proyecto de grado factores que influyen en el flujo
TRANSCRIPT
PROYECTO DE GRADO
Factores que influyen en el flujo peatonal de la UPZ de Galerías
David Ricardo Caicedo Sánchez
Juan Pablo Ramírez Rojas
Santiago Ruíz Sánchez
Asesor: Álvaro Rodríguez Valencia
UNIVERSIDAD DE LOS ANDES
FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA CIVIL Y AMBIENTAL
PREGRADO EN INGENIERÍA CIVIL
BOGOTÁ D.C.
2019
Contenido
1. Introducción ............................................................................................................. 3
2. Revisión de Literatura .............................................................................................. 4
2.1 Distancia, nivel socioeconómico, e infraestructura ................................ 4
3. Metodología .......................................................................................................... 6
3.2 Aforos ....................................................................................................................... 7
3.3 Modelo ..................................................................................................................... 8
4. Resultados ............................................................................................................. 11
4.1 Modelo mañana .................................................................................................. 11
4.2 Modelo Tarde ...................................................................................................... 14
4.3 Modelo Total ....................................................................................................... 15
4.4 Modelo predictivo ............................................................................................... 16
5. Análisis de resultados ............................................................................................ 17
6. Conclusiones...................................................................................................... 18
7. Referencias ............................................................................................................ 19
Bibliografía ................................................................................................................... 19
1. Introducción
Los peatones son un modo olvidado en Bogotá. Pese a que suman el 42% de los
viajes de la ciudad, carecen de infraestructura adecuada como aceras, rampas,
cruces y señalización. Todos somos peatones en algún momento. Incluso si somos
usuarios del carro, tenemos que transportarnos del estacionamiento al trabajo
caminado.
Siendo en Bogotá un modo tan relevante, resulta importante poder predecir en que
tramos existirá mayor actividad peatonal. Esto con el fin de, por ejemplo, priorizar
intervenciones. Este proyecto de grado pretende entender las variables que afectan
la actividad peatonal y modelarlo.
El estudio del comportamiento de los peatones es un mundo complejo debido a la
gran cantidad de variables que influyen en el desarrollo de los viajes. Por lo tanto,
los resultados requieren de unas muestras cuya cantidad de datos permita disminuir
la probabilidad de error y de estudios minuciosos cuyos resultados deben ser
analizados por expertos o personas que tengan un amplio conocimiento en modelos
peatonales. A pesar de esta dificultad, si existen proyectos que buscan modelar el
comportamiento de los peatones utilizando las variables que tienen que ver más con
los modelos microscópicos de flujo, es decir, la interacción entre el peatón, sus
pares y el espacio por el cual se mueven, lo cual nos da una guía de lo que es el
comportamiento de los peatones microscópicamente. Entre los ejemplos podemos
encontrar estudios como el de Ferro (2018), presentada en la Universidad de los
Andes. Como este texto, en la academia han surgido artículos y documentos
académicos que buscan encontrar un patrón en el comportamiento de los peatones
para poder establecer sus preferencias. Sin embargo, el proyecto de grado realizado
encontró una relación numérica existente entre el entorno que rodea al peatón y el
flujo asociado a este, que permite modelar y cuantificar el flujo de peatones. En este
caso, la interacción entre el peatón y sus pares, que tiene una relación más
compleja, pasa a un segundo plano y empieza a tener una mayor importancia la
organización de la ciudad y el entorno mismo. En cuanto a los estudios previos
sobre estos comportamientos, se encontraron pocos textos que buscan explicar el
comportamiento del peatón en el sentido anteriormente mencionado. Algunos
ejemplos son los textos Pedestrian route-choice and activity scheduling theory and
models (Borgers, 1986), Pedestrian route choice: an empirical study (Verlander &
Heydecker, 1997) y City centre entry points, store location patterns and pedestrian
route choice behaviour: A microlevel simulation model (Hoogendoorm, 2004). Hasta
la fecha, los estudios sobre peatones tienen que ver en su mayoría con la cultura
vial y el respeto de las normas. Por lo tanto, el gran factor diferenciador de este
trabajo es que busca explicar un fenómeno que no ha sido estudiado recientemente
debido a la dificultad de obtener información primaria y que determina las variables
que más influyen en el flujo de peatones y su importancia representada en
coeficientes, puntos clave en modelos de flujo como el modelo de 4 pasos. Este
proyecto de grado busca igualmente abrir esta línea de investigación para recibir
aportes posteriores que busquen ahondar en la explicación estos comportamientos.
2. Revisión de Literatura
En la revisión de literatura, se busca mostrar los aspectos estudiados a través de la
literatura existente que consideramos clave para tener un conocimiento global sobre
las variables y los diferentes componentes por las que se ven afectadas. Por lo
tanto, a continuación, mostraremos el trasfondo bibliográfico, debido a que nos sirvió
de guía para abordar un tema poco convencional. Este trasfondo permitió darle un
peso específico a cada una de las variables para poder llegar al objetivo final de
modelar una situación real de tránsito de peatones. La bibliografía revisada nos
permitió determinar los aspectos prioritarios que influyen sobre la actividad peatonal
en una zona. Estos aspectos los clasificamos en 3 grupos diferentes según su
importancia en los artículos analizados. Estos 3 grupos son: alta influencia, mediana
influencia y baja influencia.
En el grupo de alta influencia se encuentran los factores de: infraestructura, nivel
socioeconómico del peatón y distancia entre los puntos de llegada y partida del viaje
a pie. En el grupo de influencia intermedia se encuentra el uso del suelo, las
características del viajero (edad, enfermedades, etc) y la conectividad del entorno.
Finalmente, en el grupo de baja influencia, identificamos los factores de presencia
de equipamientos, densidad poblacional, densidad laboral y las barreras para
caminar
2.1 Distancia, nivel socioeconómico, e infraestructura
Actualmente, existe en la literatura un gran número de estudios que tratan los
efectos que tiene la distancia del trayecto sobre la probabilidad de que el transeúnte
camine. De forma intuitiva se puede inferir que a mayor la distancia es menor la
probabilidad de caminata. Un estudio acerca de la selección modal en una situación
de last-mile en Bogotá afirma que “(…)la caminata es preferida cuando la distancia
a la estación es corta” (Paris, 2019). Aunque la relación entre la distancia del
recorrido y la probabilidad de caminata puede variar según la intervención de otras
variables, como el built environment (Rodríguez, 2009) o los usos del suelo (Paris,
2019) muchos autores confirman que la distancia es significativa al momento de
analizar peatones (Ewing, 2001)(Tilahun, 2016). Otra forma de ver la relevancia de
esta variable es fijándonos como un modelo tradicional de transporte, que usa costo
y tiempo como mediciones, analizaría la caminata. Dado que la caminata no posee
ningún valor monetario, la única información relevante que se usaría sería el tiempo
que involucra directamente la distancia. Por su parte, el nivel socioeconómico del
sector que se está analizando juega un papel vital en la cantidad de viajes diarios
que se generan y atraen allí. En efecto, las distintas capacidades adquisitivas que
puedan tener los hogares condicionan de gran manera el tránsito a pie siendo
reemplazado por el carro, el servicio público o en su defecto la bicicleta.
Evidentemente, la infraestructura presente es el último aspecto que tiene una fuerte
influencia sobre la cantidad de peatones. Una vía que tiene puntos para cruzar la
calle (cebras, puentes peatonales), aceras en buen estado, bancas de descanso e
incluso puntos de hidratación será un trayecto mucho más atractivo para el viajero
que un trayecto carente de estos elementos. Sin embargo, la importancia de esta
infraestructura se verá reflejada más que todo en los viajes secundarios, que son
aquellos que pueden ser realizados a pie o en carro en un mismo centro de actividad
(Ewing 2001).
2.2 Uso del suelo, las características del viajero (edad, enfermedades, etc) y
la conectividad del entorno.
El uso que se le da al suelo está condicionado por el POT de cada ciudad. La
cantidad de peatones en zonas ideadas para que haya altos flujos, como las zonas
comerciales o los espacios para eventos, va a variar fuertemente frente a espacios
con un uso de suelo que atrae menos personas tal y como lo es una zona industrial.
Tanto si el uso atrae trabajadores o si atrae residentes, lo cual es determinado por
el uso del suelo, la influencia de la primera condición puede ser igual o más
influyente que la segunda (Ewing, 2001). Por otra parte, las características del
viajero como su edad o sus limitaciones motrices son un indicador que nos puede
ayudar para realizar nuestro modelo. Así mismo, existe una relación directa en la
característica económica del viajero, más específicamente hablando del PIB per
cápita. Este ingreso define la capacidad del viajero de acceder a distintitos modos
de transporte, en donde influye directamente las tarifas de Transmilenio, taxi,
gasolina, entre otras (Velasquez, 2009). Además, otro factor que influye
directamente sobre la cantidad de viajes peatonales realizados es el tipo de empleo
del viajero (Cliffton, 2015).
Finalmente, es necesario mencionar que existen otras variables que afectan el
comportamiento de los peatones y el número de viajes a pie que estos realizan.
Algunas de las variables que influyen en menor medida en el flujo de peatones
nombradas por los distintos autores son: el equipamiento, la densidad poblacional
y de trabajo y las barreras del entorno para caminar (terreno, zonas industriales,
autopistas). Estos son factores considerados con una menor importancia que los
escogidos debido a su poca evidencia en la bibliografía o a que son difíciles de
medir en campo o cuantificar, por lo cual se descartaron para este estudio.
3. Metodología Se establecen los procedimientos efectuados hasta llegar al punto de obtención de
los resultados.
3.1 Derechos de vía
La UPZ Galerías esta dividida en 9 ZATs (Zonas de Análisis de Transporte), cada
una con características distintivas y usos de suelo variado. Para la escogencia de
nuestros puntos peatonales de interés se hizo primero un análisis, con la ayuda de
shapes, de cada una de las ZATs para identificar que uso primaba dentro de la zona,
y de esta manera hacer una repartición equitativa de puntos de estudio en cada ZAT
dentro de la UPZ Galerías con el propósito de diferenciar claramente las variables
que influyen en la actividad peatonal. Cabe resaltar que, los puntos escogidos
proveen la facilidad de que en una sola medición se logre un alcance de dos
derechos de vía, lo que facilita la toma de datos. Además, se escogieron lugares
donde no se comprometiera la seguridad del equipo de grabación ni de las personas
encargadas. A partir del análisis mencionado se escogieron los siguientes puntos
Tabla 1. Puntos escogidos para la toma de datos
IDs Dirección
ZATs Calle Carrera Calle Carrera
117 652 628 61 17
48 438 839 53 16
213 346 52 16
86 428 103 50 19
417 1021 50 22
111 777 1107 46 28
891 1092 48 28
42 451 286 53b 28
71 905 951 56 20
791 275 57 17
60 1024 218 Diag. 61d 26a
306 408 Diag. 61d 27
234 423 484 61 18
84 909 796 53 23
756 545 Diag. 53c Transv. 25
3.2 Aforos Para hacer posible la medición de las variables significativas ya identificadas
anteriormente, fue necesario diseñar un plan que nos permitiera cuantificar la
actividad peatonal. Se llegó a la conclusión que la manera más adecuada de tomar
los datos necesarios para la elaboración del modelo era a través de una grabación
de los peatones en cada uno de los puntos. La grabación tiene una duración de 22
minutos, siendo el primer minuto, un periodo de acomodación y un minuto final que
permitiera un conteo homogéneo. Para comprobar si el factor horario juega un papel
importante en la actividad peatonal, fue necesario hacer una grabación en la
mañana y en la tarde en cada uno de los puntos. La toma de datos se realizó de
8:00 AM a 9:00 AM y de 12:00 PM a 1:00 PM, horas convenientes debido a que se
presenta picos de actividad de transporte durante estos periodos de tiempo. Las
grabaciones se realizaron con una cámara digital instalada sobre un soporte de
altura ajustable, con el propósito de elevar la cámara a la hora de la grabación. Con
ayuda de cinta adhesiva, se posicionaba la cámara y el soporte a uno de los postes
de energía cercanos al punto de grabación, apuntando hacia los dos derechos de
vía en estudio.
Ilustración 1. Posicionamiento de equipos y rango de grabación
Una vez realizadas las grabaciones, fue necesario documentar la actividad
peatonal. Para el conteo de personas, se discriminó la actividad peatonal que
ocurría sobre calle y sobre la carrera grabadas, con el fin de obtener datos mas
específicos. Si el peatón continuaba en la acera de la calle y la carrera, este se
contaba para ambas categorías (Calle, Carrera). El aforo se dividió en periodos de
5 minutos. Parra el conteo de las personas se contó con la ayuda de 4 personas,
las cuales tenían asignadas videos para realizar el conteo, mas otra cantidad de
videos para validar los datos documentados por sus compañeros, para garantizar
que los datos fueran correctos. A continuación, se presenta el formato ejemplo, con
el que se realizó la documentación de los datos.
Tabla 2. identificación del punto de aforo
Dirección Horario
Calle Carrera Mañana (8-9am) Tarde (12-1pm)
1841 24
Tabla 3. Conteo peatonal cada 5 minutos
# peatones
Periodo minuto Video (min) Calle Carrera
1 0 a 5 1
2 5 a 10 1
3 10 a 15 1 y 2
4 15 a 20 2
TOTAL 0 0
3.3 Modelo En la revisión de literatura se identificaron las variables más comunes para medir el
flujo peatonal, de modo que la elección de las variables a implementar en el modelo
se basó en estas. La tabla a continuación muestra las variables seleccionadas.
• Usos del Suelo: estas variables fueron obtenidas a través del grupo SUR de
la Universidad de Los Andes, los cuales proporcionaron los archivos .shp con
los usos de suelo de la UPZ Galerías. En el modelo se mide como un
porcentaje que cada uso de suelo representa para la zona de análisis.
• Índice de Entropía: es una medida teórica de que tan mixto está siendo el
uso del suelo en la región de análisis. Se calculó con la siguiente ecuación,
donde Pj corresponde a la proporción de uso de Suelo y N el número total de
usos del Suelo, para nuestro caso 6.
Ecuación 1 Entropía
• Ancho del andén: se midió in situ para las calles de interés.
• Longitud de la Calle y Semáforos por Calle: .shp que se unieron con el de
Usos de Suelo.
• Clasificación de la Calle: medida de importancia de la calle. Consiste en
primarias (1), secundarias (2) y terciarias (3). En los resultados la variable
toma el nombre de MVITCla.
• Aforos de peatones: medidos en Situ.
Para asignar estas variables a cada calle de interés se realizó un análisis geográfico.
Este consistió en realizar un buffer cuadrado de 15 metros alrededor de cada link y
de esta nueva zona hallar las distintas proporciones de cada uso. En la imagen de
abajo se observa un ejemplo de una de las calles de interés rodeada por el buffer
de 15 metros y los usos de suelo que alcanzo a recoger este. Dentro de este buffer
es donde se cuentan los semáforos asignados a la calle.
Es importante mencionar que las calles donde se realizaron los aforos fueron
elegidos de forma que se obtengan variados usos de suelo alrededor de la UPZ.
Para esto se eligieron en función a las distintas ZATs con las que cuenta la UPZ.
Abajo se muestra la UPZ dividida por ZATs y con las calles en donde se realizaron
los aforos.
Para la obtención de los resultados se decidió realizar una regresión lineal usando
una metodología stepwise. Esta consiste en un proceso de sustracción o adición de
las variables predictivas en la regresión, siempre buscando la mejora de uno de los
parámetros de calidad de la regresión, que para este caso es el R2 ajustado. Este
coeficiente es útil en regresiones múltiples, es decir con varias variables
independientes, dado que el R2 no ajustado aumenta a medida que aumentan las
variables independientes, sin importar si las nuevas variables tienen relevancia
estadística. El R2 ajustado indica la proporción de la variación de los resultados que
puede ser replicado por el modelo, es decir es un valor entre 0 y 1.
Es importante notar que el R2 no es el único coeficiente existente para explicar el
éxito de un modelo, pero debido a que el método stepwise optimiza solo un
parámetro se decidió únicamente tener en cuenta este, sabiendo que se dejaba a
un lado información importante.
Finalmente, se decidió, arbitrariamente, que para que una variable sea significativa
en nuestro modelo, la regresión debe tener un R2 ajustado mayor a 0.3 y esta debe
tener un p-value menor a 0.1.
4. Resultados Se optó por realizar cuatro modelos: uno con los aforos de las horas de la mañana,
otro para las horas de la tarde, uno con los aforos totales y un modelo predictivo.
4.1 Modelo mañana Como se observa en la gráfica siguiente, los volúmenes de personas en las horas
de la mañana tienen un comportamiento esperado, en donde la mayoría de las
calles tienen aforos pequeños de máximo 50 personas, y donde se presentan
algunas calles con aforos considerables (mayores a 100) en menores casos. Este
resultado era previsible dada la condición de uso del suelo, la cual es
mayoritariamente residencial en la UPZ galerías.
Ilustración 2 Fuente: Creación Propia
Tras correr el modelo stepwise para la mañana se obtiene que las variables mas
significativas son: proporción de uso Industrial, proporción de uso Institucional,
Ancho de anden, clasificación de la calle (MVITCla) y proporción de uso en
Servicios. Esto se evidencia en la siguiente ilustración, donde muestra los R2
ajustados para los cuales cada variable es significativa. El uso de suelo Industrial
muestra una fuerte tendencia a estar presente en la explicación de la varianza.
Ilustración 3 Elaboración Propia
Los resultados del modelo stepwise se muestran en la siguiente ilustración. En
teoría, las variables del modelo son las que presentan un mejor R2 ajustado.
Adicionalmente, cada variable se presenta con su coeficiente estimado.
Ilustración 4 Modelo Stepwise Mañana
La variable que se muestra como más significativa es proporción de uso Industrial.
Cuenta con un coeficiente de 7.27, lo que quiere decir que por cada punto
porcentual que aumente la proporción de uso industrial en la zona de análisis, el
aforo de peatones subirá 7 personas. Esta situación se repite con la proporción en
uso de Servicios, pero con un coeficiente de 0.85. Como caso contrario se presenta
proporción de uso Institucional, dado que presenta un coeficiente negativo de 1.7.
Es importante aclarar que, aunque en la revisión de literatura se dijo que el uso de
suelo industrial es sinónimo de menos peatones, en este caso el uso de suelo
industrial implica mas peatones debido a que la industria que se presenta en la UPZ
galerías corresponde a industria ligera o en algunos casos representa
establecimientos como ferreterías o lugares como zapaterías. Aunque este es un
error de concepto en cuanto al mapa que se uso como uso de suelo, no sobra
aclarar el porque industria representa mas actividad peatonal en este modelo, en
comparación a la teoría.
Por otro lado, puede parecer contraintuitivo que entre más uso Institucional
(escuelas, universidades, jardines escolares, entre otros) se presente menor
actividad peatonal, pero si se tiene en cuenta que en las horas en que se realizaron
las grabaciones las instituciones educativas se encuentran en jornada y que la
mayoría de estas son encerradas (exceptuando universidades) se puede explicar
cómo en estos horarios la actividad peatonal disminuye alrededor de este tipo de
uso de suelo.
La variable MVITCla corresponde a la clasificación correspondiente que tiene cada
calle, en donde 1 es principal, 2 es secundaria y 3 es terciaria. Con esto se puede
entender que el coeficiente de la variable sea negativo, es decir que las calles
secundarias tienen 20 peatones menos que las calles principales, y las terciarias 20
menos que las secundarias. La última variable significativa en el modelo de la
mañana es el ancho del andén, la cual está indicando que por cada metro lineal que
aumente el ancho del andén el flujo peatonal aumenta en 7 transeúntes.
Finalmente, es importante notar que el modelo de la mañana cuenta con unos
indicadores bastantes buenos. Por ejemplo, un R2 ajustado de 0.43 es
considerablemente mayor al 0.3 que se propuso como límite, adicionalmente un p-
value de 0.002818 está diciendo que la probabilidad de que el modelo sea nulo es
bastante baja. También el éxito de este modelo se evidencia en que las variables y
sus coeficientes son razonables.
4.2 Modelo Tarde La distribución de los flujos de peatones en las horas de la tarde es similar a la de
las horas de la mañana, en donde la mayor concentración de aforos se encuentra
en flujos pequeños, y pocas calles presentan aforos grandes.
Ilustración 5 Fuente: Creación Propia
En cuanto al modelo stepwise para el horario de la tarde, este presenta grandes
diferencias en comparación al de la mañana. Primero, el modelo de la tarde no
presenta ninguna variable significativa y segundo, solo una de las variables del
modelo mañana se repite. Adicionalmente, las dos variables que se presentan en
este segundo modelo no tienen una relación evidente con el flujo de peatones.
Ilustración 6 Modelo stepwise Tarde
Aunque este segundo modelo no es concluyente y no cumple con los limites
establecidos para R2 y p-value, si permite evidenciar que la modelación peatonal
tiene que tener un factor horario, es decir no es lo mismo modelar en la mañana que
en la tarde.
4.3 Modelo Total De nuevo, la distribución de flujo de peatones es la esperada, como en los dos
anteriores casos, pero en este modelo la distribución presenta una cola mas suave.
Ilustración 7 Creación Propia
En cuanto al modelo stepwise, se puede decir que tiene varias similitudes con el de
la mañana. Por ejemplo, las variables área en uso Industrial e Institucional vuelven
a aparecer con coeficientes 8.3 y -5.6 respectivamente, lo que indica que los
peatones aumentan o disminuyen por cada punto porcentual de uso de suelo. Ancho
del andén también vuelve a ser significativo, pero ahora con un coeficiente de 17.9,
mucho mayor que el de la mañana.
Ilustración 8 Modelo stepwise Total
Las diferencias entre el modelo Total y Mañana se encuentran en las variables que
salieron y las que entraron. Por un lado, ya no es significativo la clasificación de la
calle ni el uso en Servicios. Por otro lado, las variables de Entropía y Semáforos por
calle cobran importancia. Respecto a Entropía, el modelo está indicando que por
cada punto porcentual que el área en análisis suba en el índice de entropía
propuesto, habrá 2 peatones más por aforo. Ahora, la variable semáforos por link
esta indicando que por cada semáforo mas que exista en la calle, transitaran 47
peatones mas por esta.
Las dos variables significativas nuevas y sus coeficientes tienen sentido a la hora
de evaluar su relación con el flujo peatonal. Adicionalmente, un R2 ajustado de 0.35
y un p-value de 0.0105 cumple satisfactoriamente con los mínimos establecidos.
4.4 Modelo predictivo Para realizar este modelo se tomó como base el creado para los horarios en la
mañana, el cual es el que tiene mayor R2. Posteriormente, se tomó cada variable
con su respectivo coeficiente, exceptuando Ancho de anden porque esta medición
solo se midió para los 28 derechos de vía iniciales, y se hizo una predicción para
todos los links de la UPZ en función a la regresión del modelo mañana. Se obtuvo
el siguiente resultado:
Este modelo predictivo es, a primera vista, acertado, dado que se puede ver como
los flujos más grandes de la UPZ se encuentran en las vías principales, es decir,
Calle 53, avenida Caracas, Calle 63, Calle 45 y Carrera 30. Por otro lado, calles
como la 57 también tienen un numero de peatones considerable, aunque menor a
las vías principales. Finalmente, las zonas de la UPZ donde los colores son morados
o azules corresponden a los volúmenes de peatones bajos, y tiene sentido dado
que son las zonas mayoritariamente residenciales.
5. Análisis de resultados Una vez presentados los resultados, podemos observar que hay diferentes
elementos para analizar. El primero de estos elementos que vale la pena resaltar
es la importancia de la hora de las mediciones. Existe una diferencia notoria entre
los pesos de las variables de la mañana y de la tarde. Los pesos de las variables
de los resultados en las horas de la mañana fueron contra la información aportada
por Tilahun (Tilahun, 2016), quien afirma que la variable de mayor importancia en
una zona son los equipamientos debido a su atracción por su naturaleza de brindar
trabajo y de servicio a la comunidad. En efecto, en un principio se pensó que los
equipamientos iban a contribuir fuertemente a la presencia de peatones en las
zonas y que el hecho de estar en un suelo de uso industrial iba a reducir
considerablemente la cantidad de los mismos. Sin embargo, podemos encontrar
varias explicaciones para este comportamiento del modelo. En primer lugar, el
horario de la mañana no concuerda con el horario de entrada ni de salida de
instituciones públicas como colegios y equipamientos, cuyos sondeos establecieron
como hora de entrada las 7 de la mañana, mientras que si concuerda con la entrada
en funcionamiento de los establecimientos dedicados a la industria y el comercio
(entre 8:00 y 10:00 am) cuyo coeficiente presentó el mayor peso en este modelo de
la mañana. Esto, sumado a que los usos del suelo industrial suelen proveer empleo
para la población, lo cual se alinea con la idea de que “el empleo era otro fuerte
atrayente: doblar el número de trabajos, casi doblaba las oportunidades de escoger
un destino para los viajes caminando” (Cliffton, 2015). Por su parte, el modelo de la
tarde no presentó ninguna variable con un protagonismo, aunque las variables de
“longitud de derecho de vía” y “suelo con uso industrial” fueron las más destacadas.
Adicionalmente, dado el ajuste de la oferta a la demanda evidenciado en el hecho
de que el ancho del andén es una variable significativa (entre más ancho el andén,
más peatones pasan por ese corredor), podemos afirmar que para el diseño de
estos si se tuvo en cuenta la demanda peatonal y su evolución en el tiempo. Con
los resultados del modelo total salen a relucir otras variables que no tenían un
protagonismo en los dos anteriores. Concordando con las fuentes bibliográficas que
afirmaban que la seguridad para el peatón influía en la cantidad de estos, podemos
interpretar que los pasos seguros a través de un número de semáforos por calle son
altamente influyentes en la cantidad de viajes realizados. Finalmente, el modelo
predictivo mostró unos flujos de peatones que coinciden con la oferta de
infraestructura presente en las calles. Es decir que el ancho del andén varió
proporcionalmente con las predicciones de nuestro modelo.
6. Conclusiones
Este trabajo de investigación permitió construir modelos predictivos de actividad
peatonal para las horas pico…. Por medio de toma de información in-situ y
regresiones lineales. Como primera conclusión se tiene que las horas de las
mediciones con las cuales se hace el modelo influyen enormemente en los
resultados. Las variables influyentes se hacen más o menos importantes según el
horario de las mediciones. Dada esta característica del flujo de peatones, el modelo
resulta con un gran número de variables a tener en cuenta. Este hecho también
explica por qué en la literatura no hay un consenso sobre cuáles son las variables
que mejor explican el número de viajes a pie. Al observar las diferentes
metodologías de tomas de datos podemos inferir que la diferencia en estos
resultados se debe, probablemente, a los horarios en que se hicieron las
mediciones. Por otra parte, es importante resaltar que los resultados pueden ser
contra intuitivos, como en el caso de las mediciones de la mañana. Sin embargo, el
análisis del contexto urbano ante el cual se presentan estos resultados explica
claramente lo que pasa in situ. Dadas las condiciones individuales de cada uno de
los horarios, se puede llegar a una modelación exacta únicamente de los periodos
durante los cuales se hicieron las mediciones.
7. Referencias
Bibliografía Cliffton, S. M. (2015). How to estimate pedestrian demand.
Ewing, R. &. (2001). Travel and the Built Environment: A Synthesis. Transportation
Research Record,.
Paris, D. (2019). FACTORES DETERMINANTES PARA LA SELECCIÓN DE MODO AUXILIAR.
(Tesis de Maestria). Universidad de Los Andes, Bogotá.
Rodríguez, D. (2009). The relationship between segment-level built environment
attributes and pedestrian activity around Bogota’s BRT stations. Transportation
Research Part D: Transport and Environment, 151–173. Obtenido de
https://doi.org/10.1016/j.trd.2003.11.001
Tilahun, N. T. (2016). Transit use and the work commute: Analyzing the role of last mile
issues.
Velasquez, J. (2009). Análisis de factores que inciden en la demanda del sistema
TransMilenio en Bogotá, Colombia. Revist de Ingeniría , 56-64.
Kim, T, Sohn, D, Choo, S. (2016). An Analysis of the Relationship between Pedestrian
Traffic Volumes and Built Environment Around Metro Stations in Seoul
O’Sullivan, S., & Morrall, J. (1996). Walking Distances to and from Light-Rail Transit
Stations. Transportation Research Record: Journal of the Transportation Research Board,
1538(1), 19–26.
Mo, B., Shen, Y., & Zhao, J. (2018). Impact of built environment on first- and last-mile
travel mode choice. Transportation Research Record
Meek, S., Ison, S., & Enoch, M. (2008). Role of bus-based park and ride in the UK: A
temporal and evaluative review. Transport Reviews, 28(6), 781–803.