MOVILIDAD, ESTRUCTURA URBANA Y NUEVAS FUENTES DE DATOS. APLICACIÓN AL ÁREA URBANA DE VALENCIA.

C. Zornoza Gallego1

1 Instituto de Desarrollo Local, Departament de Geografia, Universitat de València. carmen.zornoza@uv.es

RESUMEN

Se presenta un trabajo orientado a obtener parámetros de movilidad en el área urbana de Valencia a partir de datos geolocalizados de la red social Twitter. El uso de este tipo de datos hace que se integren en el estudio información de distintas actividades (residencia, trabajo, estudios, ocio, compras…), con lo que se dibujan espacios de vida completos de los habitantes en el área.

En primer lugar, se expone la cuestión metodológica y el tratamiento de datos necesarios para reconocer a los residentes en el área y extraer la información necesaria.

Una vez detectado el lugar de residencia de los usuarios, se hace una diferenciación del resto de posiciones en función a la cantidad de veces que se visita un lugar, distinguiendo entre lugares: frecuentes y ocasionales. De esta forma, se generan espacios de vida habitual, sobre los que las estrategias de consumo de tiempo se ven reflejadas, y espacios de vida ocasional, donde los desplazamientos responden a una menor fricción por distancia.

Finalmente, se aborda la diferenciación de la movilidad entre residentes en zonas continuas y discontinuas. Los resultados muestran cómo la urbanización discontinua impacta en el aumento de la movilidad.

Palabras clave: Movilidad; nuevas fuentes de datos; urbanización discontinua.

ABSTRACT

The aim of the paper is to obtain the urban area of Valencia mobility parameters. The main source of information is the geolocalized data obtained from the social network Twitter. This type of data allows the integration of the different activities of the study (residence, work, studies, leisure, shopping). Consequently, we have completed the information related to life spaces in the area.

First of all, we present the methodological issue and data treatment required to detect residents in the area and to extract the information.

Once residence is detected, we differentiate the rest of positions taking into account the number of times a place is visited. We distinguish between frequent and occasional places. In this way, we observe habitual life spaces –were strategies of time consumption are reflected‒, and occasional life spaces– were displacements are not so influenced by the distance‒.

Finally, we study the difference of mobility produced by residents in continuous and discontinuous areas. Results show how urban sprawl impact in the increase of mobility.

1. INTRODUCCIÓN

La comunicación tiene como objetivo ahondar en el conocimiento de la movilidad cuotidiana en el área urbana de Valencia, poniendo especial énfasis en el uso de nuevos datos disponibles para su análisis y en el desarrollo de metodologías adecuadas a los mismos.

En los últimos años hemos asistido a una proliferación de datos provenientes del uso de la tecnología que comienzan a ser utilizados por las ciencias que estudian los comportamientos humanos como un recurso de gran valor. Este es el caso de la movilidad cuotidiana, donde las nuevas fuentes de datos abren nuevas posibilidades para su análisis.

La movilidad cuotidiana se entiende como la suma de los desplazamientos que realiza la población de forma recurrente para acceder a bienes y servicios en un territorio determinado (Miralles-Guasch, 1998). Existen muchas perspectivas y escalas de estudio sobre este fenómeno. En este caso, se abordan dos cuestiones para toda la provincia de Valencia. La primera de ellas es reconocer la estrategia de sus habitantes para localizar sus actividades frecuentes, en comparación con la de las actividades ocasionales. Este enfoque nos ofrece información sobre la longitud de desplazamientos que se está dispuesto a recorrer según el tipo de actividad. En segundo lugar, reconocer si residir en una zona de urbanización discontinua causa un impacto mayor en la longitud de los desplazamientos en comparación con los desplazamientos de los residentes en urbanización continua.

El ámbito de estudio inicial es el área metropolitana de Valencia, pero se decide ampliarlo a toda la provincia por diversos motivos. El primero de ellos es comparar la información y los resultados de distintas zonas, que deben responder a dinámicas diferentes. El segundo es obtener información sobre cierto tipo de actividades que se expanda más en el territorio. Y finalmente, de esta manera no constreñimos el ámbito a áreas metropolitanas delimitadas bajo otros parámetros.

Hasta la fecha, es la movilidad laboral la que ha acumulado mayor número de estudios, ya que es el tipo de movilidad más estructurada de todas las que se producen en el ámbito metropolitano, repetida de forma cuotidiana y con trayectorias y horarios relativamente fijos (Charron, 2007). Los esfuerzos de las administraciones para obtener datos al respecto son habituales, por lo que se han realizado múltiples aproximaciones al espacio metropolitano que dibuja este tipo de movilidad. Para las administraciones que no han elaborado encuestas específicas, se hace posible integrar otro tipo de actividades por la actual disponibilidad de datos provenientes de la tecnología.

El uso de la red social Twitter, que dispone de datos georreferenciados de su actividad, ofrece múltiples ventajas al respecto, entre que se destacan: la posibilidad de bajar de la escala municipal, hacer un seguimiento individualizado de los desplazamientos, obtener una visión dinámica del área y registrar múltiples actividades de sus usuarios. Estas características permiten plantear un estudio de base territorial, que integra distintas actividades y que nos acerca a los espacios de vida de los habitantes en el área.

Este trabajo toma como base la comunicación presentada en el XVII Congreso TIG de Málaga 2016 denominada “Filtrado de datos Twitter para capturar patrones de movilidad de un área metropolitana. Aplicación al AM Valencia”. En la que se desarrollaron los filtros necesarios para el tratamiento de la información y la metodología para detectar las residencias de los usuarios. En aquella ocasión se contó con una masa de datos que recogía un total de 146 días, 22.641 usuarios y 177.675 tweets. La muestra actual cuenta con un total de 602 días, 62.339 usuarios y 580.173 tweets.

Aquí se recogen las necesidades surgidas de los resultados anteriores, refinando la metodología propuesta. Entre ellas, se destaca un nuevo filtro para las localizaciones geográficas denominadas “no significativas” y la introducción de la variable temporal en el proceso de detección de las residencias.

La comunicación, por tanto, abarca tres partes esenciales: una revisión de la metodología propuesta, un análisis de las distancias medias recorridas en función al tipo de actividad (frecuente, ocasional) y el impacto que la urbanización residencial discontinua tiene en las distancias recorridas por sus residentes.

2. ESTADO DE LA CUESTIÓN

El estudio actual de las áreas metropolitanas toma como punto de partida la indefinición de sus límites. Los conceptos de “ciudad difusa” (Indovina, 1998) o “ciudad sin límites” (Nel·lo, 1996) definen el fenómeno que rompe con la antigua dicotomía campo-ciudad. La descentralización residencial y económica derivadas, entre otros factores, de las mejoras del sistema de comunicaciones provocan una menor fricción de la distancia y la formación de un nuevo modelo de ciudad dispersa (Salom et al., 2010).

Ante este nuevo modelo de ciudad, ya no son las variables socio-económicas clásicas las que definen la ciudad, sino los flujos individuales cotidianos de su población (Miralles-Guash et al., 2009). Se hace patente,

por tanto, la importancia de conocer los recorridos habituales de la población del área. Pero su estudio no es tarea sencilla, al tamaño de la muestra y la complejidad de la obtención de datos, se suma lo apuntado por Kesselring (2006) sobre que la movilidad crece y se diversifica, siendo los flujos cada vez más numerosos y dispersos en el espacio y en el tiempo.

Otro factor a tener en cuenta es la observación de Miralles-Guash (2011), quien afirma que las áreas metropolitanas están inmersas en dos dinámicas territoriales contrapuestas y complementarias, la primera es una ampliación de la ciudad real, a través de la descentralización territorial y de la especialización funcional del entorno, y la segunda, un fenómeno de intensificación del barrio, asociado a la búsqueda de proximidad como valor en alza (Serra, 2007). Ambos procesos se revelan como complementarios en términos temporales, ya que tiempo es recurso limitado, donde su gestión y control es percibido como elemento ligado a la calidad de vida (Durán 2007).

Este fenómeno de intensificación del barrio resulta complejo de estudiar en el área urbana de Valencia, ante la falta de encuestas específicas de movilidad. Para comenzar a estudiar el proceso las fuentes de datos provenientes de la tecnología se revelan como una buena alternativa.

El análisis de la movilidad humana a partir de registros provenientes de la tecnología se ha desarrollado durante la última década dada la disponibilidad de datos. Entre los trabajos de referencia se desea destacar a Kwan (1999) y Huang et al. (2015), quienes demostraron que se pueden obtener pautas generales de movilidad a partir de las individuales, hecho fundamental para plantear un estudio de la movilidad cuotidiana a partir del seguimiento de una muestra de ciudadanos. Huang et al. (2015) pudieron diferenciar patrones regulares e irregulares de desplazamiento desde una perspectiva individual espacio-temporal a partir de registros Twitter. González et al. (2008) realizaron un seguimiento de las llamadas telefónicas de 100.000 usuarios durante seis meses, en el que observaron cómo cada individuo tiene un número reducido de lugares altamente frecuentados.

La detección del lugar de residencia fue abordada por Jurdak et al. (2015), concluyendo la existencia de correlación entre el lugar desde donde más tweets realiza un usuario, denominado posición dominante, y su residencia. En primer lugar, a partir de distintas funciones, definen una distancia de 100 m. como umbral máximo para determinar movimientos dentro lo que consideran un mismo lugar. Por otra parte, partiendo de la idea de que los 140 caracteres que contiene un tweet puedan ser escasos para que un usuario se exprese, consideran la posibilidad de que algunos de ellos generen tweets consecutivos desde una misma ubicación, lo que sesgará el cálculo de posiciones dominantes. Esta actitud se desata ante ciertos eventos (deportivos, políticos, sociales…) que aumentan puntual y exponencialmente la utilización de Twitter.

Por otra parte, la necesidad de diferenciar el tipo de actividades realizadas en las distintas ubicaciones, y, con ello, el motivo del desplazamiento, se recoge en los trabajos de Hasan (2013) y Gabrielli et al. (2014). Estos autores combinan datos de Twitter y Foursquare para caracterizar los desplazamientos urbanos en función de la finalidad de los mismos, lo cual les permite subrayar la importancia de diferenciar las tipologías de las posiciones observadas para ajustar los resultados.

Tomamos pues los resultados de las investigaciones de movilidad señaladas como hipótesis que validar en el área urbana de Valencia.

3. DATOS Y METODOLOGÍA

La red social Twitter pone a disposición libre a través de su API un porcentaje de los tweets publicados en un área seleccionada, que pueden descargarse a tiempo real. En nuestro caso se seleccionan aquellos que han sido previamente georreferenciados por los usuarios. Los tweets incluyen un identificador único para cada usuario, que permite realizar un seguimiento individualizado de los trayectos. Las coordenadas geográficas, junto con la fecha y la hora en que se produce cada tweet, constituyen la información básica para modelar un patrón espacio-temporal.

El proceso seguido consta de las siguientes etapas:

a) Filtrado de los datos para obtener información de movilidad cuotidiana Filtrado de usuarios por fuente o eliminación de sensores Filtrado de posiciones no significativas Filtrado de turistas Filtrado de usuarios sin movilidad suficiente Filtrado de tweets por comportamiento

b) Detección del lugar de residencia, lugares frecuentes y lugares ocasionalesc) Cálculo de parámetros iniciales de movilidad en el AM

La metodología propuesta se encuentra ampliamente desarrollada en la comunicación anterior, por lo que en este caso se hará hincapié en las nuevas aportaciones que incluyen las necesidades detectadas en los resultados anteriores (filtrado de posiciones no significativas, variable temporal en la detección de residencias), la detección de lugares frecuentes y ocasionales y en el cálculo de los parámetros iniciales de movilidad.

3.1. Resumen de los filtrados

La nueva aportación es el filtro de las posiciones “no significativas”. Éstas se producen cuando un usuario decide geolocalizar su tweet seleccionando una localización referente a un espacio demasiado amplio para la escala del estudio, como puede ser “Valencia” o “Comunidad Valenciana”. La inclusión de estas localizaciones supone la detección incorrecta de residencias y, por tanto, la introducción de errores en los cálculos. Profundizar en el conocimiento de la precisión espacial real de un tweet y cruzar los resultados con el censo, permitió observar tres distritos atípicos en los que se revela el impacto de este fenómeno.

Para evitarlas se realiza un conteo de la cantidad de veces que exactamente la misma posición se repite para usuarios distintos. Los valores más altos de esta ratio dejan entrever las buscadas posiciones a eliminar y también los lugares más frecuentados del área. Por ello, se requiere de una discriminación cuidadosa de estos puntos.

Los resultados de la aplicación de los filtros se observan en la tabla 1.

Tabla 1: Resumen de los filtrados. Fuente: Elaboración propia

Tipo de Filtro Tweets UsuariosInicial 580.173 62.339Filtro 1 Sensores 484.560 62.298Filtro 2 Posiciones no significativas 449.245 58.262Filtro 3 No residentes 354.604 17.668Filtro 4 Comportamiento 250.109 17.668Filtro 5 Movilidad reflejada 181.215 5.505

Tras este proceso queda una muestra de 5.505 usuarios, 181.215 tweets y 84.643 posiciones diferentes. Estos usuarios son considerados residentes y “trazables”, es decir, que muestran una movilidad mínima de 5 posiciones distintas. Sobre ellos se comienza el proceso de la detección de residencias.

3.2.Detección del lugar de residencia, lugares frecuentes y ocasionales

Como se ha comentado, se modifica el proceso de detección de las residencias introduciendo la variable temporal, tras observar que un 20% de las residencias detectadas se relacionaban con el trabajo. En esta ocasión, a la identificación del lugar de residencia con el lugar desde el que más frecuentemente se twittea (Jurdak et al., 2015), se añade también la variable horaria. El objetivo es hacer una diferenciación con otros

lugares muy frecuentes, como es el trabajo o el lugar de estudios, en los que igualmente se permanece gran cantidad de horas durante la jornada. La clasificación es estricta, donde los días entre semana de 10-14h se consideran potencialmente trabajo o estudios y de 20-6h como potencialmente residencia.

Una vez clasificados los tweets, la detección de residencia se efectúa comparando las 3 posiciones que más se repiten y seleccionando la que mayor número de registros tenga en la franja horaria marcada. Para poder ser designada como tal, además, la posición deberá repetirse un mínimo de 3 veces. Los resultados permiten localizar la residencia de 4.289 usuarios, base sobre la cual se obtendrán los parámetros iniciales de movilidad.

Se plantea una aproximación a dichos parámetros de movilidad a partir de la distinción entre dos tipos de lugares: frecuentes y ocasionales. Esta referencia, realizada en función a la cantidad de veces que se visita un lugar, y no en la tipología específica de actividades a realizar, resulta útil en el estadio actual de la investigación. Se analiza el hecho de que existe un desplazamiento, habitual u ocasional, obviando los motivos específicos. De esta forma, se dibujan dos escenarios, los espacios de vida habitual, en los que los ciudadanos realizan sus actividades comunes y sobre los que las estrategias de consumo de tiempo deben verse reflejadas y los espacios de vida ocasional, donde los desplazamientos pueden responder a una menor fricción por distancia.

Los denominados lugares frecuentes serán aquellos que, no correspondiéndose con la residencia, han sido visitados en un mínimo de 3 ocasiones. Mientras que los lugares ocasionales los ocupan las posiciones que han sido visitadas en 1 o 2 momentos distintos.

3.3.Cálculo de parámetros iniciales de movilidad en el AM

El primer paso es la obtención de las distancias medias de cada usuario, distinguiendo entre los desplazamientos producidos a lugares frecuentes y ocasionales. El resumen de la información de todos los usuarios ofrece una primera aproximación a las pautas generales de desplazamiento.

En segundo lugar, se realizará un análisis específico de la distribución de estos desplazamientos, que permite obtener una imagen más clara, fuera del influjo de valores extremos.

Finalmente, el análisis de las distancias recorridas distinguiendo entre residentes en zonas continuas y discontinuas se realiza cruzando la localización de residencias con la información de usos del suelo del CORINE 2011.

4. RESULTADOS:

Las distancias medias recorridas a los lugares frecuentes y ocasionales ofrecen una primera imagen de los procesos que se dan a cabo en el área (Tabla 2).

Tabla 2: Distancias medias según frecuencias. Fuente: Elaboración propia

Lugar Distancia media (m) Total posicionesFrecuente 10.276,0 8.573Ocasional 15.643,1 71.711

Los resultados muestran la tendencia de las personas a residir cerca de los lugares a los que acuden frecuentemente o a la inversa, a frecuentar los lugares cerca de su residencia. En comparación, las actividades ocasionales, generan una movilidad de mayor distancia. También es interesante observar como la cantidad de lugares frecuentes es menor que la de lugares ocasionales. El motivo se corresponde con la propia naturaleza de los datos, provenientes de una red social. El patrón espacial y temporal que se observa es distinto en función al tipo de actividad. Una actividad que se realiza de forma puntual tendrá

muchas posibilidades de generar un tweet geolocalizado, pero pocas de repetirse, mientras las posibilidades de generar un tweet en un lugar frecuente son menores, por lo habitual de la situación, pero muchas de repetirse en el tiempo.

Respecto a la cuantificación de las distancias medias entre 10 y 15 km, resulta imprescindible elaborar un gráfico de distribución de los valores (Figura 1) para conocer la realidad de los desplazamientos.

1 km

2 km

3 km

4 km

5 km

6 km

7 km

8 km

9 km

10 k

m11

km

12 k

m13

km

14 k

m15

km

16 k

m17

km

18 k

m19

km

20 k

m21

km

22 k

m23

km

24 k

m25

km

26 k

m27

km

28 k

m29

km

30 k

m ….0

5

10

15

20

25

30

35

40

frecuentes ocasionales

Distancia a la residencia

% P

osici

ones

Figura 1. Distribución de lugares frecuentes y ocasionales según distancia a la residencia

Se observa aquí como las medias se ven afectadas por valores extremos y cómo la gran mayoría de desplazamientos responden a la lógica de la proximidad. Se constata como se cumple la denominada “primera ley de la geografía”, acuñada por Tobler (1970): “Todo está relacionado entre sí, pero las cosas más próximas están más relacionadas que las distantes”. La proximidad parece seguir siendo la variable que impera en los intercambios y en el modelado del territorio.

La proximidad impacta claramente en la selección de los lugares frecuentes, donde el 34,3% del total se encuentran a menos de 1km de distancia del lugar de residencia y un 69,6% a menos de 5km. Esta pauta es natural, ya que reduce el consumo de tiempo diario destinado a la movilidad. La evolución de estos valores muestra como existe un alto número de lugares cercanos al domicilio y una rápida disminución de estos lugares conforme las distancias aumentan. También se pueden relacionar con el mencionado fenómeno de intensificación de barrios observado en diversas áreas metropolitanas.

En el caso de los lugares ocasionales las distancias se extienden más en el territorio, con sólo un 17,6% a menos de 1km de distancia de la residencia. Para alcanzar un porcentaje similar al de las actividades frecuentes, cercano al 70% a los 5km, en este caso hay que desplazarse hasta los 10km. Las personas están dispuestas a recorrer mayores distancias para acudir a una actividad puntual, ya que en las estrategias de consumo de tiempo diario no se consideran este tipo de actividades.

Finalmente, los datos mostrados adquieren todo su valor y potencial al plasmarlos en el territorio (Figura2)

Figura 2. Distancia a lugares frecuentes y ocasionales

El mapa de la izquierda muestra las distancias medias a los lugares frecuentes a nivel municipal. Se obtienen los resultados esperados tras el análisis de la figura 1, donde se señalaba que los lugares frecuentemente visitados se encuentran cerca de la residencia. Esto supone que no exista variación sustancial entre los distintos municipios de la provincia. No ocurre lo mismo en el caso de las actividades ocasionales plasmado en el mapa dela derecha. Aquí se observa que las distancias medias de los residentes en los distritos céntricos del municipio de Valencia son mucho menores a la de los municipios contiguos, y además que van aumentando en los municipios interiores. Se deriva de esto que en el área de Valencia la oferta de ocio se encuentra principalmente centralizada en la ciudad.

Pasamos ahora a la segunda cuestión planteada, destinada a conocer las diferencias en las distancias recorridas para los residentes en tejido urbano continuo y discontinuo (Tabla 3):

Tabla 3: Distancias medias según frecuencias. Fuente: Elaboración propia

Lugar Residencial continuo. Distancia media (m)

Residencial discontinuo. Distancia media (m)

Frecuente 8.580,4 12.347,5Ocasional 13.034,2 17.619,0

Se constata como las personas que habitan en zonas discontinuas recorren 3.767,1m más que los residentes en zonas continuo para el caso de actividades frecuentes y 4.584,8m más para ocasionales. Estos resultados son información relevante para cuantificar el impacto de la urbanización discontinua en la movilidad y con ello en el gasto de recursos asociados a la misma. Para reconocer exactamente cómo se distribuyen estos desplazamientos se genera un gráfico con los lugares frecuentes (Figura 3).

1 km

2 km

3 km

4 km

5 km

6 km

7 km

8 km

9 km

10 k

m11

km

12 k

m13

km

14 k

m15

km

16 k

m17

km

18 k

m19

km

20 k

m21

km

22 k

m23

km

24 k

m25

km

26 k

m27

km

28 k

m29

km

30 k

m

0

5

10

1520

25

30

3540

45

urbano continuo urbano discontinuo

Distancia a la residencia

Posic

ione

s (%

)

Figura 3. Distribución de lugares frecuentes para zonas urbanas continuas y discontinuas

Se observa que en las zonas urbanas continuas el 40,0% de los desplazamientos frecuentes se realizan en el primer kilómetro, mientras que en el urbano discontinuo se reduce al 33,1%. Rebasado el segundo kilómetro los desplazamientos en urbano discontinuo son porcentualmente mayores que los del continuo.

En el caso de los lugares ocasionales el 21,9% de los desplazamientos en urbano continuo ocurren en el primer kilómetro, mientras que en urbano discontinuo el porcentaje baja a 13,8%. Las curvas que se dibujan (Figura 4) resultan interesantes, mientras la pendiente del urbano continuo disminuye rápidamente la del urbano discontinuo lo hace más suavemente, con una tendencia siempre superior desde los 9km.

1 km

2 km

3 km

4 km

5 km

6 km

7 km

8 km

9 km

10 k

m11

km

12 k

m13

km

14 k

m15

km

16 k

m17

km

18 k

m19

km

20 k

m21

km

22 k

m23

km

24 k

m25

km

26 k

m27

km

28 k

m29

km

30 k

m

0

5

10

15

20

25

continuo discontinuo

Distancia

Posic

ione

s (%

)

Figura 4. Distribución de lugares ocasionales para zonas urbanas continuas y discontinua

Estos datos son una primera aproximación al impacto que tiene en la movilidad del área urbana de Valencia la tipología de urbanización en la que se resida. La expansión del espacio urbano, al igual que en muchas otras metrópolis, ha venido asociada al aumento de crecimientos residenciales de baja densidad. Al incremento de costes de infraestructuras, de mayor segregación social o de pérdida de espacios libres, se le

añade una mayor dependencia del trasporte privado motorizado, que se traduce a su vez, en aumento de la congestión del tráfico, mayor consumo de energía y emisiones contaminantes (OECD,2000; CEC,2004).

4. CONCLUSIONES

La investigación presentada muestra como Twitter es una fuente de datos válida para el estudio de pautas de movilidad en un área urbana. La gran cantidad de datos de la fuente representa su mayor potencial y, a su vez, implica una importante complejidad en el manejo de la información. Fruto de esto, se diseña una metodología de filtrado de datos y extracción de información orientada a trabajar únicamente con personas residentes y que muestren patrones de movilidad mínimos para el estudio. El conocimiento de las características de la fuente permite enfocar el análisis de forma que se extraiga la mayor potencialidad de los datos contenidos.

Tras los filtrados pertinentes se ha sido capaz de reconocer la localización de la residencia de los usuarios “trazables” y para cada uno de ellos se ha realizado una clasificación las distintas posiciones en función a la frecuencia de visita. Se calculan entonces las distancias recorridas entre la residencia de cada usuario y todas sus otras posiciones, resumiendo la información según se considere un lugar frecuente u ocasional. Se obtiene que el 34,3% de los lugares visitados frecuentemente se encuentran a menos de 1km de la residencia y en el caso de los ocasionales este porcentaje se reduce al 17,6%. Se observa como en los espacios de vida habitual la proximidad es una estrategia necesaria para minimizar el consumo de tiempo en los desplazamientos, mientras que, en los espacios de vida ocasional los desplazamientos responden a una menor fricción por distancia. La trasposición territorial de estos datos muestra como existe una gran concentración de lugares ocasionales en el centro de Valencia.

El análisis del impacto en la movilidad que tiene el tipo de tejido urbano ha sido otro de los objetivos del trabajo. Los resultados muestran como las distancias medias recorridas por los residentes en tejido urbano discontinuo son mayores a las del continuo, con 3.767,1m para el caso de actividades frecuentes y 4.584,8m para ocasionales. Se constata el impacto que los crecimientos urbanos discontinuos tienen en el aumento de la movilidad y, con ello, en la cantidad de emisiones contaminantes, el consumo de tiempo y el combustible.

En conclusión, consideramos que los resultados obtenidos son positivos, y constituyen un avance en la aplicación de este tipo de datos al estudio de la movilidad en áreas urbanas.

5. AGRADECIMIENTOS

Esta comunicación se elabora en el marco del proyecto “Sostenibilidad social, conectividad global y economía creativa como estrategias de desarrollo en el Área metropolitana de Valencia” (CSO2016-74888-C4-1-R), financiado por la Agencia Estatal de Investigación (AEI) y el Fondo Europeo de Desarrollo Regional (FEDER) dentro del Programa Estatal de Investigación, Desarrollo e Innovación Orientada a los Retos de la Sociedad, incluido en el Plan Estatal de Investigación Científica y Técnica y de Innovación 2013-2016, convocatoria de 2016. Carmen Zornoza cuenta con una ayuda para contratos predoctorales para la formación de doctores (BES-2014-067846) dentro del Subprograma Estatal de Formación del Programa Estatal de Promoción del Talento y su Empleabilidad, en el marco del Plan Estatal de Investigación Científica y Técnica y de Innovación 2013-2016, financiado por el Ministerio de Economía y Competitividad y cofinanciado por el Fondo Social Europeo.

6. BIBLIOGRAFÍA

CEC, Commission of the European Communities (2004): Towards a Thematic Strategy on the Urban Environment. 60 Final, Bruxell.

Duran, M. A. (2007): El valor del tiempo ¿cuántas horas te faltan al día? Madrid. Espasa Calpe.

Gabrielli, L., Rinzivillo, S., Ronzano, F., & Villatoro, D. (2014): From tweets to semantic trajectories: mining anomalous urban mobility patterns. Citizen in Sensor Networks. Springer International Publishing, 26-35.

Gonzalez, M. C., Hidalgo, C. A., & Barabasi, A. L. (2008): Understanding individual human mobility patterns. Nature, 453(7196), 779-782.

Hasan, S., Zhan, X., & Ukkusuri, S. V. (2013, August): Understanding urban human activity and mobility patterns using large-scale location-based data from online social media. Proceedings of the 2nd ACM SIGKDD international workshop on urban computing. ACM, 6.

Huang, W., Li, S., Liu, X., & Ban, Y. (2015): Predicting human mobility with activity changes. International Journal of Geographical Information Science, 29(9), 1569-1587.

Indovina, F. (1998): Algunes consideracions sobre la “ciutat difusa”. Documents d’anàlisi geogràfica,33, 21-3

Jurdak, R., Zhao, K., Liu, J., AbouJaoude, M., Cameron, M., & Newth, D. (2015): Understanding human mobility from Twitter. PloS one, 10(7)

Kwan, M. P. (1999): Gender, the home-work link, and space-time patterns of nonemployment activities. Economic geography, 75(4), 370-394.

Kesselring, S. (2006): Pioneering mobilities: new pattern of movement and mobility in a new world, Environment and Planning, nº38, 269-279.

Miralles-Guasch, C. (2011): Dinámicas metropolitanas y tiempos de la movilidad. La región metropolitana de Barcelona, como ejemplo. Anales de Geografía de la Universidad Complutense, 31, 1, 125-145

Miralles-Guasch, C., Cebollada, A. (2009): Movilidad cotidiana y sostenibilidad una interpretación desde la geografía humana”. Boletín de la Asociación de Geógrafos Españoles, 50, 193-216

Miralles-Guasch, C. (1998): La movilidad de las mujeres en la ciudad, un análisis desde la ecología urbana. Ecología Política, 15, 123-131.

Nel·lo, O. (1996) : Els confins de la ciutat sense confins. Estructura urbana i límits administratius de la ciutat difusa. En CASTAÑER, A., FALGUERAS, M., VICENTE, J. (Eds) La ciutat difusa i les perifèries: Experiències de planificació i gestió. Girona, Universitat de Girona, pp. 55-72

OECD (2000): OECD Managing Urban Growth DT/Tdpc, Paris

Salom, J. y Albertos, J.M. (2010): Densidad de la red viaria y forma urbana: Delimitación del espacio urbano en ocho aglomeraciones españolas. En: Feria Toribio, J.M. y Albertos Puebla, J.M.(Eds.): La ciudad metropolitana en España: Procesos urbanos en los inicios del siglo XXI , Thomson Reuters, Pamplona, pp.49-94

Serra, A. (2007): Vida quotidiana en un espai urbà transformat. El Mercadal de Girona des d’una perspectiva de gènere. Documents. Anàlisis Geográfica, 49, 161-180.

Tobler W.R. (1970): A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46 (Supplement) 234-240.