análisis estratégico de movilidad urbanaoa.upm.es/56776/1/TFG_DAVID_FERNANDEZ_DE_DIEGO.pdf · ANÁLISIS ESTRATÉGICO DE MOVILIDAD URBANA DEFINICIÓN DE INDICA DORES, SELECCIÓN

ANÁLISIS ESTRATÉGICO DE

MOVILIDAD URBANA DEFINICIÓN DE INDICADORES, SELECCIÓN

DE KPIS Y CLUSTERIZACIÓN JERÁRQUICA

DE 79 CIUDADES

TRABAJO FIN DE GRADO

Grado en Ingeniería en Tecnologías Industriales

David Fernández de Diego

Septiembre de 2019

Tutor académico: Gustavo Morales Alonso

UNIVERSIDAD POLITÉCNICA DE MADRID

Escuela Técnica Superior de Ingenieros Industriales - ETSII

“The future is open. It is not predetermined and thus

cannot be predicted – except by accident. The

possibilities that lie in the future are infinite. When I

say, 'It is our duty to remain optimists”, this includes

not only the openness of the future but also that

which all of us contribute to it by everything we do:

we are all responsible for what the future holds in

store. Thus it is our duty, not to prophesy evil, but,

rather, to fight for a better world.”

Karl Popper, The Myth of the Framework, 1994

Clusterización jerárquica de ciudades en función de sus KPIs de movilidad urbana

David Fernández de Diego 5

A Gustavo Morales Alonso, por haber aceptado mi propuesta y haber sido mi tutor a pesar de

tener que hacerlo a distancia. Por haberme guiado y aconsejado durante el trabajo, y por

haberme puesto en contacto con la profesora Yilsy M. Núñez Guerrero, a quien agradezco

enormemente su disponibilidad para ayudarme y aconsejarme.

A la Escuela Técnica Superior de Ingenieros Industriales de la UPM y a los profesores y

personas que trabajan en ella y han participado en mi formación. A la École Nationale

Supérieure des Mines de Nancy y a la profesora Sandie FERRIGNO por haber inspirado la

utilización de una herramienta de clusterización jerárquica para este trabajo y a Airbus y mi

equipo de Toulouse por haber hecho posible mi participación en el NETEXPLO Smart Cities

Accelerator Summit 2019, fuente principal de inspiración para este trabajo.

A mis padres y a mi hermano, por el apoyo durante toda mi vida y especialmente en los últimos

años. Por confiar en mí y por quererme con mis defectos y mis virtudes. Sois la base que

sostiene todo lo demás.

No me gustaría olvidar a los que me habéis tenido que soportar hablando de movilidad urbana

un día tras otro. Vuestra curiosidad, apoyo y consejos también forman parte de este trabajo.

Finalmente, quiero dar las gracias a mis amigos y a las personas que me quieren y me han

acompañado durante los estudios a los que este trabajo pone fin.

¡Muchas gracias a todos!



Resumen ejecutivo En un contexto histórico en el que la población urbana sigue aumentando, la sostenibilidad de

las ciudades se ve cuestionada y la movilidad urbana está a las puertas de su cuarta gran

revolución, la estrategia de movilidad urbana adoptada condicionará el futuro de las ciudades.

Este trabajo propone una herramienta de apoyo a la planificación estratégica de la movilidad

urbana. Como novedad frente a los estudios, índices y normativas existentes, este trabajo

utiliza una técnica de procesamiento automático de datos la cual sirve para identificar las

ciudades que son similares en términos de movilidad urbana.

Basándose en el principio de one size doesn’t fit all (la misma solución no sirve para todos),

se ha realizado una clusterización jerárquica de 79 ciudades que aspira a poder ayudar a

gobernantes y planificadores urbanos, en el análisis y la toma de decisiones.

El valor de esta clusterización jerárquica es intrínseco en sí mismo. Es decir, su valor reside

en el hecho de poder identificar las ciudades que presentan características de movilidad

urbana similares y el grado de similitud existente entre ellas. Estas ciudades identificadas

como similares podrán ser utilizadas como referencia para incorporar las medidas y servicios

de movilidad que, por haber sido exitosos en ciudades que son parecidas, tendrán altas

probabilidades de ofrecer buenos resultados en la ciudad estudiada.

Como trabajo previo y, a partir del análisis bibliográfico y la participación en el NETEXPLO

Smart Cities Accelerator Summit 2019, se han definido 250 indicadores de movilidad urbana.

De entre ellos se han seleccionado y analizado 89 KPIs y, finalmente, se ha realizado la

clusterización jerárquica de las 79 ciudades en función de 42 de los KPIs obteniéndose los

resultados mostrados en la ilustración.

Por último, a partir de los resultados obtenidos y basándose en los datos disponibles, se han

analizado y caracterizado a alto nivel los distintos grupos obtenidos en la clusterización.

Ilustración 1 - Resultados de la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs seleccionados para la clusterización. Método aglomerativo ascendente Ward.D2.

Resumen ejecutivo

8 Escuela Técnica Superior de Ingenieros Industriales (UPM)

Palabras clave

Movilidad urbana, planificación urbana, transporte, smart cities, tráfico, clusterización

jerárquica, indicadores de movilidad urbana, estrategia de movilidad urbana.

Códigos UNESCO

330537 PLANIFICACION URBANA

332907 TRANSPORTE

332908 MEDIO URBANO

531212 TRANSPORTES Y COMUNICACIONES

332703 SISTEMAS DE TRANSITO URBANO

331710 INGENIERIA DEL TRAFICO

332903 ORGANIZACION COMUNITARIA

332702 ANALISIS DEL TRAFICO

331702 AUTOMOVILES

540401 GEOGRAFIA URBANA

520610 CARACTERISTICAS SOCIO-ECONOMICAS

520710 ESTADISTICAS DE POBLACIONES

2509.19 ANÁLISIS DEL TIEMPO

330801 CONTROL DE LA CONTAMINACION ATMOSFERICA

520306 DEMOGRAFIA URBANA

332304 TRANSITO RAPIDO

330529 CONSTRUCCION DE CARRETERAS



Índice

Resumen ejecutivo ....................................................................................................... 7

Palabras clave ................................................................................................................... 8

Códigos UNESCO ............................................................................................................. 8

Índice ........................................................................................................................... 9

1 Introducción ......................................................................................................... 13

Motivación ..............................................................................................................13

Objetivos del trabajo...............................................................................................14

2 Marco teórico ...................................................................................................... 15

Historia y evolución de la movilidad urbana en las ciudades modernas..................15

Principales retos de la movilidad urbana ................................................................16

2.2.1 Aumento de población en las ciudades ...........................................................16

2.2.2 Sostenibilidad y habitabilidad ..........................................................................17

2.2.3 El reto de la energía ........................................................................................18

Definición de ciudad ...............................................................................................20

2.3.1 En España ......................................................................................................20

2.3.2 En la Unión Europea y la OECD .....................................................................20

2.3.3 En el Mundo ....................................................................................................21

2.3.4 En este trabajo ................................................................................................24

El concepto de ciudad inteligente (smart city).........................................................25

2.4.1 Ciudades inteligentes diseñadas desde cero ..................................................25

2.4.2 Ciudades con inteligencia omnipresente y totalitaria .......................................26

2.4.3 Ciudades con inteligencia digital y participación de los ciudadanos ................26

2.4.4 Ciudades con inteligencia creativa ..................................................................28

Necesidad de una buena planificación estratégica de la movilidad urbana ............29

3 Metodología ........................................................................................................ 31

Análisis e identificación de los aspectos que influyen en la movilidad urbana: .......31

3.1.1 Prueba de concepto (PoC) ..............................................................................31

3.1.1.1 Justificación .............................................................................................31

3.1.1.2 Base de datos utilizada para el PoC .........................................................31

3.1.1.3 Análisis estadístico del PoC .....................................................................32

3.1.2 Fuentes de información y bases de datos de referencia ..................................33

3.1.2.1 NETEXPLO Smart Cities Accelerator Summit 2019 .................................33

3.1.2.2 IESE - Cities in Motion Index ....................................................................34

3.1.2.3 Institute for Urban Strategies - Global Power City Index 2018 ..................35

3.1.2.4 Deloitte - City Mobility Index 2019 ............................................................35

3.1.2.5 ISO – 37120, Indicators for city services and quality of life .......................37

Índice


3.1.3 Criterios de selección de las ciudades estudiadas ..........................................37

3.1.4 Definición de los indicadores de movilidad urbana y selección de los KPIs .....38

3.1.4.1 Utilización de los indicadores disponibles en las bases de datos de

referencia 38

3.1.4.2 Definición de los indicadores utilizados en este trabajo ............................40

3.1.4.3 Selección de los KPIs ..............................................................................40

Obtención de los datos necesarios para la realización del análisis de los KPIs y la

clusterización ....................................................................................................................43

3.2.1 Necesidad de datos precisos y sin sesgo ........................................................43

3.2.2 Dificultades para la obtención de los datos correspondientes a los indicadores:

44

Análisis de los KPIs y clusterización .......................................................................46

3.3.1 Análisis de los KPIs .........................................................................................46

3.3.2 Clusterización de las ciudades en función de los KPIs ....................................46

3.3.2.1 Técnicas de clusterización .......................................................................46

3.3.2.2 Aplicación de la clusterización para la agrupación de las ciudades en

función de los KPIs estudiados ..................................................................................48

3.3.2.3 Utilización de R para realizar la clusterización jerárquica ascendente

politética de 79 ciudades en función de 42 KPIs ........................................................48

4 Resultados y Discusión ....................................................................................... 49

Análisis de los KPIs ................................................................................................49

4.1.1 Cultura y Aspecto social ..................................................................................49

4.1.2 Demografía y Geografía ..................................................................................53

4.1.3 Economía ........................................................................................................59

4.1.4 Medio ambiente ...............................................................................................63

4.1.5 Transporte .......................................................................................................65

Clusterización de las ciudades en función de los KPIs ...........................................85

4.2.1 Datos utilizados para la clusterización .............................................................85

4.2.1.1 Errores, sesgo y aproximaciones en los datos utilizados en el trabajo .....86

4.2.1.2 Justificación de la utilización de datos erróneos, sesgados y aproximados

87

4.2.2 Análisis de los resultados obtenidos en la clusterización .................................88

4.2.2.1 Agrupación en 5 clústeres ........................................................................90

4.2.2.2 Agrupación en 10 clústeres ......................................................................92

4.2.2.3 Agrupación en 20 clústeres ......................................................................94

5 Conclusiones ....................................................................................................... 97

6 Líneas futuras ..................................................................................................... 99

7 Bibliografía ........................................................................................................ 101

8 Planificación temporal y presupuesto ................................................................ 105

Metodología de trabajo y herramientas utilizadas ................................................. 105



Planificación del trabajo y distribución temporal ................................................... 106

9 Índice de figuras ................................................................................................ 109

10 Índice de tablas.............................................................................................. 111

11 Glosario ......................................................................................................... 113

12 Anexos .......................................................................................................... 115

Indicadores .......................................................................................................... 115

12.1.1 Indicadores de la dimensión Cultura y Aspecto Social .................................. 115

12.1.2 Indicadores de la dimensión Demografía y Geografía ................................... 115

12.1.3 Indicadores de la dimensión Economía ......................................................... 116

12.1.4 Indicadores de la dimensión Medio Ambiente ............................................... 116

12.1.5 Indicadores de la dimensión Transporte ........................................................ 117

Datos utilizados y clusterización ........................................................................... 120

Correlaciones de los KPIs .................................................................................... 122

Códigos de R ....................................................................................................... 123

12.4.1 Correlación IESE Cities in Motion Index ........................................................ 123

12.4.2 Correlación KPIs ........................................................................................... 123

12.4.3 Clusterización ............................................................................................... 124



1 Introducción

Motivación

A nivel personal, la movilidad urbana es un tema que me interesa especialmente y en el cual

he realizado 2 proyectos anteriormente. El primero de ellos se focalizaba en el futuro de la

movilidad urbana y estudiaba la introducción de drones eléctricos autónomos para el

transporte de pasajeros en zonas urbanas y el segundo se centraba en la movilidad urbana

de la ciudad de Londres.

A partir de la idea inicial de realizar un Trabajo Final de Grado relacionado con la movilidad

urbana, se ha querido orientar el trabajo hacia algo que pueda corresponder al contenido

esperable de un TFG. Para evitar hacer un trabajo excesivamente descriptivo y poner en

práctica algunos de los contenidos estudiados durante el grado, en este trabajo se aspira a

realizar una herramienta que, mediante el análisis de datos relacionados con la movilidad

urbana, sirva de ayuda en su planificación estratégica.

Además, este trabajo aspira a aportar un pequeño granito de arena de cara a lograr los

Objetivos de Desarrollo Sostenible. Estos objetivos forman parte de la Agenda 2030 para el

Desarrollo Sostenible que fue aprobada en 2015 por la ONU. Son un total de 17 objetivos que

incluyen temas como la educación la defensa del medio ambiente, el papel de la mujer en la

sociedad y el diseño y planificación de las ciudades entre otros.

En concreto, el Objetivo 11: Lograr que las ciudades y los asentamientos humanos sean

inclusivos, seguros, resilientes y sostenibles, dice lo siguiente:

“Las ciudades son hervideros de ideas, comercio, cultura, ciencia, productividad, desarrollo

social y mucho más. En el mejor de los casos, las ciudades han permitido a las personas

progresar social y económicamente. En los últimos decenios, el mundo ha experimentado un

crecimiento urbano sin precedentes. En 2015, cerca de 4000 millones de personas vivía en

ciudades y se prevé que ese número aumente hasta unos 5000 millones para 2030. Se

necesita mejorar, por tanto, la planificación y la gestión urbanas para que los espacios

urbanos del mundo sean más inclusivos, seguros, resilientes y sostenibles.

Ahora bien, son muchos los problemas que existen para mantener ciudades de manera que

se sigan generando empleos y siendo prósperas sin ejercer presión sobre la tierra y los

recursos. Los problemas comunes de las ciudades son la congestión, la falta de fondos

para prestar servicios básicos, la falta de políticas apropiadas en materia de tierras y

vivienda y el deterioro de la infraestructura.

Los problemas que enfrentan las ciudades, como la recogida y la gestión seguras de los

desechos sólidos, se pueden vencer de manera que les permita seguir prosperando y

creciendo, y al mismo tiempo aprovechar mejor los recursos y reducir la contaminación

y la pobreza. Un ejemplo de esto es el aumento en los servicios municipales de recogida de

desechos. El futuro que queremos incluye ciudades de oportunidades, con acceso a

servicios básicos, energía, vivienda, transporte y más facilidades para todos.”

La mejora de la movilidad urbana es una parte fundamental de este objetivo número 11 siendo

además uno de los aspectos que más impacto tiene en la calidad de vida de las ciudades.

Además, la movilidad urbana está relacionada con la igualdad social (Objetivo 10) y el acceso

a la riqueza, al trabajo (Objetivo 8) y a la educación (Objetivo 4) y los medios de transporte

tienen un gran impacto medioambiental (Objetivo 13).

http://www.un.org/es/events/citiesday/index.shtml

http://www.un.org/es/events/povertyday/

Introducción


Objetivos del trabajo

En este trabajo se pretende estudiar, mediante la definición de indicadores, la selección de

KPIs, y la realización de una clusterización jerárquica, la movilidad urbana de 79 ciudades.

Existen varios estudios, índices e incluso una normativa ISO, cuyo objetivo es evaluar,

mediante el uso de indicadores y la comparación entre ciudades, el desarrollo de estas. Como

novedad frente a los trabajos y estudios realizados hasta el momento y, basándose en el

principio de one size doesn’t fit all, este trabajo pretende realizar una clusterización jerárquica

que sirva para identificar cuáles son aquellas ciudades que son similares en términos de

movilidad urbana.

El valor de la clusterización es intrínseco en sí mismo. Es decir, el valor reside en el hecho de

poder identificar las ciudades que son similares y aquellas que son distintas. Además, al

tratarse de una clusterización jerárquica, se puede apreciar el grado de similitud y de

diferenciación entre las distintas ciudades.

Estas ciudades identificadas como similares son las que deberían ser utilizadas para realizar

los análisis comparativos entre ciudades, sirviendo de referencia para incorporar las medidas

de movilidad urbana que han sido exitosas y de ejemplo para no cometer los mismos errores.

Aunque en un principio se pretende valorar, para cada ciudad, el nivel de desempeño que

obtiene en los distintos indicadores con respecto al desempeño de la ciudad líder de su clúster,

esta aproximación queda descartada por los siguientes motivos:

1. No es posible evaluar objetivamente el rendimiento en movilidad urbana. Además, no

existe un potencial máximo de desarrollo.

2. La identificación de ciudades líderes y de medidas exitosas tampoco podría ser

objetiva pues estaría basa en criterios personales. Es la labor de los gobernantes

decidir qué tipo de ciudad aspiran a ser y orientar consecuentemente su estrategia.

3. Tratar de evaluar el desempeño de cada ciudad queda fuera del alcance de este

trabajo pues requeriría de un estudio mucho más exhaustivo de las ciudades.

Además, por las motivaciones personales del autor y por la voluntad de estudiar a nivel global

la movilidad urbana, se ha optado por enfocar el trabajo hacia el ámbito estratégico de la

movilidad a nivel global.

El estudio exhaustivo de aquellas ciudades que han sido identificadas como similares en

términos de movilidad urbana no forma parte de los objetivos de este trabajo y quedaría en

manos de los gobernantes y planificadores urbanos, los cuales podrán servirse de esta

clusterización para orientar su trabajo. No obstante, sí se pretenden reflejar en este trabajo

las apreciaciones más destacables de las distintas agrupaciones de ciudades obtenidas en la

clusterización.



2 Marco teórico

Historia y evolución de la movilidad urbana en las

ciudades modernas

La historia de las ciudades modernas comienza con la invención de la máquina de vapor y el

inicio de la primera revolución industrial a finales del siglo XVIII. La máquina de vapor hizo

posible el transporte de personas y de objetos a una escala desconocida hasta el momento y

permitió el desarrollo de la industria. Este desarrollo industrial atrajo a miles de personas que

se desplazaron del campo a la ciudad en busca de nuevas oportunidades y fue el origen de

la urbanización masiva de las ciudades como Londres y París.

El siglo XIX vio como el transporte comenzó a desarrollarse en las ciudades, con la

inauguración de las primeras líneas de tranvía (originalmente propulsados por caballos) y del

primer sistema de metro (Londres 1863). Fue también un siglo marcado por la contaminación

de las ciudades, en las que las deplorables condiciones sanitarias y medioambientales

originaban numerosas enfermedades.

La segunda fase del desarrollo de la movilidad de las ciudades modernas está marcada por

la puesta en marcha de la red eléctrica, a finales de la década de 1880 (Corwin 2017). El

despliegue de la red eléctrica en las ciudades permitió su iluminación adecuada, hizo posible

la electrificación de los medios de transporte y gracias al ascensor, los edificios comenzaron

a crecer en altura. Además, la red eléctrica sentó las bases necesarias para los sistemas de

comunicación modernos y el uso de los electrodomésticos.

La última gran etapa de la movilidad en las ciudades modernas está marcada por el desarrollo

del automóvil y su popularización a lo largo de toda la sociedad. Gracias a la introducción de

la producción en cadena (Ford T en 1908) y el consiguiente abaratamiento de los costes de

producción, incluso el propio operario encargado de montar los coches podía permitirse

comprar uno de ellos. Esto hizo que, poco tiempo después y especialmente tras la segunda

guerra mundial, las ciudades se transformaran para acomodar al coche como el principal

medio de transporte.

Desde los mediados del siglo XX, nuestras vidas han cambiado radicalmente, especialmente

con la introducción de la tecnología digital. Sin embargo, si miramos a las calles, los medios

de transporte disponibles no son tan diferentes a los que existían a mediados del siglo XX.

Donde sí se aprecian novedades es en el uso que se les da a estos.

La popularización de la movilidad compartida ha generado un cambio en la concepción y en

los ideales asociados a la posesión de un vehículo propio y con la introducción masiva del

vehículo eléctrico y el desarrollo de los automóviles autónomos, la movilidad urbana está a

punto de transformarse de nuevo. Podría decirse que estamos adentrándonos en la cuarta

gran etapa de la movilidad urbana.

Marco teórico


Principales retos de la movilidad urbana

Esta nueva etapa de la movilidad urbana se plantea no sin grandes retos a los que hacer

frente. A pesar del futuro prometedor que se vislumbra en el horizonte, si nos paramos a

observar la situación actual de las ciudades, podemos darnos cuenta de que para las ciudades

más exitosas la movilidad urbana es un reto complicado y, para las menos exitosas, es un

problema importante.

En las ciudades más exitosas, existen enormes desequilibrios entre la oferta y la demanda,

los cuales están produciendo graves crisis de accesibilidad y desigualdad. Al mismo tiempo,

muchas de estas están teniendo que hacer frente a profundos problemas financieros.

En las ciudades menos exitosas, se observa una despoblación progresiva y una reducción

masiva de los servicios. Para estas ciudades, mantener la cobertura de los servicios de

transporte a un nivel aceptable y en condiciones decentes de limpieza es ya un reto más que

suficiente.

Los principales retos de movilidad urbana a los que se enfrentan las ciudades son el aumento

de la población, la sostenibilidad y habitabilidad y el reto de la energía.

2.2.1 Aumento de población en las ciudades

La población mundial ha crecido desde 751 millones de habitantes en 1950 hasta más de 4,2

billones en la actualidad y se espera que este número siga aumentando hasta alcanzar los

6,7 billones de habitantes en 2050 («New International Standard for measuring the

performance of cities going “smart”» 2019) .

De entre toda la población mundial, la población urbana es, desde mediados de los años 2000,

mayoritaria frente a la población rural y se espera que en las próximas décadas muchas más

personas se instalen en las ciudades de todo el mundo. En concreto, se estima que 2,5

billones adicionales de personas se instalarán en las ciudades de aquí a 2050.

Este aumento de población será absorbido por las ciudades existentes y por las que se creen

en los próximos años. En la actualidad existen 33 megaciudades con más de 10 millones de

habitantes (se espera que este número aumente a 43 antes de 2030) y 48 ciudades con una

población entre 5 y 10 millones. Sin embargo, la mayor parte de la población urbana reside

en ciudades de entre 500.000 y 5 millones de habitantes, de las cuales existen 1065 ciudades

en la actualidad y cuyo número se espera que aumente a 1307 en 2030.

Ilustración 2 - Informe Perspectivas Mundiales de Urbanización publicado por la ONU.



Tal y como se puede observar en la imagen, gran parte de las ciudades más pobladas del

mundo se encuentran actualmente en Asia, continente que ha registrado los índices de

urbanización más elevados de las últimas décadas y cuya proyección de aumento de

población urbana se mantendrá elevada durante los próximos años. El continente africano

experimentará también una gran urbanización mientras que en Europa y América del Norte

algunas ciudades verán cómo su población se reduce.

Las ciudades, especialmente las de Asia y África, se enfrentan por tanto al reto de acomodar

de forma adecuada a todos estos nuevos ciudadanos, manteniendo el nivel de confort y la

calidad de vida de los habitantes que ya residen actualmente en ellas.

2.2.2 Sostenibilidad y habitabilidad

Todas las ciudades del mundo se enfrentan a 3 grandes dificultades a la hora de garantizar la

sostenibilidad. En primer lugar, las ciudades necesitan satisfacer una elevada demanda de

transporte y de energía concentrada en una superficie reducida. Debido al uso de

combustibles fósiles como fuente de energía, las ciudades experimentan altos niveles de

contaminación del aire, los cuales llegan a suponer una grave amenaza para la salud de sus

habitantes.

El segundo reto de sostenibilidad al que se enfrentan las ciudades es la gestión del impacto

medioambiental y los residuos. Por último, las ciudades se enfrentan al reto del agua. Muchas

ciudades se encuentran en situaciones delicadas a la hora de garantizar el suministro de agua

corriente y otras están contaminando el agua de sus ríos.

De entre todas las amenazas para la sostenibilidad y la habitabilidad de las ciudades, la

movilidad urbana juega un papel importante en la contaminación del aire. Los avances

tecnológicos como la reducción de las emisiones producidas por los motores de combustión

interna o el desarrollo de los coches eléctricos permiten sin duda mejorar los niveles de

contaminación de las ciudades, sin embargo, han de ir acompañados de ciertas medidas de

regulación que faciliten la transición desde la movilidad urbana del presente hacia una

movilidad urbana del futuro totalmente electrificada.

Otras formas de movilidad como la movilidad compartida juegan también un papel importante

en la reducción de la contaminación y del impacto medioambiental de la ciudad, sin embargo,

han de ser gestionadas adecuadamente para lograr un equilibrio que beneficie a toda la

sociedad.

Ilustración 3 -United Nations-Department of Economic and Social Affairs-Population Division. The World ’s Cities in 2018 - Data Booklet. World ’s Cities 2018 - Data Book. (2018).

Marco teórico


2.2.3 El reto de la energía

Que el futuro de la movilidad urbana está íntimamente ligado a la electrificación de los medios

de transporte es algo que hoy en día es mundialmente reconocido. En los medios de

transporte públicos, la propulsión eléctrica se utiliza desde hace décadas para los medios de

transporte de tipo ferroviario (metro, tranvía, trenes…) y su utilización para los autobuses

urbanos está experimentando un crecimiento incesante. Ya a finales del año 2017, 385.000

de los 3 millones de autobuses urbanos operativos en el mundo eran eléctricos, es decir el

13% de la flota mundial (McKerracher, Izadi-Najafabadi y Soulopoulos 2019).

En lo que respecta a los vehículos privados, más de 2 millones de coches eléctricos fueron

vendidos en 2018 y se espera que el 57% de los coches vendidos en 2040 lo sean también

(McKerracher, Izadi-Najafabadi y Soulopoulos 2019). Incluso para los medios de transporte

marítimos y aéreos se están desarrollando medios de propulsión híbridos e incluso eléctricos.

Para el transporte aéreo, a menudo cuestionado por su impacto medioambiental, este tipo de

tecnología podría traer una gran reducción de las emisiones de CO2 y con el desarrollo

adecuado de la capacidad de las baterías, nuevos medios de transporte como los vehículos

eléctricos de despegue y aterrizaje vertical (eVTOL) podrían revolucionar el transporte aéreo

urbano (Airbus 2019).

Ilustración 4 - Evolución de la adopción de los vehículos eléctricos para distintos tipos de vehículos. (McKerracher, Izadi-Najafabadi y Soulopoulos 2019).

Si a este aumento en la demanda de energía eléctrica debido a la electrificación de los medios

de transporte se le suma el incremento de la demanda debido al aumento de la población, nos

encontramos con que el sistema energético se verá sometido a una gran presión en los

próximos años. El sistema eléctrico ha de adaptarse para poder soportar una demanda tan

elevada y especialmente deberá adaptarse para responder a los picos de demanda de energía

que se produzcan en aquellos momentos en los muchos vehículos se conecten a la vez a la

red para recargar sus baterías.

Por otro lado, un nuevo ecosistema energético está emergiendo en las ciudades con el

objetivo de integrar una gran cantidad de pequeñas fuentes de energía procedentes de

paneles solares o pequeños generadores eólicos de particulares. Estas pequeñas

aportaciones particulares de energía, cuando no son consumidas por el propietario, pueden



ser distribuidas a los vecinos o bien almacenadas en una batería1, formándose así pequeñas

redes eléctricas conocidas como microredes. La integración de los vehículos eléctricos en

estas microredes permitiría, potencialmente, conectar la propia batería del coche a la red y

almacenar el excedente de energía o bien aportar energía a las viviendas en caso de que se

produjera un corte en el suministro de electricidad2.

Actualmente el 95% de la energía utilizada para el transporte procede del petróleo y toda esta

energía deberá ser suministrada a través de la red eléctrica en el futuro. Es por esto que el

desarrollo de este tipo de microredes y la adaptación del sistema eléctrico serán

fundamentales para el progreso de la movilidad urbana del futuro.

1 Las baterías usadas de vehículos eléctricos pierden autonomía con cada ciclo de uso. Cuando ya no cuentan con suficiente capacidad como para ser usadas para el transporte, pueden ser usadas en las microredes para almacenar energía. 2 Basado en la presentación Joël de Rosnay – Presidente de Biotics International. NETEXPLO 2019

Marco teórico


Definición de ciudad

2.3.1 En España

Para poder realizar este estudio, es necesario definir lo que se considera una ciudad, algo

que no es precisamente trivial. Dado que se va a realizar un análisis entre distintas ciudades,

se debe adoptar un criterio sólido a la hora de definir lo que se considera como ciudad.

En España, se utilizan 3 criterios para definir una ciudad: En primer lugar, el criterio

morfológico. Una ciudad debe ser diferenciable a simple vista. La existencia de edificios de

varios pisos, calles de varios carriles por dirección o semáforos son algunos indicadores de

que estamos ante una ciudad. El segundo criterio utilizado es el de la población. En España,

se considera a un núcleo urbano como ciudad cuando supera los 10.000 habitantes. Este

número (Buolamwini y Gebru 2018) es distinto en cada país. Finalmente se tiene en cuenta la

actividad económica del núcleo urbano. En una ciudad, han de predominar los servicios y las

actividades industriales frente a la agricultura y la ganadería.

2.3.2 En la Unión Europea y la OECD

A nivel europeo, hasta hace poco no existía una definición harmonizada del concepto ciudad.

Para solventar el problema, la OECD y la Comisión Europea desarrollaron en 2011 una nueva

definición del concepto ciudad (Dijkstra y Poelman 2012).

Ilustración 5 - Países miembros de la OECD.

Esta nueva definición de ciudad se basa en la identificación de sectores de 1km2 con una

densidad de población superior a 1500 habitantes/ km2 lo que justifica que también se haga

referencia a las ciudades como áreas densamente pobladas. La metodología utilizada para

identificar las ciudades es la siguiente:

1. Se seleccionan los sectores de alta densidad de población y se eliminan aquellos que

están aislados o rodeados por menos de 5 sectores con densidad de población

superior a 1500 habitantes/ km2.

2. Se incorporan los sectores que, aunque no tengan una densidad de población superior

a 1500 habitantes/km2, están rodeados por 5 o más sectores de alta densidad.

3. Adicionalmente se impone la condición de que un centro urbano debe tener un mínimo

de población de 50.000 habitantes para ser considerado como ciudad.

El aglomerado de sectores de alta densidad de población resultante se denomina centro

urbano.



Llegados a este punto, es posible que los sectores que componen el centro urbano

pertenezcan a diversos municipios. Este sería el caso de todos aquellos cuadrantes

pertenecientes a municipios de menor tamaño que rodean a las grandes ciudades y que

debido al crecimiento de la ciudad principal, se han anexionado a ella. Para todos estos casos,

se establece lo siguiente: Todos los municipios que tengan más del 50% de su población

situada en el centro urbano, son considerados como parte de la ciudad principal. Finalmente

se establece que la ciudad ha de tener un reconocimiento a nivel político.

Ilustración 6 - Dijkstra, L. & Poelman, H. Cities in Europe the New OECD-Ec. Reg. Focus (2012).

En algunos casos, el centro urbano, o aglomerado de sectores de alta densidad, abarca una

superficie que es mucho mayor que la de la ciudad principal. En estos casos se puede optar

por 3 estrategias:

• Se define una Gran ciudad que engloba todas las otras ciudades y adopta el nombre

de la más grande o la más relevante.

• Se divide el centro urbano en varias ciudades.

• Una combinación de la primera y la segunda estrategia.

La estrategia elegida debe responder a la necesidad de asegurar que los datos estadísticos

sean coherentes.

2.3.3 En el Mundo

Finalmente, a nivel mundial, la Organización de las Naciones Unidas (ONU) define las

ciudades como lugares donde vive y trabaja un gran número de personas y que además son

Marco teórico


centros de gobierno, comercio y transporte. Sin embargo, reconoce que no existe un criterio

estadístico estándar para determinar los límites y establece tres definiciones de límite de

ciudad. Los conceptos de ciudad que establece la ONU son los siguientes (Moreno 2017):

1. La ciudad propiamente dicha:

Hace referencia al concepto más reducido de ciudad. Se trata de una única unidad

política individual que incluye el centro histórico de la ciudad. Con esta definición, todas

las áreas urbanas pertenecientes a otros municipios no se consideran parte de la

ciudad y por lo tanto no contribuyen a la estadística de la ciudad principal. Muchos

países reportan sus datos estadísticos siguiendo esta definición a excepción de los

datos referentes a la capital. Este es el caso de Benín, Bolivia, Congo, República

Checa, Egipto, Alemania Corea, Polonia, Rusia y otros países.

2. Aglomeración urbana:

Se refiere al territorio que contiene el núcleo de la ciudad propiamente dicha y que

además está habitado con una densidad de población elevada. Este territorio es

independiente de los límites administrativos. Esta definición es la misma que la que

establecen la OECD y la Comisión Europea. En general, la población y la superficie de

una ciudad definida de esta manera es superior a la de la ciudad propiamente dicha.

Si se observa la ilustración 13, los sectores de alta densidad de población sobrepasan

los límites administrativos de la ciudad. Esta realidad es muy común en prácticamente

todas las grandes ciudades. Este es el caso de París, donde la ciudad propiamente

dicha, comúnmente denominada París intramuros y rodeada por la vía de

circunvalación el Boulevard Périphérique, tiene una población de 2.190.327 (Mairie de

Paris 2019) habitantes. Una cantidad que contrasta enormemente con los 11.017.000

habitantes de la aglomeración urbana (United Nations Department of Economic and

Social Affairs 2018).

Ilustración 7 – Modelo de aglomeración urbana en el que la población es superior a la población de la ciudad propiamente dicha.

En algunos casos, cuando dentro de los límites administrativos de la unidad política

que conforma la ciudad propiamente dicha existen áreas con baja densidad de

población, puede darse la situación en la que la población de la ciudad propiamente

dicha sea superior a la de la aglomeración urbana. Un ejemplo visual de esta situación

se propone en la ilustración 14. En esta situación imaginaria, los límites de la ciudad

propiamente dicha abarcan grandes sectores de baja densidad de población y el

número de sectores que conforman la aglomeración urbana es mucho más reducido.



En este caso, la población de la aglomeración urbana es menor que la de la ciudad

propiamente dicha3.

Ilustración 8 - Modelo de aglomeración urbana el que la población es inferior a la población de la ciudad propiamente dicha.

3. Área metropolitana urbana:

El área metropolitana está asociada a un concepto estadístico denominado área

estadística de nivel 5. Se trata de un concepto más complicado que tiene significados

estadísticos, técnicos, administrativos y políticos. Algunos países usan esta definición,

aunque en general solo se usa para las capitales.

De entre las 1860 ciudades con más de 300.000 habitantes disponibles en la base de datos

de la ONU, un 55% utiliza la definición de aglomeración urbana, un 35% utiliza la definición

de ciudad propiamente dicha y el 10% restante utiliza la definición de área metropolitana

urbana (United Nations-Department of Economic and Social Affairs-Population Division 2018).

La ONU sugiere que, como se indica en la 2018 Revision of World Urbanization Prospects

(WUP) (United Nations Department of Economic and Social Affairs 2018), se utilice para el

concepto de ciudad la definición de aglomeración urbana.

Tabla 1 - United Nations, Department of Economic and Social Affairs, Population Division (2018). World Urbanization Prospects: The 2018 Revision, Online Edition.

3 Se descarta, por ser irreal, el caso hipotético en el que los dos sectores de alta densidad de población sumaran más población que los 30 sectores de baja densidad de la ciudad propiamente dicha.

Region, subregion,

country or area

Size class of urban

settlement

Size class

codeType of data 2000 2005 2010 2015 2020 2025 2030 2035

WORLD 10 million or more 1 Nº of Agglomerations 16 20 25 29 34 37 43 48

WORLD 5 to 10 million 2 Nº of Agglomerations 30 36 39 45 51 58 66 73

WORLD 1 to 5 million 3 Nº of Agglomerations 325 343 380 439 494 558 597 639

WORLD 500 000 to 1 million 4 Nº of Agglomerations 396 456 510 554 626 659 710 757

WORLD 300 000 to 500 000 5 Nº of Agglomerations 524 591 645 707 729 794 827 846

More developed regions 10 million or more 1 Nº of Agglomerations 5 6 6 6 6 6 7 7

More developed regions 5 to 10 million 2 Nº of Agglomerations 7 8 9 13 14 16 16 16

More developed regions 1 to 5 million 3 Nº of Agglomerations 96 96 100 103 105 110 113 115

More developed regions 500 000 to 1 million 4 Nº of Agglomerations 122 128 137 136 151 151 156 162

More developed regions 300 000 to 500 000 5 Nº of Agglomerations 183 189 188 203 194 196 198 201

Less developed regions 10 million or more 1 Nº of Agglomerations 11 14 19 23 28 31 36 41

Less developed regions 5 to 10 million 2 Nº of Agglomerations 23 28 30 32 37 42 50 57

Less developed regions 1 to 5 million 3 Nº of Agglomerations 229 247 280 336 389 448 484 524

Less developed regions 500 000 to 1 million 4 Nº of Agglomerations 274 328 373 418 475 508 554 595

Less developed regions 300 000 to 500 000 5 Nº of Agglomerations 341 402 457 504 535 598 629 645

Marco teórico


2.3.4 En este trabajo

Elegir una definición de ciudad u otra tiene un impacto sobre la superficie, la población, y todos

aquellos parámetros que dependen de la población incluida en la ciudad. Un ejemplo en el

que se aprecia el impacto de utilizar una u otra de las definiciones podría ser la ciudad de

Toronto en Canadá: Si usamos la definición de ciudad propiamente dicha la población es de

unos 2,6 millones. Esta cifra asciende a 5,1 millones si usamos la definición de aglomeración

urbana y, si utilizamos la definición de área metropolitana, la población es de 6,6 millones de

habitantes (United Nations-Department of Economic and Social Affairs-Population Division

2018).

En el análisis correspondiente a este trabajo, y dado que las ciudades que se van a

analizar son ciudades de la OECD, utilizaremos los datos estadísticos siguiendo el

criterio de la OECD siempre que sea posible y adecuado, es decir, usaremos el criterio

de aglomeración urbana. Como el criterio es el mismo que el segundo criterio utilizado por

la ONU en la mayoría de las ciudades, siempre que no sea posible utilizar datos de la OECD,

se utilizarán los datos extraídos de la ONU. Cuando se utilicen datos de otras fuentes es

posible que estos hayan sido recopilados utilizando otros criterios de definición de ciudad.

Este hecho ha sido identificado como una de las fuentes de error en los datos que se utilizan

en este trabajo.

Finalmente, se debe tener en cuenta que para algunos indicadores utilizados en este trabajo

como los relativos al clima, a la gobernanza, la presencia de río o mar, y otros, la definición

de ciudad escogida no tiene ninguna influencia por que dichos parámetros son independientes

de la población y el área de la ciudad.



El concepto de ciudad inteligente (smart city)

La movilidad urbana del futuro no se puede estudiar sin considerar el concepto de ciudad

inteligente o smart city, un concepto cuya definición no está totalmente integrada a nivel global

y que sin embargo se utiliza a menudo para referirse a ciudades de todo el mundo haciendo

referencia tanto al presente como al futuro.

Según la normativa ISO 37122:20194, “una ciudad inteligente es una ciudad que aumenta el

ritmo al que se obtienen resultados de sostenibilidad social, económica y ambiental y

responde a desafíos como el cambio climático, el rápido crecimiento de la población y la

inestabilidad política y económica mediante la mejora sustancial de la forma en que se

involucra a la sociedad, la aplicación de métodos de liderazgo colaborativo, la colaboración

entre las distintas disciplinas y los sistemas de la ciudad, y la utilización de la información de

los datos y de las tecnologías modernas para prestar mejores servicios y mejorar calidad de

vida a los habitantes de la ciudad (residentes, empresas, visitantes), tanto en la actualidad

como en el futuro inmediato, sin que esto implique una desventaja injusta para otros ni una

degradación del medio ambiente natural”.

En este trabajo, y, basándose en el artículo Is there anybody out there? The place and role of

citizens in tomorrow ‘s Smart Cities (Vanolo 2016), se han identificado 4 tipologías de ciudad

inteligente que, si bien presentan diferencias claras, no están completamente desligadas entre

sí. Aunque las 4 tipologías de ciudad establecidas son situaciones extremas, en muchas

ciudades sí que se puede apreciar una tendencia hacia una de ellas.

A la hora de planificar la movilidad urbana de las ciudades inteligentes del futuro, se deberá

identificar el tipo de ciudad inteligente que se ambiciona ser y adaptar la estrategia de

movilidad consecuentemente. Las tipologías de ciudad inteligente identificadas son las

siguientes:

2.4.1 Ciudades inteligentes diseñadas desde cero

Esta tipología de ciudades inteligentes es una de las tipologías más difusas y estereotipadas

que existe. Se trata de un concepto asociado a ciudades inteligentes hipertecnológicas

construidas sin restricciones desde cero en emplazamientos en los que no existe un

asentamiento de población previo. La ventaja principal de estas ciudades inteligentes

diseñadas desde cero es que pueden ser construidas en torno a la tecnología y las nuevas

formas de movilidad emergentes.

Además, estas ciudades pueden elegir en cierta medida el tipo de ciudadano que quieren

atraer para que encaje adecuadamente con su infraestructura y modo de vida. Por ejemplo,

si una ciudad ha sido diseñada para que los ciudadanos puedan desplazarse andando o

usando transporte público, orientará su estrategia publicitaria para atraer a ciudadanos que

estén habituados al uso de transporte público o métodos alternativos al vehículo privado.

Algunas ciudades pertenecientes a esta tipología de ciudad inteligente son Songdo (Korea del

Sur), Mazdar City (Emiratos Árabes Unidos) y la menos conocida PlanIt Valley (Portugal).

Estas ciudades gozan de una enorme popularidad y representan la quintaesencia de la ciudad

inteligente (Carvalho 2015), sin embargo son casos aislados excepcionales y no se pueden

considerar como ejemplos representativos de smart city. A pesar de esto, India ha lanzado un

ambicioso proyecto de construcción de 100 nuevas ciudades inteligentes diseñadas desde

cero.

4 Traducción propia. Texto en inglés disponible en el link: https://www.iso.org/obp/ui/#iso:std:iso:37122:ed-1:v1:en

Marco teórico


En este trabajo, al no existir todavía ejemplos de esta tipología que estén completados, no se

estudiarán este tipo de ciudades. No obstante, sí sería posible predecir o estimar los datos

correspondientes a los indicadores de estas ciudades del futuro e introducirlas en la

clusterización para ver a qué tipo de ciudades se asemejarán.

2.4.2 Ciudades con inteligencia omnipresente y totalitaria

Esta tipología de ciudad inteligente está relacionada con una visión según la cual la tecnología

sirve como herramienta de control y vigilancia. Según esta visión, la infraestructura urbana y

los servicios están interconectados y controlados por un sistema central que está

continuamente obteniendo información a través de miles de sensores situados en la ciudad.

La información de las personas puede ser consultada gracias al reconocimiento facial y se

pueden vigilar y analizar aquellos comportamientos que se consideran sospechosos por estar

fuera de lo común estadísticamente hablando.

Una ligera tendencia hacia este tipo de tipología de ciudad inteligente la encontramos en

ciudades de países como China. Por ejemplo, en Hangzhou, un cerebro de la ciudad se

encarga de tomar decisiones basadas en datos y en el reconocimiento vocal y de imágenes.

Su nivel de desarrollo es tal que 200 policías han sido remplazados por la denominada patrulla

automática, la cual actúa con una precisión del 95%.

Esta tipología encarna algunas de las mayores preocupaciones que surgen actualmente con

respecto a asuntos como la privacidad, la supervisión, la seguridad de la tecnología y los

ataques que pueden ser realizados cuando se superan las barreras de seguridad.

Las ciudades que se orienten hacia esta tipología de ciudad inteligente invertirán en la

automatización de los medios de trasporte y fomentaran medidas que sustenten la supervisión

como por ejemplo la instalación masiva de sensores o el despliegue de una buena red 5G.

Además, bucarán atraer a aquellos ciudadanos cuyo nivel de confianza en la tecnología sea

elevado.

2.4.3 Ciudades con inteligencia digital y participación de los

ciudadanos

Esta tipología de ciudad inteligente se basa en el uso de datos procedentes de dos fuentes.

Por un lado, tiene en cuenta la información incorporada a través de sensores como pueden

ser sensores de luz, de lluvia o cámaras de tráfico y, por otro lado, incorpora información de

los propios ciudadanos, los cuales interactúan con la ciudad comportándose también ellos

mismos como sensores.

Ilustración 10 - Songdo, Korea del Sur (https://www.kpf.com/projects/new-songdo-city).

Ilustración 9 - Masdar City, Abu Dhabi (https://transsolar.com/fr/projects/masdar-city).



Este concepto de ciudad inteligente se articula en torno al uso de smartphones. El teléfono

móvil viaja con cada ciudadano y contiene sensores que permiten conocer la geolocalización

del ciudadano, la velocidad a la que se desplaza y el recorrido que realiza. Gracias a esta

información se puede, por ejemplo, detectar zonas donde hay retenciones y, ayudados por la

información proporcionada por las cámaras de tráfico y otros sensores, adaptar los semáforos

para mejorar el flujo de vehículos.

Además, el teléfono puede utilizarse para que el propio ciudadano interactúe con la ciudad de

forma activa a través de aplicaciones. Por ejemplo, el ciudadano podría indicar su satisfacción

con el estado de limpieza del autobús autónomo en el que se ha montado para ir al trabajo, si

su opinión es respaldada por otros usuarios, el autobús sería automáticamente dirigido a un

centro de limpieza al terminar su ruta.

Un ejemplo de este tipo de aplicación interactiva lo podemos encontrar actualmente en la

ciudad de Boston. Allí, la aplicación BOS:311 disponible en Android, AppleStore y accesible

también a través de su página web, permite a los ciudadanos informar sobre desperfectos en

la carretera o en la señalización, denunciar vehículos aparcados inadecuadamente, señalar

cualquier tipo de peligro o indicar cualquier otro tipo de incidencia. Gracias a esta colaboración

ciudadana las incidencias se cierran en tan solo unas horas, habiéndose cerrado ya más de

1,6 millones de incidencias.

Esta tipología de ciudad contempla un tipo de ciudadano comprometido con la ciudad y se

basa en la estigmatización de la tecnología digital. Esto supone una limitación ya que la

participación queda reducida a aquellos ciudadanos que disponen de un smartphone.

Aquellos ciudadanos que no se adapten al uso de la tecnología, quedaran excluidos de este

tipo de ciudades.

Ilustración 11 - Captura de pantalla de la aplicación BOS:311. https://311.boston.gov/

Marco teórico


2.4.4 Ciudades con inteligencia creativa

A menudo, las iniciativas más inteligentes y efectivas surgen en aquellos entornos en los que

la falta de recursos fomenta la creatividad de los ciudadanos. Se crean así ciudades que

también son inteligentes a pesar de que no ser necesariamente ciudades tecnológicas.

Un ejemplo de este tipo de inteligencia no digital podemos encontrarlo en la ciudad de Brugos,

España. Allí, aparcar en doble fila no solo no es ilegal, sino que está permitido en muchas

zonas. Para evitar que los coches que estacionan en la segunda línea bloqueen a los que

están en primera línea, los conductores dejan estacionado el coche sin aplicar el freno de

mano, permitiendo desplazar el coche en caso de que sea necesario salir de la primera línea.

Con esta artimaña, se logra flexibilizar el uso de las calles adaptándolas para lograr un

equilibrio entre las necesidades de tránsito y de aparcamiento.

Otro ejemplo lo encontramos en Sao Paulo, Brasil. Allí los conceptos de Smart City que se

manejan en otros lugares están demasiado alejados de la pobre realidad de sus barrios. Sin

embargo, en esta ciudad sí utilizan la tecnología para mejorar la realidad de sus ciudadanos.

No obstante, la utilizan siguiendo principios como el de la reducción del número de

aplicaciones, la integración de servicios y el fomento de la escalabilidad de las aplicaciones y

el uso de códigos open-source. Además, como no toda la población tiene acceso a la

tecnología, se ha evitado la digitalización de la burocracia, algo que sí se ha digitalizado

completamente en otras ciudades como Singapore.



Necesidad de una buena planificación estratégica de la

movilidad urbana

En este contexto de transformación de la movilidad urbana, los gobernantes y planificadores

urbanos deben construir y modelar la movilidad urbana de las ciudades de manera que se dé

respuesta a los retos que se plantean. Aquellas ciudades cuya movilidad urbana no sea

correctamente planificada corren el riesgo de saturarse, sufrir problemas de congestión del

tráfico y de contaminación, ver aumentada la pobreza y la desigualdad entre los ciudadanos

y, sobre todo, corren el riesgo de desperdiciar los recursos limitados de los que disponen.

Aquellas ciudades que, por el contrario, logren aplicar correctamente las medidas de movilidad

urbana adecuadas, verán cómo aumenta la prosperidad y la cohesión social, mejorando la

calidad de vida de sus ciudadanos.

Muchos de los grandes defectos que condicionan la movilidad en las ciudades tienen un origen

histórico y se deben a la propia evolución de la ciudad a lo largo de los siglos. Por el contrario,

otros se deben a errores estratégicos en la planificación urbana. Un ejemplo claro es el caso

del boom de las bicicletas públicas en España a finales de los años 2000.

Ilustración 12 - Evolución de los sistemas de bicicleta pública en España. (Observatorio de la Bicicleta Pública en España 2018).

A partir del año 2006, los sistemas de bicicleta pública experimentaron un gran desarrollo

llegando a existir un total de 100 sistemas operativos en el año 2010. Sin embargo, este

servicio no tuvo la misma aceptación en todas las ciudades y, desde 2010, muchas ciudades

han ido suprimiendo estos sistemas reduciéndose el número total de sistemas operativos

hasta estabilizarse en torno a los 50 en la actualidad. A pesar de ello, el número total de

estaciones y de bicicletas operativas ha seguido aumentando. Este hecho indica que, pese a

haber sido un fracaso en muchas de las ciudades, los sistemas de bicicleta pública sí han

tenido una buena aceptación en algunas ciudades.

Marco teórico


Ilustración 13 - Evolución del número de bicicletas y de estaciones de bicicleta pública en España. (Observatorio de la Bicicleta Pública en España 2018).

Tal y como muestran los datos, tanto en España como en el mundo entero, el éxito de los

sistemas de bicicletas públicas ha sido confirmado en numerosas ciudades. Sin embargo, hay

una serie de factores que hacen que la misma iniciativa que ha triunfado en una ciudad, sea

un completo fracaso en otra. Dichos factores están relacionados con el urbanismo, la

demografía, la geografía e incluso la cultura propia de cada ciudad.

Al igual que sucedió con el boom de las bicicletas públicas en España, a menudo, distintas

ciudades tratan de replicar aquellas medidas que han resultado exitosas en otras. Poder

contar con una herramienta que permita identificar si la iniciativa es adecuada para la ciudad

es fundamental para la planificación estratégica que han de realizar los dirigentes y

planificadores urbanos.



3 Metodología Se definen 3 fases del trabajo:

1. Análisis e identificación de los aspectos que influyen en la movilidad urbana.

2. Obtención de los datos necesarios para la realización del análisis de los KPIs y la clusterización.

3. Análisis de los KPIs y clusterización.

Análisis e identificación de los aspectos que influyen

en la movilidad urbana:

A partir del estudio bibliográfico y la participación en el NETEXPLO Smart Cities Accelerator

Summit 2019, se han definido 250 indicadores de movilidad urbana. De entre todos los

indicadores se han seleccionado aquellos que se consideran más importantes para la

movilidad urbana (KPIs).

En esta primera fase se incluye también la prueba de concepto que se realizó, al principio del

trabajo, para verificar que el planteamiento que se estaba aplicando era el correcto.

3.1.1 Prueba de concepto (PoC)

3.1.1.1 Justificación

El término PoC procede de la abreviación de la expresión en inglés Proof of Concept. Una

prueba de concepto es una demostración, cuyo objetivo es demostrar la validez o el potencial

de un concepto o una teoría. Se trata de un prototipo a pequeña escala que además permite

detectar fallos o errores en el planteamiento o la ejecución.

La idea que se plantea originalmente para este trabajo es realizar una clusterización de las

ciudades en función de una serie de indicadores de movilidad urbana. Estos indicadores

pueden ser cuantitativos o cualitativos. Para verificar, en las primeras fases del trabajo, que

el enfoque que se ha planteado es el correcto, se ha realizado una primera prueba de

concepto (Proof of Concept).

El objetivo de esta prueba de concepto es detectar, lo más temprano posible, si existe algún

fallo en el planteamiento que obligue a cambiar el enfoque del trabajo. Especialmente crítico

es poder comprobar si mediante el análisis estadístico, se puede obtener la clusterización de

las ciudades en función de una serie de KPIs tanto cuantitativos como cualitativos,

asegurándose de que la clusterización obtenida arroja resultados razonables. Realizar una

prueba de concepto con un número reducido de parámetros hace más sencillo detectar si los

resultados obtenidos son razonables.

3.1.1.2 Base de datos utilizada para el PoC

Antes de dedicar tiempo a realizar una revisión bibliográfica exhaustiva y a generar una base

de datos con un gran número de ciudades y de indicadores de movilidad urbana, se ha

generado una pequeña base de datos con 18 ciudades europeas y un número reducido de

indicadores. En orden de importancia, se han utilizado los siguientes criterios para seleccionar

las ciudades utilizadas en la prueba de concepto:

1. Selección de ciudades conocidas: Para poder entender los resultados que arroja el

análisis estadístico, es importante tener una imagen lo más exacta posible de las

Metodología


ciudades analizadas. Por este motivo, se han elegido 18 ciudades europeas, 14 de las

cuales son conocidas personalmente por el autor.

2. Accesibilidad de la información: Para agilizar al máximo el proceso de creación de

la base de datos del PoC, se seleccionan ciudades cuya información es sencilla de

obtener.

3. Tamaño de las ciudades: Se han elegido ciudades de gran tamaño (más de

1.000.000 de habitantes) por dos motivos:

a. Las ciudades de gran tamaño son las ciudades que afrontan los mayores retos

de movilidad urbana.

b. Las ciudades grandes ofrecen una mayor cantidad de información tanto a nivel

de disponibilidad de datos como a nivel de información relativa a los problemas

de movilidad.

Las ciudades que se han incluido en la base de datos PoC son las siguientes: Amsterdam,

Athens, Barcelona, Berlin, Bruxelles, Budapest, Hamburg, Lisboa, London, Madrid,

Manchester, Milano, Munich, Napoli, París, Roma, Warszawa y Zagreb.

Los indicadores seleccionados para el PoC son los siguientes:

− Indicadores cuantitativos: Población, DensidadPoblación, DiasLluvia, MMLluvia y

GDP5.

− Indicadores cualitativos: Metro, Mar y Río.

En cuanto a los Indicadores cuantitativos, son esencialmente 3 parámetros: Población, lluvia

y GDP. Tanto población como lluvia son Indicadores que, por sí solos, no aportan suficiente

información. No es lo mismo una gran población distribuida en un área muy grande que una

población más reducida pero muy concentrada en un área pequeña. Lo mismo ocurre con la

lluvia. Precipitaciones abundantes durante un periodo concreto del año no tienen la misma

influencia sobre la movilidad que precipitaciones constantes a lo largo de todo el año. Es por

esto por lo que se han considerado la población, la densidad de población, los días de lluvia

y los milímetros de precipitación anual.

Los indicadores cualitativos adquieren valores binarios SI-NO. No haber incorporado

parámetros cualitativos que adquieran más de dos valores no condiciona la validez del PoC.

Se han elegido 3 indicadores que, en primera aproximación, podemos asumir que tienen una

influencia considerable sobre la movilidad urbana de las ciudades. El primero corresponde a

la infraestructura desarrollada en la ciudad. Los dos últimos indicadores cualitativos

incorporados a la base de datos PoC corresponden a características geográficas de la ciudad.

3.1.1.3 Análisis estadístico del PoC

Para realizar la clusterización de las ciudades se utiliza el método WardD2 y los datos son

normalizados antes de ser clusterizados. Los resultados obtenidos muestran que

efectivamente se puede realizar la clusterización en función de parámetros tanto cualitativos

como cuantitativos. Además, no se aprecia ningún resultado que nos indique que se ha

producido algún error en la clusterización.

5 Gross Domestic Product, Producto Interior Bruto (PIB) en español.



Ilustración 14 – Clusterización POC.

Las ciudades que tienen una población más elevada (London y París) han sido agrupadas

juntas, las ciudades de climas húmedos se encuentran en el grupo de la izquierda y si nos

desplazamos hacia la derecha van apareciendo ciudades en general más secas. Se observa

que la ciudad de Napoli ha sido clasificada en su propio clúster. Analizando los datos se ha

comprobado que la densidad de población introducida era errónea (excesivamente elevada)

y por eso ha quedado tan diferenciada de las demás ciudades.

Un indicador de tipo cuantitativo que podría haber sido utilizado son los kilómetros de metro

disponibles. Seguramente se podría haber obtenido mejor información utilizando como

indicador los kilómetros en lugar del indicador Metro (existencia de un sistema de metro). Al

ser las ciudades analizadas de gran tamaño, todas menos Manchester y Zagreb tienen

sistema de metro y este indicador no es diferenciador entre las demás ciudades que sí

disponen de este sistema de transporte.

3.1.2 Fuentes de información y bases de datos de referencia

Para la realización de este trabajo se ha participado en el programa NETEXPLO Smart Cities

Accelerator Summit 2019 y se han realizado investigaciones bibliográficas de diversas

fuentes. Aquellas fuentes que más han influenciado este trabajo, junto con el programa de

NETEXPLO, se presentan detalladamente a continuación.

3.1.2.1 NETEXPLO Smart Cities Accelerator Summit 2019

Este programa internacional de formación certificado se crea para dar respuesta a los

principales retos a los que se enfrentan las smart cities (ciudades inteligentes) por el Netexplo

Metodología


Observatory6 y las universidades; ESCP Europe, Peking University, Shanghai Jiao Tong

University and Telecom ParisTech, con el apoyo de la UNESCO.

La parte presencial del programa tuvo lugar en abril de 2019 y reunió a unos mil expertos y

responsables políticos de todo el mundo. El programa abordaba 3 temas: La movilidad urbana,

la conectividad de las ciudades y su habitabilidad, 3 aspectos íntimamente relacionados y que

han de ser considerados de manera conjunta (NETEXPLO 2019).

Durante 2 jornadas completas, más de 40 expertos aportaron su visión tanto del presente

como del futuro. Tanto sus presentaciones como el curso online con el que culmina el

programa y los dos libros asociados; Smart Cities Year Book 2018-2019 y Smart Cities.

Shaping the society 2030, han servido para la definición de los indicadores de movilidad

urbana y para la identificación de los KPIs, siendo una influencia notable para este trabajo.

Puesto que NETEXPLO es un observatorio global, el programa se centra en el estudio de 15

ciudades designadas por la UNESCO; 5 ciudades de Asia (Singapore, Songdo City, Mumbai

Corridor, Shenzhen y Christchurch), 2 ciudades de América del Sur (Sao Paulo y Medellín), 2

de América del Norte (Detroit y San Francisco), 3 de Africa y Oriente Medio (Konza, Kigali y

Dubai) y 3 ciudades de Europa (Helsinki, Lyon y Barcelona). Este enfoque internacional ha

sido especialmente útil para adquirir una visión global de la movilidad urbana.

3.1.2.2 IESE - Cities in Motion Index

Este trabajo, ampliamente reconocido como referencia para el estudio de ciudades, realiza un

análisis comparativo entre estas considerando 9 dimensiones: El Capital Humano, la

Cohesión Social, la Economía, la Gobernanza, el Medioambiente, la Movilidad y el Transporte,

la Planificación Urbana, la Proyección Internacional y la Tecnología.

En su sexta edición (2019), incorpora 174 ciudades de 80 países y considera 96 indicadores

de carácter objetivo y subjetivo. Como complemento del IESE - Cities in Motion Index, el IESE

publica también una serie de minilibros en los que se identifican buenas prácticas para cada

una de las dimensiones.

El objetivo de este estudio es proponer indicadores completos, comparables, objetivos y de

calidad que permitan evaluar, mediante la comparación entre ciudades, el desempeño de

cada una.

Para generar este índice, se mide el desempeño de las ciudades en los distintos indicadores

y se establece un ranking para cada dimensión estudiada. De esta forma se pueden identificar

aquellas dimensiones en las que las ciudades se encuentran en una buena posición y aquellas

en las que podría mejorar. Las ciudades que se sitúan en las primeras posiciones del ranking

de cada dimensión pueden ser tomadas como referencia y mediante su estudio, servir de

referencia para las que no han obtenido tan buena puntuación.

Este trabajo publicado por el IESE ha servido como base para la definición de algunos de los

indicadores de movilidad urbana utilizados en este trabajo y como referencia para identificar

numerosas fuentes de datos. Además, la propia clasificación obtenida en algunas de las

dimensiones ha sido utilizada como indicador para este trabajo.

6 Una red mundial de 19 universidades líderes, facilitada en colaboración con la UNESCO cuyos expertos se dedican al estudio de las innovaciones, al planteamiento de escenarios futuros y a la descripción de las tendencias más relevantes.



Tabla 2 - Primeras ciudades del índice IESE Cities in Motion Index. Las distintas columnas muestran la clasificación obtenida por las ciudades en las diferentes dimensiones y en la última se muestra la clasificación

global. Datos extraídos manualmente (Pascual y Enric Ricart 2019).

3.1.2.3 Institute for Urban Strategies - Global Power City Index 2018

Este índice evalúa las ciudades en función de su magnetismo, es decir, en función de su

capacidad para atraer capital humano y económico desde otros lugares del mundo. En él se

evalúan 44 ciudades en función de su desempeño en 6 dimensiones: Economía, Investigación

y Desarrollo, Cultura Internacional, Habitabilidad, Medio ambiente y Accesibilidad. Al igual que

en el caso del IESE – Cities in Motion Index, se establece una clasificación de ciudades para

cada una de las dimensiones y finalmente se establece una clasificación global.

A pesar de contar con autores y contribuyentes procedentes de todo el mundo, los autores

principales de este trabajo son japoneses. Este hecho confiere a este índice una visión

ligeramente diferente a las visiones presentadas por los otros índices, contribuyendo a la

visión global a la que aspira este trabajo. Este índice ha servido como inspiración para la

definición de los indicadores utilizados.

3.1.2.4 Deloitte - City Mobility Index 2019

Este índice publicado a principios de 2019 ofrece a los líderes, gobernantes y planificadores

urbanos de las ciudades, datos que permiten orientar sus estrategias de movilidad urbana. En

concreto este estudio se focaliza en el concepto de movilidad urbana inteligente y evalúa, para

55 ciudades de todo el mundo, 15 indicadores de movilidad urbana organizados en torno a 3

pilares:

1. El desempeño y la resiliencia: Congestión, Fiabilidad del transporte público,

Seguridad del transporte público, Integración y Movilidad compartida y Calidad del aire.

City Country

Eco

no

my

Hu

man

cap

ital

Soci

al c

oh

esio

n

Envi

ron

men

t

Go

vern

ance

Urb

an p

lan

nin

g

Inte

rnat

ion

al

ou

trea

ch

Tech

no

logy

Mo

bili

ty a

nd

tran

spo

rtat

ion

Cit

ies

in M

oti

on

London UnitedKingdom 12 1 45 34 7 9 1 8 3 1

NewYork USA 1 3 137 78 26 2 8 11 5 2

Amsterdam Netherlands 10 36 38 28 27 11 2 7 11 3

Paris France 8 6 86 54 37 50 3 15 4 4

Reykjavík Iceland 90 53 18 1 19 108 22 4 46 5

Tokyo Japan 3 9 49 6 71 24 35 20 29 6

Singapore Singapore 21 44 47 10 20 31 4 1 67 7

Copenhagen Denmark 25 28 11 3 12 75 16 10 25 8

Berlin Germany 50 5 39 47 6 40 5 32 6 9

Vienna Austria 57 23 31 15 25 45 7 13 7 10

HongKong China 29 17 140 20 21 8 15 2 40 11

Seoul SouthKorea 15 14 95 32 39 27 34 6 17 12

Stockholm Sweden 18 58 60 5 24 48 24 14 21 13

Oslo Norway 17 71 20 8 52 54 19 17 20 14

… … … … … … … … … … … …

Lahore Pakistan 151 172 173 171 168 174 166 172 147 173

Karachi Pakistan 112 171 172 174 174 171 174 167 153 174

Metodología


2. La visión y el liderazgo: Visión y estrategia, Inversión, Innovación, Regulación

medioambiental e Iniciativas de sostenibilidad medioambiental.

3. Los servicios y la inclusión: Oferta de transporte público, Coste del transporte

público, Versatilidad, Satisfacción del cliente y Accesibilidad.

Tabla 3 – Indicadores de movilidad urbana del Deloitte - City Mobility Index 2019 (Deloitte 2018a).

Cada uno de los indicadores es evaluado con una puntuación únicamente visualizable de

manera interactiva a través de la página web de Deloitte7. Mientras que las otras fuentes

7 Link: https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/deloitte-urban-mobility-index-for-cities.html

https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/deloitte-urban-mobility-index-for-cities.html

https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/deloitte-urban-mobility-index-for-cities.html



contemplan aspectos de las ciudades a nivel global, este índice ha sido utilizado

especialmente para la obtención de los indicadores relacionados con el transporte.

3.1.2.5 ISO – 37120, Indicators for city services and quality of life

Aunque sin incorporar la clusterización jerárquica como herramienta para comparar el

desempeño de las ciudades con el de aquellas que son similares en términos de movilidad

urbana, un enfoque similar al que se plantea en este trabajo puede encontrarse en la norma

ISO 37120.

En este caso los indicadores utilizados no miden la movilidad urbana sino la capacidad de la

ciudad para ofrecer servicios y asegurar una buena calidad de vida de sus habitantes. Al igual

que con el objetivo inicial de este trabajo, la norma ISO 37120, Sustainable cities and

communities – Indicators for city services and quality of life (International Organization for

Standardization 2017) proporciona una serie de indicadores que miden el desempeño de las

ciudades en distintas áreas y permiten, mediante la comparación de unas ciudades con otras,

extraer lecciones y descubrir nuevas soluciones innovadoras («New International Standard for

measuring the performance of cities going “smart”» 2019). Esencialmente, se busca poder

evaluar el nivel de desarrollo de las ciudades en distintos aspectos y ayudar a la fijación de

objetivos.

Otro aspecto común entre la normativa ISO 37120 y este trabajo es la diferenciación de los

indicadores en dos niveles de relevancia. En el caso de la norma ISO 37120, se definen 46

indicadores clave (core) que equivalen a los KPIs de este trabajo y 54 indicadores de apoyo

(support) que equivalen a los otros indicadores no clasificados como KPI en este trabajo. Un

tercer grupo de indicadores definidos en la norma ISO 37120 son los indicadores de tipo perfil

(profile) de los cuales se definen 39. Se trata de indicadores de tipo informativo que aportan

información estadística básica.

La información correspondiente a los indicadores definidos en la norma ISO 37120 ha sido

recopilada para las 30 ciudades que participan en la iniciativa y se puede consultar en su

página web (Open data for cities 2019). Sin embargo, únicamente está disponible de forma

visual, haciendo imposible la explotación de esta información para la clusterización jerárquica

que se realiza en este trabajo. Además, de entre todos los indicadores evaluados por la

normativa ISO 37120, los indicadores específicos de movilidad urbana son muy limitados. En

cualquier caso, las conclusiones que se podrían obtener de una clusterización jerárquica

realizada únicamente con 30 ciudades serían muy limitadas.

La existencia de una normativa ISO que trata de realizar algo similar a lo que se plantea en

este trabajo demuestra que el enfoque elegido es bueno. La clusterización de las ciudades

para que se preste una mayor atención a aquellas ciudades que son similares a la ciudad

estudiada aspira a complementar el estudio de los indicadores.

3.1.3 Criterios de selección de las ciudades estudiadas

Aunque el objetivo original del trabajo era incluir el mayor número posible de ciudades y que

estas fueran de todo el mundo, la disponibilidad de datos para realizar la clusterización ha

sido finalmente lo que ha determinado la lista final de ciudades estudiadas en este trabajo.

Para elegir qué ciudades figuran en la base de datos utilizada en este trabajo se ha partido de

la base de ciudades con más de 300.000 habitantes de la ONU. En primer lugar y, dado que

muchos de los indicadores solo están disponibles para países de la OECD, se ha limitado el

estudio a ciudades de la OECD (criterio 1). En segundo lugar, se han seleccionado a aquellas

ciudades que, perteneciendo a la OECD, han sido consideradas en el IESE Cities in Motion

Index (criterio 2). El tercer criterio aplicado ha sido el de incluir únicamente las ciudades que,

Metodología


perteneciendo a la OECD y habiendo sido incluidas en el IESE Cities in Motion Index, estén

presentes en la mayoría de las bases de datos de Numbeo (criterio 3).

Finalmente se han añadido algunas ciudades que no llegan a 300.000 habitantes y se han

eliminado algunas ciudades que, si bien cumplían los 3 criterios, tenían muchos de los datos

no disponibles.

3.1.4 Definición de los indicadores de movilidad urbana y selección

de los KPIs

Los indicadores de movilidad urbana son parámetros de referencia de las ciudades que se

utilizan para medir, estimar o comparar las características o el nivel de desarrollo de distintos

aspectos de las ciudades. En concreto, en este trabajo se van a definir indicadores que estén

relacionados con la movilidad urbana, es decir, parámetros cuya alteración condicionará la

movilidad del presente o la movilidad del futuro o bien parámetros que sirven para caracterizar

la movilidad urbana.

Algunos de los indicadores son puramente cuantitativos y otros permiten medir de forma

cuantitativa, aspectos cualitativos de la movilidad urbana. Algunos indicadores deben ser

considerados en función de la población para evitar que el tamaño de la ciudad desvirtúe el

indicador. En estos casos, se han ponderado dividiéndose entre la población de la ciudad.

Esto permite comparar adecuadamente ciudades de distinta población.

3.1.4.1 Utilización de los indicadores disponibles en las bases de datos de

referencia

Teniendo en cuenta toda la información publicada en diversos estudios y por distintas

organizaciones como el Cities in Motion Index del IESE, el City Mobility Index de 2019 de

Deloitte o los indicadores definidos en la norma ISO 37120 - Sustainable cities and

communities – Indicators for city services and quality of life entre otras fuentes bibliográficas,

se podrían utilizar los rankings o puntuaciones obtenidas en los distintos parámetros como

indicadores para realizar la clusterización de las ciudades. Sin embargo, estos datos podrían

llevar a la obtención de resultados erróneos al realizar la clusterización.

Estos índices evalúan de forma general el desempeño de cada ciudad en dimensiones

globales. Por ejemplo, el Cities in Motion Index del IESE realiza una clasificación para la

dimensión Indicadores de Movilidad y Transporte que se basa en el desempeño de las

ciudades en 10 parámetros distintos: Índice de tráfico, Índice de ineficiencia, Índice de

ineficiencia, Índice de tráfico para desplazarse al trabajo, Bikesharing, Longitud del sistema

de metro, Estaciones de metro, Vuelos, Tren de alta velocidad, Vehículos y Bicicletas por

hogar.

El Cities in Motion Index publicado por el IESE sitúa a Madrid en el número 9 del ranking para

la dimensión Indicadores de Movilidad y Transporte y a Amsterdam en el número 11, es decir,

se considera que el nivel de desarrollo de la movilidad y el transporte de ambas ciudades es

similar. Si se realizara una clusterización teniendo en cuenta únicamente este indicador,

ambas ciudades aparecerían en el mismo clúster ya que de las 174 ciudades estudiadas,

Madrid y Amsterdam han obtenido una puntuación global muy similar.

Ambas ciudades han obtenido una clasificación global similar porque de manera conjunta y

teniendo en cuenta todos los indicadores, obtienen una puntuación global similar. Sin

embargo, si analizamos detalladamente los indicadores que componen la dimensión

Indicadores de Movilidad y Transporte es evidente que estas dos no obtienen los mismos

resultados en los distintos indicadores. Por ejemplo, el metro de Amsterdam tiene solo 33

kilómetros de línea frente a los 293 kilómetros del metro de Madrid y en cambio, el 53% de la



población de Amsterdam hace uso de bicicleta para ir al trabajo mientras que tan solo un 2%

de la población usa la bicicleta en Madrid.

Como no tenemos acceso a los datos correspondientes a los indicadores sino solamente a la

clasificación obtenida en cada dimensión, únicamente podemos usar esta clasificación como

indicador adicional que proporciona información sobre el rendimiento general en las distintas

dimensiones.

Así pues, para realizar una clusterización correcta, los datos obtenidos en las fuentes de

información y bases de referencia no son suficientes y debemos remitirnos a los datos puros

evitando que queden ocultos los rasgos característicos de las ciudades. Como se indica

previamente, las fuentes y bases de datos de referencia si servirán como referencia para

definir los indicadores utilizados en este trabajo y como indicadores de rendimiento a modo

general en el caso del IESE Cities in Motion Index.

Sí podemos utilizar los resultados obtenidos en el IESE Cities In Motion Index para detectar

correlaciones entre el desempeño de las ciudades en las distintas dimensiones. Para ello se

han estudiado, utilizando R8, las correlaciones entre las clasificaciones obtenidas. Los

resultados son los siguientes:

Tabla 4 - Correlaciones entre las clasificaciones obtenidas por las ciudades en las distintas dimensiones estudiadas en el IESE Cities In Motion Index.

Las observaciones más destacables son:

1. Correlación de 0,76 entre el desempeño en la dimensión Tecnología y el desempeño

en la dimensión Economía.

2. Correlación de 0,74 entre el desempeño en la dimensión Capital Humano y la

dimensión Gobernanza. Misma correlación de 0,74 también entre las dimensiones

Tecnología y Gobernanza.

3. No existe ninguna dimensión que esté especialmente correlacionada con la dimensión

Movilidad y Transporte. Cabe destacar que la correlación obtenida con la dimensión

gobernanza es prácticamente nula (0,05).

Los resultados obtenidos del análisis de las correlaciones muestran la complejidad de la

movilidad urbana. Al no existir correlaciones destacables con otras dimensiones, resulta

8 Código utilizado disponible en anexos.

Dimensión

Eco

nom

y

Hum

an.c

apit

al

Soci

al.c

ohe

sio

n

Envi

ronm

ent

Go

vern

ance

Urb

an.p

lann

ing

Inte

rnat

iona

l.out

reac

h

Tech

nolo

gy

Mo

bilit

y.an

d.tr

ansp

ort

atio

n

Economy 1 0,68 0,52 0,21 0,07 0,61 0,72 0,76 0,54

Human.capital 0,68 1 0,47 0,26 0,74 0,69 0,66 0,66 0,56

Social.cohesion 0,52 0,47 1 0,44 0,62 0,33 0,42 0,62 0,58

Environment 0,21 0,26 0,44 1 0,39 0,25 0,31 0,34 0,37

Governance 0,07 0,74 0,62 0,39 1 0,62 0,68 0,74 0,05

Urban.planning 0,61 0,69 0,33 0,25 0,62 1 0,61 0,61 0,46

International.outreach 0,72 0,66 0,42 0,31 0,68 0,61 1 0,07 0,52

Technology 0,76 0,66 0,62 0,34 0,74 0,61 0,07 1 0,52

Mobility.and.transportation 0,54 0,56 0,58 0,37 0,05 0,46 0,52 0,52 1

Metodología


especialmente complicado predecir el desempeño en materia de movilidad urbana de las

ciudades.

3.1.4.2 Definición de los indicadores utilizados en este trabajo

Para identificar los parámetros que se van a utilizar en la clusterización de las ciudades se

han definido los indicadores que hipotéticamente se utilizarían para caracterizar

adecuadamente la movilidad urbana de una ciudad. Para ello se ha realizado un mapa mental

de los indicadores en varios niveles.

Al realizar un mapa mental se realiza un mejor análisis en profundidad de todos aquellos

aspectos que afectan a la movilidad urbana, independientemente de que en un principio pueda

parecer que no tienen ninguna influencia en ella. Otra ventaja de hacer el mapa mental es la

posibilidad de agrupar los indicadores en distintas áreas y niveles de importancia. Esto permite

que se puedan realizar clusterizaciones a distintos niveles. Así, se podrían clusterizar las

ciudades en función de los indicadores de la dimensión Economía, clusterizarlas teniendo en

cuenta únicamente los indicadores correspondientes al transporte público o bien realizar una

clusterización con todos los indicadores a la vez.

Las 5 grandes dimensiones de indicadores que influyen en la movilidad urbana son:

1. Cultura y Aspecto Social

2. Demografía y Geografía

3. Economía

4. Medio Ambiente

5. Transporte

A partir de esos 5 grandes grupos y siguiendo una estructura de mapa mental se han ido

disgregando las distintas dimensiones hasta llegar a indicadores específicos que

potencialmente podrían ser cuantificables. Las distintas ramas se han desarrollado hasta el

nivel de detalle que se ha considerado adecuado para el estudio que se pretende realizar. El

mapa mental se muestra al completo más adelante en la ilustración 15 y puede ser

contemplado en tamaño aumentado al final de este trabajo.

No todas las ramas se han desarrollado hasta el mismo nivel de detalle. En algunas se llega

a un indicador cuantificable rápidamente y en otras se van sucediendo distintos niveles hasta

llegar al indicador. Lógicamente, la dimensión Transporte tiene un grado de desarrollo mucho

más elevado porque tiene un mayor impacto en la movilidad urbana.

Con este proceso de definición de indicadores siguiendo un mapa mental, se han obtenido

250 indicadores. Estos indicadores son los indicadores que idealmente, podrían ser usados

para caracterizar la movilidad urbana de una ciudad y realizar la clusterización jerárquica, sin

embargo, no todos ellos tienen la misma influencia en la movilidad urbana.

Es importante destacar que, en la definición de los indicadores, se han buscado indicadores

que puedan ser cuantificables y de los que existan datos disponibles u obtenibles.

3.1.4.3 Selección de los KPIs

De entre todos los indicadores definidos se han seleccionado aquellos que se han

considerado especialmente relevantes para la movilidad urbana. Se trata de indicadores

característicos de alto impacto en la movilidad. Además, y dado que el objetivo es poder

utilizar los KPIs para realizar la clusterización, se ha tratado de seleccionar KPIs que

estuvieran disponibles o fueran obtenibles de forma sencilla. La objetividad de los indicadores

seleccionados como KPI también ha sido un aspecto considerado.



En la siguiente figura se muestra el mapa mental de indicadores. Aquellos con la letra en rojo

son los seleccionados como KPI. Para aquellos indicadores de los que se dispone de datos,

se ha indicado la fuente. Adicionalmente, se indica, mediante el color del subrayado, la

disponibilidad de datos referentes a los indicadores de las ciudades estudiadas. En verde se

subrayan los indicadores de los que se dispone de datos para las 79 ciudades estudiadas. En

naranja se subrayan los indicadores para los que se dispone de datos para gran parte de las

79 ciudades estudiadas, pero no para todas ellas. En azul, se han subrayado aquellos

indicadores de los que, aunque no se han obtenido los datos, sí se ha identificado la fuente

de la que se podrían obtener. Para facilitar su lectura se han dispuesto los indicadores de

cada dimensión de forma individual en los anexos de este trabajo.

Ilustración 15 - Mapa mental de indicadores y KPIs.



Obtención de los datos necesarios para la realización

del análisis de los KPIs y la clusterización

Para poder valorar los indicadores se han recopilado datos de distintas fuentes. La cantidad

de fuentes de datos disponible en internet es enorme, sin embargo, los distintos estudios y

fuentes de datos disponibles suelen centrarse únicamente en ciudades correspondientes a

una determinada región o país. Para poder incorporar datos de los KPIs para un gran número

de ciudades a nivel global se ha recurrido a fuentes de información globales como WorldBank

o UN-Database. A la información obtenida en estas fuentes globales se ha añadido

información de fuentes regionales como Eurostat, la base de datos de la OECD y otras fuentes

locales como pueden ser las propias bases de datos de los ayuntamientos.

Además, se han incorporado datos extraídos de estudios realizados por diversas

organizaciones tanto públicas como privadas. Las más importantes forman parte de las

fuentes de información y bases de datos de referencia identificadas en la primera fase del

trabajo. A esto hay que añadir los datos que facilitan empresas privadas o páginas que

comparten sus datos. Existen además rankings que son publicados en internet por distintos

organismos y que se crean de forma cooperativa a través de la colaboración de distintos

usuarios como por ejemplo la página nomadlist.com en la que los usuarios de la comunidad

aportan sus valoraciones e impresiones de las ciudades que visitan. Finalmente, algunos de

los datos se han obtenido de forma manual a partir de Google Maps.

3.2.1 Necesidad de datos precisos y sin sesgo

La fiabilidad de los datos utilizados cobra especial importancia cuando se comienza a disponer

de gran cantidad de datos y sobre todo cuando entra en juego el procesamiento automático

de datos, y técnicas de inteligencia artificial y machine learning. En el caso del análisis

realizado en este trabajo, la clusterización va a agrupar las ciudades de forma automática y

por lo tanto, para evitar que los resultados sean incoherentes o estén sesgados, hay que

asegurar que los datos son suficientemente fiables.

Un ejemplo de funcionamiento incorrecto debido a la utilización de datos sesgados en una

herramienta tecnológica que se ha desarrollado utilizando inteligencia artificial es el caso de

los softwares de reconocimiento facial. El software de reconocimiento facial fue presentado

por primera vez en el Security show Japan en 2005 por OMRON Corporation. Esta tecnología

recibió el nombre de OKAO Vision Face Recognition Sensor (MD Robin [sin fecha]). A pesar

de no ser una tecnología nueva, no ha sido hasta el lanzamiento del iPhone X de Apple cuando

ha empezado a extenderse y llegar al usuario general.

En realidad, esto es lo que se podría pensar, sin embargo, el usuario medio del iPhone X no

es representativo de la sociedad, ni siquiera en el mundo desarrollado. Con un precio que

comienza en 1155,28€9 para la versión más básica, el iPhone X está solo al alcance de una

pequeña minoría y esta tiene unas características bastante específicas.

Los softwares de reconocimiento facial que utilizan inteligencia artificial para aprender e ir

mejorando utilizan los datos de sus usuarios, es decir utilizan las características de la cara.

Como la mayoría de los usuarios del iPhone X son personas occidentales de piel blanca, el

software contará con un gran número de imágenes de caras de piel blanca y mejorará su

capacidad de detección para este tipo de usuarios. Para aquellos tipos de cara con los que el

9 Precio consultado en página oficial de Apple. Link: https://www.apple.com/fr/shop/buy-iphone/iphone-xs

Metodología


software no ha podido entrenarse, los resultados serán peores. Se introduce así un sesgo en

la capacidad de detección de personas de distintos grupos sociales.

Por otro lado, hay que tener en cuenta quién está desarrollando los softwares de Inteligencia

Artificial. Si descartamos, a pesar de su enorme progreso en la última década, la contribución

tecnológica de China, nos encontramos con que las principales empresas tecnológicas son

americanas: Apple, Microsoft, Amazon, IBM, Google, Tesla o Uber son solo algunos ejemplos.

En el caso de Google, solo el 2,5% de sus trabajadores son de raza negra. En Microsoft y

Facebook la raza negra tan solo representa el 4% (Crawford, West y Whittaker 2019).

Además de esta desigualdad entre personal de color y personal blanco, existe una gran

desigualdad entre hombres y mujeres trabajando en Inteligencia Artificial. Estudios recientes

demuestran que solo el 18% de los expertos que participan en las conferencias de Inteligencia

Artificial de referencia son mujeres (Gagne, Kiser y Mantha 2019) y que más del 80% de los

profesores de Inteligencia Artificial son hombres (Shoham et al. 2018). En las empresas, tres

cuartas partes de las personas que trabajan en el desarrollo de software en EE. UU. son

hombres y esta diferencia entre hombres y mujeres es aún más destacable en los ámbitos de

la Inteligencia Artificial. De esta forma se introduce una segunda fuente de sesgo derivada del

propio desarrollo del software.

Así, no solo las imágenes de las que dispone la Inteligencia Artificial para aprender son

principalmente de personas blancas, sino que además, las personas que están desarrollando

el software son principalmente hombres blancos.

No son de extrañar por tanto los resultados obtenidos por Joy Buolamwini del MIT Media Lab.

Según su estudio, la tasa de error en el reconocimiento facial de hombres blancos es inferior

al 1%, ascendiendo al 7% para mujeres blancas. La tasa de error para los hombres de color

es del 12% y asciende notablemente para las mujeres de color que, con un 35% de tasa de

error, son las más discriminadas por el software de reconocimiento facial (Buolamwini y Gebru

2018).

El caso del sesgo introducido en los sistemas de reconocimiento de imagen muestra la

necesidad de prestar especial atención a la hora de incorporar datos lo menos sesgados

posibles al realizar la clusterización jerárquica.

3.2.2 Dificultades para la obtención de los datos correspondientes a

los indicadores:

La creación de la base de datos sobre la que se realiza el análisis y la clusterización ha sido

uno de los retos más importantes de este trabajo y, finalmente, solo se han logrado obtener

datos para algunos de los KPIs. Han sido identificadas las siguientes dificultades:

1. Amplia diversidad de datos que hay que extraer de distintas fuentes. Al analizarse

ciudades de todo el mundo, la información no es sencilla de extraer. En algunas zonas

como Africa o Asia se cuenta con muy pocas fuentes de información y es por esto por

lo que no se han incluido en el trabajo.

2. Algunos de los indicadores son difíciles de cuantificar. Para valorarlos sería necesario

realizar encuestas, contar con el feedback de algún experto o persona que conozca la

ciudad o bien desplazarse a la ciudad y hacer personalmente las observaciones

necesarias.

3. Muchos de los datos no se obtienen de bases de datos, sino que han de ser extraídos

manualmente de diversas páginas web. Esto supone un gran esfuerzo de extracción,



filtrado y procesamiento. Resulta especialmente laborioso realizar la limpieza de tantos

datos

4. Muchos de los indicadores se pueden obtener a nivel de país, pero no están

disponibles a nivel ciudad. Algunos de estos datos disponibles únicamente a nivel

nacional son datos de carácter económico, estadísticas de educación y en general

todos aquellos datos disponibles en la base de datos de la ONU.

5. Los nombres de las ciudades cambian según el lenguaje de la base de datos. Esto

dificulta enormemente el tratamiento de los datos. Para facilitar el tratamiento, se ha

optado por utilizar los nombres de las ciudades tal y como aparecen en la base de

datos de la ONU.

Metodología


Análisis de los KPIs y clusterización

La fase final del trabajo consiste en la realización del análisis cualitativo de los KPIs y la

posterior clusterización de las ciudades a partir de los datos referentes a los KPIs que han

sido previamente obtenidos. Tras la clusterización de las ciudades se ha realizado un análisis

a alto nivel de los resultados obtenidos.

A continuación, se presenta la metodología utilizada para el análisis de los KPIs y la

clusterización.

3.3.1 Análisis de los KPIs

En esta fase se han ido analizando los distintos KPIs que se proponen en este trabajo. Se ha

justificado la influencia que tienen en la movilidad urbana y se ha valorado la información que

aportan para la caracterización de la movilidad urbana.

Algunos KPIs se han analizado más en profundidad y se han reflejado las observaciones que

se han considerado pertinentes. En aquellos casos en los que se hayan descubierto

curiosidades o datos interesantes también se han mostrado.

3.3.2 Clusterización de las ciudades en función de los KPIs

3.3.2.1 Técnicas de clusterización

La clusterización jerárquica es una técnica descriptiva de minería de datos (data mining10) que

se utiliza para construir una jerarquía de clústeres (agrupaciones de individuos) y cuyo objetivo

principal es descubrir un nuevo conjunto de categorías (clústeres). Las agrupaciones

obtenidas son interés por sí mismas y su valorización es intrínseca (Rokach y Maimon

2005).

A diferencia del análisis factorial, la clusterización permite que todos los parámetros sean

considerados para la clasificación evitando la pérdida de información. Además, las variables

cualitativas pueden ser consideradas siempre y cuando sean transformados

adecuadamente11 en variables cualitativas.

Un buen método de clusterización permite crear agrupaciones en las cuales existe un gran

parecido (minimización de las distancias intra grupales) entre los miembros del clúster y una

gran diferenciación con los otros clústeres (maximización de las distancias intergrupales).

Ilustración 16 - Ilustración extraída de los apuntes del curso Analyse de Données de Sandie Ferrigno. Ecole des

Mines, Nancy.

10 Información adicional sobre data mining disponible en el glosario. 11 Calcular por ejemplo la distancia khi2 entre los perfiles de los individuos y realizar la clusterización sobre dicha tabla de distancias.



Según Cuadras (CUADRAS AVELLANA 1981), una clusterización pueden ser:

▪ Aglomerativa (de abajo a arriba) o divisiva (de arriba abajo):

- Aglomerativa: Si se parte de los individuos y se les va agrupando

progresivamente para formar nuevos grupos que se evalúan como un nuevo

individuo y continúan siendo agrupados con el resto de los individuos o grupos

de individuos.

- Divisiva: Cuando se parte de un conjunto formado por todos los individuos y se

divide sucesivamente en grupos más pequeños.

▪ Jerárquica o no jerárquica:

- Jerárquica: Cuando los grupos se van fusionando o subdividiendo en el caso de

ser descendente para formar grupos menos homogéneos. Esto genera una

relación de proximidad entre los distintos grupos.

- No jerárquica: Si los grupos establecidos no guarda ninguna relación entre ellos.

▪ Monotética o politética:

- Monotética: Cuando una de las características es muy relevante. En general se

procede de forma divisiva en estos casos.

- Politética: En aquellos casos en los que existen muchas características a

evaluar. Se procede de forma aglomerativa en estos casos.

En el caso de realizar una clusterización de tipo aglomerativa, se debe seleccionar el método

aglomerativo que se utiliza. Existen numerosos métodos. Los métodos más habituales son el

método Ward.D, el Ward.D2, el Single, el Complete, el Average, el McQuitty, el Median y el

Centroid. Todos ellos se basan en la agrupación progresiva de los individuos, que se

consideran como clústeres independientes, de manera que se minimice la distancia entre

clústeres.

Los distintos métodos se diferencian en la definición de distancia que utilizan. El método que

ofrece los mejores resultados es el método de Ward o método de la pérdida mínima de

inercia12. Tal y como se explica en la página web de la Universidad de Valencia (Universidad

de Valencia [sin fecha]), Ward propuso que al fusionar dos individuos para formar un clúster,

la pérdida de información puede medirse mediante la suma total de las desviaciones entre

cada individuo y la media del clúster al que potencialmente podría integrarse. Para minimizar

esta pérdida de información se compara una a una la distancia obtenida de la unión de cada

par de individuos (o clústeres en el caso de que ya hayan sido agrupados varios individuos) y

se realiza el emparejamiento que presente una distancia mínima.

Las técnicas de clusterización son adecuadas para aquellos casos en los que se dispone de

un gran volumen de datos y se requiere realizar una división en grupos homogéneos. Existen

numerosos casos de aplicación como por ejemplo el reconocimiento de formas, el análisis de

datos espaciales, el tratamiento de imágenes, análisis económicos y de marketing o análisis

de visitas de páginas web. En el sector médico, se utilizan para determinar grupos de

pacientes y para segmentar grupos de clientes y adaptar consecuentemente las estrategias

de marketing.

12 Según una investigación realizada por Kuiper y Fisher y en comparación con los métodos mínimo, máximo, media y centroide.

Metodología


3.3.2.2 Aplicación de la clusterización para la agrupación de las ciudades en

función de los KPIs estudiados

En este trabajo se ha realizado una clusterización jerárquica ascendente de tipo politética de

las 79 ciudades estudiadas en función de los KPIs de los que se dispone de datos y no han

sido descartados por estar correlacionados con otros KPIs13.

La clusterización es de tipo jerárquica, porque resulta interesante conocer la relación existente

(proximidad o lejanía) entre los distintos clústeres y de tipo ascendente (aglomerativa)

politética porque es el tipo adecuado para aquellas clusterizaciones en las que se consideran

muchos factores. El método aglomerativo utilizado en este trabajo es el método Ward.D2 por

ser el que proporciona los mejores resultados. La diferencia con respecto al método Ward.D

es que las distancias están elevadas al cuadrado según el nuevo criterio que introdujo Ward

en 1963.

Como los datos utilizados para cuantificar los KPIs están expresados en escalas muy distintas,

estos serán normalizados antes de realizarse la clusterización. Además, para aquellos KPIs

que están fuertemente correlacionados, para evitar el uso de información redundante, se ha

optado por utilizar únicamente uno de ellos en la clusterización.

3.3.2.3 Utilización de R para realizar la clusterización jerárquica ascendente

politética de 79 ciudades en función de 42 KPIs

Para realizar la clusterización se hace uso de la función hclust de R, la cual utiliza una serie

de métodos para realizar la clusterización jerárquica de un número n de individuos (79

ciudades) en función de un número p de parámetros (X KPIs).

En R la formulación utilizada para realizar una clusterización jerárquica es la siguiente:

hclust(d, method = "complete", members = NULL)

Donde d es una matriz de distancias calculada por la función dist a partir de los datos

previamente normalizados mediante la función scale. Method representa el método

aglomerativo utilizado, en este trabajo, el método Ward.D2.

Para realizar la representación gráfica de la clusterización jerárquica se utiliza la siguiente

formulación:

plot(x, labels = NULL, hang = 0.1, check = TRUE,axes = TRUE, frame.plot =

FALSE, ann = TRUE, main = "Cluster Dendrogram", sub = NULL, xlab =

NULL, ylab = "Height", ...)

El código completo utilizado en este trabajo está disponible en el apartado anexos donde

también se puede encontrar una tabla donde aparecen todos los datos utilizados en la

clusterización.

13 Los KPIs no considerados por estar correlacionados se indican en el apartado análisis de los KPIs y la tabla de correlaciones entre los KPIs de los que se dispone de datos puede consultarse en los anexos de este trabajo. Los KPIs no considerados son: Nº de paradas de metro, Tráfico en horas punta y el índice de ineficiencia.



4 Resultados y Discusión

Análisis de los KPIs

En las siguientes páginas se estudian los KPIs agrupados según la dimensión a la que

pertenecen. Aquellos KPIs para los que se disponga de datos para las 79 ciudades estudiadas

en este trabajo se han indicado en verde. Aquellos para los cuales la disponibilidad de datos

sea parcial se han indicado en naranja y a aquellos KPIs para los que no se dispone de datos

se han marcado en rojo.

4.1.1 Cultura y Aspecto social

Esta dimensión agrupa los indicadores de movilidad urbana que están relacionados con los

aspectos culturales y sociales de los habitantes de las ciudades. Muchos de estos indicadores

reflejan aspectos relacionados con el comportamiento y las costumbres. Otros muestran la

predisposición de la población hacia el cambio y otros, por ejemplo, los relacionados con el

capital humano, reflejan la capacidad de la ciudad para innovar y evolucionar.

Debido a la dificultad que supone medir de forma cuantitativa este tipo de aspectos, se han

utilizado los indicadores correspondientes a 3 de las dimensiones analizadas en el IESE Cities

In Motion Index. Se recuerda que son por tanto indicadores que reflejan el nivel de desempeño

a nivel general de las distintas ciudades.

CU

LT

UR

A Y

AS

PE

CT

O S

OC

IAL

Capital humano

Fuente: IESE Cities in Motion Index

Con el avance de la globalización, el mundo ha entrado en una era en la que las personas,

los productos, el dinero y la información pueden cruzar las fronteras nacionales con

facilidad. A menudo, en las ciudades que resultan atractivas para la gente, estos mismos

productos y capitales se acumulan simultáneamente (Index, Takenaka y Ichikawa 2018).

De igual forma, una ciudad que logre conseguir una movilidad urbana efectiva y eficiente

mejorará la calidad de vida de sus habitantes y servirá como reclamo para el talento. El

talento permite generar innovación y fomenta el desarrollo de las ciudades incluyendo la

movilidad urbana. Para mejorar esta, es necesario combinar decisiones top-down y

botom-up de manera que los responsables de la toma de decisiones en la ciudad sean

también los ciudadanos14.

Otro asunto importante es el aspecto cultural. Éste determina las actitudes sociales hacia

el transporte público y la importancia que se le atribuye a la posesión de un vehículo

propio. Si la población considera que el transporte público “ofrece un servicio a la gente

que es demasiado vieja, demasiado joven, demasiado pobre, demasiado miedosa o

demasiado borracha para conducir un coche o montar en bicicleta”15, por mucho que se

invierta en mejorar el transporte público de una ciudad, si los ciudadanos consideran que

es algo reservado para las bajas clases sociales, la movilidad de dicha ciudad no

mejorará. Ejemplos de lugares donde la propiedad de un vehículo propio está

14 Basado en la presentación de Virginie Boutueil – Investigadora y Vice-Directora del Laboratorio de Transporte y Movilidad de la Ecole des Ponts-ParisTech. NETEXPLO 2019 15 Traducción propia. Artículo disponible en el siguiente link: https://www.economist.com/leaders/2018/06/23/how-to-stop-the-decline-of-public-transport-in-rich-countries

Resultados y Discusión


profundamente arraigada en la sociedad se pueden encontrar en EEUU y cada vez más

en China.

Debido a que los medios digitales juegan y jugarán un papel muy importante en la

movilidad urbana, es importante valorar las aptitudes de la población para utilizar

herramientas digitales. Otros aspectos culturales que influyen o influirán en la movilidad

urbana son la posición adoptada con respecto a la conducción autónoma o actitudes con

respecto a la realización de viajes compartidos con desconocidos.

Para cuantificar el capital humano de las ciudades, se ha utilizado el ranking de la

dimensión Indicadores de Capital Humano del IESE Cities in Motion Index el cual evalúa,

de forma general, el capital humano de la ciudad. Los indicadores que componen esta

dimensión se muestran en la siguiente tabla:

Tecnología


La tecnología juega un papel fundamental en 3 de los 4 modelos de Smart City que se

plantean en este trabajo. El nivel de desarrollo tecnológico, así como las habilidades

digitales de los ciudadanos son las bases necesarias para la implementación de

iniciativas de movilidad avanzadas como puede ser el uso de vehículos autónomos, la

utilización de aplicaciones móviles para la colaboración ciudadana o el control de tráfico

inteligente. Especialmente importante es el nivel de desarrollo digital y la posibilidad de

explotación de los datos obtenidos a través de las cámaras de seguridad, los

smartphones de los ciudadanos y demás sensores, pero más importante aún es el nivel

de tolerancia y aceptación de la intrusión en la vida privada del ciudadano para la

obtención de datos de carácter personal.

Para cuantificar este KPI se ha utilizado el ranking de la dimensión Indicadores de

Tecnología del IESE Cities in Motion Index el cual aporta una visión general del nivel de

desarrollo tecnológico de la ciudad. Los indicadores que componen esta dimensión son:

Tabla 5 - Indicadores de la dimensión Capital Humano. (IESE 2019 Cities in Motion Index).



Cohesión social-IESE


“La movilidad genera una fractura social. Los ciudadanos esperan soluciones que

mejoren la movilidad urbana y promocionen la inserción social y la solidaridad entre

territorios.” (Elisabeth Borne – Ministra de transporte de Francia, traducción propia)

Cualquier decisión sobre la movilidad urbana afecta en distinta mediada a distintos

grupos de población. Por ejemplo, cuando en el siglo XX se impulsó la utilización del

vehículo privado y se adaptaron las ciudades para su uso, los peatones dejaron de poder

moverse libremente por las calles como lo hacían hasta entonces y vieron como su

presencia se vio relegada a las zonas habilitadas.

En aquellas ciudades en las que existe una gran brecha social entre distintos barrios se

deberá trabajar para solucionarla y uno de los aspectos clave consiste en garantizar un

acceso igualitario a la movilidad. Otra brecha social que se ha generado en los últimos

años y que podría aumentar si no se toman las medias adecuadas es la brecha

tecnológica. Cualquier decisión tecnológica de movilidad urbana excluye a aquellas

personas que no disponen del acceso a la tecnología o que no están familiarizados con

su uso.

Para involucrar a toda la población en las decisiones de movilidad urbana es necesario

plantearse las siguientes 3 preguntas16:

16 Basado en la presentación de Brice Laurent – Investigador del Centro de Sociología de la Innovación de la Ecole de Mines-ParisTech. NETEXPLO 2019

Tabla 6 - Indicadores de la dimensión Tecnología. (IESE 2019 Cities in Motion Index).



1. ¿Qué tipo de ciudadano conforman nuestras decisiones tecnológicas?

2. ¿Cómo se manifiestan los efectos de la exclusión?

3. ¿Cómo podemos identificar a los grupos excluidos y ayudarlos a emerger?

Este KPI está íntimamente ligado con el KPI distribución de las zonas ricas y pobres

perteneciente a la dimensión DEMOGRAFÍA Y GEOGRAFÍA.

Para cuantificar la cohesión social de las ciudades, se ha utilizado el ranking de la

dimensión Indicadores de Cohesión Social del IESE Cities in Motion Index el cual

aporta una visión general del nivel de la cohesión social de la ciudad. Los indicadores

que componen esta dimensión son:

Tabla 7 - Indicadores de la dimensión Cohesión Social. (IESE 2019 Cities in Motion Index).



4.1.2 Demografía y Geografía

Los aspectos demográficos de las ciudades determinan el tipo de sistemas de movilidad más

adecuados para la ciudad. Además, aspectos como la edad de los habitantes hacen que la

demanda de varíe. Por ejemplo, las personas ancianas demandarán una buena red de

transporte público que sea accesible, las personas en edad laboral requerirán una red de

transportes e infraestructura que pueda responder adecuadamente a las horas punta y las

personas jóvenes encontraran muy apreciable que la red de transporte público siga operativa

durante la noche.

Aspectos como la distribución de las zonas de trabajo y las residenciales, así como la

morfología de la ciudad condicionarán los flujos de desplazamientos y la propia geografía de

la ciudad condicionará la construcción de infraestructuras de transporte. La situación

geográfica y la existencia de zonas verdes o protegidas también serán condicionantes de la

movilidad urbana.

Los KPIs de la dimensión Demografía y Geografía se analizan a continuación:

DE

MO

GR

AF

ÍA Y

GE

OG

RA

FÍA

Pobla

ció

n

Nº de Habitantes

Fuente: ONU

Es evidente que el número de habitantes de una ciudad afecta a la movilidad urbana.

A pesar de ser un factor importante, no podemos considerarlo de forma aislada sino

junto a otros aspectos como su distribución o la densidad de población de la ciudad.

Por ejemplo, a igualdad de densidad de población, una ciudad con muchos habitantes

podría beneficiarse en mayor medida de un medio de transporte de alta capacidad

como es el metro. Esto es así porque la utilidad de la red de metro crece

exponencialmente con el número de nodos de interconexión entre líneas. Una ciudad

con más habitantes, a igualdad de inversión por habitante, podría disponer de una red

de metro con más líneas y por tanto de mayor utilidad.

Densidad de población

Fuente: United Nations + World Population Review (Ankara, Auckland, Baltimore,

Birmingham, Istanbul, Skopje, Tel Aviv, Wellington, Wroclaw y Zagreb)

La densidad de población refleja la manera en la que el urbanismo de las ciudades ha

sido planificado y determina los medios de transporte más propicios para ella. Las

ciudades europeas, a menudo han sido construidas a lo largo de los siglos y muchas

de ellas cuentan con miles de años de historia. Todos estos años de historia han ido

dejando huella en la manera de construir los distintos barrios y de planificar la

movilidad. Si tomamos como ejemplo el casco histórico de las ciudades europeas,

hasta la invención de la máquina de vapor la movilidad urbana se limitaba a

desplazamientos a pie y raramente a caballo o en carros tirados por caballos. Es por

esto por lo que las ciudades eran construidas de forma compacta y con calles

estrechas.

Este urbanismo originario ha dejado huella en las ciudades europeas las cuales tienen

en general una densidad de población superior a las ciudades de América del Norte.

Estas otras se desarrollaron en el Siglo XX y su movilidad fue concebida para el uso

del coche privado como medio principal de transporte. Es por esto por lo que las

ciudades de América del Norte estudiadas en este trabajo presentan una densidad de



población más reducida y se sitúan predominantemente a la izquierda del gráfico

mostrado a continuación:

Dis

trib

ució

n e

spacia

l de la

pobla

ció

n

Superficie de la ciudad propiamente dicha

Fuente: OECD

Este KPI refleja el tamaño de la ciudad propiamente dicha, es decir la ciudad sin

tener en cuenta el área metropolitana. Es complementario a los KPIs de población

y densidad de población ya que estos hacen referencia al área metropolitana de la

ciudad.

Rascacielos de más de 100m de altura

Fuente: Skyscrapercenter

Este KPI mide la existencia de zonas de alta densidad de población o bien de zonas

en las que se concentra el lugar de trabajo de una gran cantidad de población.

Siguiendo el criterio personal del autor se ha utilizado el número de edificios de más

de 100 metros de altura y no el de otra altura diferente porque si se utiliza una altura

mayor como referencia, muchas ciudades no tendrían ningún edificio de tanta altura

y este KPI no serviría para diferenciarlas. Como referencia, las torres Kio de Madrid

miden 114 metros de altura, la torre Picasso 156 y en total podemos encontrar 14

edificios de más de 100 metros de altura en la ciudad.

Tal y como puede apreciarse en la ilustración 18, se ha observado una tendencia

hacia la construcción de rascacielos en las ciudades de Norte América y de Asia y

Oceanía. Las ciudades europeas, no cuentan con una gran cantidad de este tipo de

edificios y, a pesar de ser mayoritarias en este trabajo, no aparecen entre las

primeras posiciones en número de rascacielos.

Ilustración 17 - Distribución de las ciudades europeas y de Norte América seleccionadas para el trabajo ordenadas en función de su densidad de población.



Ilustración 18 - Ciudades estudiadas en este trabajo con mayor número de rascacielos.

Morfología de la ciudad

Fuente: Clasificación manual utilizando Google Maps

Aunque la forma típica y más común de una ciudad es similar a un círculo, no todas

las ciudades tienen esta forma y esto condiciona la distribución de la población y la

manera en la que se estructuran las vías de comunicación.

Para poder evaluar la morfología de las ciudades estudiadas en este trabajo se han

definido 4 modelos de morfología y cada ciudad ha sido asignada a uno de los 4

grupos utilizando Google Maps. A continuación, se presenta una ciudad

correspondiente a cada tipología:

• 1 - Morfología circular perfecta (Milan)

• 2 - Morfología circular ahuevada (Madrid)

• 3 - Morfología alargada (Barcelona)

• 4 - Morfología irregular (Wellington)



Ilustración 19 - Ejemplos de ciudades clasificadas según los distintos modelos de tipo de morfología definidos.

La morfología circular es la más común porque permite optimizar la distancia al

centro de la ciudad. Además, facilita la construcción de vías principales de

comunicación de forma radial que se entrecrucen con otras circulares de manera

que se optimicen los desplazamientos.

Sin embargo, a menudo existen obstáculos que impiden este tipo de desarrollo

circular de las ciudades. La presencia de montañas, de la costa, de ríos, de espacios

verdes protegidos o incluso la existencia de monumentos históricos o ruinas, hace

que en ocasiones las ciudades adquieran morfologías diferentes.

Estas otras morfologías diferentes a la circular suponen un reto para la movilidad.

Por ejemplo, las ciudades correspondientes al grupo 4 – Morfología irregular, no

suelen presentar vías de circunvalación porque los mismos obstáculos que impiden

la construcción de viviendas, impiden también la construcción de dichas vías.

En otras ocasiones, la existencia de un río o una gran vía de comunicación hace

que se formen corredores de viviendas en torno a ellos asemejándose la distribución

de la ciudad a la de una estrella.

Distribución de zonas ricas y pobres (Precio de apartamento de 3 dormitorios

en el centro de la ciudad / precio de apartamento equivalente en el exterior de

la ciudad)

Fuente: Numbeo

A medida que las ciudades crecen y el precio de las viviendas aumenta, la gente

con menor poder adquisitivo se ve obligada a desplazarse hacia el extrarradio y

acceder a la ciudad a diario para ir a trabajar. A menudo, la opción de desplazarse

en transporte público es demasiado complicada o requiere grandes tiempos de

desplazamiento y la única forma disponible para desplazarse es el coche privado.

Esto contribuye a la congestión de las carreteras, aumenta la contaminación y

genera malestar social y estrés en los ciudadanos.

Además, una diferencia excesiva entre el precio de la vivienda en el centro y en el

extrarradio genera desigualdad social ya que el acceso restringido a la movilidad



hace que las personas del extrarradio se encuentren en desigualdad de

oportunidades a la hora de encontrar un trabajo.

Para evaluar este indicador se ha calculado, a partir de los datos disponibles en

Numbeo, un coeficiente que mide la diferencia entre el precio de un apartamento en

el centro y en el exterior de la ciudad. Liderando la lista de desigualdad en el precio

de la vivienda, se encuentra Nueva York, ciudad en la que el precio de la vivienda

en el centro duplica el de la vivienda en el extrarradio. En Madrid y en Valencia es

aproximadamente 1,5 veces superior en el centro de la ciudad. Es curioso el caso

de Atenas, donde el precio de la vivienda en el centro de la ciudad es ligeramente

inferior al precio en el exterior.

Ge

og

rafí

a

Re

lieve

Relieve

Fuente: No disponible

Este KPI condiciona la construcción de infraestructura en la ciudad. Un relieve

abrupto o montañoso dificultará la construcción de redes de carreteras y de metro e

incluso hará necesario la instalación de escaleras mecánicas (Barcelona y

Medellín), funiculares (Oporto, Lisboa, San Sebastián, Budapest, París…) o

teleféricos (Zacatecas, Oporto, Medellín…)

Por otro lado, ciudades planas como Amsterdam, Copenhagen o Toulouse serán

más propicias para desplazarse en bicicleta. Aquellas ciudades que a pesar de

contar con desnivel quieran ofrecer un servicio de bicicletas públicas, tendrán que

planearlo adecuadamente y tratar de controlar el desequilibrio en el flujo de

bicicletas ya que los usuarios utilizarán con más frecuencia las bicicletas para

descender a la parte baja de la ciudad. En el caso de Pamplona, se dispone de

vehículos que se dedican a subir las bicicletas a las estaciones que se encuentran

en la parte alta de la ciudad.

Proximidad del mar


Las ciudades que se encuentren junto al mar o junto a un lago de grandes

dimensiones, no podrán expandirse más que por un lado y para lograr una buena

movilidad urbana deberán hacer frente a ciertos retos. Por ejemplo, su conexión con

el exterior se verá limitada ya que solo se podrá acceder por un lado de la ciudad.

Además, al verse la ciudad obligada a expandirse por un solo lado, su morfología

se alejará de la óptima distribución circular. Finalmente, la presencia del mar hará

dificil la construcción de vías de circunvalación completas y en algunos casos puede

suponer una dificultad añadida a la hora de construir una red de metro.

Una ventaja que aporta la presencia del mar, especialmente si éste está conectado

con el resto de los océanos, es el acceso al transporte marítimo tanto de mercancías

como de personas.

Para evaluar este KPI, se han observado a través de Google Maps las ciudades y a

cada una se le ha asignado un grupo:

• 0-Ciudades sin mar17

17 Las ciudades que se encuentran próximas al mar, pero no limitan directamente con él no se han considerado como 0-Ciudades sin mar



• 1-Ciudades con mar que no tiene acceso a los océanos (O lago de grandes

dimensiones)

• 2-Ciudades con mar conectado con océanos

Existencia de río


Tradicionalmente los asentamientos humanos que originaron las ciudades fueron

construidos en las proximidades de los ríos, los cuales servían para cubrir las

necesidades de acceso al agua. Posteriormente, los ríos fueron utilizados como

medio de transporte para desplazar personas y mercancías y gracias a la creación

de exclusas, los ríos se hicieron navegables. Este es el caso de la mayoría de las

ciudades europeas que cuentan con río.

Sin embargo, los ríos son una limitación para la movilidad de las ciudades ya que

las separan en dos. Un ejemplo curioso podemos encontrarlo en la ciudad de

Budapest donde el río hizo que hasta muy recientemente fueran dos ciudades

independientes, Buda y Pest. Ambas ciudades no fueron unificadas hasta la

construcción del primer puente de la ciudad en 1849, el Puente de las Cadenas.

En la actualidad se dispone de la capacidad técnica para construir prácticamente

cualquier puente (164,8 km – Gran Puente de Danyang-Kunshan o 12.345 km -

Puente Vasco de Gama sobre el Tajo a su paso por Lisboa), sin embargo, es

evidente que los ríos restringen la movilidad. Los puentes actúan como

concentradores de tráfico y obligan a recorrer distancia extra a peatones y ciclistas

que quieren atravesar el río. Además, la presencia de un río puede suponer una

dificultad añadida para la construcción de una red de metro.

Para evaluar este KPI, se han observado a través de Google Maps las ciudades y a

cada una se le ha asignado un grupo:

• 0-Ciudad SIN río

• 1-Ciudad CON río18

• 2-Ciudad CON río NAVEGABLE

• 3-Ciudad en la que el MAR hace se adquiere un aspecto similar al de un río

NAVEGABLE

18 Algunas ciudades, especialmente en Estados Unidos, presentan enormes canalizaciones para el agua que, si bien habitualmente están secas, actúan como ríos no navegables a efectos de movilidad urbana ya que para atravesarlos es necesario utilizar puentes.



4.1.3 Economía

Los aspectos económicos de una ciudad condicionan el acceso a los medios de transporte de

sus ciudadanos. Las ciudades que cuentan con una buena salud financiera podrán permitirse

realizar una mayor inversión en movilidad y en aquellas en las que el poder adquisitivo sea

elevado en comparación con el coste de vida, los habitantes tendrán mayor libertad para elegir

el medio de transporte con el que realizar sus desplazamientos.

Otros aspectos como la distribución de la riqueza o el tipo de actividad económica que se

desarrolla en la ciudad son aspectos que tienen un impacto en la movilidad urbana. Por

ejemplo, las actividades de tipo industrial están marcadas por rígidos turnos de trabajo y

provocan concentraciones de desplazamientos al inicio y al final de cada turno mientras que

otros tipos de actividad cuentan con mayor flexibilidad y contemplan la posibilidad del

teletrabajo.

EC

ON

OM

ÍA

Tecnología


Este KPI ya ha sido identificado para la dimensión CULTURA Y ASPECTO SOCIAL.

Aunque en la clusterización solo se utilizará una única vez, este KPI se introduce también

en esta dimensión para hacer referencia al aspecto económico de la tecnología.

A pesar de que muchas medidas de mejora de la movilidad están basadas en la

tecnología, en muchos casos, la tecnología es demasiado cara o no está suficientemente

extendida entre la población. Por otro lado, aunque estamos en un mundo global y los

avances tecnológicos se extienden rápidamente, aquellas ciudades en las que se fomente

el emprendimiento y la innovación o aquellas ciudades que cuenten con empresas

digitales o un gran número de patentes y startups, estarán en una posición favorable para

incorporar los avances tecnológicos en primer lugar.

Para los mismos problemas de movilidad urbana, a menudo existen diferentes soluciones

y no siempre la solución tecnológica es la más adecuada. A pesar de que la tecnología es

un medio importante para mejorar la movilidad urbana, la tecnología no lo es todo y se

debe comprender y dominar antes de comenzar a hacer uso de ella de forma

descontrolada. A menudo, soluciones simples y no tecnológicas son la solución perfecta.

Internacionalización


El carácter internacional de la economía de un país hace que se genere un flujo de entrada

y salida de personas y de materias y productos en la ciudad. Este flujo genera una serie

de necesidades de movilidad urbana específicas. Por ejemplo, en Londres, 2 de las 3

carreteras con mayor número de horas perdidas en atasco al año son la A217 (110 horas

perdidas al año) que conecta la ciudad con el aeropuerto de Gatwick, y la A4 (81 horas

perdidas al año) la cual conecta la ciudad con el aeropuerto de Heathrow, el aeropuerto

más transitado del mundo.



Tabla 8 – Carreteras más congestionadas de Londres.

Coste

de v

ida

Coste de vida en general

Fuente: Índice de Costo de Vida (Numbeo)

El coste de vida impacta directamente en las decisiones que toman los ciudadanos a

la hora de planificar su movilidad urbana y ha de evaluarse de manera conjunta con el

poder de adquisición.

En las ciudades estudiadas el coste de vida, en general, no está altamente

correlacionado con el poder adquisitivo. Esto se puede comprobar en el siguiente

gráfico en el cual se han ordenado las ciudades en orden decreciente de coste de vida.

Se puede apreciar cómo, si bien tanto el coste de vida como el poder de adquisición

siguen una tendencia descendente, el poder de adquisición oscila notablemente.

Los habitantes de las ciudades donde el coste de vida sea alto en comparación con el

poder de adquisición, verán reducidas sus posibilidades de elección de medios de

transporte frente a otras en las que el poder de adquisición sea elevado en

comparación con el coste de vida.

Ilustración 20 - Comparación de la puntuación en el índice de coste de vida con la clasificación en el índice de poder adquisitivo.

Para medir el coste de vida se utiliza el Índice de Costo de Vida de Numbeo, “un

indicador relativo de los precios de bienes de consumo, incluyendo comestibles,

restaurantes, transporte y servicios. El Índice de Costo de Vida no incluye gastos de

residencia como alquileres o hipotecas. Si una ciudad tiene un Costo de Vida de 120,



significa que Numbeo estima que es un 20% más cara que Nueva York.” (Numbeo

2019b)

Precio del alquiler

Fuente: Índice de Alquiler (Numbeo)

El precio del alquiler está relacionado con la accesibilidad a la vivienda dentro de la

ciudad. En aquellas ciudades en las que el coste del alquiler sea elevado, habrá un

gran número de personas que se verán obligadas a vivir en ciudades o pueblos de los

alrededores y acceder a la ciudad principal a diario para trabajar o estudiar.

Se utiliza el índice de alquiler de Numbeo para evaluar este KPI.

Poder de adquisición

Fuente: Poder Adquisitivo Local (Numbeo)

Este KPI, que debe de ser considerado de manera conjunta junto con los dos anteriores

(Coste de vida en general y Precio del alquiler), se mide utilizando el índice de Numbeo

Poder Adquisitivo Local el cual “muestra la capacidad adquisitiva relativa a la hora de

comprar bienes y servicios en una ciudad determinada, con relación al salario medio

de la ciudad. Si el poder adquisitivo doméstico es 40, significa que los habitantes de

dicha ciudad con salario medio pueden permitirse comprar una media de 60% menos

bienes y servicios que los habitantes de Nueva York con salario medio”.

Secto

r públic

o

ISO 37120 - Sustainable cities and communities. Indicators for city services and quality of life

Fuente: International Organization for Standardization

La normativa ISO37120 – Desarrollo sostenible en las ciudades, Indicadores para los

servicios urbanos y la calidad de vida, proporciona orientación a las ciudades sobre

cómo evaluar su desempeño para contribuir a los Objetivos de Desarrollo Sostenible

de la ONU. Aquellas ciudades que participan en la norma ISO37120 han sido

identificadas. Para evaluar este KPI, se atribuye un valor 1 a las ciudades que han

adoptado la normativa quedando en 0 el valor del KPI para las ciudades que no la

incorporan.

Gobernanza


En el acto de gobernar intervienen los gobernantes y los gobernados. El modo en que

ambos se relacionan y participan en la toma de decisiones, se conoce como

gobernanza.

Este KPI mide la capacidad de los gobernantes y de los ciudadanos para generar

oportunidades, solucionar problemas, tomar decisiones, lanzar iniciativas en la ciudad

y definir la estrategia de movilidad urbana.

Debido a la elevada inversión necesaria para el desarrollo de la movilidad, los

organismos públicos solo pueden cubrir el 25% de la inversión necesaria. Esta elevada



inversión requerida hace que el desarrollo solo sea posible mediante la colaboración

entre los organismos públicos y el sector privado19.

Esto obliga a establecer una relación entre los organismos públicos y privados en la

que se involucre al ciudadano. La eficacia con la que se gestionen dichas relaciones

determinará el éxito de las medidas de movilidad urbana adoptadas.

Para evaluar este KPI se ha utilizado el ranking de la dimensión Indicadores de

Gobernanza del IESE Cities in Motion Index, el cual evalúa de forma conjunta aspectos

como la corrupción, la disponibilidad de capital para invertir y la existencia de

plataformas de Open Data entre otros indicadores.

Tabla 9 - Indicadores de la dimensión Gobernanza. (IESE 2019 Cities in Motion Index).

19 Gérard Naulleau - Professor at ESCP Europe, specializing in project management in international business environments



4.1.4 Medio ambiente

La relación entre la movilidad urbana y el medioambiente es mutua. Los medios de transporte

tienen un impacto considerable en el medio ambiente, especialmente en la calidad del aire de

las ciudades. Esto hace que, para reducir la contaminación, se adopten a menudo medidas

de restricción de tráfico o se fomentan ciertos medios de transporte que no son contaminantes.

Además, aspectos medioambientales como el clima tienen una gran influencia en la movilidad

urbana.

ME

DIO

AM

BIE

NT

E

Medio ambiente (general)


La situación medioambiental de las ciudades es consecuencia directa en gran medida de

las emisiones generadas por el transporte. Por ejemplo, en la ciudad de Madrid, el

transporte genera el 41% de las emisiones de gases contaminantes, de los cuales el 80%

procede de los vehículos privados20.

Además, las condiciones medioambientales condicionan la planificación de la movilidad.

Por ejemplo, una medida comúnmente adoptada para reducir los picos de contaminación

en los centros urbanos es la restricción de la circulación a ciertos tipos de vehículos. En

ciudades como Copenhagen o Lisboa, el área de bajas emisiones ocupa respectivamente

el 56% y el 30% de la ciudad21.

Tabla 10 - Indicadores de la dimensión Medioambiente. (IESE 2019 Cities in Motion Index).

20 Estudio realizado por Siemens para el ayuntamiento de Madrid. 21 Here Urban Mobility Index. Link: https://urbanmobilityindex.here.com/

https://urbanmobilityindex.here.com/



Este KPI, que pretende reflejar de forma global la situación medioambiental de la ciudad,

se ha evaluado utilizando el ranking de la dimensión Indicadores de Medioambiente del

IESE Cities in Motion Index, el cual evalúa de forma conjunta aspectos como las emisiones

de CO2, metano, partículas PM2,5 y PM10. Además, evalúa otros aspectos como el

cambio climático, los residuos generados y la disponibilidad de recursos hidráulicos entre

otros indicadores.

Clim

a

Pre

cip

itacio

nes

Días de lluvia

Fuente: Extracción manual de varias páginas de internet; Current Results, Holyday weather y otras.

De entre todos los parámetros meteorológicos, el que más afecta a la movilidad es

la lluvia. Es evidente que la lluvia afecta a la movilidad provocando atascos y

accidentes y limitando la movilidad de las personas que se desplazan andando, en

bicicleta o en moto.

Aunque se podría haber utilizado una clasificación climática más detallada como la

clasificación climática de Köppen22, se ha preferido limitar el número de KPIs

relacionados con el clima de la ciudad a las precipitaciones ya que son las más

relevantes y sencillas de obtener.

mm3 de precipitación

Fuente: Extracción manual de varias páginas de internet: Current Results, Holyday weather y otras.

Este KPI mide los mm3 de precipitaciones registrados y complementa al KPI Días

de lluvia.

Conta

min

ació

n

Índice de contaminación

Fuente: Numbeo

Este KPI, evalúa de forma global, el nivel de contaminación de la ciudad. Aunque

algunos de los indicadores utilizados para la creación de este índice también se tienen

en cuenta en el KPI dimensión medio ambiente del IESE, este KPI es más exhaustivo

en los aspectos de contaminación del aire y del agua y añade otros tipos de

contaminación como la acústica y la lumínica.

22 La clasificación climática de Köppen, también llamada de Köppen-Geiger fue creada en 1900 por el científico ruso de origen alemán Wladimir Peter Köppen y posteriormente modificada en 1918 y 1936. Consiste en una clasificación climática mundial que identifica cada tipo de clima con una serie de letras que indican el comportamiento de las temperaturas y precipitaciones que caracterizan dicho tipo de clima (Universidad Nacional de Cuyo 2008).



4.1.5 Transporte

IMPORTANTE: Cuando se estudia el transporte de la ciudad, a menudo se busca evaluar el

grado de desarrollo de las infraestructuras o el uso de ellas. Para evitar que el tamaño de la

ciudad se vea reflejado en todos los indicadores, aquellos indicadores que son de carácter

absoluto (número de usuarios, número de líneas, número de vehículos...) se han ponderado

con el número de habitantes.

TR

AN

SP

OR

TE

Me

dio

s d

e T

ransport

e

NO

Pro

pie

dad N

O C

ontr

ol

Auto

buses

Urb

anos

Nº de líneas de autobuses urbanos / millón de habitantes

Extracción manual de varias páginas de internet: Páginas locales de

transporte público, Wikipedia, páginas de información turística y otras

Obtener los datos correspondientes al sistema de autobuses urbanos es una

tarea complicada por los siguientes motivos:

I. No existen bases de datos de referencia

II. Es difícil diferenciar entre las líneas de autobús urbanas y las

interurbanas. Para este trabajo se han tratado de contabilizar

únicamente las líneas urbanas.

III. No siempre existe una única empresa municipal de transportes. En

casos como la ciudad de Sydney, hasta 11 compañías distintas se

reparten el servicio de autobuses urbanos y en Birmingham 50.

IV. En ocasiones la información no se encuentra disponible en inglés y hay

que recurrir a traducciones.

V. Existen diferentes tipos de líneas urbanas. En este trabajo se han

contabilizado las ordinarias, las nocturnas y las líneas con destino al

aeropuerto.

Ilustración 21 - Autobuses urbanos eléctricos pertenecientes a la flota de autobuses de la ciudad de Shenzhen, la primera flota completamente eléctrica del mundo (16.000 autobuses).

El próximo reto de esta ciudad es electrificar sus 22.000 taxis. Link: https://www.theguardian.com/cities/2018/dec/12/silence-shenzhen-world-first-electric-bus-fleet

https://www.theguardian.com/cities/2018/dec/12/silence-shenzhen-world-first-electric-bus-fleet



Nº de pasajeros de autobuses urbanos / millón de habitantes


Este KPI refleja la capacidad y la utilización del sistema de autobuses urbanos.

Nº de paradas de autobuses urbanos /millón de habitantes

Fuente: Parcialmente disponible

Este KPI mide la accesibilidad de la red de autobuses urbanos. Al estar solo

parcialmente disponible no se utilizará en la clusterización.

Metr

o

Nº de líneas de metro / millón de habitantes

Fuente: Metrobits.org

Todos los datos de los KPIs referentes a la red de metro se han obtenido de la

base de datos de Metrobits.org. Se han seleccionado los más relevantes.

Ilustración 22 - Mapa del metro de Shanghai, el sistema de metro más desarrollado del mundo

(632,1 km, y 394 estaciones). Inaugurado el 10 de abril de 1995. Link: https://www.travelchinaguide.com/cityguides/shanghai/transportation/metro-subway-map.htm

Nº de pasajeros de metro / millón de habitantes


Este KPI refleja la capacidad y la utilización del sistema de metro.



Kilómetros de línea de metro /millón de habitantes


Este KPI mide el nivel de desarrollo infraestructural de la red de metro.

Nº de estaciones de metro / millón de habitantes


Este KPI mide la accesibilidad y el desarrollo infraestructural de la red de metro.

Al tener una correlación de 0,935 con el número de kilómetros de línea de metro,

a la hora de realizar la clusterización solo se va a considerar el KPI kilómetros

de línea.

Compacidad de la red de metro (Distancia media entre estaciones)


La compacidad de la red de metro está íntimamente relacionada con el problema

de la última milla. Una red muy compacta como por ejemplo la de París, con 599

metros de distancia media entre paradas, evita que los pasajeros tengan que

caminar largas distancias al salir del metro.

Tra

nvía

Kilómetros de línea de tranvía / millón de habitantes

Extracción manual de varias páginas de internet: Páginas locales de transporte

público, Wikipedia, páginas de información turística y otras.

Datos estimados en Denver, Boston y Seattle.

Los sistemas de tranvía tuvieron en Europa y en América del Norte (Street cars)

un gran desarrollo a principios del S.XX, cuando la tracción eléctrica sustituyó a

la tracción animal usada hasta entonces.

Más tarde, a mediados del S.XX, el desarrollo del automóvil y de los autobuses

relegó al tranvía a un segundo plano llegando a desaparecer en muchas

ciudades. Sin embargo, recientemente han resurgido y, motivados por la

necesidad de reducir las emisiones de gases contaminantes en las ciudades, se

están construyendo nuevas redes de tranvías en la actualidad.

Especialmente llamativo es el caso de América del Norte, donde el urbanismo

característico de las ciudades deja espacio suficiente para la instalación de vías

de tranvía en la mayoría de las calles. Un ejemplo del renacimidnto del tranvía

es la red DC Streetcar de Washington DC, inaugurada el 27 de febrero de 2016.

Actualmente cuenta con una sola línea de 3,9 kilómetros y 8 paradas, pero está

planeado que crezca hasta los 60 kilómetros en 5 líneas distintas (Washington

Post 2010).

Diferenciar los sistemas de metro de los sistemas de tranvía resulta complicado

porque en ocasiones la red de metro también circula por el exterior. A efectos de

circulación lo verdaderamente diferenciador entre los sistemas de metro y los de

tranvía es el entorno por el que circula el vehículo que transporta los pasajeros.

En el caso de los sistemas de metro, independientemente de si son subterráneos

o circulan por el exterior, los vehículos se mueven por zonas a las que nadie tiene



acceso y el resto del tráfico no les afecta. Además, al estar en un entorno

controlado pueden alcanzar velocidades superiores y son susceptibles de ser

automatizados con facilidad.

En el caso de los tranvías, si bien en algunos casos cuentan con sus propias vías

a las que no pueden acceder los demás vehículos de la ciudad, sí que tienen que

cruzar calles y pasos de cebra, viéndose obligados a detenerse frecuentemente.

Además, la presencia de peatones y vehículos que pueden invadir la vía hace

que la velocidad a la que se desplaza el tranvía no pueda ser elevada.

A la hora de evaluar este KPI, se han considerado como sistemas de tranvía a

los sistemas de streetcar de América del Norte y a los sistemas de metro ligero

que circulan por la superficie compartiendo las calles con el resto de los vehículos

y peatones. En casos como el de Boston donde la línea verde es parcialmente

subterránea (50% aproximadamente) se han hecho las aproximaciones

pertinentes.

Ilustración 23 - Tranvía (Streetcar) de Washington DC. Link: https://www.dcstreetcar.com/about/resources/images/?jfl1=2

Nº de estaciones de tranvía / millón de habitantes

Fuente: Extracción manual de varias páginas de internet: Páginas locales de

transporte público, Wikipedia, páginas de información turística y otras.

Datos estimados en Denver, Boston y Seattle.

Este KPI mide la accesibilidad y el desarrollo infraestructural de la red de tranvía.

La correlación con el KPI kilómetros de red de tranvía es de 0,729, no siendo

suficientemente elevada como para considerar solo uno de ellos.

Nº de líneas de tranvía / millón de habitantes


Este KPI mide el desarrollo del sistema de tranvía de la ciudad.



Tre

nes

Inte

rurb

anos

Nº de líneas de trenes interurbanos


Este KPI mide la conexión mediante vías ferroviarias de la ciudad principal

con las ciudades próximas que no forman parte del área metropolitana.

Rapid

Bus T

ransport

Existencia de sistema de autobús de tránsito rápido


Un sistema de autobús de tránsito rápido es un sistema de autobuses diseñado

específicamente para mejorar las capacidades de transporte de pasajeros de los

sistemas convencionales. Para ello cuentan con medidas como carriles

reservados para su uso exclusivo, prioridad en los cruces, y autobuses diseñados

específicamente para ahorrar tiempo en la carga y descarga de pasajeros.

Generalmente la frecuencia de paso de estas líneas de autobuses es elevada y

comunican sitios estratégicos de la ciudad.

Tra

nsport

e p

úblic

o e

n g

enera

l

Coste

Precio de billete sencillo de transporte público (One way Ticket)

Fuente: Numbeo

El precio del billete sencillo influye en la decisión de los ciudadanos a la hora

de elegir entre desplazarse utilizando un vehículo propio o el transporte

público. Aunque siempre va a ser más económico desplazarse usando

transporte público que usando un coche privado, un precio del transporte

público muy elevado puede hacer que los ciudadanos opten por otro tipo de

medios de transporte alternativos.

Podemos encontrar un ejemplo claro en la ciudad de Londres donde con un

precio de 2,84€ por el billete sencillo y 154,5€ por el abono mensual, muchas

personas optan por usar un taxi o un servicio VTC para desplazarse. En este

contexto, Uber ha lanzado en Londres un servicio a medio camino entre el

servicio de taxi y el autobús urbano. Mediante el uso de furgonetas con

capacidad para 9 personas, realizan rutas enfocadas a transportar a pasajeros

que realizan trayectos fijos a diario.

Dado que ninguna red pública de transportes es rentable, el precio del billete

sencillo refleja también la inversión en transporte público realizada.

Precio del abono mensual de transporte público (Monthly Pass Numbeo)

Fuente: Numbeo

El precio del abono mensual está ligeramente correlacionado (0,617) con el

precio del billete sencillo, sin embargo, existe mucha variabilidad tal y como

se puede observar en la siguiente gráfica:



Ilustración 24 - Comparación del precio del billete sencillo y del abono mensual para las

ciudades estudiadas ordenadas en orden creciente del coste del abono mensual23.

Aunque de cara a la clusterización se va a usar tanto el precio del billete

sencillo como el del abono mensual, si tuviera que elegirse un único KPI se

debería elegir el del precio del abono mensual ya que es el precio que

normalmente pagan los viajeros que usan de forma habitual el transporte

público.

SI P

ropie

dad S

I C

ontr

ol

Coch

e

Índice de motorización

Fuente: Parcialmente disponible (Eurostat)

El índice de motorización mide la cantidad de coches por cada 1000 habitantes.

Es un indicador relevante a la hora de analizar el tipo de movilidad de una ciudad.

Únicamente se dispone de este dato para los países pertenecientes a la Unión

Europea y por lo tanto no ha sido utilizado para la clusterización.

Coste

Precio de 1 litro de gasolina

Fuente: Numbeo

Este KPI, junto con el KPI precio de Toyota Corolla 1.6l, sirve para evaluar el

coste del transporte usando un vehículo privado. Además, y dado que el precio

de la gasolina está fuertemente influenciado por los impuestos24, también

refleja la política adoptada por la ciudad o el estado al que pertenece.

Ambos KPIs se consideran para la clusterización porque, aunque existe una

cierta correlación entre el precio de la gasolina y el precio de un Toyota Corolla

1.6l (0,651), esta no es suficientemente elevada como para considerar uno

solo de ellos.

Precio de Toyota Corolla 1.6l

Fuente: Numbeo*

*Datos estimados en Antwerp, Baltimore, Birmingham, Cologne, Edinburgh,

Eindhoven, Frankfurt, Geneva, Hamburg, Leeds, Naples, Rotterdam,

Stuttgart, Valencia y Zurich.

23 Para que las escalas sean adecuadas, se muestra el coste diario comprando el abono mensual. 24 Hasta el 57% del precio de la gasolina en España son impuestos (Autopista 2019).

0

1

2

3

4

5

6

Pre

cio

en

€

Ciudades ordenadas en orden creciente del precio del billete sencillo

Precio de billete sencillo Precio diario comprando abono mensual



Este KPI trata de cuantificar el coste de los coches. Aunque existían datos

disponibles tanto para el Toyota Corolla como para el Volkswagen Golf, se ha

elegido usar el precio del Toyota no solo porque es el modelo de coche más

vendido en el mundo25, sino también porque su uso está muy extendido a nivel

mundial.

Para aquellos datos que no estaban disponibles y se han tenido que estimar,

se usa el precio de una ciudad cercana del mismo pais. En el caso de las

ciudades de Suiza, se ha estimado teniendo en cuenta el coste de vida del

país y el precio en las ciudades cercanas de Alemania.

Parking


Este KPI, del cual no se han podido obtener datos, busca cuantificar las

dificultades encontradas por los ciudadanos a la hora de aparcar el coche.

Idealmente sería un indicador que contabilizara el tiempo perdido al año

buscando sitios para aparcar.

Por ejemplo, en el caso de Estados Unidos de América, los ciudadanos pasan

unas 17 horas al año buscando sitio para aparcar, lo que supone un coste global

de 345$ por habitante en tiempo perdido, consumo de combustible y emisiones.

El tiempo perdido buscando sitio para aparcar se dispara en ciudades como

Nueva York donde alcanza las 107 horas al año (Deloitte 2018b).

Nº de vehículos eléctricos-Ciudad en el Top 25 SI/NO

Fuente: ICCT The International Council on Clean Transportation

Para evaluar este KPI, al no disponer de los datos de vehículos eléctricos para

todas las ciudades, se ha utilizado una variable binaria que atribuye un 1 a la

ciudad si se encuentra en el TOP 25 de ciudades con más coches eléctricos y un

0 si no está presente.

25 En el 2018 se vendieron 1.818.445 Toyota Corolla, muy por encima de los 789.519 Volkswagen Golf vendidos.



Ilustración 25 - Top 25 de ciudades con mayor número de vehículos eléctricos (EVs). Link: https://theicct.org/publications/ev-capitals-of-the-world-2018

Mo

to

Índice de motos por habitante


Este KPI mide la utilización de motocicletas en la ciudad.

Bic

icle

ta

Porcentaje de personas que van al trabajo en bicicleta

Fuente: Eurostat + Extracción manual de NZdotstat, The Guardian.com, Statistics

Canada office y otras fuentes

Cualquier desplazamiento de menos de 8 kilómetros es susceptible de ser

realizado en bicicleta. Si analizamos el caso de las ciudades de Estados Unidos

de América, el 50% de los desplazamientos realizados en coche son inferiores a

estos 8 kilómetros (Deloitte, Peter Viechnicki, Abhijit Khuperkar, Tiffany Dovey

Fishman 2015) y este porcentaje es aún mayor en las más compactas ciudades

europeas.

Este KPI evalúa el número de usuarios que utilizan la bicicleta como medio de

transporte para ir al trabajo a diario, sin embargo, no contabiliza aquellos usuarios

que utilizan la bicicleta para completar parte de su trayecto. Este aspecto es

especialmente interesante porque las bicicletas son susceptibles de ser utilizadas

para solucionar el problema de la última milla, actuando como una conexión entre

los medios de transporte público y el punto de partida o final del trayecto.

Patin

ete

elé

ctr

ico (

O

sim

ilare

s)

Porcentaje de personas que van al trabajo en patinete eléctrico


Este medio de transporte emergente es especialmente adecuado para mejorar

el reto de la última milla sirviendo de conexión entre los medios de transporte

público y las zonas que no están suficientemente bien cubiertas por la red de



transporte. En efecto, se ha comprobado que los patinetes eléctricos tienen una

mayor aceptación entre los ciudadanos con menores ingresos (Populus 2018).

Los patinetes eléctricos, a pesar de los beneficios potenciales que pueden

aportar a la movilidad urbana y a su aceptación mayoritaria de por parte de la

población (Zarif, Pankratz y Kelman 2019), son objeto de gran controversia en

muchas ciudades. Su rápida irrupción ha hecho que en muchas ciudades no se

haya definido adecuadamente el lugar de la calle por el que deben circular y a

menudo circulan utilizando indiferentemente la carretera, las aceras y los carriles

bici, a velocidades muy superiores a las adecuadas para circular por la acera

poniendo en riesgo a los peatones y a velocidades no suficientemente elevadas

y sin contar con sistemas de seguridad adecuados cuando circulan por la

carretera junto con los demás vehículos.

Andar

Porcentaje de personas que van al trabajo andando

Fuente: Eurostat + Otras fuentes para EE. UU. En el caso de Porto, al no haber

sido capaz de obtener el dato, se ha estimado con la media.

Este KPI está ligeramente correlacionado con el precio de la gasolina e

inversamente correlacionado con el índice de la dimensión medioambiental del

IESE, es decir, aquellas ciudades que tienen un porcentaje elevado de

ciudadanos que se desplazan al trabajo andando obtienen una buena calificación

medioambiental y se sitúan entre las primeras posiciones del Índice de

Medioambiente del IESE.

A pesar de que pueda parecer evidente que la lluvia juega un papel importante

en el porcentaje de personas que se desplaza andando al trabajo, en las

ciudades estudiadas no se ha observado ninguna correlación con los días de

lluvia registrados.

Las correlaciones comentadas se muestran en el siguiente gráfico donde los

valores de los KPIs han sido normalizados y se han ordenado las ciudades en

orden descendiente de porcentaje de personas que van al trabajo andando.

Aunque existe una gran variabilidad, las líneas de tendencia representadas con

trazo discontinuo ayudan a visualizar las correlaciones; positiva con el precio de

la gasolina (0,535), negativa con el índice medioambiental (-0,447) y

prácticamente nula con los días de lluvia (-0,007).



Ilustración 26 - Correlaciones del porcentaje de personas que van al trabajo andando con el

índice de Medioambiente del IESE, el número de días de lluvia y el precio de la gasolina.

NO

Pro

pie

dad S

I C

ontr

ol

Ta

xi

Tra

dic

ional

Nº de taxis (Nº medio de vehículos operativos)


Este KPI mide la cantidad de vehículos que ofrecen un servicio oficial de taxi.

Se considerará servicio oficial de taxi aquel que esté contemplado como tal en

la legislación vigente de la ciudad.

Coste del taxi

Fuente: Numbeo

Para medir el coste de los taxis, se ha definido un viaje modelo de 8 kilómetros

de distancia y 20 minutos de duración. Para calcular el coste se utiliza la

siguiente fórmula:

𝐶𝑜𝑠𝑡𝑒 = 𝑇𝑎𝑥𝑖 𝑠𝑡𝑎𝑟𝑡 + 8 ∗ 𝑇𝑎𝑥𝑖 1𝑘𝑚 + (20

60) 𝑇𝑎𝑥𝑖 1ℎ𝑜𝑢𝑟



VT

C (

Uber/

Cabify/O

tros)

Nº de vehículos VTC (Nº medio de vehículos operativos)


Este KPI cuantifica el número de vehículos que ofrecen servicios de VTC. En

el caso de ofrecer servicios VTC de manera ocasional, se cuantificará la parte

proporcional del tiempo pasado con respecto al uso normal de un vehículo

dedicado exclusivamente a ofrecer servicios VTC.

Coste de los servicios VTC


KPI utilizado para evaluar el coste de los servicios VTC. Una alternativa a los

taxis cada vez más extendida.

Existencia de servicio de Uber

Fuente: Uber.com

Los servicios de transporte bajo demanda o servicios VTC, han sido objeto de

debate y enfrentamiento en muchas ciudades de todo el mundo llegando a

prohibirse en algunas ciudades como Barcelona y varias ciudades alemanas

como Cologne, Frankfurt, Hamburg o Stuttgart entre otras.

Aunque existen numerosas empresas que ofrecen servicios VTC (Uber, Lyft,

Sidecar, Cabifly…) se ha considerado a Uber como la referencia para

cuantificar este KPI, el cual pretende identificar aquellas ciudades en las que

los servicios VTC no están permitidos o no son populares26.

Cars

harin

g

Flo

ta lib

re (

Fre

e flo

at)

Nº de vehículos de carsharing disponibles (flota libre)


Coste del servicio de carsharing (flota libre)


Área cubierta por los servicios de carsharing (flota libre)


Propulsión de los vehículos de carsharing (Eléctricos, híbridos,

gasolina, gasóleo…) (flota libre)


Los KPIs anteriores pretenden evaluar el desarrollo (KPI- Nº de vehículos de

carsharing disponibles) y el coste (KPI-Coste del servicio de carsharing) de

los servicios de carsharing en las ciudades estudiadas.

Los servicios de tipo flota libre son aquellos servicios que permiten estacionar

los vehículos libremente siempre y cuando se estaionen dentro de un área

26 Se asume que aquellas ciudades en las que Uber no tiene presencia, o bien no cuentan con suficiente demanda para este tipo de servicio o bien no está permitido. Esta afirmación perdería relevancia en el caso de incorporar al estudio ciudades de países como China donde es DiDi la empresa que domina el sector.



determinada (KPI- Área cubierta por los servicios de carsharing). Por ser los

más extendidos, solo se han considerado como KPI los servicios de

carsharing de tipo flota libre, dejando los indicadores de servicios de

carsharing de tipo estaciones como secundarios.

Además, el tipo de propulsión de los vehículos (KPI-Propulsión de los

vehículos de carsharing) puede aportar información sobre la legislación

vigente en las ciudades. Por ejemplo, en Madrid todos los vehículos de

carsharing son eléctricos27 mientras que, en las ciudades alemanas,

encontramos muchos vehículos que utilizan medios de propulsión

tradicionales.

Numerosas empresas ofrecen servicios de carsharing conviviendo a menudo

varias de ellas en la misma ciudad. Esto, junto con la variabilidad de las flotas

que se encuentran a menudo en continuo crecimiento, hace que la información

relativa a estos KPIs sea muy complicada de obtener.

Mo

tosharin

g

Flo

ta lib

re (

free flo

at)

Nº de motos de motosharing disponibles (flota libre)


Coste del servicio de motosharing (flota libre)


Área cubierta por los servicios de motosharing (flota libre)


Propulsión de los vehículos de motosharing (flota libre)


Estos KPIs son equivalentes a los de carsharing, pero focalizados

exclusivamente en los servicios de motosharing y excluyendo a los servicios

de patinete eléctrico.

La popularidad de los servicios de motosharing y carsharing varía de una

ciudad a otra y esta información es una característica distintiva de las ciudades

que sería interesante haber podido incorporar en la clusterización.

Al igual que con los servicios de carsharing, la obtención de los datos es muy

complicada.

Bik

esharin

g

Nº de bicicletas de bikesharing disponibles (flota libre + estaciones)

Fuente: Bike share map (Google Maps bike-sharing world map también dispone

de datos)

Coste del servicio de bikesharing (estaciones + flota libre)


Área cubierta por los servicios de bikesharing (flota libre)


27 A excepción de Wible que es híbrido enchufable.



Propulsión de los vehículos de bikesharing (estaciones y flota libre)


Nº de estaciones de vehículos de bikesharing (estaciones)

Fuente: Bike share map (Google Maps bike-sharing world map también dispone

de datos)

Los servicios de bikesharing son aquellos servicios en los que el ciudadano paga

por el uso de una bicicleta que es propiedad de una empresa pública o privada

durante un tiempo limitado. La cantidad pagada depende normalmente del

tiempo de uso. Existen dos modelos de servicio:

1) Servicios de flota libre o free float: Son aquellos en los que el usuario

puede dejar la bicicleta estacionada y terminar el viaje siempre que se

encuentre dentro de la zona definida. Esta modalidad está muy extendida

especialmente en los países de Asia. Normalmente son empresas privadas

las que ofrecen el servicio.

2) Servicios basados en estaciones: El usuario debe recoger y depositar la

bicicleta en alguna de las estaciones disponibles. Habitualmente son

servicios públicos o están respaldados por la ciudad. Además, esta

modalidad permite recargar las bicicletas en las estaciones en el caso de que

estas sean eléctricas. Este tipo de servicio es el más extendido en Europa.

Ilustración 27 - La flota de bicicletas compartidas adquiere dimensiones impactantes en China. Existen numerosos depósitos de bicicletas, como el que se muestra en la imagen, donde se

acumulan decenas de miles de bicicletas de empresas como Mobike, Ofo y Hellobike, las tres compañías más grandes de bicicletas compartidas en China. Más fotos impactantes disponibles en el siguiente link: https://www.theatlantic.com/photo/2018/03/bike-share-oversupply-in-china-

huge-piles-of-abandoned-and-broken-bicycles/556268/

Aunque el estudio de ambos tipos de servicio por separado podría resultar

interesante, debido a la dificultad de obtención de los datos de manera

independiente, se ha optado por contabilizar de manera conjunta el número de



bicicletas, independientemente de si son de flota libre o basadas en estaciones.

No obstante, el número de estaciones sí se ha contabilizado. C

ongestió

n

TomTom traffic Index

Fuente: TomTom

Datos estimados en Skopje, Zagreb y Seúl

El índice de tráfico de TomTom proporciona estadísticas e información para que los

conductores, las marcas de coches, los urbanistas y los responsables políticos

dispongan de información no sesgada sobre los niveles de congestión en 403 ciudades

de 56 países y 6 continentes (TomTom 2018).

TomTom Traffic Index establece un ranking en el que la primera ciudad (Mumbai) es

la más congestionada. La ciudad de Madrid, por ejemplo, se sitúa en la posición 228

del ranking, 110 puestos por detrás de la más congestionada ciudad de Barcelona.

Numbeo Traffic Index

Fuente: Numbeo

Datos estimados en Leeds, Liverpool y Napoles

“El Índice de Tráfico es un índice compuesto que incluye simultáneamente tiempo

empleado en tráfico con motivo de desplazamiento al puesto de trabajo, valoración de

la insatisfacción con el tiempo consumido, estimación de las emisiones de CO2 en el

tráfico e ineficiencias del sistema de tráfico y transportes en general.” (Numbeo 2019a)

Dado que el tráfico es el indicador más importante de movilidad urbana y los índices

de TomTom y de Numbeo no están correlacionados (-0,317), se han considerado

ambos en la clusterización.

Índice de ineficiencia

Fuente: Numbeo

“El Índice de Ineficiencia es una estimación de las deficiencias en el tráfico, teniendo

en cuenta el modo de conducción, los tiempos en el desplazamiento, etc. Está pensado

para aportar más indicadores económicos con respecto al tráfico.” (Numbeo 2019a)

Este indicador, está altamente correlacionado (0,908) con el Numbeo Traffic Index y,

por lo tanto, a pesar de tener disponibilidad de datos, no se utiliza en la

clusterización.

Tráfico en horas punta (Índice Exp. de Tiempo)

Fuente: Numbeo

“El Índice Exp. de Tiempo - es una estimación de la insatisfacción debido a tiempos de

desplazamiento elevados en los trayectos de ida y vuelta al trabajo. La fórmula asume

que la insatisfacción aumenta exponencialmente con cada minuto que se tarda en

realizar un único trayecto cuando éste toma más de 25 minutos.” (Numbeo 2019a)

Este KPI valora la capacidad de las ciudades para absorber las situaciones de tráfico

en horas punta. También se ha detectado una alta correlación (0,889) de este KPI con

el Numbeo Traffic Index y por lo tanto no se utilizará en la clusterización.



Infr

aestr

uctu

ra

Orientación de la infraestructura (Coches, bicicleta, andar, transporte público

(Ten-metro-bus))


Este KPI aspira a reflejar, de forma general, la orientación de la infraestructura de la

ciudad. Por ejemplo, las ciudades de América del Norte se desarrollaron en torno al

uso del vehículo privado y por lo tanto su infraestructura está adaptada a los coches.

Otras ciudades como Amsterdam están adaptadas para el uso de las bicicletas y tienen

una gran cantidad de carriles bici y enormes aparcamientos de bicicletas,

estratégicamente localizados en las estaciones de tren o en puntos de conexión con el

transporte público.

Red d

e c

arr

ete

ras

Auto

pis

tas d

e c

ircunvala

ció

n

Nº de autopistas de circunvalación


Este KPI mide el nivel de desarrollo de las autopistas de circunvalación. Además,

es un indicador característico de la movilidad de las ciudades ya que condiciona

el tipo de circulación en torno a la ciudad evitando que los vehículos que circulan

por la ciudad tengan que adentrarse en ella para atravesarla.

Kilómetros de autopistas de circunvalación


Este KPI aporta una idea del tamaño de los círculos que dibujan las autovías de

circunvalación. A menudo ciudades con tamaños y poblaciones similares como

París y Londres han construido sus vías de circunvalación principales a

distancias muy diferentes del centro. En el caso de París, el boulevard

Peripherique transcurre relativamente cerca del centro de la ciudad, describiendo

una circunferencia de 35,04 kilómetros. En cambio, en Londres, la autopista de

circunvalación M25 está mucho más alejada del centro y describe una

circunferencia de 195,5 kilómetros.

Zonas de tráfico restringido

Fuente: Here Mobility Index

Además de ser un indicador relevante de las políticas de movilidad urbana de la

ciudad, la existencia de zonas de tráfico restringido condiciona notablemente la

circulación, no solo dentro de la zona sino también en sus inmediaciones.

Al disponer de datos únicamente para algunas ciudades, no se utilizará este KPI en

la clusterización.

Esta

do

Satisfacción con el estado de las carreteras

Fuente: Eurostat

Este KPI mide el nivel de satisfacción de los ciudadanos con el estado de las

carreteras. Al estar disponible únicamente para las ciudades europeas, no se

utiliza en la clusterización.

Cobertura de la red de carreteras




Este KPI evalúa la cobertura de la red de carreteras de la ciudad.

Túneles


Los túneles son elementos infraestructurales que requieren una gran inversión y

cuya construcción está a menudo condicionada por la composición del terreno sobre

el que está edificada la ciudad. Aquellas ciudades que han invertido en este tipo de

infraestructura se benefician de una circulación más fluida y eficaz. Este KPI evalúa

el nivel de desarrollo de la ciudad en materia de túneles.

Posibilidad de mejorar la red de carreteras


Con este KPI se pretende evaluar las dificultades a las que se ha de hacer frente

para llevar a cabo las mejoras en las infraestructuras de transporte de la ciudad. En

China, por ejemplo, la disponibilidad de capital, así como el poder del que dispone

el estado para expropiar los terrenos, permite que las redes de autopistas se

desarrollen a grandes velocidades. En la otra cara de la moneda están los Estados

Unidos de América, país en el cual, el fuerte valor que se le confiere a la propiedad

privada hace que los proyectos sean más caros y se desarrollen con lentitud.

Puntos de carga de vehículos eléctricos

Fuente: Here Mobility Index

La infraestructura de recarga de vehículos eléctricos condiciona la adopción del

vehículo eléctrico por parte de los ciudadanos. Para cuantificar el nivel de desarrollo

de esta red de recarga se utiliza el número de puntos de carga.

Zo

na p

eato

nal

Walkability score

Fuente: Nomadlist

Este KPI mide la adaptación de las ciudades para la circulación de peatones por sus

calles. Al no tener datos para todas las ciudades no se utiliza en la clusterización.

Carr

il bic

i

Kilómetros de carril bici


Los kilómetros de carril bici sirven para valorar la adaptación de la ciudad para la

circulación en bicicleta.

Inte

gra

ció

n d

el tr

ansport

e

Número de empresas/organismos que gestionan el transporte público


La integración de las empresas que gestionan el transporte público urbano de las

ciudades (metro, autobús, bicicletas públicas…) aporta un gran valor para la movilidad.

Los pasajeros disfrutan de una mejor experiencia de usuario y la existencia de una

única gobernanza común permite que se optimicen los recursos y se adapten las



conexiones entre los distintos medios de transporte, ahorrando tiempo al pasajero y

adaptándose mejor a los picos de demanda, especialmente en las horas punta.

En efecto, un estudio de Deloitte refleja que más que ningún otro indicador, los niveles

bajos de integración están correlacionados con bajos niveles de preparación para

afrontar los retos de la movilidad urbana (Deloitte 2018a).

Existencia de Open Data o APIs para el transporte


La existencia de datos públicos disponibles sobre el estado del transporte, estadísticas

relativas al número de desplazamientos según qué hora, o incluso datos sobre el

recorrido que realizan los viajeros permite construir servicios y aplicaciones que

contribuyen a la mejora de la movilidad.

Este KPI valora la disponibilidad de este tipo de datos en la ciudad, datos que

conforman la base sobre la que tanto los organismos públicos como las empresas

privadas pueden ofrecer servicios o innovar.

Existencia de tickets de transporte público integrados


Debido a que a menudo los ciudadanos de las ciudades próximas a la ciudad principal

acceden a diario a ella y utilizan una combinación de medios de transporte de ambas

ciudades, la movilidad urbana de la ciudad principal está condicionada por la movilidad

urbana de las ciudades de su área metropolitana

Los medios de transporte público están a menudo gestionados por organismos

públicos independientes y la integración completa de las empresas públicas

pertenecientes a distintas jurisdicciones es complicada. A pesar de esto, la existencia

de tickets de transporte comunes válidos en las distintas redes de transporte permite

al menos mejorar la experiencia de usuario.

Existencia de una aplicación de MaaS (Mobility as a Service)


Este tipo de aplicaciones trata de incorporar en una única plataforma todas las

opciones de transporte disponibles en la ciudad ofreciendo, por ejemplo, abonos

mensuales que permiten hacer uso de la red de transporte público, de taxis y de los

servicios de bicicleta compartida entre otros. Este es el caso de la ciudad de Helsinki

donde la aplicación Whim integra todas las opciones de transporte disponibles

ofreciendo al viajero distintas combinaciones de transporte para realizar sus

desplazamientos. Whim ofrece dos modalidades de abono. La primera de ellas permite

el uso de todos los medios de transporte público y la segunda incluye también servicios

de taxi y de alquiler de coches.

Satisfa

cció

n

Satisfacción con el transporte público

Fuente: Eurostat

Este KPI, que solo está disponible para las ciudades de la Unión Europea, mide la

satisfacción que tienen los ciudadanos con el sistema de transporte público.



Satisfacción con el tiempo empleado para desplazarse al trabajo

Fuente: Eurostat

Este KPI que solo está disponible para las ciudades de la Unión Europea mide la

satisfacción de los ciudadanos con el tiempo empleado en los desplazamientos de ida

y vuelta al trabajo.

Planificación Urbana


La planificación urbana de las ciudades condiciona su movilidad del presente y del futuro.

Si las ciudades pudieran volver a construirse desde cero, seguramente lo harían teniendo

en cuenta los errores cometidos en el pasado y construirían la ciudad de forma diferente

basándose en las necesidades y limitaciones de movilidad urbana actuales.

Solo en los Estados Unidos de América se van a construir 70 millones de nuevas viviendas

en los próximos 40 años (Deloitte 2014). En este contexto de fuerte desarrollo urbano a

nivel mundial, la posibilidad de aprender de los errores e incorporar las medidas que han

sido exitosas en otras ciudades será transcendental. Es precisamente en este aspecto en

el que este trabajo aporta valor, guiando a los planificadores urbanos hacia aquellas

ciudades que se deberían tomar como referencia por ser similares en términos de

movilidad urbana.

La dimensión indicadores de planificación urbana del IESE Cities in Motion Index valora

de forma general el desempeño de las ciudades en lo que se refiere a planificación

urbana.

Tabla 11 - Indicadores de la dimensión Planificación Urbana. (IESE 2019 Cities in Motion Index).

Movilidad y Transporte


Este último KPI valora de forma general el desempeño global de las ciudades en materia

de movilidad y transporte. Se ha utilizado el índice de la dimensión movilidad y transporte

del IESE CIMI, el cual considera los siguientes indicadores:



Tabla 12 - Indicadores de la dimensión Movilidad y Transporte. (IESE 2019 Cities in Motion Index).



Clusterización de las ciudades en función de los KPIs

4.2.1 Datos utilizados para la clusterización

Finalmente, los KPIs utilizados en la clusterización son aquellos KPIs de los que se dispone

de datos para las 79 ciudades estudiadas28 a excepción de aquellos que no se deben

considerar por estar fuertemente correlacionados con otro KPI ya considerado (Nº de paradas

de metro, Tráfico en horas punta y el índice de ineficiencia). A continuación29, se enumeran,

agrupados por dimensión, los 42 KPIs utilizados para la clusterización:

CULTURA Y ASPECTO SOCIAL Capital humano Tecnología Cohesión Social Nº de Habitantes DEMOGRAFÍA Y GEOGRAFÍA Densidad de población Sup. Ciudad propiamente dicha Rascacielos Morfología de la ciudad Distribución zonas ricas y pobres Mar/Similar Río ECONOMÍA Internacionalización Coste de vida en general Precio del alquiler Poder de adquisición ISO 37120 Gobernanza MEDIO AMBIENTE Medioambiente Días de lluvia mm3 de lluvia Índice de contaminación TRANSPORTE Nº Líneas de Autobuses Urbanos/1M habitantes Nº Líneas Metro/1M habitantes Nº Pasajeros metro/1M habitantes Kms de línea de metro/1M habitantes Compacidad de la red Kms de línea tranvía/1M habitantes Nº Estaciones tranvía/1M habitantes Precio de billete sencillo Precio de abono mensual Precio 1l de Gasolina Precio Toyota Corolla 1.6l NºEVs (Ciudad en Top 25) Bike commuting Walk commuting Coste taxi oficial Uber Bicicletas /10.000 habitantes TomTom traffic index Numbeo Traffic index Planificación urbana Movilidad y transporte

28 Los datos que han sido estimados se justifican en el análisis cualitativo de los KPIs. 29 Los datos usados están disponibles en Anexos. En total se utilizan 3318 datos.



4.2.1.1 Errores, sesgo y aproximaciones en los datos utilizados en el trabajo

A pesar de que se ha remarcado la importancia de utilizar datos fiables y libres de sesgo,

especialmente cuando se utilizan métodos de análisis automático de datos, los datos usados

en este trabajo no son 100% fiables. Se han identificado las siguientes fuentes de errores en

los datos utilizados:

1. En algunos casos, los propios datos hacen referencia a conceptos que no están

perfectamente definidos en sí mismos: Si tomamos como ejemplo la población de

una ciudad, esta dependerá de la definición de ciudad que ha sido utilizada a la hora

de recopilar los datos. En el caso de Valencia, la población que muestra la base de

datos de la ONU es de 833.724 habitantes. Si utilizamos los datos de población de la

aglomeración urbana del estudio Demographia World Urban Areas, Valencia tiene una

población de 1.575.000 habitantes. Si buscamos la información en Wikipedia

obtendremos una población de 1.959.084 habitantes y si le preguntamos a Google,

nos dirá que tiene 2.522.383 habitantes, es decir, más de tres veces la cifra obtenida

en la base de datos de ONU. Aunque para la población se han utilizado los datos

extraídos de la ONU, para la obtención de los datos referentes a los demás KPIs se

han utilizado distintas bases de datos, las cuales se basan a menudo en otras tantas

bases de datos de distintas entidades y organismos. Debido a que la trazabilidad del

criterio de definición de ciudad empleado por las distintas bases de datos es

prácticamente nula, no se puede asegurar que todas las fuentes usen el mismo.

2. La capacidad de validación y verificación de la exactitud de los datos utilizados

es limitada: El trabajo necesario para asegurar que los datos obtenidos en las fuentes

son fiables al 100%, para un número tan elevado de KPIs y para 79 ciudades queda

fuera del alcance de este trabajo. A pesar de ello se han identificado errores llamativos

en algunos indicadores como por ejemplo en el Urban Mobility Index de Here. En este

índice, Madrid aparece como la primera ciudad en porcentaje de zonas verdes y la

penúltima en cobertura de la red de transporte público, datos sorprendentes para

cualquier persona que conozca Madrid. Al analizar los datos se descubre que todo el

Monte de El Pardo ha sido considerado como parte de la ciudad contabilizándose

como zona verde y a la vez como zona de la ciudad no cubierta por el transporte

público.

Ilustración 28 - Cobertura de la red de transporte público en la ciudad de Madrid (Azul) y zonas verdes de la ciudad (Verde). Link: https://urbanmobilityindex.here.com/city/madrid



3. Se utilizan indicadores que no son plenamente objetivos: Algunos de los datos

utilizados se obtienen de sondeos realizados a la población, otros como la clasificación

de la morfología de las ciudades dependen de la apreciación personal del autor de

este trabajo.

4. Se han aproximado algunos datos: Los algoritmos de clusterización jerárquica son

muy sensibles a los datos faltantes y, para evitar que se alteren los resultados de la

clusterización, en los casos en los que los datos de algún KPI no están disponibles

para las 79 ciudades estudiadas, se plantean tres opciones de actuación:

a. Se elimina la ciudad de la clusterización.

b. Se elimina el KPI de la clusterización.

c. Se aproxima el dato faltante.

En este trabajo se ha optado por aproximar los datos faltantes porque se considera

que es más valioso mantener el número de KPIs considerado y conservar una buena

cantidad de ciudades estudiadas. Los datos que han sido aproximados se han indicado

en el apartado análisis cualitativo de los KPIs.

5. Se han introducido muchos datos de forma manual: El riesgo de error humano en

la introducción manual de datos es elevado.

En lo que se refiere al sesgo introducido en el trabajo, se han identificado las siguientes

fuentes de sesgo:

1. La base de ciudades utilizadas en este trabajo no es representativa de las

ciudades del mundo entero: En los países desarrollados hay 125 ciudades con una

población superior a 1 millón de habitantes. Este número asciende a 454 en los países

menos desarrollados (año 2020, ONU). Para realizar un análisis que reflejara fielmente

la realidad de las ciudades a nivel mundial, las ciudades analizadas deberían guardar

una relación perteneciente a país desarrollado-perteneciente a país menos

desarrollado similar. Debido a la disponibilidad y accesibilidad de los datos, las

ciudades estudiadas son principalmente pertenecientes a países desarrollados.

2. Los indicadores son definidos y valorados en función del criterio del autor, es

decir, basándose en su conocimiento y en su manera de entender la movilidad:

Esta es la fuente de sesgo más importante del trabajo. El sesgo se introduce en la

definición de los indicadores de movilidad urbana y en la posterior selección de los

KPIs porque se realiza desde una visión de lo que es la movilidad urbana de la ciudad

de Madrid y en menor medida, la movilidad urbana en las ciudades europeas. Gracias

a la participación en el NETEXPLO Smart Cities Accelerator Summit 2019, se han

podido incorporar apreciaciones de expertos de movilidad urbana de todo el mundo,

pero a pesar del esfuerzo realizado por conocer y entender la movilidad a nivel global,

es imposible evitar que se escapen aspectos que, si bien no son especialmente

relevantes para la movilidad urbana en una ciudad europea, si lo son en otros

continentes.

4.2.1.2 Justificación de la utilización de datos erróneos, sesgados y

aproximados

Todas estas fuentes de error y de sesgo hacen que los resultados de la clusterización no sean

100% exactos. Esto no es un problema porque el objetivo de este trabajo es aportar una

herramienta que simplifica de manera aproximada algo realmente complejo, inexacto y

extremamente complicado de evaluar cómo es la movilidad urbana.



Los resultados no se deben interpretar al pie de la letra, sino que deben utilizarse de forma

combinada junto con otro tipo de herramientas y han de ser interpretados por las personas

expertas en movilidad de cada una de las ciudades, sin olvidarse de los propios habitantes

que, como se comenta anteriormente en este trabajo, son a menudo los que aportan las

soluciones de movilidad más efectivas.

4.2.2 Análisis de los resultados obtenidos en la clusterización

Tras realizar la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs

establecidos, utilizando el método Ward.D2 se obtiene el siguiente dendograma:

La altura (Height en inglés) a la que se produce la unión de las ciudades o los grupos de

ciudades en el caso de que ya hayan sido agrupadas, indica el grado de diferenciación

existente entre las ciudades (o agrupaciones de ciudades) que se juntan en dicha unión. Esto

quiere decir que aquellas ciudades (o grupos de ciudades) que se unen en la parte inferior del

dendograma son más parecidas que las que se unen a una altura más elevada.

Por ejemplo, a la izquierda del dendograma, Dallas y San Antonio se han unido a muy baja

altura, lo cual quiere decir que son muy parecidas. En cambio, Seoul y Tokyo, también

situadas a la izquierda del dendograma, han sido agrupadas a una altura mucho más elevada.

Esto quiere decir que son relativamente diferentes entre ellas, a pesar de ello, el resto de las

ciudades o grupos de ciudades son aún más diferentes a Seoul y Tokyo y por eso han sido

emparejadas entre sí.

El algoritmo hclust utilizado para realizar el dendograma está programado para que en cada

división de la cual cuelgan dos sub-árboles, se coloque a la izquierda el subárbol que es más

Ilustración 29 - Resultados de la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs seleccionados para la clusterización. Método aglomerativo ascendente Ward.D2.



similar. Cuando se llega a la base y se emparejan tan solo dos ciudades, ambas son igual de

similares o diferentes y se opta por colocar a la izquierda la ciudad que aparece primero en la

base de datos. Como la base de datos está ordenada alfabéticamente, las parejas aparecen

ordenadas alfabéticamente,

Si tomamos como ejemplo de nuevo la pareja Dallas, San Antonio y visualizamos la unión con

la pareja Denver-Phoenix, como la pareja Dallas-San Antonio ha sido situada a la izquierda,

esto quiere decir que Dallas y San Antonio se parecen más. Efectivamente esto se puede

verificar al comprobar que la unión Dallas-San Antonio está situada a una altura inferior que

la unión Denver-Phoenix.

El número de clústeres en los que se agrupan las ciudades determinará el grado de similitud

entre las ciudades de cada clúster, es decir, si establecemos un gran número de clústeres,

las ciudades de cada clúster serán muy parecidas. Sin embargo, la diferenciación entre los

distintos grupos será también pequeña. En el caso extremo, algunas ciudades que son

suficientemente diferentes de las demás serán clusterizadas de forma individual.

Aunque a la hora de utilizar la clusterización para evaluar las similitudes en la movilidad urbana

de las ciudades un procedimiento adecuado sería ir aumentando el número de clústeres para

avanzar desde agrupaciones grandes de ciudades hacia grupos más pequeños y específicos,

realizar el proceso de forma inversa e ir reduciendo el número de clústeres es otra opción

igualmente válida. El nivel de clusterización con 10 grupos definidos es seguramente el nivel

de detalle adecuado a la hora de realizar las observaciones ya que muestra grupos que

presentan un nivel de diferenciación suficientemente elevado pero que no llegan a incluir una

cantidad elevada de ciudades que pudiera complicar el análisis posterior de las ciudades

incluidas en cada grupo.

En las páginas siguientes se analizan los resultados obtenidos en la clusterización. Se ha ido

aumentando el número de clústeres (5,10 y 20) y se han utilizado los datos para caracterizar,

de forma general y a alto nivel, los distintos grupos de ciudades obtenidos.



4.2.2.1 Agrupación en 5 clústeres

Inicialmente se han definido únicamente 5 clústeres. De esta manera se consigue que la

diferenciación entre los distintos grupos de ciudades sea bastante significativa. Aquellas

ciudades que no se encuentren en el mismo grupo a este nivel de análisis no deberían ser

consideradas como referencia para el estudio de la movilidad. Los grupos identificados

pueden ser consultados en la página siguiente.

Como se puede ver, se han agrupado tan solo 3 ciudades en el primer clúster; Nueva York,

Seúl y Tokyo. Las 3 son ciudades que se sitúan entre las 6 ciudades con más población de

entre las estudiadas y entre las 20 con una mayor superficie. Además, ocupan las posiciones

1,2 y 5 en número de rascacielos. Se trata de ciudades que obtienen buenas clasificaciones

en las dimensiones de Capital Humano y Tecnología del IESE CMI. Ni los precios del alquiler

de estas ciudades ni el poder adquisitivo de sus ciudadanos son excesivamente elevados a

excepción de Nueva York. En materia de transporte, cuentan las tres con un número reducido

de líneas de autobús urbano en relación con su población y un número normal de líneas de

metro las cuales son utilizadas por una fracción muy reducida de la población a pesar de tener

el transporte público unos precios que no destacan ni por ser caros ni por ser reducidos. El

precio reducido del combustible podría justificar una mayor utilización de los coches en estas

ciudades. No obstante, no se aprecian altos niveles de congestión.

En el segundo clúster, se han agrupado todas las ciudades de Norte América (a excepción de

Nueva York) y además se incluyen Sydney y Melbourne. Las ciudades de América del Norte

estudiadas se caracterizan por tener una elevada puntuación en la dimensión Cohesión

Social, una población elevada y una densidad de población reducida. En general no cuentan

con ríos navegables. En materia económica, el coste de vida y el precio del alquiler no son

especialmente elevados, a pesar de ser el poder adquisitivo relativamente elevado. A nivel

medioambiental las ciudades de Norte América obtienen malos resultados siendo 15 de las

20 ciudades más contaminadas pertenecientes a este continente. Finalmente, el transporte

público se muestra poco desarrollado. Tanto el número de líneas de autobús como los

kilómetros de los sistemas de tranvía son reducidos. El precio de la gasolina en las ciudades

de América del Norte es sin duda el más bajo de entre todas las estudiadas y el precio del

Toyota Corolla 1.6l es también reducido. Muy pocos ciudadanos se desplazan al trabajo

andando o en bicicleta y sin embargo no se aprecian niveles de congestión excesivamente

elevados en estas ciudades.

Haber obtenido un grupo tan claramente diferenciado en el que se incluyen todas las ciudades

de América del Norte a excepción de Nueva York nos permite afirmar que la movilidad de las

ciudades de América del Norte es notablemente diferente a la movilidad de las ciudades del

resto del mundo.

En los otros 3 clústeres obtenidos se sitúan ciudades de Europa y del resto del mundo y,

aunque se puede intuir una cierta tendencia de localización geográfica en los grupos 3, 4 y 5,

no es tan remarcable como en el caso del clúster 2. Los clústeres 4 y 5 son más próximos

entre sí y se diferencian del número 3. De forma general, estos 3 grupos se diferencian

notablemente de los grupos 1 y 2 analizados anteriormente. Estos clústeres serán analizados

más en profundidad en las siguientes etapas del análisis.

Ilustra

ció

n 3

0 –

Clu

ste

rizació

n c

on

5 g

rup

os




Si refinamos la clusterización aumentando a 10 el número total de clústeres, obtenemos el

resultado que se muestra en la siguiente página. En esta segunda clusterización los 5 grandes

grupos se comienzan a dividir en otros más pequeños, si bien el primer grupo formado por

Nueva York, Seoul y Tokyo se mantiene unido lo que significa que las diferencias entre estas

tres ciudades no son suficientes como para separarlas en distintos clústeres a este nivel de

análisis. Las ciudades de América del Norte del segundo grupo han sido separadas en dos

grandes grupos y la ciudad de Los Ángeles aparece de forma individual.

En el grupo 3 de esta clusterización en 10 grupos, se han agrupado ciudades que se sitúan al

Sur de Estados Unidos, 3 de ellas en el estado de Texas, una en el de Misisipi, otra en Arizona

y únicamente la ciudad de Denver se encuentra en Colorado, algo más al Norte aunque aún

en la mitad Sur del país. En el otro gran grupo de ciudades de América del Norte se han

agrupado ciudades principalmente del Norte de EE. UU. y de Canadá, así como las ciudades

de Sydney y Melbourne.

El grupo 3 de la anterior clusterización en 5 clústeres se ha separado en dos grandes grupos;

los grupos 5 y 6 empezando a contar desde arriba. En el grupo 5 han aparecido ciudades del

Este de Europa, muchas de ellas capitales de algunos de los últimos países en incorporarse

a la Unión Europea. El hecho de que la primera división en subárboles que se aprecia de este

clúster se encuentre a una altura pequeña (aproximadamente 8) indica que las ciudades

pertenecientes a este grupo son muy similares. En efecto, este grupo se mantiene unido

incluso cuando se identifican 20 clústeres.

Las ciudades de este grupo formado por Tallin, Vilna, Bratislava, Zagreb, Riga, Wroclaw

(Breslavia), Budapest y Varsovia muestran una baja puntuación en la dimensión tecnológica

y una población relativamente reducida. Todas ellas cuentan con río navegable y a nivel

económico, tienen un bajo coste de vida, así como un bajo poder de adquisición.

A nivel medioambiental su situación no destaca ni por lo alto ni por lo bajo y a nivel transporte

se caracterizan por contar con un gran número de líneas de autobús urbano y con sistemas

de tranvía muy desarrollados. Tan sólo Budapest y Varsovia cuentan con metro. El coste del

transporte público es reducido y el de la gasolina y el de un Toyota Corolla 1.6l, en

comparación con las demás ciudades europeas, también lo es. Ninguna de estas ciudades

destaca a nivel de coches eléctricos y el número de ciudadanos que se desplaza andando al

trabajo en estas ciudades es relativamente elevado. El precio de los taxis en estas ciudades

es reducido y los niveles de congestión son bastante variables.

En el grupo 6 aparecen las 3 ciudades de Oriente Medio y la única ciudad de América del Sur

estudiada en este trabajo, así como algunas ciudades del Sur de Europa

En el grupo 8 contando desde arriba, se agrupan todas las ciudades del Reino Unido y de

Irlanda a excepción de Londres. Además, se incluyen ciudades de Europa (Bruselas, Amberes

y Liubliana) y de Oceanía (Wellington y Auckland). Las ciudades de este grupo se muestran

neutrales en la mayoría de los KPIs obteniendo valores y puntuaciones uniformemente

distribuidas a lo largo de todo el rango de valores. Los aspectos más destacables observados

en este grupo son las precipitaciones, con gran cantidad de días de lluvia y un volumen de

precipitaciones relativamente elevado, y la ausencia de sistemas de metro a excepción de

Glasgow, Bruselas y Amberes.

Finalmente, los grupos 7, 9 y 10 agrupan a ciudades europeas en las que no se aprecia ningún

tipo de agrupación geográfica destacable.

Ilustra

ció

n 3

1 –

Clu

ste

rizació

n c

on

10

gru

pos.




En la última fase del análisis se ha aumentado a 20 el número de clústeres, obteniéndose los

resultados mostrados en la ilustración de la página siguiente. Con esta clusterización en 20

grupos se aprecian 3 ciudades de América del Norte que se diferencian de las demás y no

han sido agrupadas con ninguna otra ciudad, es decir, hay 3 ciudades que presentan unas

características de movilidad urbana claramente diferentes a las demás.

Se siguen apreciando dos grandes grupos de ciudades de América del Norte, localizándose

en el grupo 6 las ciudades de Sydney y Wellington. Las ciudades del este de Europa siguen

formando un grupo único (7) tal y como se comentaba anteriormente y la ciudad de Tel Aviv

ha sido seleccionada de forma individual.

Ankara y Skopje han sido agrupadas en el mismo grupo a pesar de tener poblaciones muy

diferentes (5.117.603 y 595.275 habitantes respectivamente). Esto puede explicarse porque

ambas ciudades cuentan con las dimensiones Capital Humano, Tecnología, Cohesión Social,

Internacionalización poco desarrolladas además de ser las dos ciudades con los costes de

vida y del alquiler más reducidos de entre las estudiadas. En consonancia con estos bajos

costes, los ciudadanos de Ankara y Skopje también tienen un reducido poder adquisitivo.

En el grupo 10 se incluyen todas las ciudades de Italia, Portugal y Grecia además de las

ciudades de Santiago de Chile y Estambul. Las ciudades de este grupo, pese a ser de

tamaños variables, cuentan en general con altas densidades de población y el coste de vida

es relativamente asequible a excepción de Milan, Roma y Turín. A nivel medioambiental, no

se aprecia una contaminación excesiva en este grupo de ciudades y en cuanto a las

precipitaciones registradas, estas ciudades se encuentran entre las más secas. En lo que se

refiere a los medios de transporte públicos, los precios son relativamente bajos y no se

aprecian sistemas de metro, ni de autobuses urbanos, ni de tranvía que estén ni muy

desarrollados ni poco desarrollados. Un porcentaje relativamente elevado de personas se

desplaza al trabajo andando y los sistemas de bicicletas no están especialmente extendidos.

La congestión de estas ciudades es muy variable. Estambul es la ciudad con mayor

congestión de las estudiadas según TomTom Traffic Index mientras que otras ciudades de

este grupo como Skopje, Oporto o Turín no presentan apenas problemas de congestión.

Las ciudades del grupo 11, formado por Ginebra, Zúrich, Eindhoven, Copenhague y Reikiavik

presentan una buena cohesión social y diferencias entre los precios de la vivienda en el centro

y en el exterior de la ciudad reducidas. Tienen todas ellas costes de vida muy elevados y sus

ciudadanos, disfrutan de altos poderes adquisitivos. Son ciudades lluviosas y con buenas

condiciones ambientales. En cuanto al transporte público, los precios son muy elevados y tan

solo Copenhague tiene sistema de metro. Un porcentaje relativamente alto de los ciudadanos

de estas ciudades se desplaza al trabajo en bicicleta.

De entre los últimos clústeres la mayoría agrupa a menos de 3 ciudades (15, 16, 17 y 19). El

clúster número 18 agrupa a 5 de las 6 ciudades alemanas estudiadas. Todas ellas se

encuentran tierra adentro, pero cuentan con río navegable (a excepción de Múnich). Son

lluviosas y se encuentran entre las 12 ciudades con mayor número de líneas de metro en

relación con su población y, a pesar de los altos precios de los billetes, los sistemas de metro

de estas ciudades son muy utilizados por la población.

En el último clúster quedan incluidas las 3 ciudades españolas estudiadas, así como las

ciudades de Berlín y Helsinki. Destaca el emparejamiento de Madrid con Berlín, ciudades que

se asemejan especialmente en el número de rascacielos, en la distribución de las zonas ricas

y pobres, en su carácter internacional, en el poder adquisitivo de sus ciudadanos, en el

desarrollo de su sistema de metro similar, en el porcentaje de personas que van al trabajo

andando, y en la dimensión planificación urbana del IESE Cities in Motion Index.

Ilustra

ció

n 3

2 –

Clu

ste

rizació

n c

on

20

gru

pos.



5 Conclusiones En este trabajo se ha estudiado la movilidad urbana de 79 ciudades de la OECD. Se han

definido 250 indicadores de movilidad urbana y, de entre ellos, se han seleccionado 89 como

KPIs. Su influencia en la movilidad urbana ha sido justificada, analizada y discutida utilizando

los datos disponibles para las ciudades analizadas.

Las observaciones más relevantes obtenidas del análisis de los KPIs son las siguientes:

• Los sistemas de tranvía están resurgiendo impulsados por la necesidad de reducir la

emisión de gases contaminantes. Con el mismo fin, las flotas de autobuses eléctricos

son también cada vez más numerosas.

• El clima, y en concreto las precipitaciones, no influye en la cantidad de gente que va

al trabajo andando. Además, cuanto mayor es el porcentaje de personas que se

desplaza al trabajo andando, mejores condiciones ambientales muestra la ciudad. Se

ha observado también que un elevado coste de la gasolina hace que más personas

vayan a trabajar andando.

• Para hacer frente al problema de la última milla, se están desarrollando enormemente

los servicios de micromovilidad como los ofrecidos por empresas de bikesharing o

patinetes eléctricos compartidos. Existen grandes controversias con respecto a estos

vehículos y sonados fracasos en el despliegue de este tipo de servicios.

• La integración de los sistemas de transporte público juega un papel fundamental en la

mejora de la movilidad urbana.

• La electrificación completa de los medios de transporte solo será posible gracias a la

mejora del sistema eléctrico actual y al desarrollo de las microredes.

Por último, se ha realizado una clusterización jerárquica de las 79 ciudades a partir de los

datos referentes a 42 de los KPIs. El dendograma obtenido (clusterización), en el cual

aparecen las 79 ciudades ordenadas en función de su similitud, es el resultado principal

de este trabajo. Tal y como se indica en los Objetivos del trabajo, el valor de la clusterización

es intrínseco, es decir, el dendograma en sí mismo aspira a servir como herramienta para que

los gobernantes y planificadores urbanos puedan usarla, junto con la base de datos generada,

en futuros trabajos o investigaciones más exhaustivas. No obstante, se presentan a

continuación las observaciones más destacables realizadas por el autor:

• En las agrupaciones obtenidas y, a pesar de no haber ningún KPI referente a la

localización geográfica, se observa que ciudades que se encuentran próximas

geográficamente son similares en términos de movilidad urbana.

• La movilidad urbana en las ciudades de Norte América es claramente distinta de la del

resto de ciudades estudiadas.

• Se ha observado una gran homogeneidad en la movilidad urbana de las ciudades del

Reino Unido. Lo mismo ocurre con las ciudades estudiadas de Alemania y con las de

Italia y Portugal.

• Las capitales de los países del Este de Europa presentan unas características de

movilidad urbana muy similar, seguramente condicionada por una evolución histórica

parecida durante el siglo XX y el XXI.

• Los problemas de tráfico no parecen estar relacionados con ningún grupo de ciudades

en particular, es decir, no se aprecia relación con unas características concretas.

Conclusiones


• Las ciudades con elevada población (más de 10 millones) presentan características

de movilidad urbana particulares que las diferencian del resto.

En cuanto a las limitaciones de este trabajo, se recuerda que se han identificado varias fuentes

de error y de sesgo (ver 5.2.1.1 Errores, sesgo y aproximaciones en los datos utilizados en el

trabajo a este trabajo) y, tal y como se indica (ver 7. Líneas futuras), se considera que sería

interesante poder comprobar, mediante el estudio en profundidad de algunas de las ciudades

clusterizadas, la validez de los resultados obtenidos. A pesar de las limitaciones, los

resultados obtenidos sirven para simplificar algo tan complejo y difícil de analizar como es la

movilidad urbana.

Finalmente, se considera que la utilización de la herramienta de clusterización presentada en

este trabajo podría complementarse con la información aportada en los distintos índices y

referencias principales mencionadas, facilitando la compleja labor a la que se enfrentan los

planificadores urbanos.



6 Líneas futuras Este trabajo es susceptible de ser mejorado, comprobado y analizado y también puede ser

utilizado como base para otros trabajos o investigaciones. La construcción de una base de

datos con 79 ciudades y más de 42 KPIs permite que se sigan realizando otros análisis y

clasificaciones de las ciudades estudiadas. Además, la clusterización obtenida no es más que

un análisis previo que puede ser utilizado por otros estudios de movilidad.

Se proponen las siguientes líneas futuras a seguir:

1. Verificación de la efectividad de la clusterización jerárquica:

En este trabajo se presenta una clusterización jerárquica con la que se pueden identificar

aquellas ciudades que son similares en términos de movilidad urbana. Si la efectividad de esta

clusterización fuera elevada, esto querría decir que la misma medida adoptada en dos

ciudades caracterizadas como similares, proporcionaría resultados similares. Además, los

problemas de movilidad identificados en una ciudad deberían ser parecidos a los problemas

que sufren ciudades de su mismo clúster.

Se propone por tanto realizar un estudio de los problemas y medidas de movilidad urbana de

varias de las ciudades estudiadas y verificar si existen similitudes acordes con la clusterización

realizada en este trabajo.

Como ejemplo se propone el caso de las zonas de restricción al tráfico en las ciudades de

Madrid y Berlín. Ambas ciudades han sido emparejadas en la clusterización y ambas tienen

zonas de restricción al tráfico creadas para reducir la contaminación. Sería interesante evaluar

la efectividad de dichas medidas en ambas ciudades, así como el impacto y la aceptación por

parte de los ciudadanos.

Mediante el estudio de varios casos similares al propuesto se podría comprobar si la

clusterización en función de los KPIs seleccionados en este trabajo es una herramienta

efectiva.

2. Validación, verificación y mejora de la base de datos:

Tal y como se ha comentado en los resultados de este trabajo, se han identificado varias

fuentes de error y sesgo en la base de datos utilizada para la clusterización. Sería interesante

validar y verificar los datos utilizados. También sería interesante mejorar la base de datos,

aumentando el número de KPIs y de ciudades disponibles para la clusterización.



7 Bibliografía30 AIRBUS, 2019. Cities: the key to a sustainable future for our planet. Airbus.com [en línea].

[Consulta: 24 mayo 2019]. Disponible en: https://www.airbus.com/newsroom/news/en/2019/05/cities-the-key-to-a-sustainable-future-for-our-planet.html.

AUTOPISTA, 2019. Toda la verdad sobre el precio de la gasolina: cuánto cuesta, cuánto pagamos y sus impuestos | Noticias | Autopista.es. autopista.es [en línea]. [Consulta: 9 agosto 2019]. Disponible en: https://www.autopista.es/noticias-motor/articulo/toda-la-verdad-sobre-el-precio-de-la-gasolina-cuanto-cuesta-pagamos-impuestos-como-se-reparten.

BUOLAMWINI, J. y GEBRU, T., 2018. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, vol. 81, pp. 1-15. ISSN 11786930. DOI 10.2147/OTT.S126905.

CARVALHO, L., 2015. Smart cities from scratch? A socio-technical perspective. Cambridge Journal of Regions, Economy and Society, no. 8 (1), pp. 43-60.

CORWIN, S., 2017. The urban optimist: Daniel Doctoroff on the future of cities. , no. 20.

CRAWFORD, K., WEST, S.M. y WHITTAKER, M., 2019. Discriminating Systems: Gender, Race and Power in AI [en línea]. S.l.: s.n. ISBN 6153295159091. Disponible en: https://ainowinstitute.org/discriminatingsystems.pdf.

CUADRAS AVELLANA, C., 1981. Métodos de Análisis Multivariante. EUNIBAR. Barcelona: s.n.

DELOITTE, PETER VIECHNICKI, ABHIJIT KHUPERKAR, TIFFANY DOVEY FISHMAN, W.D.E., 2015. Smart mobility: Reducing congestion and fostering faster, greener, and cheaper transportation options. www2.deloitte.com [en línea]. S.l.: Disponible en: https://www.cambridge.org/core/product/identifier/CBO9781107415324A009/type/book_part.

DELOITTE, 2014. Business Trends 2014. , pp. 134.

DELOITTE, 2018a. The Deloitte City Mobility Index: gauging global readiness for the future of mobility. Deloitte Insights [en línea], pp. 1-12. Disponible en: https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/deloitte-urban-mobility-index-for-cities.html.

DELOITTE, 2018b. The future of parking in the new mobility ecosystem | Deloitte Insights. deloitte.com [en línea]. [Consulta: 9 agosto 2019]. Disponible en: https://www2.deloitte.com/insights/us/en/focus/future-of-mobility/future-of-parking-new-mobility-ecosystem.html.

DIJKSTRA, L. y POELMAN, H., 2012. Cities in Europe the New Oecd-Ec. Regional Focus,

GAGNE, J.-F., KISER, G. y MANTHA, Y., 2019. Global AI Talent Report 2019. [en línea]. [Consulta: 16 junio 2019]. Disponible en: https://jfgagne.ai/talent-2019/.

30 Para la realización de la bibliografía de este trabajo se ha seguido la normativa ISO-690 que es la

sugerida por la biblioteca de la UPM. Para la generación de la bibliografía se ha hecho del uso del editor

bibliográfico Mendeley. El formato de bibliografía se genera automáticamente gracias a la incorporación

del formato de estilo ISO-690, creado en Mendeley por Francisco-Javier Calzada-Prado, trabajador del

Departamento de Biblioteconomía y Documentación la biblioteca de la Universidad Carlos III de Madrid.

Bibliografía


IESE, 2019. IESE - Cities in Motion Index. ,

INDEX, P.C., TAKENAKA, H. y ICHIKAWA, H., 2018. Global Power City Index 2018. ,

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION, 2017. ISO/DIS 37122, Sustainable development of communities - Indicators for Smart Cities. [en línea], pp. 71. Disponible en: https://www.iso.org/obp/ui/#iso:std:iso:37122:dis:ed-1:v1:en.

MAIRIE DE PARIS, 2019. Ville de Paris, la Mairie de Paris et sa commune (75000). [en línea]. [Consulta: 19 junio 2019]. Disponible en: https://www.annuaire-mairie.fr/ville-paris.html.

MCKERRACHER, C., IZADI-NAJAFABADI, A. y SOULOPOULOS, N., 2019. Electric Vehicle Outlook 2019. . S.l.:

MD ROBIN, S., [sin fecha]. What phone was the first to use a face scanner? - Quora. [en línea]. [Consulta: 15 junio 2019]. Disponible en: https://www.quora.com/What-phone-was-the-first-to-use-a-face-scanner.

MORENO, E.L., 2017. Concepts, definitions and data sources for the study of. [en línea]. New York: Disponible en: http://www.un.org/en/development/desa/population/events/pdf/expert/27/papers/II/paper-Moreno-final.pdf.

NETEXPLO, 2019. Web SMART CITIES | Netexplo. [en línea]. [Consulta: 14 abril 2019]. Disponible en: https://netexplo.com/corporate/smart-cities/.

New International Standard for measuring the performance of cities going “smart”. [en línea], 2019. [Consulta: 23 junio 2019]. Disponible en: https://www.iso.org/news/ref2395.html.

NUMBEO, 2019a. About Traffic Indices At This Website. [en línea]. [Consulta: 10 agosto 2019]. Disponible en: https://es.numbeo.com/tráfico/índices-explicados.

NUMBEO, 2019b. Acerca de los Índices de Costo de Vida en Esta Página. [en línea]. [Consulta: 8 agosto 2019]. Disponible en: https://es.numbeo.com/coste-de-vida/índices-explicados.

OBSERVATORIO DE LA BICICLETA PÚBLICA EN ESPAÑA, 2018. Visión general 2018 | Observatorio de la Bicicleta Pública en España. [en línea]. [Consulta: 24 mayo 2019]. Disponible en: https://bicicletapublica.es/vision-general-2018/.

OPEN DATA FOR CITIES, 2019. World Council on City Data ISO37120. [en línea]. [Consulta: 5 agosto 2019]. Disponible en: http://open.dataforcities.org/.

PASCUAL, B. y ENRIC RICART, J., 2019. Índice IESE Cities in Motion 2019. IESE bussiness school University of Navarra, vol. 8, no. 5, pp. 1-100. DOI .1037//0033-2909.I26.1.78.

POPULUS, 2018. The Micro-Mobility Revolution: The introduction and adoption of electric scooters in the United States. [en línea], pp. 18. Disponible en: https://research.populus.ai/reports/Populus_MicroMobility_2018_Jul.pdf.

RANJBARI, M., MORALES-ALONSO, G., SHAMS ESFANDABADI, Z. y CARRASCO-GALLEGO, R., 2018. Sustainability and the Sharing Economy : Modelling the Interconnections. 12th International Conference on Industrial Engineering and Industrial Management XXII Congreso de Ingeniería de Organización, no. July.

ROKACH, L. y MAIMON, O., 2005. DATA MINING AND KNOWLEDGE DISCOVERY HANDBOOK. CLUSTERING METHODS. Springer, Boston, MA, pp. 321-322. DOI https://doi.org/10.1007/978-0-387-09823-4.

SHOHAM, Y., PERRAULT, R., BRYNJOLFSSON, E., CLARK, J., MANYIKA, J., NIEBLES, J.C., LYONS, T., ETCHEMENDY, J., GROSZ, B. y BAUER, Z., 2018. AI Index 2018 Annual Report. [en línea], pp. 1-94. Disponible en: http://cdn.aiindex.org/2018/AI Index



2018 Annual Report.pdf.

The Agile Manifesto - The Key Principles for Incremental Development. [en línea], [sin fecha]. [Consulta: 27 marzo 2019]. Disponible en: https://www.scrumalliance.org/forbes/transformation/agile-manifesto.

TOMTOM, 2018. Traffic congestion ranking | TomTom Traffic Index. [en línea]. [Consulta: 10 agosto 2019]. Disponible en: https://www.tomtom.com/en_gb/traffic-index/ranking.

UNITED NATIONS-DEPARTMENT OF ECONOMIC AND SOCIAL AFFAIRS-POPULATION DIVISION, 2018. The World ’s Cities in 2018 - Data Booklet. The World ’s Cities in 2018 - Data Booklet,

UNITED NATIONS DEPARTMENT OF ECONOMIC AND SOCIAL AFFAIRS, 2018. World Urbanization Prospects: The 2018 Revision, Methodology. Working Paper No. ESA/P/WP.252 [en línea], Disponible en: https://population.un.org/wup/Publications/Files/WUP2018-Methodology.pdf.

UNIVERSIDAD DE VALENCIA, [sin fecha]. INTRODUCCIÓN AL ANÁLISIS CLUSTER. [en línea]. [Consulta: 6 julio 2019]. Disponible en: https://www.uv.es/ceaces/multivari/cluster/CLUSTER2.htm.

UNIVERSIDAD NACIONAL DE CUYO, F. de I., 2008. Curso de Ingeniería Civil. Guia de estudio para las Catedras de Hidrología I e Hidrología II. S.l.: s.n.

VANOLO, A., 2016. Is there anybody out there? The place and role of citizens in tomorrow’s smart cities. Futures [en línea], vol. 82, pp. 26-36. ISSN 00163287. DOI 10.1016/j.futures.2016.05.010. Disponible en: http://dx.doi.org/10.1016/j.futures.2016.05.010.

WASHINGTON POST, 2010. Details emerge for D.C. streetcars, set to begin in 2012. [en línea]. [Consulta: 8 agosto 2019]. Disponible en: http://www.washingtonpost.com/wp-dyn/content/article/2010/10/24/AR2010102402637.html??noredirect=on.

ZARIF, R., PANKRATZ, D. y KELMAN, B., 2019. Small Is Beautiful: Making micromobility work for citizens, cities, and service providers. THE DELOITTE CENTER FOR INTEGRATED RESEARCH, pp. 18.



8 Planificación temporal y presupuesto

Metodología de trabajo y herramientas utilizadas

Para el desarrollo de este trabajo se ha adoptado una forma de trabajar ágil siguiendo una

metodología Scrum con sprints de dos semanas al final de los cuales se ha realizado una

verificación del progreso con el tutor. Dado que este trabajo se ha realizado a distancia, este

tipo de metodología ha servido tanto para la planificación por parte del autor como para dar

visibilidad del progreso al tutor.

Los principios de desarrollo de proyectos Ágiles fueron concebidos para mejorar la manera en

la que se producía el código de software hace casi 20 años. Con el tiempo, los valores de la

metodología Ágil se han extendido a numerosas industrias y tipos de proyectos. Los principios

están enumerados en un manifestó de donde se pueden extraer una serie de ideas clave

como son la libertad y confianza en el equipo o el individuo que realiza el trabajo, la entrega

continua de contenido desde el principio en intervalos cortos, la evaluación del contenido

entregado y la posibilidad de incorporación de modificaciones. («The Agile Manifesto - The

Key Principles for Incremental Development» [sin fecha])

La metodología Scrum surge para aplicar de forma metódica los principios Agiles a la forma

de trabajar. En principio la metodología Scrum está pensada para trabajo en equipo ya que

facilita la comunicación entre los integrantes del equipo y visibiliza el trabajo realizado para

que el jefe de proyecto, el business owner o el cliente puedan realizar el seguimiento del

proyecto. Al ser el trabajo de carácter individual, la metodología scrum solo aporta valor en la

sincronización con el tutor y la visibilidad del avance del trabajo por parte de este.

Siguiendo esta metodología Scrum, el proyecto se ha desglosado desde el principio en sprints

de dos semanas, quedado dividida la carga de trabajo de forma homogénea. A continuación,

se ha realizado la planificación temporal de los incrementos (sprints) y a medida que los

objetivos del trabajo han ido evolucionando, se ha adaptado consecuentemente el contenido

de los sprints.

Finalmente, para realizar la planificación y el seguimiento, se ha utilizado la aplicación Trello,

la cual integra TeamGantt una segunda aplicación que permite la visualización de la

planificación temporal mediante un diagrama de Gantt.

Existen numerosas aplicaciones que permiten la gestión de proyectos con metodología

Scrum31 sin embargo se ha elegido Trello porque es una herramienta online gratuita sencilla

de utilizar y porque la integración con TeamGantt hace de la experiencia de planificación y

seguimiento del trabajo una tarea sencilla, eficiente y efectiva a la vez que ofrece una

experiencia de usuario gratificante. Otra funcionalidad adicional que aporta TeamGantt es la

posibilidad de exportar nuestra planificación tanto en versión PDF como en formato delimitado

por comas CSV. Como aspecto negativo, no se puede cambiar la configuración para que el

primer día de la semana sea el lunes, siendo el domingo el primer día mostrado.

31 Algunas de las herramientas que más se utilizan en las empresas son Jira, ofrecida por Atalassian, Team Foundation Server que se incluye dentro de Microsoft Vsual Studio o IBM Rational Team Concert https://www.ibm.com/fr-fr/marketplace/change-and-configuration-management, sin embargo, son aplicaciones de pago y están claramente orientadas al desarrollo informático habiendo sido por tanto descartadas para este trabajo. Muchas otras aplicaciones están disponibles en internet y ofrecen una versión gratuita con funcionalidades limitadas. Generalmente, con la versión gratuita queda limitada la cantidad de proyectos que permiten gestionarse a la vez o bien la cantidad de miembros que pueden participar.

https://www.ibm.com/fr-fr/marketplace/change-and-configuration-management

Planificación temporal y presupuesto


Planificación del trabajo y distribución temporal

La planificación del TFG se realizó tras ser validada la propuesta por el tutor y una vez se

demostró, con el POC, que la idea de clusterizar ciudades en función de parámetros

numéricos y variables cualitativas era factible. Las fases del trabajo, así como el tiempo

estimado dedicado a cada una de las tareas se muestran a continuación y en la tabla 13. Cada

una de las tareas ha sido desglosada indicándose las tareas principales. Estas conforman el

backlog de tareas del trabajo:

1. Idea de proyecto

a. Investigación preliminar

b. Generación de idea de TFG

2. Lanzamiento

a. Búsqueda de tutor

b. Investigación herramientas estadística

c. PoC

3. Planificación

a. Investigación de metodologías de trabajo

b. Generación del planning (Gantt)

4. Ejecución

a. Identificación y análisis de referencias bibliográficas

b. NETEXPLO Smart Cities Accelerator Summit 2019 curso presencial

c. Definición de indicadores y selección de KPIs

d. Análisis cualitativo KPIs

e. Recopilación de datos KPIs

f. Validación herramientas estadísticas

g. Análisis estadístico KPIs

h. NETEXPLO Smart Cities Accelerator Summit 2019, curso Online

i. Establecimiento de la metodología de referenciado bibliográfico

5. Seguimiento y control

a. Revisiones y feedback loops con tutor

b. Check calidad documento

6. Finalización

a. Redacción del documento TFG

b. Incorporación de feedback

c. Impresión y trámites finales

Aunque en general podemos considerar que las fases establecidas siguen el orden

establecido, a la hora de realizar la distribución temporal, no siguen necesariamente un orden

cronológico ya que algunas de las tareas se realizan de manera recurrente a lo largo de todo

el proyecto y otras tienen que realizarse en paralelo.

De acuerdo con la metodología Scrum adoptada, se han definido una serie de incrementos

de trabajo (sprints) de dos semanas de duración los cuales comienzan en lunes y terminan en

domingo. Así, cada dos semanas se ha realizado un informe del progreso que se ha enviado

por e-mail al tutor obteniéndose regularmente su feedback y orientando los siguientes sprints

consecuentemente.



Tabla 13 – Dedicación temporal de las tareas realizadas.

La parte correspondiente a la fase I) Idea de proyecto y la parte de búsqueda de tutor

correspondiente a II) Planificación, se consideran trabajo preliminar y no se han incluido en

ningún sprint. Se considera la aprobación de la idea por parte del tutor como el inicio del primer

sprint y a partir de ese momento se han planificado 14 sprints que llevan hasta el 6 de

septiembre de 2019, fecha límite para entregar el TFG.

A cada sprint se le ha asignado una tarea principal extraída del backlog de tareas previamente

definido. Aquellas tareas que por ser demasiado grandes no pueden ser abarcadas en un solo

sprint, se han dividido en varios sprints consecutivos.

En la siguiente tabla se muestra la distribución temporal de los sprints:

Tabla 14 – Planificación temporal.

Los sprints, junto con el resto de las tareas no incluidas expresamente en un sprint concreto,

se han planificado en TeamGannt obteniendo la siguiente distribución temporal:

Idea de proyecto h Lanzamiento h Planificación h Ejecución h

Seguimiento y

control h Finalización h TOTAL

Investigación

preliminar 5

Búsqueda de

tutor 10

Investigación de

metedologias de

trabajo 10

Identificación y análisis

de referencias

bibliográficas 20

Revisiones y

feedback loops

con tutor 15

Redacción del

TFG 60

Generación de

idea de TFG 10

Investigación

herramientas

estadística 10

Generación del

planning (Gantt) 10

NETEXPLO Smart Cities

Accelerator Summit curso

presencial 40

Check calidad

documento 15

Impresión y

trámites

finales 10

PoC 15Definición de indicadores

y selección de KPIs 20

Análisis cualitativo KPIs 20

Recopilación de datos

KPIs 60

Validación herramientas

estadísticas 5

Análisis estadístico KPIs 20

NETEXPLO Smart Cities

Accelerator Summit curso

Online 10

Establecimiento de la

metodología de

referenciado bibliográfico 3

15 35 20 198 30 70 368

4% 10% 5% 54% 8% 19% 100%

Nº de sprint Comienzo Fin Tarea principal Status

Sprint 1 26-feb 17-mar PoC v1 Finalizado

Sprint 2 18-mar 31-mar Planificación Finalizado

Sprint 3 01-abr 14-abr PoC v2 Finalizado

Sprint 4 15-abr 28-abr Definición de indicadores y selección de KPIs (a) Finalizado

Sprint 5 29-abr 12-may Definición de indicadores y selección de KPIs (b) Finalizado

Sprint 6 13-may 26-may Definición de indicadores y selección de KPIs (b) Finalizado

Sprint 7 27-may 09-jun Análisis cualitativo KPIs (a) Finalizado

Sprint 8 10-jun 23-jun Análisis cualitativo KPIs (b) + Recopilación de datos KPIS (a) Finalizado

Sprint 9 24-jun 07-jul Recopilación de datos KPIs (b) + validación planteamiento estadístico Finalizado

Sprint 10 08-jul 21-jul Recopilación de datos KPIs (c) + certificación NETEXPLO Smart Cities Finalizado

Sprint 11* 22-jul 26-jul Análisis estadistico KPIs (a) + Entrega resultados obtenidos Finalizado

Sprint 12 27-jul 11-ago Análisis estadistico KPIs (b) Finalizado

Sprint 13 12-ago 25-ago Redacción documento Finalizado

Sprint 14* 26-ago 31-ago Check calidad documento Finalizado

Validación 01-sep 06-sep Validación Gustavo + Entrega TFG en indusnet Finalizado

Impresión 07-sep 13-sep Impresión, entrega en secretaría y trámites finales En progreso

Presentación 23, 30 de septiembre y 1 de octubre 2019

Ilustra

ció

n 3

3 - D

iag

ram

a d

e G

an

nt.



9 Índice de figuras Ilustración 1 - Informe Perspectivas Mundiales de Urbanización publicado por la ONU. ___________________ 16 Ilustración 2 -United Nations-Department of Economic and Social Affairs-Population Division. The World ’s Cities

in 2018 - Data Booklet. World ’s Cities 2018 - Data Book. (2018). ____________________________________ 17 Ilustración 3 - Evolución de la adopción de los vehículos eléctricos para distintos tipos de vehículos.

(McKerracher, Izadi-Najafabadi y Soulopoulos 2019). ______________________________________________ 18 Ilustración 4 - Masdar City, Abu Dhabi (https://transsolar.com/fr/projects/masdar-city). _________________ 26 Ilustración 5 - Songdo, Korea del Sur (https://www.kpf.com/projects/new-songdo-city). __________________ 26 Ilustración 6 - Captura de pantalla de la aplicación BOS:311. https://311.boston.gov/ ___________________ 27 Ilustración 7 - Evolución de los sistemas de bicicleta pública en España. (Observatorio de la Bicicleta Pública en

España 2018). _____________________________________________________________________________ 29 Ilustración 8 - Evolución del número de bicicletas y de estaciones de bicicleta pública en España. (Observatorio

de la Bicicleta Pública en España 2018). _________________________________________________________ 30 Ilustración 9 – Clusterización POC. _____________________________________________________________ 33 Ilustración 11 - Países miembros de la OECD. _____________________________________________________ 20 Ilustración 12 - Dijkstra, L. & Poelman, H. Cities in Europe the New OECD-Ec. Reg. Focus (2012). ___________ 21 Ilustración 13 – Modelo de aglomeración urbana en el que la población es superior a la población de la ciudad

propiamente dicha. _________________________________________________________________________ 22 Ilustración 14 - Modelo de aglomeración urbana el que la población es inferior a la población de la ciudad

propiamente dicha. _________________________________________________________________________ 23 Ilustración 15 - Mapa mental de indicadores y KPIs. _______________________________________________ 42 Ilustración 16 - Ilustración extraída de los apuntes del curso Analyse de Données de Sandie Ferrigno. Ecole des

Mines, Nancy. _____________________________________________________________________________ 46 Ilustración 17 - Distribución de las ciudades europeas y de Norte América seleccionadas para el trabajo

ordenadas en función de su densidad de población. _______________________________________________ 54 Ilustración 18 - Ciudades estudiadas en este trabajo con mayor número de rascacielos. __________________ 55 Ilustración 19 - Ejemplos de ciudades clasificadas según los distintos modelos de tipo de morfología definidos. 56 Ilustración 20 - Comparación de la puntuación en el índice de coste de vida con la clasificación en el índice de

poder adquisitivo. __________________________________________________________________________ 60 Ilustración 21 - Autobuses urbanos eléctricos pertenecientes a la flota de autobuses de la ciudad de Shenzhen, la

primera flota completamente eléctrica del mundo (16.000 autobuses). El próximo reto de esta ciudad es

electrificar sus 22.000 taxis. Link: https://www.theguardian.com/cities/2018/dec/12/silence-shenzhen-world-

first-electric-bus-fleet _______________________________________________________________________ 65 Ilustración 22 - Mapa del metro de Shanghai, el sistema de metro más desarrollado del mundo (632,1 km, y 394

estaciones). Inaugurado el 10 de abril de 1995. Link:

https://www.travelchinaguide.com/cityguides/shanghai/transportation/metro-subway-map.htm _________ 66 Ilustración 23 - Tranvía (Streetcar) de Washington DC. _____________________________________________ 68 Ilustración 24 - Comparación del precio del billete sencillo y del abono mensual para las ciudades estudiadas

ordenadas en orden creciente del coste del abono mensual. ________________________________________ 70 Ilustración 25 - Top 25 de ciudades con mayor número de vehículos eléctricos (EVs). Link:

https://theicct.org/publications/ev-capitals-of-the-world-2018 ______________________________________ 72 Ilustración 26 - Correlaciones del porcentaje de personas que van al trabajo andando con el índice de

Medioambiente del IESE, el número de días de lluvia y el precio de la gasolina. _________________________ 74 Ilustración 27 - La flota de bicicletas compartidas adquiere dimensiones impactantes en China. Existen

numerosos depósitos de bicicletas, como el que se muestra en la imagen, donde se acumulan decenas de miles

de bicicletas de empresas como Mobike, Ofo y Hellobike, las tres compañías más grandes de bicicletas

compartidas en China. Más fotos impactantes disponibles en el siguiente link:

https://www.theatlantic.com/photo/2018/03/bike-share-oversupply-in-china-huge-piles-of-abandoned-and-

broken-bicycles/556268/ _____________________________________________________________________ 77 Ilustración 28 - Cobertura de la red de transporte público en la ciudad de Madrid (Azul) y zonas verdes de la

ciudad (Verde). Link: https://urbanmobilityindex.here.com/city/madrid _______________________________ 86 Ilustración 29 - Resultados de la clusterización de las 79 ciudades estudiadas en función de los 42 KPIs

seleccionados para la clusterización. Método aglomerativo ascendente Ward.D2. _______________________ 88

https://upm365-my.sharepoint.com/personal/david_fernandez_dediego_alumnos_upm_es/Documents/TFG/TFG.docx#_Toc18254558











Índice de figuras


Ilustración 30 – Clusterización con 5 grupos ______________________________________________________ 91 Ilustración 31 – Clusterización con 10 grupos. ____________________________________________________ 93 Ilustración 32 – Clusterización con 20 grupos. ____________________________________________________ 95 Ilustración 33 - Casual Loop Diagram (CLD) disponible en el artículo Sustainability and the Sharing Economy:

Modelling the Interconnections. (Ranjbari et al. 2018). ______________________ ¡Error! Marcador no definido. Ilustración 34 - Diagrama de Gannt. ___________________________________________________________ 108 Ilustración 35 - Indicadores de la dimensión Cultura y Aspecto Social ________________________________ 115 Ilustración 36 - Indicadores de la dimensión Demografía y Geografía ________________________________ 115 Ilustración 37 - Indicadores de la dimensión Economía ____________________________________________ 116 Ilustración 38 - Indicadores de la dimensión Medio Ambiente ______________________________________ 116 Ilustración 39 - Indicadores de la dimensión Transporte ___________________________________________ 117








10 Índice de tablas

Tabla 1 - Primeras ciudades del índice IESE Cities in Motion Index. Las distintas columnas muestran la

clasificación obtenida por las ciudades en las diferentes dimensiones y en la última se muestra la clasificación

global. Datos extraídos manualmente (Pascual y Enric Ricart 2019). __________________________________ 35 Tabla 2 – Indicadores de movilidad urbana del Deloitte - City Mobility Index 2019 (Deloitte 2018a). ________ 36 Tabla 3 - United Nations, Department of Economic and Social Affairs, Population Division (2018). World

Urbanization Prospects: The 2018 Revision, Online Edition. _________________________________________ 23 Tabla 4 - Correlaciones entre las clasificaciones obtenidas por las ciudades en las distintas dimensiones

estudiadas en el IESE Cities In Motion Index. _____________________________________________________ 39 Tabla 5 - Indicadores de la dimensión Capital Humano. (IESE 2019 Cities in Motion Index). ________________ 50 Tabla 6 - Indicadores de la dimensión Tecnología. (IESE 2019 Cities in Motion Index). ____________________ 51 Tabla 7 - Indicadores de la dimensión Cohesión Social. (IESE 2019 Cities in Motion Index). ________________ 52 Tabla 8 – Carreteras más congestionadas de Londres. _____________________________________________ 60 Tabla 9 - Indicadores de la dimensión Gobernanza. (IESE 2019 Cities in Motion Index). ___________________ 62 Tabla 10 - Indicadores de la dimensión Medioambiente. (IESE 2019 Cities in Motion Index). _______________ 63 Tabla 11 - Indicadores de la dimensión Planificación Urbana. (IESE 2019 Cities in Motion Index). ___________ 82 Tabla 12 - Indicadores de la dimensión Movilidad y Transporte. (IESE 2019 Cities in Motion Index). _________ 83 Tabla 13 – Dedicación temporal de las tareas realizadas. __________________________________________ 107 Tabla 14 – Planificación temporal. ____________________________________________________________ 107 Tabla 15 – Datos utilizados para la clusterización ________________________________________________ 120







11 Glosario 1. Clúster: Un clúster es una agrupación de individuos parecidos entre sí y diferentes a

los individuos de los otros grupos.

2. Clusterización: Técnica de procesamiento automático de datos que realiza una

agrupación de individuos en distintos clústeres. Más información sobre los tipos y

métodos de clusterización disponible en el apartado de metodología (Análisis y

clusterización de los KPIs)

3. Indicador: Parámetro utilizado para evaluar el estado de una situación o de algún

aspecto concreto. Aunque generalmente son de carácter cuantitativo, también pueden

ser datos de carácter cualitativo. La comparación en el tiempo de indicadores permite

medir la evolución.

4. KPI: Abreviatura de la expresión inglesa Key Performance Indicador. Un indicador

clasificado como KPI es aquel que se considera clave para la descripción del

desempeño. En el ámbito de este trabajo, del desempeño en materia de movilidad

urbana.

5. Smart City (ciudad inteligente): Según la normativa ISO 37122:201932, una ciudad

inteligente es una ciudad que aumenta el ritmo al que se obtienen resultados de

sostenibilidad social, económica y ambiental y responde a desafíos como el cambio

climático, el rápido crecimiento de la población y la inestabilidad política y económica

mediante la mejora sustancial de la forma en que se involucra a la sociedad, la

aplicación de métodos de liderazgo colaborativo, la colaboración entre las disciplinas

y los sistemas de la ciudad, y la utilización de la información de los datos y de las

tecnologías modernas para prestar mejores servicios y mejorar calidad de vida a los

habitantes de la ciudad (residentes, empresas, visitantes), tanto en la actualidad como

en el futuro inmediato, sin que esto implique una desventaja injusta para otros ni una

degradación del medio ambiente natural.

6. Data mining: La minería de datos (data mining en inglés) es un campo

multidisciplinario de la informática y la estadística cuyo objetivo es extraer información

de un grupo de datos transformando y estructurando la información de manera que

sea comprensible. Se trata de técnicas utilizadas, generalmente, en situaciones en las

que se desea analizar grandes cantidades de datos. La diferencia entre el análisis de

datos y la minería de datos es que el objetivo del primero es probar hipótesis mientras

que el objetivo de la minería de datos es encontrar patrones o relaciones desconocidas

en los individuos o sets de datos estudiados.

32 Traducción propia. Texto en inglés disponible en el link: https://www.iso.org/obp/ui/#iso:std:iso:37122:ed-1:v1:en



12 Anexos

Indicadores

12.1.1 Indicadores de la dimensión Cultura y Aspecto Social

Ilustración 34 - Indicadores de la dimensión Cultura y Aspecto Social

12.1.2 Indicadores de la dimensión Demografía y Geografía

Ilustración 35 - Indicadores de la dimensión Demografía y Geografía

Anexos


12.1.3 Indicadores de la dimensión Economía

Ilustración 36 - Indicadores de la dimensión Economía

12.1.4 Indicadores de la dimensión Medio Ambiente

Ilustración 37 - Indicadores de la dimensión Medio Ambiente



12.1.5 Indicadores de la dimensión Transporte

Ilustración 38 - Indicadores de la dimensión Transporte

Anexos


Datos utilizados y clusterización C

iud

ad

Cap

ital

hu

man

o

Tecn

olo

gía

Co

he

sió

n S

oci

al

Nº

de

Hab

itan

tes

De

nsi

dad

de

po

bla

ció

n

Sup

. Ciu

dad

pro

pia

me

nte

dic

ha

Ras

caci

elo

s

Mo

rfo

logí

a d

e la

ciu

dad

Dis

trib

uci

ón

zo

nas

ric

as y

po

bre

s

Mar

/Sim

ilar

Río

Inte

rnac

ion

aliz

ació

n

Co

ste

de

vid

a e

n g

en

era

l

Pre

cio

de

l alq

uil

er

Po

de

r d

e a

dq

uis

ició

n

ISO

37

12

0

Go

vern

anza

Me

dio

amb

ien

te

Día

s d

e ll

uvi

a

mm

3 d

e ll

uvi

a

Ind

ice

de

co

nta

min

acio

n

Nº

Lin

eas

de

Au

tob

use

s U

rban

os/

1M

Nº

Lin

eas

Me

tro

/1M

hab

itan

tes

Nº

Pas

aje

ros

me

tro

/1M

hab

itan

tes

Km

s d

e li

ne

a d

e m

etr

o/1

M h

abit

ante

s

Co

mp

acid

ad d

e la

re

d

Km

s d

e li

ne

a tr

anví

a/1

M h

abit

ante

s

Nº

Esta

cio

ne

s tr

anví

a/1

M h

abit

ante

s

Pre

cio

de

bil

lete

se

nci

llo

Pre

cio

de

ab

on

o m

en

sual

Pre

cio

1l d

e G

aso

lin

a

Pre

cio

To

yota

Co

roll

a 1

.6l

NºE

Vs

(Ciu

dad

en

To

p 2

5)

Bik

e c

om

mu

tin

g

Wal

k co

mm

uti

ng

Co

ste

tax

i ofi

cial

Ub

er

Bic

icle

tas

/10

.00

0 h

abit

ante

s

Tom

Tom

tra

ffic

ind

ex

Nu

mb

eo

Tra

ffic

ind

ex

Pla

nif

icac

ión

urb

ana

Mo

vili

dad

y t

ran

spo

rte

Amsterdam 36 7 38 1148972 821 1164 10 2 1 0 2 2 80,19 53,83 53,83 1 27 28 132 838 31 4 3 74 28 1128 70 272 3,00 90,50 1,64 25988,57 1 53 24 23,91 1 36,12 199 94,72 11 11

Ankara 113 138 115 5117603 205 660 36 4 2 0 0 142 35,67 6,13 6,13 0 131 139 94 450 71 9 1 22 13 1288 2 2 0,52 28,36 1,18 20092,88 0 0 15 5,45 0 0,00 86 145,12 95 86

Antwerp 108 63 40 1042471 923 204 0 2 1 0 2 129 74,00 25,54 25,54 0 96 48 208 730 61 1 2 12 7 844 69 125 2,20 47,00 1,44 25988,57 0 39 33 2,25 0 37,90 92 162,63 42 32

Athens 78 27 155 3153355 1850 614 1 2 1 2 0 61 59,78 14,24 14,24 0 143 52 43 365 58 10 1 108 19 973 9 15 1,40 30,00 1,57 18654,71 0 2 42 9,81 1 0,00 29 150,39 133 80

Auckland 95 37 25 1606564 1210 544 13 4 1 2 0 51 77,93 41,40 41,40 0 38 7 136 1211 30 24 0 0 0 0 0 0 2,40 119,77 1,31 17354,85 0 1 4 14,67 1 0,00 112 165,64 53 106

Baltimore 56 60 103 2325087 2873 238 24 1 1 2 0 91 74,75 41,57 42,50 0 42 129 116 1064 64 3 0 8 11 1885 21 14 1,71 60,80 0,61 17733,88 0 1 7 13,64 1 0,00 118 127,26 47 115

Barcelona 46 24 89 5585556 1517 681 7 3 1 2 1 11 60,23 42,50 33,52 1 29 51 55 640 24 4 2 70 25 835 5 11 2,10 54,00 1,32 19877,78 0 7 30 12,38 0 8,30 167 102,31 29 12

Berlin 5 32 39 3562038 295 1077 12 1 1 0 2 5 66,48 46,50 32,43 0 6 47 106 571 46 8 3 142 41 797 53 225 2,80 81,00 1,41 17288,33 0 24 19 2,90 1 5,00 340 99,53 40 6

Birmingham 38 85 34 842065 4200 267 2 4 2 0 1 80 64,10 32,43 29,47 0 55 72 125 681 25 32 0 0 0 0 24 27 2,84 68,14 1,44 22231,61 0 0 2 17,57 1 0,00 135 138,00 70 75

Boston 4 19 84 4308634 656 4839 50 4 2 2 2 69 86,71 29,47 73,62 1 15 115 126 1112 43 4 1 34 16 1075 4 8 2,14 72,36 0,64 18066,37 0 2 15 19,27 1 5,48 174 216,40 21 131

Bratislava 49 113 14 434926 313 367 8 4 1 0 2 122 48,17 73,62 20,68 0 50 35 144 557 62 21 0 0 0 0 91 349 0,90 27,00 1,36 15310,00 0 4 22 8,30 1 1,38 69 95,69 67 85

Brussels 112 33 66 2080788 806 162 15 1 1 0 2 45 74,58 20,68 30,63 0 44 43 199 852 54 3 1 64 15 555 67 140 2,10 49,00 1,44 21805,00 0 6 38 18,80 1 18,34 39 126,44 49 24

Budapest 42 67 108 1768073 464 525 0 1 1 0 2 37 45,03 30,63 17,49 0 85 38 81 563 54 15 2 171 19 846 89 355 1,09 29,70 1,21 17379,70 0 9 37 1,18 1 10,03 54 137,79 83 61

Chicago 10 35 104 8865009 504 10163 326 2 2 2 2 18 79,21 17,49 56,55 0 41 130 124 937 44 2 1 25 19 1145 0 0 2,14 89,91 0,72 16913,15 0 1 6 13,65 1 5,17 122 188,18 5 38

Cologne 61 70 26 1118789 1216 568 10 1 1 0 2 63 66,84 56,55 27,91 0 31 92 133 796 20 7 13 189 42 1185 220 210 2,90 93,75 1,42 19198,00 0 15 7 18,38 0 0,63 176 151,86 130 27

Copenhagen 28 10 11 1346485 568 456 2 2 1 2 2 16 87,22 27,91 45,45 0 12 3 102 523 46 1 1 40 16 1050 0 0 3,22 53,74 1,45 31878,95 0 30 10 24,12 1 17,91 241 86,47 75 25

Dallas 12 29 80 6300661 211 9479 46 2 1 0 1 85 66,54 45,45 45,63 0 63 134 81 954 40 2 0 0 0 0 26 17 2,14 68,50 0,58 17050,84 0 0 2 11,62 1 0,00 299 174,10 71 120

Denver 31 12 78 2826679 131 9841 39 1 1 0 1 44 73,84 45,63 52,77 0 45 158 87 396 39 4 0 0 0 0 17 9 2,23 85,20 0,61 17106,97 0 2 4 11,78 1 2,14 234 169,69 18 96

Dublin 105 28 42 1228179 274 924 0 2 1 2 2 30 79,21 52,77 61,71 0 67 24 129 758 26 10 0 0 0 0 34 44 2,70 125,00 1,42 26051,67 0 17 35 14,40 1 11,18 14 153,34 92 69

Edinburgh 24 54 12 536775 510 263 0 1 1 2 0 38 67,87 61,71 31,85 0 75 81 254 750 21 13 0 0 0 0 26 30 1,93 61,33 1,40 22231,61 0 2 14 16,50 1 6,19 27 96,70 109 39

Eindhoven 82 9 9 358966 516 175 2 2 1 0 1 99 74,73 31,85 33,54 1 58 107 214 750 21 9 0 0 0 0 0 0 3,75 55,00 1,60 22231,61 0 24 3 28,00 1 0,00 247 83,03 69 48

Frankfurt 45 73 44 777156 616 370 33 4 1 0 2 32 71,65 29,33 36,26 0 59 80 169 629 28 7 4 170 26 732 84 111 2,80 89,00 1,43 19198,00 0 21 18 2,60 0 25,09 159 85,73 25 18

Geneva 85 48 30 679613 1088 66 0 3 1 1 0 13 122,12 36,26 68,69 0 2 60 172 1030 32 11 0 0 0 0 53 112 2,60 60,68 1,46 22272,73 0 7 9 32,96 1 16,92 65 104,75 139 41

Glasgow 25 84 17 1673332 540 1070 0 2 1 0 2 60 63,87 68,69 26,06 0 49 95 170 1124 30 7 1 8 6 743 0 0 2,61 57,92 1,43 21934,92 0 6 37 22,90 1 2,73 184 138,68 80 95

Hamburg 32 59 74 1789954 450 738 3 4 2 0 2 46 71,06 26,06 33,65 0 28 57 129 773 12 6 2 111 58 1102 0 0 3,20 85,00 1,43 19198,00 0 30 17 2,50 0 3,96 67 105,24 55 14

Helsinki 55 66 10 1304851 314 777 0 4 1 2 0 39 74,79 33,65 35,81 1 8 12 115 682 55 9 1 48 27 1462 74 204 2,90 54,70 1,52 24142,61 0 19 42 2,37 1 25,98 278 105,94 64 47

Houston 40 39 119 6370704 234 6914 100 1 2 0 1 56 64,76 35,81 43,05 0 60 150 104 1264 70 1 0 0 0 0 6 6 1,07 42,81 0,56 16411,63 0 0 2 12,40 1 0,84 204 201,41 17 129

Istanbul 124 76 165 15190336 2523 1360 97 3 2 2 2 48 38,37 43,05 10,33 0 151 132 84 805 48 3 0 5 7 1393 2 3 0,49 38,76 1,16 19965,39 0 0 21 4,67 1 1,07 6 247,50 66 112

Leeds 26 99 27 766000 508 1663 2 4 1 0 2 128 64,47 10,33 26,97 0 72 84 152 1024 37 8 0 0 0 0 0 0 2,84 63,60 1,40 22231,61 0 1 8 14,77 0 0,00 148 191,07 119 74

Lisbon 77 49 70 2956879 700 1128 2 4 2 2 2 26 53,75 26,97 32,13 0 73 14 77 726 37 3 1 62 15 852 16 28 1,45 36,70 1,56 21964,92 0 1 26 7,53 1 0,00 77 137,72 76 76

Liverpool 65 93 19 901708 1440 644 1 2 2 2 2 127 61,22 32,13 24,08 0 78 109 115 1368 23 12 0 0 0 0 0 0 2,61 73,48 1,40 22231,61 0 1 7 18,84 0 3,28 151 189,38 103 101

Ljubljana 100 36 32 279631 230 275 0 4 1 0 0 134 55,03 24,08 19,73 0 91 45 115 1368 60 11 0 0 0 0 0 0 1,20 37,00 1,32 20878,57 0 26 20 8,58 0 12,55 203 107,59 93 72

London 1 8 45 9304016 1851 2489 77 4 2 0 2 1 81,12 19,73 68,97 1 7 34 109 557 61 7 1 0 43 1552 3 4 2,84 154,45 1,45 24134,79 1 6 31 34,85 1 0,88 40 167,81 9 3

Los Angeles 2 21 82 12446597 213 83882 72 4 1 2 1 33 59,88 68,97 24,66 1 5 152 36 326 49 1 0 4 5 2196 9 5 1,50 85,63 0,82 17200,58 1 1 4 15,83 1 1,02 24 271,72 14 134

Madrid 41 34 55 6617513 841 1444 14 2 1 0 1 17 58,85 26,10 32,21 0 46 58 63 436 54 3 2 96 44 1062 4 5 1,50 54,60 1,28 20552,50 0 2 22 11,73 1 0,25 228 136,22 33 9

Manchester 19 77 53 2730076 1065 1274 2 1 2 0 2 74 66,59 32,21 30,08 0 76 101 143 829 26 22 0 0 0 0 34 34 3,41 73,82 1,41 22145,48 0 10 36 16,83 1 0,00 8 177,86 101 52

Melbourne 33 40 23 4967733 472 2705 131 3 2 2 2 6 73,30 30,08 43,04 1 4 31 93 603 41 7 0 0 0 0 49 365 2,78 96,96 0,94 15110,96 0 2 4 12,15 1 1,21 113 184,41 15 111

Miami 18 62 102 6122134 391 14274 112 3 1 2 0 9 76,59 43,04 58,87 0 47 142 135 1572 68 2 0 3 7 1809 0 0 1,93 96,23 0,63 17668,71 0 1 4 14,47 1 1,47 101 210,54 36 94

Milan 34 96 81 3140181 1326 2024 12 1 2 0 0 31 75,15 58,87 39,06 0 109 66 83 920 31 3 1 104 31 889 58 209 1,50 35,00 1,58 22272,73 0 6 17 14,66 1 10,90 103 133,98 56 23

Montreal 50 43 43 4220566 359 1623 47 1 2 0 2 41 66,39 39,06 27,38 0 40 63 163 1000 21 6 1 52 16 1003 0 0 2,15 56,17 0,88 14574,69 0 2 6 12,43 1 15,41 138 161,50 7 84

Munich 63 38 16 1538302 519 311 4 2 1 0 0 28 72,90 27,38 43,53 0 32 69 129 967 81 4 4 234 61 981 51 107 2,90 66,50 1,41 19198,00 0 27 19 19,33 1 83,21 110 110,09 58 8

Naples 99 136 99 2186853 2279 1174 0 2 1 2 0 111 61,06 43,53 19,09 0 141 112 87 1008 55 7 1 16 16 1160 5 15 1,20 40,00 1,55 22272,73 0 1 34 5,00 1 0,00 97 219,78 115 81

New York 3 11 137 18803552 848 12496 857 4 2 2 2 8 100,00 19,09 100,00 0 26 78 122 1268 25 2 1 0 20 852 0 0 2,35 103,61 0,69 18877,92 1 1 10 15,80 1 6,31 42 171,93 2 5

Oslo 71 17 20 1041378 182 452 2 4 1 2 0 19 105,36 100,00 44,70 1 52 8 113 763 18 6 5 73 82 885 126 95 3,66 76,97 1,63 29008,81 1 14 18 22,19 1 22,71 240 120,04 54 20

Ottawa 43 75 13 1393086 120 3274 3 2 1 0 0 98 69,34 44,70 31,14 0 16 62 161 920 67 12 0 0 0 0 0 0 2,31 76,99 0,82 15667,60 0 3 7 11,95 1 0,00 141 137,01 6 79

Paris 6 15 86 11017230 994 2074 24 2 1 0 2 3 85,13 31,14 46,55 0 37 54 111 637 48 3 1 0 20 599 10 17 1,90 75,00 1,55 22335,71 1 5 51 16,75 1 11,21 41 154,18 50 4

Philadelphia 16 22 96 5716764 498 4472 57 3 2 0 2 88 83,12 46,55 46,31 0 51 144 118 1055 59 1 1 19 11 984 11 21 2,14 82,20 0,68 17279,40 0 2 9 19,57 1 2,11 197 185,32 43 110

Phoenix 13 56 72 4511420 123 23953 13 2 1 0 1 43 67,87 46,31 35,71 0 56 137 30 208 37 2 0 0 0 0 9 8 1,71 54,38 0,64 17791,19 0 1 2 13,68 1 0,94 326 148,17 59 66

Porto 125 89 56 1312947 1335 637 0 2 2 2 2 86 51,70 35,71 24,11 1 92 19 101 1320 36 6 2 82 17 2112 53 62 1,50 31,00 1,55 23271,43 0 8 19 7,55 1 0,00 121 113,78 138 103

Prague 57 46 29 1305737 382 533 1 4 1 0 2 20 49,08 24,11 25,56 0 82 26 94 526 15 12 2 406 50 1550 109 210 0,93 21,29 1,24 17039,97 0 4 36 1,95 1 7,28 149 104,40 81 57

Reykjavik 53 4 18 212120 20 1039 0 4 1 2 0 22 98,01 25,56 48,84 0 19 1 148 798 37 26 0 0 0 0 0 0 3,77 100,74 1,78 30436,01 0 10 16 28,13 0 0,00 309 93,66 108 46

Riga 74 61 101 630692 153 303 3 2 2 0 2 93 49,93 48,84 13,22 0 97 27 120 636 67 13 0 0 0 0 289 360 1,15 50,00 1,28 17497,33 0 6 31 5,76 0 2,38 187 120,87 26 73

Rome 48 106 120 4257056 716 1331 1 1 2 0 2 14 71,26 13,22 36,86 0 62 123 78 799 67 8 1 78 14 859 9 45 1,50 35,00 1,59 24550,00 0 1 4 16,18 1 0,00 31 195,36 141 62

Rotterdam 62 47 35 1010026 780 704 20 2 1 0 2 92 71,00 36,86 38,18 1 101 49 131 856 38 8 5 86 79 1391 74 319 3,25 55,00 1,63 25988,57 0 41 24 2,36 0 0,00 209 109,84 16 16

San Antonio 37 51 63 2320137 111 3265 6 1 1 0 1 103 66,08 38,18 35,17 0 57 135 83 820 35 5 0 0 0 0 0 0 1,46 32,54 0,55 18752,97 0 0 2 16,65 1 2,25 321 127,71 44 99

San Diego 21 45 62 3251064 300 11059 33 4 1 2 1 52 72,45 35,17 64,77 1 10 138 42 263 36 3 0 0 0 0 26 17 2,14 61,65 0,82 17367,78 1 1 3 15,99 1 0,00 171 170,16 61 122

San Francisco 11 3 79 3313702 489 8645 93 4 1 2 3 36 89,10 64,77 113,78 0 64 122 68 525 70 7 2 33 53 4365 18 26 2,35 68,50 0,85 17483,86 1 3 10 15,62 1 5,64 55 236,96 13 100

Santiago 93 100 111 6767223 630 2847 11 2 1 0 0 57 52,07 113,78 17,01 0 87 30 52 313 28 6 1 95 17 1051 0 0 0,98 47,23 1,08 14497,93 0 4 34 7,83 1 2,93 28 137,89 28 56

Seattle 51 30 77 3432944 244 15575 57 3 1 2 0 67 86,59 17,01 65,32 0 23 143 149 958 49 6 0 36 8 1813 7 7 2,35 84,77 0,76 19208,74 1 3 9 14,66 1 0,00 95 201,36 78 149

Seoul 14 6 95 9963452 3594 3326 140 4 2 0 2 34 84,35 65,32 27,55 0 39 32 109 1451 49 4 1 0 33 1114 0 0 1,00 43,79 1,28 23319,04 0 1 35 7,73 1 12,32 213 154,70 27 17

Skopje 150 102 142 595275 888 91 4 4 1 0 1 154 35,71 7,99 7,99 0 121 119 65 474 83 4 0 0 0 0 0 0 0,57 24,36 1,11 16851,74 0 1 35 4,92 0 0,00 304 103,55 162 113

Stockholm 58 14 60 1632798 321 1387 4 4 1 0 2 24 77,63 37,54 37,54 0 24 5 105 539 16 33 2 189 65 1047 24 36 3,49 83,42 1,47 20393,21 1 17 33 19,24 1 9,19 168 128,24 48 21

Stuttgart 70 69 15 632692 750 350 0 4 1 0 2 89 67,75 32,46 32,46 0 79 65 139 717 42 9 3 276 38 1412 202 316 2,80 85,00 1,38 19198,00 0 13 23 23,30 0 15,33 108 115,62 96 30

Sydney 29 26 22 4925987 406 2179 124 4 1 2 3 10 80,03 56,05 56,05 0 22 18 98 1223 29 1 1 6 4 2005 3 5 2,59 140,52 0,96 15627,07 0 1 5 15,17 1 0,00 59 202,00 23 109

Tallinn 47 53 37 445259 133 159 4 3 1 2 0 95 53,35 17,43 17,43 0 125 21 127 693 23 14 0 0 0 0 88 74 2,00 23,00 1,34 16708,57 0 1 26 6,83 1 0,00 96 92,87 62 90

Tel Aviv 126 42 57 4181480 7606 570 47 4 1 2 1 104 83,13 42,25 42,25 0 54 41 68 530 45 2 0 0 0 0 0 0 1,42 51,42 1,54 31314,24 0 2 37 1,32 1 5,05 19 151,73 34 126

Tokyo 9 20 49 37393129 3123 7251 326 4 2 2 2 35 90,81 40,77 40,77 0 71 6 101 1529 43 0 0 0 8 1099 0 1 1,57 78,48 1,13 18247,01 1 14 23 3,44 1 0,00 25 119,01 24 29

Toronto 30 16 76 6196731 436 3249 263 2 1 2 1 27 85,41 50,26 50,26 1 17 53 145 831 38 3 1 45 11 933 13 114 2,15 96,48 0,86 15306,58 0 2 5 12,64 1 6,27 76 196,13 1 58

Turin 87 131 98 1792163 1040 130 1 2 1 0 1 101 69,22 20,68 20,68 0 105 133 81 981 70 7 1 18 7 670 32 104 1,70 38,00 1,59 22583,33 0 8 29 17,43 0 2,01 190 116,84 131 36

Valencia 109 111 46 833724 982 401 2 2 1 2 1 107 54,93 20,09 20,09 1 33 39 83 456 44 7 4 81 38 909 54 52 1,50 40,50 1,29 20552,50 0 1 16 4,00 1 30,61 292 101,34 51 31

Vancouver 83 44 33 2581079 823 1468 56 2 1 2 2 58 73,02 50,93 50,93 0 68 77 168 1457 25 9 1 46 31 1610 0 0 1,87 62,78 1,01 15686,63 0 2 7 13,56 1 6,48 36 150,99 3 71

Vienna 23 13 31 1930056 304 415 13 1 1 0 2 7 69,08 33,03 33,03 0 25 15 98 651 18 3 3 277 43 801 92 555 2,40 40,00 1,24 19253,80 0 13 44 16,87 1 7,30 145 84,01 45 7

Vilnius 22 109 128 538894 159 400 1 4 1 0 2 108 46,81 16,17 16,17 0 53 22 122 683 25 14 0 0 0 0 0 0 1,00 29,00 1,22 16454,55 0 3 17 6,67 1 5,40 107 98,05 57 78

Warsaw 79 124 69 1783251 364 516 20 1 1 0 2 53 43,17 22,24 22,24 0 77 96 93 515 58 16 1 79 16 1104 70 409 1,02 25,48 1,15 17000,60 0 11 17 6,64 1 29,00 34 126,91 20 45

Washington 8 31 71 5321730 379 8116 0 2 1 0 2 40 87,70 75,63 75,63 0 13 141 114 1009 40 5 1 41 36 2134 1 2 2,35 101,47 0,66 17733,88 0 3 12 14,35 1 7,85 131 199,24 10 92

Wellington 68 79 6 414818 290 194 2 4 1 2 0 79 73,00 39,75 39,75 0 14 2 122 1215 14 26 0 0 0 0 0 0 2,99 89,83 1,33 16766,54 0 3 7 15,60 1 0,00 142 93,54 41 70

Wroclaw 89 128 92 641401 122 292 1 1 1 0 2 135 42,00 18,68 18,68 0 112 98 180 683 61 19 0 0 0 0 131 596 0,79 20,85 1,14 17559,01 0 7 19 6,22 1 24,18 51 110,59 46 49

Zagreb 110 78 61 684878 1232 186 0 3 1 0 2 130 50,75 15,34 15,34 1 35 46 95 840 29 20 0 0 0 0 79 374 0,54 48,74 1,35 18524,35 0 13 26 8,17 1 1,33 269 123,52 86 98

Zurich 35 25 1 684878 1048 223 0 4 1 1 2 21 128,27 59,54 59,54 0 9 25 125 1048 16 6 0 0 0 0 106 277 3,73 73,69 1,44 25000,00 0 22 28 35,43 1 0,00 89 101,71 68 55

KPIs

Tabla 15 – Datos utilizados para la clusterización.

Anexos


Correlaciones de los KPIs

KPIs

Capital.humano

Tecnología

Cohesión.social

NºHabitantes

Densidad.de.población

Sup..Ciudad.propiamente.dicha

Rascacielos

Morfología.de.la.ciudad

Distribución.zonas.ricas.y.pobres

Mar.Similar

Río

Internacionalización

Coste.de.vida.en.general

Poder.de.adquisición

ISO.37120

Governanza

Medioambiente

Días.de.lluvia

mm3.de.lluvia

Pollution.Index

Nº.Lineas.de.Autobuses.Urbanos.1M

.habitantes

Nº.Lineas.Metro.1M.habitantes

Nº.Pasajeros.metro.1M.habitantes

Kms.de.linea.1M.habitantes

Nº.Estaciones.1M.habitantes

Compacidad.de.la.red

Kms.de.linea.tranvía.1M.habitantes

Nº.Estaciones.tranvía.1M.habitantes

Precio.de.billete.sencillo

Precio.de.abono.mensual

Precio.1l.de.Gasolina

Precio.Toyota.Corolla.1.6l

NºEVs..Ciudad.en.el.Top.25.

Bike.commuting

Walk.commuting

Coste.taxi.oficial

Bicicletas..10.000.habitantes

TomTom.traffic.index

Traffic.index.Numbeo

Inneficiency.index

Tráfico.en.horas.punta

Planificación.urbana

Movilidad.y.transporte

Cap

ital

.hu

man

o1

44

46

4-3

29

21

2-3

38

-31

6-1

9-2

84

8-2

24

51

2-3

76

-48

7-9

50

7-1

55

4-5

91

56

17

63

3-1

04

-66

-18

61

67

10

6-3

22

-39

93

82

18

9-3

21

78

26

5-2

83

14

6-4

8-2

35

-29

4-2

83

42

61

16

Tecn

olo

gía

44

41

17

6-2

74

14

-20

2-2

84

-14

47

-23

-12

66

02

-61

2-5

98

-18

75

17

18

5-2

2-7

42

12

25

6-4

4-4

-23

2-1

96

-18

91

39

19

1-4

56

-50

91

75

-13

7-4

09

-23

7-3

84

-23

-10

5-1

01

-15

-16

44

22

12

7

Co

hes

ión

.so

cial

64

17

61

33

21

12

17

12

92

-11

12

6-5

51

78

-31

7-9

4-1

53

41

94

5-4

42

-10

94

06

-26

9-1

72

-13

8-1

01

-10

41

92

-21

2-1

76

-62

3-2

91

-34

6-2

76

58

-38

48

5-3

44

-21

7-1

87

40

32

36

42

87

22

3

NºH

abit

ante

s-3

29

-27

43

32

12

73

28

65

81

52

55

21

88

15

3-3

05

16

72

09

-14

-32

83

-24

22

99

-38

6-9

9-1

75

-19

-26

24

7-2

99

-25

9-1

99

20

7-2

97

-15

14

38

-18

8-1

9-1

08

-16

4-2

76

34

72

62

50

1-3

38

-58

Den

sid

ad.d

e.p

ob

laci

ón

21

21

41

12

27

1-1

27

88

15

51

81

75

-16

96

97

-59

-49

12

6-8

7-1

56

11

32

8-4

6-2

9-1

28

-6-6

8-1

-14

5-1

66

-15

2-5

32

18

35

-12

-11

32

18

-13

-9-2

35

77

-22

15

73

15

3

Sup

..C

iud

ad.p

rop

iam

ente

.dic

ha

-33

8-2

02

17

13

28

-12

71

20

51

26

17

16

4-6

-15

33

51

41

86

-22

33

89

-30

1-1

45

79

-24

4-1

26

-15

3-1

15

-15

52

65

-17

1-1

82

-84

18

3-4

09

-19

43

86

-19

-29

25

2-1

41

-77

49

65

68

40

3-2

33

29

5

Ras

caci

elo

s-3

16

-28

42

92

65

88

82

05

11

71

55

27

31

7-2

74

28

54

53

1-1

57

8-1

82

94

-23

-28

3-4

9-1

61

-13

-21

63

-20

1-1

51

-25

30

5-3

81

-18

33

48

-17

8-1

93

-17

-89

-21

29

27

73

87

-38

5-1

Mo

rfo

logí

a.d

e.la

.ciu

dad

-19

-14

-11

11

52

15

51

26

17

11

16

82

85

-52

41

81

18

14

7-1

65

-26

4-1

34

44

-11

11

56

-14

6-9

31

-49

11

8-1

28

-23

71

08

23

89

57

83

09

-54

24

29

-13

5-3

42

41

01

53

-91

33

Dis

trib

uci

ón

.zo

nas

.ric

as.y

.po

bre

s-2

84

72

65

52

18

17

55

16

81

83

82

-11

2-7

48

-61

47

42

-11

23

58

-14

-12

1-2

6-9

15

25

12

6-1

16

-96

-17

96

2-1

38

-86

15

5-2

-7-1

88

-18

5-1

36

28

52

19

40

8-1

74

-12

Mar

.Sim

ilar

48

-23

-55

18

81

75

16

42

73

28

58

1-2

24

-22

63

51

35

52

31

-14

5-1

32

-84

20

9-1

59

-11

6-1

7-2

76

-15

6-1

99

12

8-2

16

-27

51

31

24

-67

12

91

67

-23

6-1

71

96

-14

3-2

39

23

42

71

68

-12

78

Río

-22

4-1

26

11

53

-16

-61

7-5

38

2-2

24

1-1

45

-21

14

9-5

-1-7

73

11

1-1

35

-11

51

69

14

41

63

10

82

25

18

32

71

52

12

2-7

-36

94

16

71

2-3

1-3

-14

14

11

13

26

4-2

11

-12

9

Inte

rnac

ion

aliz

ació

n5

12

60

27

8-3

05

96

-15

3-2

74

24

-11

2-2

26

-14

51

-50

6-5

12

-81

51

22

27

10

93

32

45

22

6-1

72

-27

6-3

59

-38

7-3

07

72

22

-36

2-4

61

5-8

4-3

25

-87

-17

-32

9-1

22

15

6-9

4-1

-28

13

38

38

5

Co

ste.

de.

vid

a.en

.gen

eral

-37

6-6

12

-31

71

67

97

35

28

51

81

-73

51

-21

-50

61

75

58

-57

8-1

28

22

63

17

-23

8-1

79

27

-14

71

36

11

37

8-1

09

-18

16

47

56

4-9

37

23

36

18

5-1

49

61

87

2-2

36

79

29

5-1

95

-20

3

Po

der

.de.

adq

uis

ició

n-4

87

-59

8-9

42

09

-59

14

45

31

84

83

55

14

9-5

12

75

19

4-5

37

13

45

22

11

-83

-23

9-1

7-1

33

16

42

23

45

-21

3-2

12

44

96

09

-35

16

44

63

-1-3

09

46

61

5-1

12

32

33

53

37

-38

49

ISO

.37

12

0-9

-18

7-1

53

-14

-49

18

61

14

7-6

12

31

-5-8

15

89

41

-29

8-1

19

-10

7-1

52

-11

4-1

15

12

1-5

61

89

16

21

42

54

12

51

73

13

48

11

32

71

20

9-4

69

56

82

16

41

19

-6-1

89

-13

Go

vern

anza

50

75

17

41

9-3

21

26

-22

3-1

5-1

65

47

-14

5-1

51

2-5

78

-53

7-2

98

11

65

-92

-52

49

31

-71

18

-99

-11

6-6

11

95

2-5

18

-58

42

02

-2-2

63

-93

28

-45

1-9

6-1

94

9-7

8-2

43

89

11

3

Med

ioam

bie

nte

-15

51

85

45

83

-87

38

97

8-2

64

42

-13

2-7

72

27

-12

81

34

-11

91

65

1-1

19

43

56

-31

2-1

32

-23

5-2

26

-29

11

34

-24

5-2

55

-22

8-6

8-5

9-2

92

-4-3

46

-44

74

1-1

83

53

55

64

97

35

73

54

48

Día

s.d

e.llu

via

4-2

2-4

42

-24

-15

6-3

01

-18

-13

4-1

12

-84

31

10

92

26

52

-10

7-9

2-1

19

13

68

-17

42

25

31

-89

-98

-67

-20

81

53

10

23

69

17

18

81

26

-15

92

74

-72

34

22

5-1

41

-24

3-2

37

-27

-4-2

11

mm

3.d

e.llu

via

-59

-74

-10

92

29

11

3-1

45

29

44

43

58

20

91

13

33

17

21

1-1

52

-54

36

81

-64

-74

-10

3-2

36

-12

9-1

49

11

-2-2

11

99

21

5-1

13

-8-9

6-2

8-2

17

15

-49

-86

15

21

25

10

1-3

71

09

Po

lluti

on

.In

dex

15

62

12

40

69

28

79

-23

-11

1-1

4-1

59

-13

52

45

-23

8-8

3-1

14

24

93

56

-17

4-6

41

-23

2-1

54

-17

4-1

-16

19

8-3

62

3-4

37

-23

2-1

8-7

3-2

5-1

06

61

-19

71

77

-92

36

20

32

31

48

17

6

Nº.

Lin

eas.

de.

Au

tob

use

s.U

rban

os.

1M

.hab

itan

tes

17

62

56

-26

9-3

86

-46

-24

4-2

83

15

6-1

21

-11

6-1

15

22

6-1

79

-23

9-1

15

31

-31

22

25

-74

-23

21

-14

75

-10

7-1

25

-31

41

47

19

51

44

-19

34

2-9

-96

-12

48

48

-92

-9-2

95

-30

1-2

89

22

4-2

2

Nº.

Lin

eas.

Met

ro.1

M.h

abit

ante

s3

-44

-17

2-9

9-2

9-1

26

-49

-14

6-2

6-1

71

69

-17

22

7-1

71

21

-71

-13

23

1-1

03

-15

4-1

47

15

79

66

47

09

30

14

78

22

92

49

10

12

63

12

77

93

96

9-1

42

98

11

8-1

61

-14

-59

37

-47

2

Nº.

Pas

ajer

os.

met

ro.1

M.h

abit

ante

s3

-4-1

38

-17

5-1

28

-15

3-1

61

-9-9

-27

61

44

-27

6-1

47

-13

3-5

61

8-2

35

-89

-23

6-1

74

55

79

16

57

69

73

09

41

73

75

76

-13

22

22

-74

-62

68

28

8-1

23

34

18

-29

-29

5-1

34

74

-41

5

Km

s.d

e.lin

ea.1

M.h

abit

ante

s-1

04

-23

2-1

01

-19

-6-1

15

-13

31

15

-15

61

63

-35

91

36

16

41

89

-99

-22

6-9

8-1

29

-1-1

07

66

46

57

19

35

52

42

21

15

42

77

89

24

31

49

26

73

82

35

-34

35

58

-14

5-1

41

4-2

06

-56

7

Nº.

Esta

cio

nes

.1M

.hab

itan

tes

-66

-19

6-1

04

-26

-68

-15

5-2

-49

25

-19

91

08

-38

71

13

22

16

2-1

16

-29

1-6

7-1

49

-16

-12

57

09

69

79

35

13

38

27

19

72

68

39

32

31

78

21

73

92

98

-43

41

91

25

-25

4-2

43

-6-1

43

-66

Co

mp

acid

ad.d

e.la

.red

-18

6-1

89

19

22

47

-12

65

16

31

18

12

61

28

22

5-3

07

78

34

51

42

-61

34

-20

81

11

98

-31

43

01

30

95

24

33

81

-19

-58

-14

17

1-1

72

-10

63

52

29

16

-65

8-2

22

35

62

91

47

1-2

42

-1

Km

s.d

e.lin

ea.t

ran

vía.

1M

.hab

itan

tes1

67

13

9-2

12

-29

9-1

45

-17

1-2

01

-12

8-1

16

-21

61

83

72

-10

9-2

13

54

11

9-2

45

15

3-2

-36

14

74

78

41

72

21

27

-19

17

29

42

-13

32

63

9-7

72

72

23

9-5

32

28

57

-33

3-2

94

-23

51

05

-25

5

Nº.

Esta

cio

nes

.tra

nví

a.1

M.h

abit

ante

s106

19

1-1

76

-25

9-1

66

-18

2-1

51

-23

7-9

6-2

75

27

12

2-1

81

-21

21

25

52

-25

51

02

-21

12

31

95

22

93

75

15

41

97

-58

72

91

-73

-23

92

11

-68

-13

63

24

27

7-1

32

48

-11

-34

7-2

8-2

19

-31

-26

1

Pre

cio

.de.

bill

ete.

sen

cillo

-32

2-4

56

-62

3-1

99

-15

2-8

4-2

51

08

-17

91

31

52

-36

26

47

44

91

73

-51

8-2

28

36

99

9-4

37

14

42

49

76

27

72

68

-14

42

-73

16

17

25

23

78

18

44

54

-14

55

85

12

81

53

-15

1-5

-16

3-7

3-3

27

Pre

cio

.de.

abo

no

.men

sual

-39

9-5

09

-29

12

07

-53

18

33

05

23

86

22

41

22

-46

15

64

60

91

34

-58

4-6

81

72

15

-23

2-1

91

01

-13

28

93

91

71

-13

3-2

39

61

71

-15

22

63

47

8-2

76

44

9-6

9-9

32

99

32

6-3

4-6

7

Pre

cio

.1l.d

e.G

aso

lina

38

21

75

-34

6-2

97

21

8-4

09

-38

19

5-1

38

-67

-75

-9-3

51

81

20

2-5

91

88

-11

3-1

83

42

26

32

22

24

33

23

-17

22

63

21

12

52

-15

21

65

1-6

24

67

53

57

52

1-7

1-5

07

-50

1-4

03

47

-52

4

Pre

cio

.To

yota

.Co

rolla

.1.6

l1

89

-13

7-2

76

-15

13

5-1

94

-18

37

8-8

61

29

-36

-84

37

26

41

3-2

-29

21

26

-8-7

3-9

12

7-7

41

49

17

8-1

06

9-6

83

78

26

65

11

88

44

30

42

89

17

68

9-2

23

-21

8-2

27

30

9-3

32

NºE

Vs.

.Ciu

dad

.en

.el.T

op

.25

.-3

21

-40

95

84

38

-12

38

63

48

30

91

55

16

79

4-3

25

33

64

63

27

1-2

63

-4-1

59

-96

-25

-96

79

-62

67

21

73

52

-77

-13

61

84

34

-62

88

19

42

82

48

29

-16

22

22

95

33

6-2

55

-1

Bik

e.co

mm

uti

ng

78

-2-3

84

-18

8-1

13

-19

-17

8-5

4-2

-23

61

67

-87

18

5-1

20

9-9

3-3

46

27

4-2

8-1

06

-12

39

62

68

38

39

29

27

23

24

45

47

84

67

44

94

12

44

52

48

61

71

-45

6-3

64

-33

7-3

7-5

21

Wal

k.co

mm

uti

ng

26

53

78

5-1

92

18

-29

2-1

93

24

-7-1

71

12

-17

-14

9-3

09

-46

28

-44

7-7

-21

76

14

89

28

82

35

29

81

62

39

27

7-1

45

-27

65

35

30

42

82

44

1-2

18

17

2-1

66

-31

2-3

46

-84

18

4-3

72

Co

ste.

taxi

.ofi

cial

-28

3-3

84

-34

4-1

08

-13

52

-17

29

-18

89

6-3

1-3

29

61

84

66

95

-45

14

12

34

15

-19

74

8-1

4-1

23

-34

-43

-65

-53

-13

58

54

49

75

28

92

48

52

-21

81

-12

51

75

1-3

18

7-1

25

Bic

icle

tas.

.10

.00

0.h

abit

ante

s1

46

-23

-21

7-1

64

-9-1

41

-89

-13

5-1

85

-14

3-3

-12

27

21

56

8-9

6-1

83

22

5-4

91

77

-92

29

83

43

55

41

98

22

82

48

12

8-6

92

11

76

29

48

61

72

-11

9-2

7-2

57

-16

-13

3-4

35

Tom

Tom

.tra

ffic

.ind

ex-4

8-1

05

-18

7-2

76

-23

5-7

7-2

1-3

4-1

36

-23

9-1

41

56

-23

-11

22

16

-19

45

3-1

41

-86

-9-9

11

81

88

12

5-2

22

57

-11

15

3-9

-71

89

-16

21

71

-16

62

59

1-3

17

-18

5-4

68

61

-31

Traf

fic.

ind

ex.N

um

beo

-23

5-1

01

40

33

47

77

49

62

92

42

85

23

41

41

-94

67

32

34

95

56

-24

31

52

23

6-2

95

-16

1-2

9-1

45

-25

43

56

-33

3-3

47

-15

13

-50

7-2

23

22

-45

6-3

12

17

-27

-31

71

90

88

89

-19

75

27

Inn

efic

ien

cy.in

dex

-29

4-1

52

36

26

2-2

25

68

27

71

01

21

92

71

13

-19

23

51

19

-78

49

7-2

37

12

52

03

-30

1-1

4-2

95

-14

1-2

43

29

1-2

94

-28

-52

99

-50

1-2

18

29

5-3

64

-34

65

1-2

57

-18

59

08

17

42

-19

65

47

Tráf

ico

.en

.ho

ras.

pu

nta

-28

3-1

64

42

85

01

15

74

03

38

75

34

08

16

82

64

-28

19

53

37

-6-2

43

57

-27

10

12

31

-28

9-5

9-1

34

4-6

47

1-2

35

-21

9-1

63

32

6-4

03

-22

73

36

-33

7-8

4-3

1-1

6-4

68

88

97

42

1-3

01

29

9

Pla

nif

icac

ión

.urb

ana

42

64

22

7-3

38

31

-23

3-3

85

-9-1

74

-1-2

11

33

8-1

95

-38

4-1

89

38

93

5-4

-37

48

22

43

77

4-2

06

-14

3-2

42

10

5-3

1-7

3-3

44

73

09

-25

5-3

71

84

87

-13

36

1-1

97

-19

6-3

01

17

8

Mo

vilid

ad.y

.tra

nsp

ort

e1

16

12

72

23

-58

53

29

5-1

13

3-1

22

78

-12

93

85

-20

39

-13

11

34

48

-21

11

09

17

6-2

2-4

72

-41

5-5

67

-66

-1-2

55

-26

1-3

27

-67

-52

4-3

32

-1-5

21

-37

2-1

25

-43

5-3

15

27

54

72

99

78

1



Códigos de R

12.4.1 Correlación IESE Cities in Motion Index

#### Correlaciones IESE #####

setwd("C:/Users/david/OneDrive - Universidad Politécnica de Madrid/TFG/04-

Ejecución/R/IESE cluseter")

#Cargamos los datos (CSV) utilizados para el prototipo

IESE<-read.table("IESE.csv",sep=";",header=T,dec=",",row.names=1)

IESE

head(IESE)

str(IESE) #Para ver de forma compacta los datos de la tabla

summary(IESE)

# Se seleccionan únicamente las clasificaciones obtenidas en las 9 dimensiones

IESE1<-IESE[,2:10]

IESE1

head(IESE1)

summary(IESE1)

#Análisis de la correlación entre la clasificación en los distintos indicadores

correlacionIESE=round(cor(IESE1),2)

correlacionIESE

#Se reflejan las correlaciones en un diagrama

pairs(IESE1)

#Se exportan los datos de las correlaciones

write.csv(correlacionIESE, file="correlacionIESE.csv")

12.4.2 Correlación KPIs

#### Test correlación #####

#Cargamos los datos (CSV) utilizados para el prototipo

V1.correlacion<-read.table("WorkingData-Set20190814.csv",sep=";", header=T,dec="," ,

row.names=1)

#Quitamos regiones y países

V1.correlacionKPIs<-V1.correlacion[,3:44]

#Calculamos las correlaciones, redondeamos a 3 dígitos y guardamos los datos obtenidos en

formato CSV

correlacion=round(cor(V1.correlacionKPIs),digits=3)

write.csv(correlacion, file="correlacion.csv")

Anexos


12.4.3 Clusterización

#### Clusterización, Working Data-Set 20190814 #####

#Carga de datos (CSV) utilizados para el prototipo

V1.20190814<-read.table("Working Data-Set 20190814.csv", sep=";", header=T,dec=",",

row.names=1)

V1.20190814

head(V1.20190814)

str(V1.20190814) #Para visualizar de forma compacta los datos de la tabla

summary(V1.20190814)

#Eliminación de regiones y países

V1.20190814KPIs<-V1.20190814[,3:44]

V1.20190814KPIs

#Normalización de la muestra

V1.20190814KPIsNORM<-scale(V1.20190814KPIs,center=T,scale=T)

V1.20190814KPIsNORM=round(V1.20190814KPIsNORM,digits = 3)

#Exportación de datos

write.csv(V1.20190814, file="datos-14Ago.csv")

write.csv(V1.20190814KPIs, file="KPIs-14Ago.csv")

write.csv(V1.20190814KPIsNORM, file="KPIsNORMALIZADOS-14Ago.csv")

#Matriz de distancias

V1.20190814KPIsNORM.dist<-dist(V1.20190814KPIsNORM)

V1.20190814KPIsNORM.dist

round(V1.20190814KPIsNORM.dist,1)

#Clasificacion con metodo Ward.D2

cah.ward<-hclust(V1.20190814KPIsNORM.dist,method="ward.D2")

#Selección de 3 grupos

plot(cah.ward)

rect.hclust(cah.ward,k=3)

groupes.cah<-cutree(cah.ward,k=3)

write.csv(sort(groupes.cah), file="Cluster 14-Ago k3.csv")


plot(cah.ward)





plot(cah.ward)

rect.hclust(cah.ward,k=10, border = "red")






plot(cah.ward)





plot(cah.ward)


rect.hclust(cah.ward,k=20, border = "blue")




plot(cah.ward)





plot(cah.ward)


rect.hclust(cah.ward,k=40,border = "green")