHIMBORAZO 7 CIRO 8 CONDOR PROAÑO 9 CONDORAZO 10 COTOPAXI 11 ECUADOR EJECUTIVO 12 EL DORADO CIA 13 EL DORADO COOP 14 FLOTA PELILEO 15 HUAMBALÓ 16 INDOAMERICA 17 INTERANDINA 18 LATACUNGA 19 LIDER 20 PATRIA 21 RIOBAMBA 22 RIOBAMBA EXPRESS 23 SANTA 24 TOA 25 TRANSVENCEDORES 26 TRASANDINA 27 TURISMO BAÑOS 28 VAFITUR

38 38 35 6 7 22 17 8 13 46 23 9 39 69 19 4 12 19 4 70 56 2 66 11 27 37 122 4

242 151 110 14 16 44 108 20 61 343 50 32 257 163 355 12 26 94 12 145 143 4 112 46 52 78 378 16

2 2 2 2 2 2 2 2 2 2 3 1 2 1 2 2 2 2 2 3 3 2 1 2 3 2 3 2

2 1 1 1 1 2 2 1 1 2 3 1 2 1 1 1 2 1 1 3 2 2 1 1 3 2 3 1

GESTIÓN OP CONTROL Y SEGURIDAD

ÍNDICE DE MORAN

1 2 2 2 2 1 1 2 2 1 1 2 1 2 2 2 2 2 2 1 2 1 2 2 1 1 1 2

0.259434 0.475971 0.252120 0.228448 0.328188 0.293056 0.534586 0.224484 0.205891 0.394685 0.454629 0.357840 0.453945 0.671105 0.294963 0.368449 0.213094 0.449396 0.144166 0.329352 0.378125 0.604982 0.434449 0.376978 0.232798 0.356756 0.310612 0.220008

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.

110

Tabla 4.7. Relaciones espaciales identificadas Grupo

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.

111

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 112

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, 113

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 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. g. Normar un reglamento para la gestión de capacitación y operatividad 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.

114

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.

115

Impulsar el desarrollo y uso de aplicaciones en dispositivos móviles de libre acceso para la ciudadanía

Normar un reglamento para la gestión de capacitación y operatividad

Potenciar el modelo actual de intervención a operadoras de transporte

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

Potenciar la Plataforma de Transporte Seguro

Desarrollar proyectos para implementación y mejoramiento de puntos de control de velocidad

ESTRATEGIAS

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

Definir una metodología para la planificación de transporte

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. 116

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 117

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 118

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.

119

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.

120

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, 121

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.

122

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.

123

BIBLIOGRAFÍA

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

124

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.

125

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. 126

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.

127

ANEXOS ANEXO 1. INFORMACIÓN

RÁSTER

PARA

ANÁLISIS

GRÁFICO

CIRO

COTOPAXI

LATACUNGA

CHIMBORAZO 128

CONDORAZO

ECUADOR EJECUTIVO

PATRIA

RIOBAMBA EXPRESS 129

RIOBAMBA

TRANSVENCEDORES

22 DE JULIO

AMAZONAS 130

AMBATO

AMÉRICA

CANARIO

CIA DORADO 131

CONDOR

COOP DORADO

FLOTA PELILEO

HUAMBALÓ 132

INDOAMERICA

INTERANDINA

LIDER

SANTA 133

TOA

TRASANDINA

TURISMO BAÑOS

VAFITUR 134

ANEXO 2. GRÁFICAS DE AUTOCORRELACIÓN PARA EL ANÁLISIS DEL ÍNDICE DE MORAN

CIRO

COTOPAXI

LATACUNGA

CHIMBORAZO

135

CONDORAZO

ECUADOR EJECUTIVO

PATRIA

RIOBAMBA EXPRESS

136

RIOBAMBA

TRANSVENCEDORES

22 DE JULIO

AMAZONAS

137

AMBATO

AMÉRICA

CANARIO

CIA DORADO

138

CONDOR

COOP DORADO

FLOTA PELILEO

HUAMBALÓ

139

INDOAMERICA

INTERANDINA

LIDER

SANTA

140

TOA

TRASANDINA

TURISMO BAÑOS

VAFITUR

141

ANEXO 3. ANÁLISIS DE MULTICORRELACIÓN

142