Caso práctico de análisis de movilidad con telefonía móvil

El MITMA ha comenzado a publicar datos abiertos de movilidad procedentes de operadoras de telefonía móvil. En este post mostramos un caso de análisis y aplicación de estos datos en Madrid central.

Trataré de ser muy conciso e ir directo a las conclusiones principales, para ajustar la extensión del artículo, porque el preproceso de los datos, tal como han sido liberados en el Open data del estudio de movilidad con Big data del MITMA es laborioso y requiere de ciertas capacidades para ‘ingerir’ grandes volúmenes de datos.

Así que no me detengo a describir los datos de origen y la metodología para llegar a ellos, más allá de contaros que informan, para cada día y hora, y diferenciando por edad, género, actividad en origen y actividad de destino, de las matrices de desplazamiento con una granularidad de ‘distrito’.

Estos polígonos corresponden, con mínimas variaciones, a los distritos censales en ciudades grandes, mientras que se forman por municipios o agrupación de municipios si estos tienen poca población. Son 3.743 zonas con una población media de 12.600 habitantes, aunque con una alta varianza entre ellas. Algunos distritos de grandes ciudades superan los 250.000 habitantes, 37 de ellos tienen más de 100.000 de manera que solo en estos 37 se acumula el 12.5% de la población.

Esta es una de las preguntas que trataremos de responder, ¿es suficiente esta granularidad para análisis de movilidad ‘micro’?

El proyecto del MITMA es ambicioso, y los datos que usaremos en este caso constituyen solo una parte de la primera fase de liberación de datos, quedando dos fases más previstas para este año 2023, que completarán y enriquecerán los datos. ¿Queríais datos de movilidad? los vais a tener… a ver qué sois capaces de hacer con ellos :-).

Aplicaciones de los datos de movilidad de telefonía móvil

Los datos que el MITMA ha liberado son, a priori, de gran valor para estudios de muchos tipos, los más obvios, por supuesto, relacionados con planeamiento urbano y movilidad: Planes Generales de Ordenación Urbana (PGOU), Planes de Movilidad Urbana Sostenible (PMUS), diseño de zonas de bajas emisiones (ZBE), diseño de infraestructuras de transporte o transporte público, red óptima de electrolineras, hidrogeneras, gasolineras, peatonalización, evaluación de saturación turística…En estos contextos, constituyen un buen punto de partida para la elaboración de matrices origen – destino (OD) con las que alimentar modelos.

Pero también son datos de altísimo valor para análisis sociales, estilos de vida, identificación de target en campañas de marketing físicas u online, usando en estos casos la movilidad como proxy para perfilar estos hábitos de consumo y estilos de vida. Cómo, cuándo, a dónde nos movemos nos define y habla de nuestros hábitos e intereses.

Caso de análisis de los datos de movilidad de telefonía móvil

Como probablemente sabréis, en unica360 modelizamos movilidad humana, lo que se traduce, por ejemplo, en los modelos de movilidad de peatones y vehículos que forman parte de nuestro producto de datos para location intelligence y enriquecimiento microtarget. Pero en este caso estamos explorando el valor potencial de estos sets de movilidad como modo de inferir estilos de vida de la población, en el contexto de un modelo de estilos de vida aplicable al enriquecimiento de modelos analíticos.

Nos centraremos en los hábitos de movilidad hacia los 7 distritos que conforman Madrid central, a priori grandes receptores de movilidad tanto laboral como de ocio y turística.

Análisis de los destinos, recepción de viajes por distrito de Madrid centro

Sin entrar en métodos de análisis de las matrices, o grafos de desplazamiento, analizaremos distribuciones de los distritos destino -los 7 de Madrid central- por un lado, y de los distritos origen -el resto de los 3.700-.

Una primera aproximación nos muestra lo esperado: todos los distritos son destino de un alto número de viajes, destacando el 01 – Centro. Se advierten pequeñas diferencias entre el mapa de viajes absolutos -a la derecha- y el mapa de viajes / habitantes (neutralizamos la población para hacer más comparable el indicador), de manera que, en este último caso, por ejemplo, el distrito 03 – Distrito, menos poblado, presenta más visitas relativas.

Si diferenciamos por día de la semana -laborable vs festivo- de nuevo se perciben pequeñas diferencias: el 02 – Arganzuela los fines de semana se acerca al nivel del barrio de Salamanca, mientras que el distrito de Tetuán pierde capacidad de atracción respecto a los días laborables.

Algo similar encontramos partiendo por horas del día: Arganzuela mejora en noches y madrugadas, Moncloa lo hace especialmente en madrugadas, mientras que el barrio de Salamanca pierde visitas en estos tramos horarios.

Finalmente, Análisis de los orígenes, distritos emisores de viajes a Madrid centro

Análisis de los orígenes de viajes con destino en Madrid centro

Si nos centramos en los distritos «emisores» de viajeros a Madrid centro, lógicamente los distritos que más viajes son los más cercanos, situados en la corona metropolitana de Madrid. Por el Norte Las Rozas, San Sebastián de los Reyes, Tres Cantos, por el Sur ciudades dormitorio como Rivas, Arganda del Rey o Parla aportan grandes cantidades de viajes desde distancias considerables.

Una lectura interesante consiste en ‘salir’ de Madrid, veamos por ejemplo los desplazamientos ‘per capita’ desde distritos de la provincia de Barcelona. El mapa parece reflejar la actividad económica, con la peculiaridad de los muchos viajes originados en el distrito de El Prat, presumiblemente por el peso del aeropuerto. Esto nos recuerda que el concepto de viaje multietápico y el de multimodalidad son críticos en el análisis de movilidad, y no siempre tenemos controlados sus efectos.

Volviendo a la aportación de los distritos de Madrid, podemos validar si la pauta cambia entre días laborables y fines de semana. Como apreciamos en los mapas, parece haber una ligera variación en el sentido de que los viajes desde ciudades dormitorio lejanas son más en los días teóricos de trabajo que en los de ocio. Además, se aprecia cómo hay más viajes desde el distrito Centro, lo que refleja la ‘simetría’ de viajes, según lo visto en el análisis de distritos de destino: hay más desplazamientos al centro el fin de semana.

Las moderadas diferencias de viajes, tanto en la exploración de destinos como en la de orígenes, ponen de manifiesto una limitación del dataset publicado: la granularidad de distrito, en zonas densamente pobladas, puede ser insuficiente, demasiado grande.

Esto es más una hipótesis que una conclusión firme, dado que carecemos de datos con mejor granularidad para comparar la pérdida de precisión. Pero un un futuro post usaremos datasets de granularidad muy fina para medir la heterogeneidad de los distritos en términos de sociodemografía, movilidad, puestos de trabajo, centralidad comercial, tipología de barrios… podéis suscribiros a nuestro blog para recibirlo cuando lo tengamos listo.

Conclusión. Utilidad de los datos de movilidad de telefonía

1. Los datos de movilidad basados en telefonía móvil que el MITMA ha publicado tienen una gran granularidad temporal y de perfil de usuarios, pero la granularidad espacial puede no ser suficiente para análisis como el que hemos testado aquí. Queda pendiente un análisis de su heterogeneidad más detallado.
2. El formato de distribución de los datos hace necesario un preproceso pesado y experto de los mismos, para llegar a tablas con un año de ventana temporal, como en el presente caso.
3. Los datos siguen siendo válidos con propósitos de creación de matrices de entrada Origen – Destino (OD) en proyectos de análisis y simulación de movilidad, pero requieren mucho preproceso e interpolación espacial para «acercarlos» a las rutas reales de movilidad.

¿Tienes experiencia analizando datos espaciales basados en telefonía móvil? puedes compartir, opinar, criticar en comentarios. Gracias por leer.

Si te ha interesado, puedes suscribirte para recibir nuevos post en tu email.

Follow me on LinkedIn