pág. 11882
ANÁLISIS DE MOVILIDAD URBANA CON DATOS
GEOESPACIALES EN TIEMPO REAL Y EL
MODELO DE GRAVEDAD
URBAN MOBILITY ANALYSIS WITH REAL-TIME GEOSPATIAL
DATA AND THE GRAVITY MODEL
Mayra Virginia Carvajal Castillo
Universidad de San Carlos de Guatemala
José Luis Argueta Mayorga
Universidad de San Carlos de Guatemala
pág. 11883
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16764
Análisis de Movilidad Urbana con Datos Geoespaciales en Tiempo Real y el
Modelo de Gravedad
Mayra Virginia Carvajal Castillo 1
mvcarvajal20@ingenieria.usac.edu.gt
https://orcid.org/0009-0008-6648-8850
Universidad de San Carlos de Guatemala
Guatemala
José Luis Argueta Mayorga
jlargueta02@ingenieria.usac.edu.gt
https://orcid.org/0009-0005-3480-4263
Universidad de San Carlos de Guatemala
Guatemala
RESUMEN
La movilidad urbana en el Área Metropolitana de la Ciudad de Guatemala está influenciada por el uso del
suelo, la congestión y la fricción del viaje. La integración de datos en tiempo real mediante herramientas
digitales como Google Maps permitió identificar patrones de desplazamiento con mayor precisión.
Aplicando el modelo de gravedad, se evidenció que el tiempo de viaje y la congestión son factores más
determinantes que la distancia en kilómetros. Los modelos regionales mostraron mejor ajuste que el
modelo general, lo que resalta la importancia de abordar la movilidad con un enfoque diferenciado. La
falta de bases de datos estructuradas dificulta la planificación del transporte, por lo que se propone
combinar datos en tiempo real y trabajo de campo para mejorar la toma de decisiones y optimizar la
movilidad urbana.
Palabras clave: modelo de gravedad, datos geoespaciales en tiempo real, movilidad urbana
1 Autor principal
Correspondencia: mvcarvajal20@ingenieria.usac.edu.gt
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16764
Análisis de Movilidad Urbana con Datos Geoespaciales en Tiempo Real y el
Modelo de Gravedad
Mayra Virginia Carvajal Castillo 1
mvcarvajal20@ingenieria.usac.edu.gt
https://orcid.org/0009-0008-6648-8850
Universidad de San Carlos de Guatemala
Guatemala
José Luis Argueta Mayorga
jlargueta02@ingenieria.usac.edu.gt
https://orcid.org/0009-0005-3480-4263
Universidad de San Carlos de Guatemala
Guatemala
RESUMEN
La movilidad urbana en el Área Metropolitana de la Ciudad de Guatemala está influenciada por el uso del
suelo, la congestión y la fricción del viaje. La integración de datos en tiempo real mediante herramientas
digitales como Google Maps permitió identificar patrones de desplazamiento con mayor precisión.
Aplicando el modelo de gravedad, se evidenció que el tiempo de viaje y la congestión son factores más
determinantes que la distancia en kilómetros. Los modelos regionales mostraron mejor ajuste que el
modelo general, lo que resalta la importancia de abordar la movilidad con un enfoque diferenciado. La
falta de bases de datos estructuradas dificulta la planificación del transporte, por lo que se propone
combinar datos en tiempo real y trabajo de campo para mejorar la toma de decisiones y optimizar la
movilidad urbana.
Palabras clave: modelo de gravedad, datos geoespaciales en tiempo real, movilidad urbana
1 Autor principal
Correspondencia: mvcarvajal20@ingenieria.usac.edu.gt
pág. 11884
Urban Mobility Analysis with Real-Time Geospatial Data and the Gravity
Model
ABSTRACT
Urban mobility in the Metropolitan Area of Guatemala City is influenced by land use, congestion, and
travel friction. The integration of real-time data through digital tools like Google Maps allowed for a
more precise identification of travel patterns. Using the gravity model, it was found that travel time and
congestion are more decisive factors than distance in kilometers. Regional models performed better than
the general model, highlighting the need for a differentiated approach to mobility. The lack of structured
databases hinders transportation planning, making it essential to combine real-time data and fieldwork to
improve decision-making and optimize urban mobility.
Keywords: gravity model, real-time geospatial data, urban mobility
Artículo recibido 08 enero 2025
Aceptado para publicación: 13 febrero 2025
Urban Mobility Analysis with Real-Time Geospatial Data and the Gravity
Model
ABSTRACT
Urban mobility in the Metropolitan Area of Guatemala City is influenced by land use, congestion, and
travel friction. The integration of real-time data through digital tools like Google Maps allowed for a
more precise identification of travel patterns. Using the gravity model, it was found that travel time and
congestion are more decisive factors than distance in kilometers. Regional models performed better than
the general model, highlighting the need for a differentiated approach to mobility. The lack of structured
databases hinders transportation planning, making it essential to combine real-time data and fieldwork to
improve decision-making and optimize urban mobility.
Keywords: gravity model, real-time geospatial data, urban mobility
Artículo recibido 08 enero 2025
Aceptado para publicación: 13 febrero 2025
pág. 11885
INTRODUCCIÓN
El estudio de la movilidad urbana es fundamental para la planificación del transporte, la optimización del
tráfico y la sostenibilidad de las ciudades (Simini et al., 2020). La modelación de la movilidad ha
evolucionado desde enfoques clásicos hasta metodologías basadas en big data y sistemas de análisis en
tiempo real. Entre estos enfoques, el modelo de gravedad ha sido ampliamente utilizado para predecir
flujos de movilidad, estableciendo que el volumen de desplazamientos es proporcional a la población de
las zonas conectadas e inversamente proporcional a la distancia y otros factores de fricción (Hong &
Jung, 2016).
Sin embargo, este modelo presenta limitaciones al asumir condiciones de movilidad estáticas y
homogéneas, sin considerar las variaciones dinámicas que afectan el tráfico urbano, como la congestión,
la disponibilidad de transporte público y eventos imprevistos (Wu et al., 2021). La creciente
disponibilidad de datos en tiempo real a través de plataformas digitales ha permitido mejorar la precisión
de los modelos de movilidad, incorporando información sobre patrones de desplazamiento y condiciones
del tráfico actualizadas (Ali & Abid, 2021; Caiza et al., 2018).
El desarrollo de tecnologías digitales ha facilitado la recopilación masiva de datos mediante sensores
urbanos y plataformas de navegación como Google Maps y Waze, lo que ha dado lugar al concepto de
huella digital geográfica. Esta metodología permite caracterizar con mayor precisión la movilidad a través
de datos sobre distancia recorrida, tiempos de desplazamiento, velocidad promedio y condiciones del
tráfico (Chen et al., 2019). Su integración en modelos de movilidad ha mejorado significativamente la
capacidad predictiva y la toma de decisiones en planificación urbana (Rezzouqi et al., 2018;
Sornsoongnern et al., 2023).
A pesar de estos avances, no se ha encontrado un modelo de gravedad aplicado al Área Metropolitana de
la Ciudad de Guatemala, lo que representa un vacío en el conocimiento sobre la movilidad urbana de la
región. Además, a otros niveles de estudio, la huella digital geográfica aún no ha sido ampliamente
implementada ni asociada con modelos gravitacionales, lo que limita su aplicación en el análisis de
patrones de movilidad a distintas escalas espaciales. La ausencia de integración entre el modelo
gravitacional y los datos en tiempo real ha limitado la planificación del transporte, afectando la
distribución del tráfico y la optimización de rutas según la demanda real (Haynes & Fotheringham, 2020).
INTRODUCCIÓN
El estudio de la movilidad urbana es fundamental para la planificación del transporte, la optimización del
tráfico y la sostenibilidad de las ciudades (Simini et al., 2020). La modelación de la movilidad ha
evolucionado desde enfoques clásicos hasta metodologías basadas en big data y sistemas de análisis en
tiempo real. Entre estos enfoques, el modelo de gravedad ha sido ampliamente utilizado para predecir
flujos de movilidad, estableciendo que el volumen de desplazamientos es proporcional a la población de
las zonas conectadas e inversamente proporcional a la distancia y otros factores de fricción (Hong &
Jung, 2016).
Sin embargo, este modelo presenta limitaciones al asumir condiciones de movilidad estáticas y
homogéneas, sin considerar las variaciones dinámicas que afectan el tráfico urbano, como la congestión,
la disponibilidad de transporte público y eventos imprevistos (Wu et al., 2021). La creciente
disponibilidad de datos en tiempo real a través de plataformas digitales ha permitido mejorar la precisión
de los modelos de movilidad, incorporando información sobre patrones de desplazamiento y condiciones
del tráfico actualizadas (Ali & Abid, 2021; Caiza et al., 2018).
El desarrollo de tecnologías digitales ha facilitado la recopilación masiva de datos mediante sensores
urbanos y plataformas de navegación como Google Maps y Waze, lo que ha dado lugar al concepto de
huella digital geográfica. Esta metodología permite caracterizar con mayor precisión la movilidad a través
de datos sobre distancia recorrida, tiempos de desplazamiento, velocidad promedio y condiciones del
tráfico (Chen et al., 2019). Su integración en modelos de movilidad ha mejorado significativamente la
capacidad predictiva y la toma de decisiones en planificación urbana (Rezzouqi et al., 2018;
Sornsoongnern et al., 2023).
A pesar de estos avances, no se ha encontrado un modelo de gravedad aplicado al Área Metropolitana de
la Ciudad de Guatemala, lo que representa un vacío en el conocimiento sobre la movilidad urbana de la
región. Además, a otros niveles de estudio, la huella digital geográfica aún no ha sido ampliamente
implementada ni asociada con modelos gravitacionales, lo que limita su aplicación en el análisis de
patrones de movilidad a distintas escalas espaciales. La ausencia de integración entre el modelo
gravitacional y los datos en tiempo real ha limitado la planificación del transporte, afectando la
distribución del tráfico y la optimización de rutas según la demanda real (Haynes & Fotheringham, 2020).
pág. 11886
Uno de los principales desafíos es la falta de bases de datos sistematizadas sobre movilidad, lo que impide
alimentar modelos predictivos de manera eficiente (Sayed et al., 2017). Aunque existen herramientas que
generan información en tiempo real, los datos no han sido organizados ni estructurados adecuadamente,
dificultando su aplicación en modelos avanzados (Pokorný, 2017; Wu et al., 2021). Además, la
recolección de datos sigue dependiendo de encuestas manuales y estudios fragmentados, lo que restringe
la capacidad de proyectar tendencias a largo plazo (Chen et al., 2019).
Otro obstáculo importante es la falta de colaboración entre instituciones públicas, privadas y académicas
en el desarrollo de metodologías de modelación de la movilidad. En otras regiones, el uso de big data e
inteligencia artificial ha optimizado la planificación del transporte (Mikkonen & Luoma, 1999). Sin
embargo, en Guatemala, la ausencia de un marco institucional sólido ha impedido la implementación de
soluciones innovadoras en movilidad urbana.
Para superar estas limitaciones, es fundamental desarrollar un modelo de movilidad para el Área
Metropolitana de la Ciudad de Guatemala, integrando el modelo de gravedad con datos de movilidad en
tiempo real. Esto requiere la consolidación de bases de datos estructuradas, la implementación de
plataformas de análisis de big data y el uso de herramientas de aprendizaje automático para mejorar la
capacidad predictiva de los modelos de movilidad. Asimismo, la colaboración entre el sector público y
privado es crucial para garantizar la disponibilidad y accesibilidad de los datos, permitiendo una
planificación urbana más eficiente y basada en evidencia (Black, 1973; Hong & Jung, 2016).
El objetivo de la investigación es desarrollar un modelo de movilidad basado en el modelo de gravedad
que integre información en tiempo real proveniente de la huella digital geográfica, con el propósito de
mejorar la estimación de flujos de tráfico en el Área Metropolitana de la Ciudad de Guatemala. Este
estudio busca analizar y adaptar la precisión del modelo de gravedad en la caracterización de los patrones
de movilidad, considerando las limitaciones estructurales y espaciales de la región.
METODOLOGÍA
La estimación de atracción del modelo de gravedad se basa en asumir que el número de viajes entre dos
zonas es directamente proporcional a los viajes generados y atraídos por cada par de las zonas (Yousif, et
al., 2019). Además, el modelo de gravedad puede ser inversamente proporcional al tiempo de viaje
Uno de los principales desafíos es la falta de bases de datos sistematizadas sobre movilidad, lo que impide
alimentar modelos predictivos de manera eficiente (Sayed et al., 2017). Aunque existen herramientas que
generan información en tiempo real, los datos no han sido organizados ni estructurados adecuadamente,
dificultando su aplicación en modelos avanzados (Pokorný, 2017; Wu et al., 2021). Además, la
recolección de datos sigue dependiendo de encuestas manuales y estudios fragmentados, lo que restringe
la capacidad de proyectar tendencias a largo plazo (Chen et al., 2019).
Otro obstáculo importante es la falta de colaboración entre instituciones públicas, privadas y académicas
en el desarrollo de metodologías de modelación de la movilidad. En otras regiones, el uso de big data e
inteligencia artificial ha optimizado la planificación del transporte (Mikkonen & Luoma, 1999). Sin
embargo, en Guatemala, la ausencia de un marco institucional sólido ha impedido la implementación de
soluciones innovadoras en movilidad urbana.
Para superar estas limitaciones, es fundamental desarrollar un modelo de movilidad para el Área
Metropolitana de la Ciudad de Guatemala, integrando el modelo de gravedad con datos de movilidad en
tiempo real. Esto requiere la consolidación de bases de datos estructuradas, la implementación de
plataformas de análisis de big data y el uso de herramientas de aprendizaje automático para mejorar la
capacidad predictiva de los modelos de movilidad. Asimismo, la colaboración entre el sector público y
privado es crucial para garantizar la disponibilidad y accesibilidad de los datos, permitiendo una
planificación urbana más eficiente y basada en evidencia (Black, 1973; Hong & Jung, 2016).
El objetivo de la investigación es desarrollar un modelo de movilidad basado en el modelo de gravedad
que integre información en tiempo real proveniente de la huella digital geográfica, con el propósito de
mejorar la estimación de flujos de tráfico en el Área Metropolitana de la Ciudad de Guatemala. Este
estudio busca analizar y adaptar la precisión del modelo de gravedad en la caracterización de los patrones
de movilidad, considerando las limitaciones estructurales y espaciales de la región.
METODOLOGÍA
La estimación de atracción del modelo de gravedad se basa en asumir que el número de viajes entre dos
zonas es directamente proporcional a los viajes generados y atraídos por cada par de las zonas (Yousif, et
al., 2019). Además, el modelo de gravedad puede ser inversamente proporcional al tiempo de viaje
pág. 11887
requerido para viajes entre cada par de zonas o posee alternativas de variación que pueden explicar el
fenómeno de movilidad de cada región.
Se debe adoptar un enfoque regional en el estudio de los patrones de movilidad urbana, en lugar de un
enfoque exclusivamente local. Esto permitiría establecer políticas de planificación y gestión que
consideren la dinámica integral de un Área Metropolitana (Chen et al., 2019). A menudo, se comete el
error de asumir que las soluciones para el Área Metropolitana de la Ciudad de Guatemala deben centrarse
únicamente en la Ciudad de Guatemala como un ente aislado. Sin embargo, el análisis debe abarcar toda
la región, incluyendo los distintos municipios que la conforman y su interacción constante con los flujos
de movilidad del área metropolitana.
Sin embargo, existen dos elementos de reacción básicos en relación con la interacción gravitacional de
dos áreas de población: las ciudades con tendencia de poblaciones grandes para generar y atraer más
actividades que ciudades con poblaciones pequeñas; e impacto de distancia: por ejemplo, entre más lejos
estén los lugares, personas o actividades, menos podrán ellos interactuar (Haynes & Fotheringham, 2020).
En relación con la fricción o restricción de movimiento se asocian a aspectos de topografía (Kazerani &
Winter, 2009), red de calles (Batista & Bazzan, 2015; Gao, et al., 2013; Hong & Jung, 2016; Masucci, et
al., 2013), riachuelos, montañas (Kazerani & Winter, 2009), estructuras de las calles (Hong & Jung,
2016), localidad geográfica del centro de cada área, propiedades estructurales (Gao, et al., 2013), entre
otros; por lo que, los esfuerzos de estudios actuales que investigan sobre la movilidad se enfocan en
establecer patrones del flujo del tráfico.
Las bases exponenciales de los modelos han presentado un problema reciente en el estudio de los
modelos de gravedad, que muchas veces mantienen interacción con el poder inverso de la función de la
distancia (Chen, 2015), donde la distancia puede adquirir factores asociados con la fricción o dificultad de
movilidad que existe dentro del espacio, donde se observan valores de costo, tiempo de desplazamiento,
distancia de desplazamiento, localidad, localización, entre otros. Por tanto, uno de los efectos importantes
radica en la precisión del modelo de gravedad y que depende en buena medida en la forma en cómo se
define la distancia (Duran-Fernandez & Santos, 2014).
Los modelos de gravedad (Cheng, et al., 2011) incorporan la idea de que los patrones de viajes son el
producto de actividades del origen, lo relativo a la atracción del destino, la distribución de viajes (Naser,
requerido para viajes entre cada par de zonas o posee alternativas de variación que pueden explicar el
fenómeno de movilidad de cada región.
Se debe adoptar un enfoque regional en el estudio de los patrones de movilidad urbana, en lugar de un
enfoque exclusivamente local. Esto permitiría establecer políticas de planificación y gestión que
consideren la dinámica integral de un Área Metropolitana (Chen et al., 2019). A menudo, se comete el
error de asumir que las soluciones para el Área Metropolitana de la Ciudad de Guatemala deben centrarse
únicamente en la Ciudad de Guatemala como un ente aislado. Sin embargo, el análisis debe abarcar toda
la región, incluyendo los distintos municipios que la conforman y su interacción constante con los flujos
de movilidad del área metropolitana.
Sin embargo, existen dos elementos de reacción básicos en relación con la interacción gravitacional de
dos áreas de población: las ciudades con tendencia de poblaciones grandes para generar y atraer más
actividades que ciudades con poblaciones pequeñas; e impacto de distancia: por ejemplo, entre más lejos
estén los lugares, personas o actividades, menos podrán ellos interactuar (Haynes & Fotheringham, 2020).
En relación con la fricción o restricción de movimiento se asocian a aspectos de topografía (Kazerani &
Winter, 2009), red de calles (Batista & Bazzan, 2015; Gao, et al., 2013; Hong & Jung, 2016; Masucci, et
al., 2013), riachuelos, montañas (Kazerani & Winter, 2009), estructuras de las calles (Hong & Jung,
2016), localidad geográfica del centro de cada área, propiedades estructurales (Gao, et al., 2013), entre
otros; por lo que, los esfuerzos de estudios actuales que investigan sobre la movilidad se enfocan en
establecer patrones del flujo del tráfico.
Las bases exponenciales de los modelos han presentado un problema reciente en el estudio de los
modelos de gravedad, que muchas veces mantienen interacción con el poder inverso de la función de la
distancia (Chen, 2015), donde la distancia puede adquirir factores asociados con la fricción o dificultad de
movilidad que existe dentro del espacio, donde se observan valores de costo, tiempo de desplazamiento,
distancia de desplazamiento, localidad, localización, entre otros. Por tanto, uno de los efectos importantes
radica en la precisión del modelo de gravedad y que depende en buena medida en la forma en cómo se
define la distancia (Duran-Fernandez & Santos, 2014).
Los modelos de gravedad (Cheng, et al., 2011) incorporan la idea de que los patrones de viajes son el
producto de actividades del origen, lo relativo a la atracción del destino, la distribución de viajes (Naser,
pág. 11888
et al., 2021) y la dificultad de hacer el viaje; por lo que, incluyen tres factores determinantes: producción,
atracción y tiempo de viaje.
Para los efectos de la presente investigación se usó el modelo de gravedad que incorpora los viajes
producidos y que se describe a continuación (Cheng, et al., 2011):
𝑇𝑖𝑗 = 𝑃𝑖
𝐴𝑖𝐹𝑖𝑗
∑ 𝐴𝑗𝐹𝑖𝑗
𝑛
𝑗=1
donde
Tij= el número de viajes producidos en zona i y atraídos a la zona j.
Pi= el total de número de viajes producidos en zona i.
Aj= el número de viajes atraídos a la zona j.
Fij= la impedancia del viaje entre zonas i y j.
N= total de número de zonas.
No obstante, ha existido una variación del modelo de gravedad, donde al despejar las variables y
coeficientes retoma una forma de logaritmo natural donde se incluyen diferentes variables (Tabla 1), para
generar la siguiente expresión:
𝑙 𝑛 𝑇1𝑗 = 𝛽0 + 𝛽1 ln(𝑆𝐵1𝑗) + +𝛽2 ln(𝑆𝐶𝑢1𝑗) + 𝛽3 ln(𝑆𝑃1𝑗) + +𝛽4 ln(𝑆𝑈1𝑗) + 𝛽5 ln(𝐷𝑇1𝑗)
+ 𝛽5 ln(𝐷𝐾1𝑗) + 𝛽6 ln(𝐷𝑒𝑚1𝑗) + 𝛽7 ln(𝑅𝐴1𝑗) + 𝛽8 ln(𝑇𝐴1𝑗) + 𝛽9 ln(𝑇𝐴𝑚1𝑗)
+ 𝛽10 ln(𝑇𝑅1𝑗) + 𝛽11 ln(𝑇𝐶1𝑗)
Tabla 1. Variables del modelo de gravedad y forma de recolección de información
Variable Descripción
Tipo de recolección
información
𝑇1𝑗 Número de viajes atraídos por la zona 1 y producidos por la zona
j
Información de
institución de gobierno y
trabajo de campo
𝑆𝐵1𝑗 Porcentaje de cobertura de uso de suelo de Bosques de la zona j Se adquirió del Sistema
de Información
Geográfica
𝑆𝐶𝑢1𝑗 Porcentaje de cobertura de uso de suelos de Cultivos de la zona j
𝑆𝑃1𝑗 Porcentaje de cobertura de uso de suelos de Pastizales de la zona
j
et al., 2021) y la dificultad de hacer el viaje; por lo que, incluyen tres factores determinantes: producción,
atracción y tiempo de viaje.
Para los efectos de la presente investigación se usó el modelo de gravedad que incorpora los viajes
producidos y que se describe a continuación (Cheng, et al., 2011):
𝑇𝑖𝑗 = 𝑃𝑖
𝐴𝑖𝐹𝑖𝑗
∑ 𝐴𝑗𝐹𝑖𝑗
𝑛
𝑗=1
donde
Tij= el número de viajes producidos en zona i y atraídos a la zona j.
Pi= el total de número de viajes producidos en zona i.
Aj= el número de viajes atraídos a la zona j.
Fij= la impedancia del viaje entre zonas i y j.
N= total de número de zonas.
No obstante, ha existido una variación del modelo de gravedad, donde al despejar las variables y
coeficientes retoma una forma de logaritmo natural donde se incluyen diferentes variables (Tabla 1), para
generar la siguiente expresión:
𝑙 𝑛 𝑇1𝑗 = 𝛽0 + 𝛽1 ln(𝑆𝐵1𝑗) + +𝛽2 ln(𝑆𝐶𝑢1𝑗) + 𝛽3 ln(𝑆𝑃1𝑗) + +𝛽4 ln(𝑆𝑈1𝑗) + 𝛽5 ln(𝐷𝑇1𝑗)
+ 𝛽5 ln(𝐷𝐾1𝑗) + 𝛽6 ln(𝐷𝑒𝑚1𝑗) + 𝛽7 ln(𝑅𝐴1𝑗) + 𝛽8 ln(𝑇𝐴1𝑗) + 𝛽9 ln(𝑇𝐴𝑚1𝑗)
+ 𝛽10 ln(𝑇𝑅1𝑗) + 𝛽11 ln(𝑇𝐶1𝑗)
Tabla 1. Variables del modelo de gravedad y forma de recolección de información
Variable Descripción
Tipo de recolección
información
𝑇1𝑗 Número de viajes atraídos por la zona 1 y producidos por la zona
j
Información de
institución de gobierno y
trabajo de campo
𝑆𝐵1𝑗 Porcentaje de cobertura de uso de suelo de Bosques de la zona j Se adquirió del Sistema
de Información
Geográfica
𝑆𝐶𝑢1𝑗 Porcentaje de cobertura de uso de suelos de Cultivos de la zona j
𝑆𝑃1𝑗 Porcentaje de cobertura de uso de suelos de Pastizales de la zona
j
pág. 11889
𝑆𝑈1𝑗 Porcentaje de cobertura de uso de suelos de Urbano de la zona j
𝐷𝑇1𝑗 Distancia en tiempo de la zona j hacia la zona 1
Se adquirió de Google
Maps (Baji, 2018) en
tiempo real y corroboró
con trabajo de campo
𝐷𝐾1𝑗 Distancia en kilómetros de la zona j hacia la zona 1
Dem1j Número de demoras de la zona j hacia la zona 1
RA1j Número de rutas alternas de la zona j hacia la zona 1
TA1j Tiempo en trayecto azul de la zona j hacia la zona 1
TAm1j Tiempo en trayecto amarillo de la zona j hacia la zona 1
TR1j Tiempo en trayecto rojo de la zona j hacia la zona 1
TC1j Tiempo en trayecto de corinto de la zona j hacia la zona 1
Nota. En la tabla se presentan las variables que involucra el modelo de gravedad aplicado y la fuente de la información
recolectada. Elaboración propia con herramientas de Microsoft Word.
Al modelo se le incluye un factor de ajuste que se asocia a las zonas de análisis planteadas y que ajustan
el modelo que pueda incluir los parámetros de la producción y atracción de viajes y separaciones
interzonales. El área de estudio comprende el Área Metropolitana de la Ciudad de Guatemala y las áreas
en transición alrededor de este; es decir, se consideró para el estudio las áreas que presentan un fenómeno
de transición de ser áreas rurales a urbanas o que por razones topográficas o físicas no forman parte de la
continuidad de la mancha urbana del Área Metropolitana de la Ciudad de Guatemala.
En la figura 1 de la metodología se puede observar que uno de los factores que remarca el estudio es en
función de la orografía y elementos físicos que delimitan el contorno o los lugares donde la población se
podrá asentar. De esta cuenta, se definen las Zonas de Análisis de Tráfico que remarcarán la forma en
cómo se comprenderá el fenómeno de atracción de la zona central hacia cada una de ellas en sus
alrededores, asimismo, las zonas permitirán remarcar todas las variables y conllevará a realizar el análisis
de datos en función de dos ópticas:
a) Análisis del modelo general y la combinación de variables para la propuesta de los modelos de
predicción de viajes.
b) Análisis de los datos para la propuesta de los modelos de gravedad en función de sus zonas
geográficas y su agrupamiento.
𝑆𝑈1𝑗 Porcentaje de cobertura de uso de suelos de Urbano de la zona j
𝐷𝑇1𝑗 Distancia en tiempo de la zona j hacia la zona 1
Se adquirió de Google
Maps (Baji, 2018) en
tiempo real y corroboró
con trabajo de campo
𝐷𝐾1𝑗 Distancia en kilómetros de la zona j hacia la zona 1
Dem1j Número de demoras de la zona j hacia la zona 1
RA1j Número de rutas alternas de la zona j hacia la zona 1
TA1j Tiempo en trayecto azul de la zona j hacia la zona 1
TAm1j Tiempo en trayecto amarillo de la zona j hacia la zona 1
TR1j Tiempo en trayecto rojo de la zona j hacia la zona 1
TC1j Tiempo en trayecto de corinto de la zona j hacia la zona 1
Nota. En la tabla se presentan las variables que involucra el modelo de gravedad aplicado y la fuente de la información
recolectada. Elaboración propia con herramientas de Microsoft Word.
Al modelo se le incluye un factor de ajuste que se asocia a las zonas de análisis planteadas y que ajustan
el modelo que pueda incluir los parámetros de la producción y atracción de viajes y separaciones
interzonales. El área de estudio comprende el Área Metropolitana de la Ciudad de Guatemala y las áreas
en transición alrededor de este; es decir, se consideró para el estudio las áreas que presentan un fenómeno
de transición de ser áreas rurales a urbanas o que por razones topográficas o físicas no forman parte de la
continuidad de la mancha urbana del Área Metropolitana de la Ciudad de Guatemala.
En la figura 1 de la metodología se puede observar que uno de los factores que remarca el estudio es en
función de la orografía y elementos físicos que delimitan el contorno o los lugares donde la población se
podrá asentar. De esta cuenta, se definen las Zonas de Análisis de Tráfico que remarcarán la forma en
cómo se comprenderá el fenómeno de atracción de la zona central hacia cada una de ellas en sus
alrededores, asimismo, las zonas permitirán remarcar todas las variables y conllevará a realizar el análisis
de datos en función de dos ópticas:
a) Análisis del modelo general y la combinación de variables para la propuesta de los modelos de
predicción de viajes.
b) Análisis de los datos para la propuesta de los modelos de gravedad en función de sus zonas
geográficas y su agrupamiento.
pág. 11890
Figura 1. Esquema metodológico de la investigación
Nota. El esquema muestra la secuencia metodológica del estudio. Elaboración propia con herramientas de Microsoft Word.
La movilidad se define como el desplazamiento de individuos a través de distintos modos de transporte,
manifestándose colectivamente como tráfico urbano (Hong & Jung, 2016). El flujo de tráfico puede
entenderse como una distribución agregada de viajes individuales dentro de una red vial, conectando
orígenes y destinos (Gao et al., 2013; Kazerani & Winter, 2009; Yousif et al., 2019).
Dado que las redes de calles son complejas, los nodos juegan un papel clave en la movilidad, ya que
permiten capturar datos de flujos vehiculares y de personas, sirviendo como puntos estratégicos de
conexión entre zonas de tránsito (Kazerani & Winter, 2009).
En la modelación de movilidad, la fricción por distancia en el modelo de gravedad varía según factores
como la disponibilidad de rutas alternas, las demoras y los tiempos de recorrido. A mayor tiempo de
viaje, la fricción disminuye, afectando la movilidad (Yousif et al., 2019). La interacción entre áreas
cercanas es más fuerte que entre zonas distantes, lo que refuerza la importancia de la distancia en los
estudios espaciales (Duran-Fernandez & Santos, 2014).
El análisis de distancia debe considerar elementos que influyen en la conectividad, como la
infraestructura vial, barreras naturales y sociales, así como la disposición de puentes y sentidos de calles
(Haynes & Fotheringham, 2020; Cheng et al., 2011; Wang et al., 2014). La segmentación de áreas de
análisis debe basarse en restricciones geográficas y patrones de viaje, permitiendo una evaluación
homogénea en zonas urbanas con características similares (Gao et al., 2013; Jung et al., 2008; Chen et al.,
2019).
Figura 1. Esquema metodológico de la investigación
Nota. El esquema muestra la secuencia metodológica del estudio. Elaboración propia con herramientas de Microsoft Word.
La movilidad se define como el desplazamiento de individuos a través de distintos modos de transporte,
manifestándose colectivamente como tráfico urbano (Hong & Jung, 2016). El flujo de tráfico puede
entenderse como una distribución agregada de viajes individuales dentro de una red vial, conectando
orígenes y destinos (Gao et al., 2013; Kazerani & Winter, 2009; Yousif et al., 2019).
Dado que las redes de calles son complejas, los nodos juegan un papel clave en la movilidad, ya que
permiten capturar datos de flujos vehiculares y de personas, sirviendo como puntos estratégicos de
conexión entre zonas de tránsito (Kazerani & Winter, 2009).
En la modelación de movilidad, la fricción por distancia en el modelo de gravedad varía según factores
como la disponibilidad de rutas alternas, las demoras y los tiempos de recorrido. A mayor tiempo de
viaje, la fricción disminuye, afectando la movilidad (Yousif et al., 2019). La interacción entre áreas
cercanas es más fuerte que entre zonas distantes, lo que refuerza la importancia de la distancia en los
estudios espaciales (Duran-Fernandez & Santos, 2014).
El análisis de distancia debe considerar elementos que influyen en la conectividad, como la
infraestructura vial, barreras naturales y sociales, así como la disposición de puentes y sentidos de calles
(Haynes & Fotheringham, 2020; Cheng et al., 2011; Wang et al., 2014). La segmentación de áreas de
análisis debe basarse en restricciones geográficas y patrones de viaje, permitiendo una evaluación
homogénea en zonas urbanas con características similares (Gao et al., 2013; Jung et al., 2008; Chen et al.,
2019).
pág. 11891
El trabajo de campo complementa el análisis digital mediante la verificación de tiempos de
desplazamiento, georreferenciación de rutas y datos del Sistema de Información Geográfica (Perumal &
Bhaskaran, 2010). Además, la integración de información de Google Maps permite evaluar alternativas
de ruta y demoras en tiempo real, fortaleciendo la precisión del estudio.
La Figura 2 muestra el área de estudio delimitada en color azul, correspondiente al Área Metropolitana de
la Ciudad de Guatemala, e incluye diversas divisiones internas que podrían representar municipios o
sectores urbanos específicos. Esta área se encuentra rodeada por los departamentos de Chimaltenango,
Sacatepéquez, Escuintla, Santa Rosa, Jalapa, El Progreso y Baja Verapaz, lo que indica la posibilidad de
interacciones y flujos de movilidad entre estas regiones. Además, se observa una extensa red de carreteras
(líneas negras punteadas) que conectan tanto el interior del área de estudio como sus alrededores, lo que
sugiere la importancia de la infraestructura vial en la conectividad regional. La escala del mapa
(1:500,000) permite interpretar la relación espacial y las distancias dentro del territorio analizado,
facilitando la identificación de patrones de desplazamiento y movilidad en el contexto urbano y
periurbano del estudio.
Figura 2. Área de estudio y red vial primaria del Área Metropolitana de la Ciudad de Guatemala
Nota. Representación primaria del área de estudio. Elaboración propia con herramientas de ARCGIS.
El trabajo de campo complementa el análisis digital mediante la verificación de tiempos de
desplazamiento, georreferenciación de rutas y datos del Sistema de Información Geográfica (Perumal &
Bhaskaran, 2010). Además, la integración de información de Google Maps permite evaluar alternativas
de ruta y demoras en tiempo real, fortaleciendo la precisión del estudio.
La Figura 2 muestra el área de estudio delimitada en color azul, correspondiente al Área Metropolitana de
la Ciudad de Guatemala, e incluye diversas divisiones internas que podrían representar municipios o
sectores urbanos específicos. Esta área se encuentra rodeada por los departamentos de Chimaltenango,
Sacatepéquez, Escuintla, Santa Rosa, Jalapa, El Progreso y Baja Verapaz, lo que indica la posibilidad de
interacciones y flujos de movilidad entre estas regiones. Además, se observa una extensa red de carreteras
(líneas negras punteadas) que conectan tanto el interior del área de estudio como sus alrededores, lo que
sugiere la importancia de la infraestructura vial en la conectividad regional. La escala del mapa
(1:500,000) permite interpretar la relación espacial y las distancias dentro del territorio analizado,
facilitando la identificación de patrones de desplazamiento y movilidad en el contexto urbano y
periurbano del estudio.
Figura 2. Área de estudio y red vial primaria del Área Metropolitana de la Ciudad de Guatemala
Nota. Representación primaria del área de estudio. Elaboración propia con herramientas de ARCGIS.
pág. 11892
Los análisis y la recopilación de la información se realizaron desde las zonas de análisis de tráfico
exteriores hacia la zona de análisis de tráfico número 1, por lo tanto, los recorridos, tiempos de
desplazamiento, distancia, entre otros, se asociaron hacia la zona de análisis número 1 (Figura 3). El
trabajo de campo se orienta a conservar la atracción que la zona 1 ejerce sobre las demás zonas que le
rodean.
Figura 3. Enfoque del análisis de las zonas de tráfico
Nota. El esquema representa la atracción de la zona de análisis 1 sobre las zonas circundantes. Elaboración propia con
herramienta de Microsoft Word.
Las Zonas de Análisis de Tráfico (TAZs en sus siglas en inglés) son unidades geográficas que se pueden
establecer a partir de diferentes tamaños, que pueden ir desde suburbios, bloques de ciudades pequeñas,
distritos, subregiones dentro de un área Metropolitana (Cheng et al., 2011). Por lo que, la delimitación de
los distritos y zonas de análisis dependerán del objetivo de análisis que se pretenda, en el caso del
presente estudio, es importante la consideración de los embudos o carreteras que restringen el flujo y es
donde convergen varias vías que se estrechan para pasar por un punto específico.
La delimitación espacial del estudio se basa en las zonas de análisis de tráfico del Área Metropolitana de
la Ciudad de Guatemala (AMCG), establecidas considerando el desarrollo urbano, la red vial y las
Los análisis y la recopilación de la información se realizaron desde las zonas de análisis de tráfico
exteriores hacia la zona de análisis de tráfico número 1, por lo tanto, los recorridos, tiempos de
desplazamiento, distancia, entre otros, se asociaron hacia la zona de análisis número 1 (Figura 3). El
trabajo de campo se orienta a conservar la atracción que la zona 1 ejerce sobre las demás zonas que le
rodean.
Figura 3. Enfoque del análisis de las zonas de tráfico
Nota. El esquema representa la atracción de la zona de análisis 1 sobre las zonas circundantes. Elaboración propia con
herramienta de Microsoft Word.
Las Zonas de Análisis de Tráfico (TAZs en sus siglas en inglés) son unidades geográficas que se pueden
establecer a partir de diferentes tamaños, que pueden ir desde suburbios, bloques de ciudades pequeñas,
distritos, subregiones dentro de un área Metropolitana (Cheng et al., 2011). Por lo que, la delimitación de
los distritos y zonas de análisis dependerán del objetivo de análisis que se pretenda, en el caso del
presente estudio, es importante la consideración de los embudos o carreteras que restringen el flujo y es
donde convergen varias vías que se estrechan para pasar por un punto específico.
La delimitación espacial del estudio se basa en las zonas de análisis de tráfico del Área Metropolitana de
la Ciudad de Guatemala (AMCG), establecidas considerando el desarrollo urbano, la red vial y las
pág. 11893
condiciones naturales del área metropolitana. La regionalización y división de estas zonas responde a
criterios de movilidad y planificación territorial. Para su delimitación, se tomaron en cuenta aspectos
como la topografía y la conectividad vial, priorizando las arterias principales que articulan la movilidad
entre zonas contiguas y permiten analizar los flujos vehiculares. En este sentido, los límites de las zonas
de análisis fueron determinados por barreras naturales, fronteras urbanas y la red de vías que estructura el
tránsito vehicular.
Figura 4. Zonas de análisis de tráfico y su ubicación en el área de estudio
Nota. Se presenta la distribución de 47 zonas de análisis de tráfico con respecto a la zona central, dando cobertura al área
delimitada para el estudio. Elaboración propia con herramientas de ARQGIS.
La distribución espacial de las zonas de análisis de tráfico dentro del área de estudio se presenta en la
Figura 4. A partir de esta delimitación y considerando las barreras naturales y la infraestructura vial, se
llevó a cabo el análisis de movilidad, evaluando los desplazamientos entre cada zona y la zona central, así
como los flujos en sentido contrario.
condiciones naturales del área metropolitana. La regionalización y división de estas zonas responde a
criterios de movilidad y planificación territorial. Para su delimitación, se tomaron en cuenta aspectos
como la topografía y la conectividad vial, priorizando las arterias principales que articulan la movilidad
entre zonas contiguas y permiten analizar los flujos vehiculares. En este sentido, los límites de las zonas
de análisis fueron determinados por barreras naturales, fronteras urbanas y la red de vías que estructura el
tránsito vehicular.
Figura 4. Zonas de análisis de tráfico y su ubicación en el área de estudio
Nota. Se presenta la distribución de 47 zonas de análisis de tráfico con respecto a la zona central, dando cobertura al área
delimitada para el estudio. Elaboración propia con herramientas de ARQGIS.
La distribución espacial de las zonas de análisis de tráfico dentro del área de estudio se presenta en la
Figura 4. A partir de esta delimitación y considerando las barreras naturales y la infraestructura vial, se
llevó a cabo el análisis de movilidad, evaluando los desplazamientos entre cada zona y la zona central, así
como los flujos en sentido contrario.
pág. 11894
En términos generales, el estudio plantea la comparación de los viajes que se efectúan de zonas de
análisis de tráfico justo en el punto donde existe conexión entre las zonas, además, se ajusta el modelo a
la longitud (Abdel-Aal, 2014) en función del tiempo de desplazamiento entre zonas hacia el centro de las
zonas de desplazamiento aledaño. La información de intensidad de tráfico de una unión o de un corredor
brinda una imagen completa de los viajeros y analista del tráfico de red (Naser et al., 2021). El análisis se
plantea desde óptica de horario pico y los desplazamientos a lo largo del día; por tanto, se expone el
análisis de dos modelos en diferentes horarios de flujo vehicular.
La selección de datos en tiempo real provenientes de herramientas como Google Maps se fundamentó en
la necesidad de contar con información actualizada sobre los patrones de movilidad. A diferencia de los
modelos tradicionales basados en datos censales o encuestas, los datos geoespaciales permiten capturar la
variabilidad temporal del tráfico, incorporando factores como eventos imprevistos, congestión dinámica y
cambios en las rutas preferidas por los usuarios. Este enfoque proporciona un mayor grado de precisión
en la modelación de la movilidad, permitiendo ajustar el modelo de gravedad con valores empíricos en
lugar de estimaciones teóricas. No obstante, se reconoce que este método presenta limitaciones, como la
dependencia de la infraestructura digital y posibles sesgos en la cobertura de datos.
Entre la primera variación del modelo en función de las variables, se remarcaron las diferentes
posibilidades incluyendo las variables de uso de suelo, la distancia en kilómetros y minutos de recorrido,
y la información proveída en tiempo real asociadas a las rutas alternativas, demoras y tiempo en los
diferentes colores o tramos por fluidez. Por tanto, se plantean 14 variaciones entre las que se diferencian
las variables obtenidas por medio de aplicaciones digitales que permitieron complementar y confirmar
información obtenida en trabajo de campo para corroborar tiempos de recorrido y distancias (Tabla 2).
Tabla 2. Variables incluidas en los diferentes modelos aplicados
Variables obtenidas de
trabajo de campo y de
Sistemas de Información
Geográfica
Variables obtenidas de trabajo de campo, información de
gobierno y de información en tiempo real a través de Google
Maps
Modelos Bosq
ues
Cultiv
os
Pastiza
les
Urba
no
Distan
cia
(Km)
Distan
cia
(Min.)
Alternati
vas
Demo
ras
Azu
l
(Mi
n.)
Amari
llo
(Min.)
Roj
o
(Mi
n.)
Cori
nto
(Min.
)
MODEL
O
GENERA
L
✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
En términos generales, el estudio plantea la comparación de los viajes que se efectúan de zonas de
análisis de tráfico justo en el punto donde existe conexión entre las zonas, además, se ajusta el modelo a
la longitud (Abdel-Aal, 2014) en función del tiempo de desplazamiento entre zonas hacia el centro de las
zonas de desplazamiento aledaño. La información de intensidad de tráfico de una unión o de un corredor
brinda una imagen completa de los viajeros y analista del tráfico de red (Naser et al., 2021). El análisis se
plantea desde óptica de horario pico y los desplazamientos a lo largo del día; por tanto, se expone el
análisis de dos modelos en diferentes horarios de flujo vehicular.
La selección de datos en tiempo real provenientes de herramientas como Google Maps se fundamentó en
la necesidad de contar con información actualizada sobre los patrones de movilidad. A diferencia de los
modelos tradicionales basados en datos censales o encuestas, los datos geoespaciales permiten capturar la
variabilidad temporal del tráfico, incorporando factores como eventos imprevistos, congestión dinámica y
cambios en las rutas preferidas por los usuarios. Este enfoque proporciona un mayor grado de precisión
en la modelación de la movilidad, permitiendo ajustar el modelo de gravedad con valores empíricos en
lugar de estimaciones teóricas. No obstante, se reconoce que este método presenta limitaciones, como la
dependencia de la infraestructura digital y posibles sesgos en la cobertura de datos.
Entre la primera variación del modelo en función de las variables, se remarcaron las diferentes
posibilidades incluyendo las variables de uso de suelo, la distancia en kilómetros y minutos de recorrido,
y la información proveída en tiempo real asociadas a las rutas alternativas, demoras y tiempo en los
diferentes colores o tramos por fluidez. Por tanto, se plantean 14 variaciones entre las que se diferencian
las variables obtenidas por medio de aplicaciones digitales que permitieron complementar y confirmar
información obtenida en trabajo de campo para corroborar tiempos de recorrido y distancias (Tabla 2).
Tabla 2. Variables incluidas en los diferentes modelos aplicados
Variables obtenidas de
trabajo de campo y de
Sistemas de Información
Geográfica
Variables obtenidas de trabajo de campo, información de
gobierno y de información en tiempo real a través de Google
Maps
Modelos Bosq
ues
Cultiv
os
Pastiza
les
Urba
no
Distan
cia
(Km)
Distan
cia
(Min.)
Alternati
vas
Demo
ras
Azu
l
(Mi
n.)
Amari
llo
(Min.)
Roj
o
(Mi
n.)
Cori
nto
(Min.
)
MODEL
O
GENERA
L
✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
pág. 11895
O 1
MODEL
O 2 ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 3 ✓ ✓ ✓ ✓ ✓
MODEL
O 4 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 5 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 6 ✓ ✓ ✓ ✓ ✓
MODEL
O 7 ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 8 ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 9 ✓ ✓ ✓
MODEL
O 10 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 11 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 12 ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 13 ✓ ✓ ✓ ✓ ✓
MODEL
O 14 ✓ ✓ ✓ ✓ ✓ ✓
Nota. Se presenta información sobre las variables involucradas en los modelos aplicados y rangos de velocidad por tramo
obtenidos de Google Maps con información en tiempo real. Elaboración propia con herramientas de Microsoft Word.
Se realizaron ajustes de las variaciones geográficas sistemáticas asociadas con las variables involucradas
para las calibraciones del modelo. La calibración del modelo se asocia con los resultados o datos
obtenidos en campo y se verifica en función de las potencias del modelo de gravedad y constantes que se
pueden incluir para mejorar el ajuste del modelo al comportamiento real. El proceso de calibración
general provee una estructura analítica para el desarrollo de un modelo de gravedad para cada ciudad
(Hansen, 1962). Por ello, se propone regionalizar las zonas de análisis de tráfico de acuerdo con su
posición geográfica para conformar tres regiones donde se incluye la información de dichas zonas (Figura
5).
O 1
MODEL
O 2 ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 3 ✓ ✓ ✓ ✓ ✓
MODEL
O 4 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 5 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 6 ✓ ✓ ✓ ✓ ✓
MODEL
O 7 ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 8 ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 9 ✓ ✓ ✓
MODEL
O 10 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 11 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 12 ✓ ✓ ✓ ✓ ✓ ✓
MODEL
O 13 ✓ ✓ ✓ ✓ ✓
MODEL
O 14 ✓ ✓ ✓ ✓ ✓ ✓
Nota. Se presenta información sobre las variables involucradas en los modelos aplicados y rangos de velocidad por tramo
obtenidos de Google Maps con información en tiempo real. Elaboración propia con herramientas de Microsoft Word.
Se realizaron ajustes de las variaciones geográficas sistemáticas asociadas con las variables involucradas
para las calibraciones del modelo. La calibración del modelo se asocia con los resultados o datos
obtenidos en campo y se verifica en función de las potencias del modelo de gravedad y constantes que se
pueden incluir para mejorar el ajuste del modelo al comportamiento real. El proceso de calibración
general provee una estructura analítica para el desarrollo de un modelo de gravedad para cada ciudad
(Hansen, 1962). Por ello, se propone regionalizar las zonas de análisis de tráfico de acuerdo con su
posición geográfica para conformar tres regiones donde se incluye la información de dichas zonas (Figura
5).
pág. 11896
Figura 5. Conglomerado y clasificación de regiones de análisis del modelo de gravedad
Nota. Elaboración propia utilizando herramientas de ARQGIS.
RESULTADOS
En relación con los usos de suelo (Masucci, et al., 2013), se debe resaltar la correlación que existe entre
los usos de suelo y la composición que posee cada una de las áreas de análisis, por lo que la escala
geográfica de análisis resalta un contexto amplio como el Área Metropolitana de la Ciudad de Guatemala.
Los usos de suelo están asociados con los patrones de viajes humanos y su enfoque regional (Chen, et al.,
2019). Es por ello, que al considerar que diferentes viajes se propician desde la periferia hacia el centro y
que diferentes áreas exteriores se caracterizan por contener vacíos sin uso propiamente urbano, es
indispensable categorizar el uso del suelo entre Pastizales, Cultivos, Bosques, Agua y Urbano.
Figura 5. Conglomerado y clasificación de regiones de análisis del modelo de gravedad
Nota. Elaboración propia utilizando herramientas de ARQGIS.
RESULTADOS
En relación con los usos de suelo (Masucci, et al., 2013), se debe resaltar la correlación que existe entre
los usos de suelo y la composición que posee cada una de las áreas de análisis, por lo que la escala
geográfica de análisis resalta un contexto amplio como el Área Metropolitana de la Ciudad de Guatemala.
Los usos de suelo están asociados con los patrones de viajes humanos y su enfoque regional (Chen, et al.,
2019). Es por ello, que al considerar que diferentes viajes se propician desde la periferia hacia el centro y
que diferentes áreas exteriores se caracterizan por contener vacíos sin uso propiamente urbano, es
indispensable categorizar el uso del suelo entre Pastizales, Cultivos, Bosques, Agua y Urbano.
pág. 11897
Para la caracterización del uso del suelo en el Área Metropolitana de la Ciudad de Guatemala, se adquirió
una imagen satelital del satélite Landsat 8, correspondiente al mes de mayo de 2024. Esta imagen
proporciona información geoespacial clave y cubre el área definida dentro de las zonas de análisis del
tráfico, permitiendo una evaluación precisa de la distribución del territorio y su relación con los patrones
de movilidad urbana.
La metodología empleada en el procesamiento de estas imágenes incluye varias fases: adquisición de
imágenes satelitales, delimitación y recorte del área de estudio, mejoramiento visual mediante la
combinación de bandas espectrales, identificación y categorización de coberturas de suelo, clasificación
de las zonas de análisis del tráfico y cuantificación de la cobertura de cada tipo de uso de suelo (Gómez &
Ramírez, 2019). Estas etapas permiten una adecuada representación espacial de las características del
territorio y facilitan el análisis de las interacciones entre las distintas zonas.
Para la clasificación supervisada del uso del suelo, se establecieron seis categorías principales: bosques,
cultivos, pastizales, cuerpos de agua, zonas urbanas y otras tierras. Sin embargo, en la aplicación del
modelo de gravedad, se excluyeron las categorías correspondientes a cuerpos de agua y otras tierras,
considerando únicamente las variables Bosques, Cultivos, Pastizales y Urbano (Figura 6). Esta selección
responde a la necesidad de centrarse en los elementos que tienen un impacto más significativo en la
movilidad y en la dinámica de uso del suelo dentro del área metropolitana.
Figura 6. Usos de suelo con base en clasificación supervisada de imagen satelital de Landsat 8
Nota. Usos del suelo en zonas de análisis. Elaboración propia utilizando ARCGIS.
Para la caracterización del uso del suelo en el Área Metropolitana de la Ciudad de Guatemala, se adquirió
una imagen satelital del satélite Landsat 8, correspondiente al mes de mayo de 2024. Esta imagen
proporciona información geoespacial clave y cubre el área definida dentro de las zonas de análisis del
tráfico, permitiendo una evaluación precisa de la distribución del territorio y su relación con los patrones
de movilidad urbana.
La metodología empleada en el procesamiento de estas imágenes incluye varias fases: adquisición de
imágenes satelitales, delimitación y recorte del área de estudio, mejoramiento visual mediante la
combinación de bandas espectrales, identificación y categorización de coberturas de suelo, clasificación
de las zonas de análisis del tráfico y cuantificación de la cobertura de cada tipo de uso de suelo (Gómez &
Ramírez, 2019). Estas etapas permiten una adecuada representación espacial de las características del
territorio y facilitan el análisis de las interacciones entre las distintas zonas.
Para la clasificación supervisada del uso del suelo, se establecieron seis categorías principales: bosques,
cultivos, pastizales, cuerpos de agua, zonas urbanas y otras tierras. Sin embargo, en la aplicación del
modelo de gravedad, se excluyeron las categorías correspondientes a cuerpos de agua y otras tierras,
considerando únicamente las variables Bosques, Cultivos, Pastizales y Urbano (Figura 6). Esta selección
responde a la necesidad de centrarse en los elementos que tienen un impacto más significativo en la
movilidad y en la dinámica de uso del suelo dentro del área metropolitana.
Figura 6. Usos de suelo con base en clasificación supervisada de imagen satelital de Landsat 8
Nota. Usos del suelo en zonas de análisis. Elaboración propia utilizando ARCGIS.
pág. 11898
En total, se identificaron 48 zonas de análisis, de las cuales 47 rodean la zona 1, distribuyéndose en todas
las direcciones cardinales y sus respectivas subdivisiones (norte, sur, este y oeste). Las zonas más
cercanas a la zona central tienden a estar numeradas de manera consecutiva (zona 2, zona 3, etc.),
mientras que las más alejadas presentan numeraciones más altas, como las zonas 45 y 47.
La distribución del uso del suelo dentro del área de estudio revela que la mayor cobertura de área urbana
se encuentra en la zona 1, ubicada en el centro del mapa, así como en algunas zonas adyacentes con alta
densidad urbana, como las zonas 23, 24, 25 y 26. En contraste, la mayor concentración de bosques se
localiza en las zonas 11, 13, 14 y 17, al este, y en las zonas 27 y 28, al oeste. En cuanto a las áreas de
pastizales, estas predominan en el noreste, específicamente en las zonas 5, 6, 7, 42, 43 y 45. Finalmente,
las áreas de cultivo presentan una mayor extensión en el sector oeste, abarcando desde la zona 27 hasta la
40.
Actualmente, los patrones de movilidad urbana tienen como base generalmente la huella digital, lo que ha
beneficiado el desarrollo de información y tecnología de comunicación. Las redes de celulares, equipos
de GPS y aplicaciones como WAZE o Google Maps proveen una nueva oportunidad de estudio del
enfoque de patrones de movilidad urbana (Chen, et al., 2019).
Figura 7. Información de movilidad en tiempo real obtenida en Google Maps
Nota. La figura muestra que las vías de comunicación son elementos claves en los patrones de movilidad hacia el núcleo del
AMCG, así como la existencia de demoras en los viajes. Elaboración propia con base en Google Maps 2024.
En total, se identificaron 48 zonas de análisis, de las cuales 47 rodean la zona 1, distribuyéndose en todas
las direcciones cardinales y sus respectivas subdivisiones (norte, sur, este y oeste). Las zonas más
cercanas a la zona central tienden a estar numeradas de manera consecutiva (zona 2, zona 3, etc.),
mientras que las más alejadas presentan numeraciones más altas, como las zonas 45 y 47.
La distribución del uso del suelo dentro del área de estudio revela que la mayor cobertura de área urbana
se encuentra en la zona 1, ubicada en el centro del mapa, así como en algunas zonas adyacentes con alta
densidad urbana, como las zonas 23, 24, 25 y 26. En contraste, la mayor concentración de bosques se
localiza en las zonas 11, 13, 14 y 17, al este, y en las zonas 27 y 28, al oeste. En cuanto a las áreas de
pastizales, estas predominan en el noreste, específicamente en las zonas 5, 6, 7, 42, 43 y 45. Finalmente,
las áreas de cultivo presentan una mayor extensión en el sector oeste, abarcando desde la zona 27 hasta la
40.
Actualmente, los patrones de movilidad urbana tienen como base generalmente la huella digital, lo que ha
beneficiado el desarrollo de información y tecnología de comunicación. Las redes de celulares, equipos
de GPS y aplicaciones como WAZE o Google Maps proveen una nueva oportunidad de estudio del
enfoque de patrones de movilidad urbana (Chen, et al., 2019).
Figura 7. Información de movilidad en tiempo real obtenida en Google Maps
Nota. La figura muestra que las vías de comunicación son elementos claves en los patrones de movilidad hacia el núcleo del
AMCG, así como la existencia de demoras en los viajes. Elaboración propia con base en Google Maps 2024.
pág. 11899
Otra información que brinda Google Maps es el comportamiento de todo el desplazamiento, entre lo que
son puntos de demoras, que para este caso se consideran cuando de un tramo con velocidad de
desplazamiento alto se reduce a una velocidad menor, por lo que se consideró los números de reducción,
la longitud por tramo de velocidad.
La interpolación de la distancia contempla aquella distancia que remarca los diferentes puntos hacia el
centro de la zona central, en la Figura 7 se observa cómo existe red vial que posee tiempos de
desplazamiento por encima de los 90 minutos y llegan hasta valores de 106 minutos de recorridos en
diferentes áreas del Área Metropolitana de la Ciudad de Guatemala.
En la parte central del Área Metropolitana de la Ciudad de Guatemala se identifica que se alcanzan
valores de 51 minutos de recorrido y comienza a incrementarse por anillos superiores a los 12 a 15
minutos hasta llegar a los 106 minutos. Se remarca el anillo de color rojo que establece tiempos
superiores a los 67 minutos, pero prevalece como el área con mayor cobertura de tiempo.
Figura 8. Interpolación de la distancia en minutos y en kilómetros dentro de la red de carreteras del
Área Metropolitana de la Ciudad de Guatemala en tiempo real
Nota. En la representación se comparan los resultados, los patrones de movilidad de las diferentes zonas hacia el núcleo, al
interpolar el tiempo (minutos) de duración de los viajes e interpolar los valores de la distancia (km). Elaboración propia
utilizando ARCGIS.
Otra información que brinda Google Maps es el comportamiento de todo el desplazamiento, entre lo que
son puntos de demoras, que para este caso se consideran cuando de un tramo con velocidad de
desplazamiento alto se reduce a una velocidad menor, por lo que se consideró los números de reducción,
la longitud por tramo de velocidad.
La interpolación de la distancia contempla aquella distancia que remarca los diferentes puntos hacia el
centro de la zona central, en la Figura 7 se observa cómo existe red vial que posee tiempos de
desplazamiento por encima de los 90 minutos y llegan hasta valores de 106 minutos de recorridos en
diferentes áreas del Área Metropolitana de la Ciudad de Guatemala.
En la parte central del Área Metropolitana de la Ciudad de Guatemala se identifica que se alcanzan
valores de 51 minutos de recorrido y comienza a incrementarse por anillos superiores a los 12 a 15
minutos hasta llegar a los 106 minutos. Se remarca el anillo de color rojo que establece tiempos
superiores a los 67 minutos, pero prevalece como el área con mayor cobertura de tiempo.
Figura 8. Interpolación de la distancia en minutos y en kilómetros dentro de la red de carreteras del
Área Metropolitana de la Ciudad de Guatemala en tiempo real
Nota. En la representación se comparan los resultados, los patrones de movilidad de las diferentes zonas hacia el núcleo, al
interpolar el tiempo (minutos) de duración de los viajes e interpolar los valores de la distancia (km). Elaboración propia
utilizando ARCGIS.
pág. 11900
En la Figura 8 se observa qué no existe el mismo comportamiento de las redes donde se llevan a cabo los
desplazamientos y las diferencias entre tiempos y distancia en la red; hay diferencias entre el
comportamiento de regiones, de las distancias entre kilómetros y minutos; por ejemplo, se observa cómo
no necesariamente, las zonas que poseen más tiempo de demora corresponden a más distancia de
desplazamiento. Lo que comienza a remarcar comportamientos y homogeneidad en diferentes zonas y
brinda la importancia de la posición geográfica de las variables que describen contextos diferentes.
En la determinación de los flujos vehiculares entre conexión de zonas de análisis de tráfico y de los
desplazamientos, se tomaron en cuenta con recorridos que se realizaron de 4:00 a.m. a 9:00 a.m. y 16:00
p.m. a 20:00 p.m. Por lo que se establecieron horarios pico para la verificación de distancia de recorrido,
tiempos, demoras y la composición del viaje en función de los segmentos de colores identificados en las
rutas planteadas.
Figura 9. Flujos de viajes generados de las zonas 2 a la 48 hacia la zona 1 en tiempo real
Nota. Representación de la intensidad de viajes generados por la zona 01, desde las 47 zonas de análisis. Elaboración propia con
herramientas de ARCGIS.
En la Figura 8 se observa qué no existe el mismo comportamiento de las redes donde se llevan a cabo los
desplazamientos y las diferencias entre tiempos y distancia en la red; hay diferencias entre el
comportamiento de regiones, de las distancias entre kilómetros y minutos; por ejemplo, se observa cómo
no necesariamente, las zonas que poseen más tiempo de demora corresponden a más distancia de
desplazamiento. Lo que comienza a remarcar comportamientos y homogeneidad en diferentes zonas y
brinda la importancia de la posición geográfica de las variables que describen contextos diferentes.
En la determinación de los flujos vehiculares entre conexión de zonas de análisis de tráfico y de los
desplazamientos, se tomaron en cuenta con recorridos que se realizaron de 4:00 a.m. a 9:00 a.m. y 16:00
p.m. a 20:00 p.m. Por lo que se establecieron horarios pico para la verificación de distancia de recorrido,
tiempos, demoras y la composición del viaje en función de los segmentos de colores identificados en las
rutas planteadas.
Figura 9. Flujos de viajes generados de las zonas 2 a la 48 hacia la zona 1 en tiempo real
Nota. Representación de la intensidad de viajes generados por la zona 01, desde las 47 zonas de análisis. Elaboración propia con
herramientas de ARCGIS.
pág. 11901
La mayor concentración de viajes hacia la zona 1 se evidencia por las líneas más gruesas y de color fucsia
oscuro, que representan más de 9512 viajes (Figura 9). Estas líneas conectan la zona 12 y la zona 07, que
son las que presentan la mayor cantidad de viajes. Otras zonas con alta cantidad de viajes hacia la zona 1
(en un rango de entre 4377 y 9512 viajes) son las zonas 05 y 06, conectadas por líneas fucsias
intermedias. Las zonas con mayor cantidad de viajes hacia la zona 1: zonas 07 y 12.
La Tabla 3 muestra la velocidad promedio en diferentes tramos según el color asociado, que indica la
fluidez del tráfico. Se pueden observar las siguientes tendencias:
a) Tramos en azul: representan las mayores velocidades promedio, lo que sugiere que el tráfico es
fluido en estas áreas.
b) Tramos en amarillo: muestran una disminución moderada en la velocidad promedio, lo que
sugiere tráfico más denso o condiciones moderadas.
c) Tramos en rojo y rojo intenso: reflejan las velocidades promedio más bajas, lo que indica
congestión severa o tráfico detenido.
Tabla 3. Rangos de velocidad promedio en diferentes tramos
RANGO VELOCIDAD
VELOCIDAD
PROMEDIO (KM/HR)
COLOR TRAMO COLOR
15.56 ADELANTE 24.45 AZUL
9.21 15.55 12 AMARILLO
5.81 9.2 6.98 ROJO
0 5.8 4.8 ROJO INTENSO
Nota. Rangos de velocidad por tramo obtenido de Google Maps con información en tiempo real. Elaboración propia con
herramientas de Microsoft Word.
Las variables que consistentemente muestran un impacto muy bajo o insignificante podrían ser excluidas
o transformadas. Por ejemplo, si ciertos recorridos (como el corinto) tienen un impacto mínimo, se
podrían agrupar con otras rutas o eliminarse del modelo para simplificar el análisis sin perder precisión.
DISCUSIÓN DE RESULTADOS
El Modelo General tiene el mejor comportamiento con un coeficiente de correlación múltiple de 0.7749,
indicando una buena capacidad de ajuste. Las variables como zonas urbanas y distancia en kilómetros
impactan positivamente, mientras que los recorridos y demoras tienden a impactar negativamente. Una de
La mayor concentración de viajes hacia la zona 1 se evidencia por las líneas más gruesas y de color fucsia
oscuro, que representan más de 9512 viajes (Figura 9). Estas líneas conectan la zona 12 y la zona 07, que
son las que presentan la mayor cantidad de viajes. Otras zonas con alta cantidad de viajes hacia la zona 1
(en un rango de entre 4377 y 9512 viajes) son las zonas 05 y 06, conectadas por líneas fucsias
intermedias. Las zonas con mayor cantidad de viajes hacia la zona 1: zonas 07 y 12.
La Tabla 3 muestra la velocidad promedio en diferentes tramos según el color asociado, que indica la
fluidez del tráfico. Se pueden observar las siguientes tendencias:
a) Tramos en azul: representan las mayores velocidades promedio, lo que sugiere que el tráfico es
fluido en estas áreas.
b) Tramos en amarillo: muestran una disminución moderada en la velocidad promedio, lo que
sugiere tráfico más denso o condiciones moderadas.
c) Tramos en rojo y rojo intenso: reflejan las velocidades promedio más bajas, lo que indica
congestión severa o tráfico detenido.
Tabla 3. Rangos de velocidad promedio en diferentes tramos
RANGO VELOCIDAD
VELOCIDAD
PROMEDIO (KM/HR)
COLOR TRAMO COLOR
15.56 ADELANTE 24.45 AZUL
9.21 15.55 12 AMARILLO
5.81 9.2 6.98 ROJO
0 5.8 4.8 ROJO INTENSO
Nota. Rangos de velocidad por tramo obtenido de Google Maps con información en tiempo real. Elaboración propia con
herramientas de Microsoft Word.
Las variables que consistentemente muestran un impacto muy bajo o insignificante podrían ser excluidas
o transformadas. Por ejemplo, si ciertos recorridos (como el corinto) tienen un impacto mínimo, se
podrían agrupar con otras rutas o eliminarse del modelo para simplificar el análisis sin perder precisión.
DISCUSIÓN DE RESULTADOS
El Modelo General tiene el mejor comportamiento con un coeficiente de correlación múltiple de 0.7749,
indicando una buena capacidad de ajuste. Las variables como zonas urbanas y distancia en kilómetros
impactan positivamente, mientras que los recorridos y demoras tienden a impactar negativamente. Una de
pág. 11902
las razones clave para el buen comportamiento del Modelo General es que incluye un mayor número de
variables, lo que permite capturar más aspectos del fenómeno que se estudia. En el caso de estudio tener
más variables ayuda a describir con mayor precisión las relaciones entre la variable dependiente y las
variables independientes.
Los usos de suelo juegan un papel importante en el Modelo General, ya que influyen en la generación y
atracción de viajes dependiendo de las actividades que ocurren en cada tipo de terreno. En el Modelo
General, los recorridos (azul, amarillo, rojo, corinto) presentan un impacto negativo en la variable
dependiente. Este impacto negativo puede explicarse por varios factores relacionados con la calidad del
servicio, la eficiencia de las rutas y las características del viaje.
En la Tabla 4 se presenta un resumen de magnitud e intensidad de la influencia de cada una de las
variables, en los diferentes modelos gravitacionales obtenidos para la estimación del número de viajes
atraídos por la zona central del área metropolitana en la que se estudian los patrones de movilidad.
El Modelo 2 muestra el más bajo comportamiento con un coeficiente de correlación múltiple de 0.6151 y
altos errores típicos. El Modelo 2 es el modelo de ajuste más bajo debido a: bajo coeficiente de
correlación y R², lo que indica una baja capacidad para explicar la variabilidad en los datos; ausencia de
variables clave como la distancia en kilómetros. Inclusión de variables con alto impacto negativo como el
recorrido azul, lo que podría estar distorsionando el modelo. Multicolinealidad potencial, que podría estar
afectando la capacidad del modelo para identificar el impacto individual de cada variable. Mayor error
típico, que refleja imprecisiones en las predicciones.
Tabla 4. Estimación de la bondad de ajuste de los modelos aplicados
Modelo analizado
Coeficiente de
correlación
múltiple
Coeficiente de
determinación
R^2
R^2 ajustado Error típico Observaciones
MODELO
GENERAL
0.774945003 0.600539758 0.45955379 0.935508336 47
MODELO 1 0.743514104 0.552813223 0.444038061 0.948842118 47
MODELO 2 0.615116876 0.378368771 0.266793935 1.08964354 47
MODELO 3 0.702374394 0.49332979 0.43154074 0.959447238 47
MODELO 4 0.76073296 0.578714636 0.490022981 0.908754819 47
MODELO 5 0.771900215 0.595829942 0.483560482 0.914494626 47
MODELO 6 0.659964879 0.435553642 0.36671872 1.012674208 47
las razones clave para el buen comportamiento del Modelo General es que incluye un mayor número de
variables, lo que permite capturar más aspectos del fenómeno que se estudia. En el caso de estudio tener
más variables ayuda a describir con mayor precisión las relaciones entre la variable dependiente y las
variables independientes.
Los usos de suelo juegan un papel importante en el Modelo General, ya que influyen en la generación y
atracción de viajes dependiendo de las actividades que ocurren en cada tipo de terreno. En el Modelo
General, los recorridos (azul, amarillo, rojo, corinto) presentan un impacto negativo en la variable
dependiente. Este impacto negativo puede explicarse por varios factores relacionados con la calidad del
servicio, la eficiencia de las rutas y las características del viaje.
En la Tabla 4 se presenta un resumen de magnitud e intensidad de la influencia de cada una de las
variables, en los diferentes modelos gravitacionales obtenidos para la estimación del número de viajes
atraídos por la zona central del área metropolitana en la que se estudian los patrones de movilidad.
El Modelo 2 muestra el más bajo comportamiento con un coeficiente de correlación múltiple de 0.6151 y
altos errores típicos. El Modelo 2 es el modelo de ajuste más bajo debido a: bajo coeficiente de
correlación y R², lo que indica una baja capacidad para explicar la variabilidad en los datos; ausencia de
variables clave como la distancia en kilómetros. Inclusión de variables con alto impacto negativo como el
recorrido azul, lo que podría estar distorsionando el modelo. Multicolinealidad potencial, que podría estar
afectando la capacidad del modelo para identificar el impacto individual de cada variable. Mayor error
típico, que refleja imprecisiones en las predicciones.
Tabla 4. Estimación de la bondad de ajuste de los modelos aplicados
Modelo analizado
Coeficiente de
correlación
múltiple
Coeficiente de
determinación
R^2
R^2 ajustado Error típico Observaciones
MODELO
GENERAL
0.774945003 0.600539758 0.45955379 0.935508336 47
MODELO 1 0.743514104 0.552813223 0.444038061 0.948842118 47
MODELO 2 0.615116876 0.378368771 0.266793935 1.08964354 47
MODELO 3 0.702374394 0.49332979 0.43154074 0.959447238 47
MODELO 4 0.76073296 0.578714636 0.490022981 0.908754819 47
MODELO 5 0.771900215 0.595829942 0.483560482 0.914494626 47
MODELO 6 0.659964879 0.435553642 0.36671872 1.012674208 47
pág. 11903
MODELO 7 0.747219837 0.558337485 0.492088108 0.906912974 47
MODELO 8 0.75736646 0.573603955 0.497071332 0.902453056 47
MODELO 9 0.646119202 0.417470023 0.376828397 1.004558543 47
MODELO 10 0.704918927 0.496910694 0.390997156 0.993072795 47
MODELO 11 0.767129715 0.588488 0.488390486 0.910208171 47
MODELO 12 0.706128034 0.4986168 0.42340932 0.966284989 47
MODELO 13 0.694129186 0.481815327 0.418622074 0.970288073 47
MODELO 14 0.699663336 0.489528783 0.427276196 0.963039368 47
Nota. Se presentan los valores generados de la validación de los modelos obtenidos. Elaboración propia utilizando herramientas
de Microsoft Excel.
En resumen, la variable más influyente de manera positiva en el Modelo General es la distancia en
kilómetros, mientras que la más influyente de manera negativa es la cantidad de demoras. Las demoras
impactan negativamente en el modelo porque, en general, generan un aumento en el tiempo de viaje,
reducen la accesibilidad, aumentan la congestión y el costo del viaje, y deterioran la percepción de la
eficiencia del sistema de transporte. Esto hace que las demoras sean un factor disuasivo para la
generación de viajes, lo que se refleja en el coeficiente negativo de esta variable.
Con base en la información que presenta en la Tabla 5, se estable que, en el Modelo General, las variables
más relevantes por la magnitud del coeficiente son la distancia en kilómetros dentro de la red (0.93) y las
demoras estimadas a lo largo de la ruta (-1.18), mientras que la variable de cobertura urbana tiene un
impacto positivo con un valor de 0.57. Por otro lado, las variables como la cobertura de pastizales (-0.32)
y el área de cultivos (-0.83) tienen un impacto negativo pero menor. En cuanto a las variables de los
trayectos donde existe mayor fluidez, como los tramos con color azul en minutos, posee un valor de -0.27
y un tramo en amarillo en minutos de 0.40 tienen menor influencia debido a sus coeficientes más bajos.
Tabla 5. Coeficientes de las variables en el modelo general y los modelos regionales
Región Modelo general Región 1 Región 2 Región 3
Constante 15.303 64.840 60.376 -7.257
Bosques -0.122 -2.506 6.675 -1.534
Cultivos -0.831 -2.602 1.712 -4.222
Pastizales -0.324 -4.672 4.494 -1.814
Urbano 0.566 1.183 -5.596 -0.297
Distancia (km) 0.935 -11.898 84.708 -27.422
Distancia (minutos) -0.732 -0.904 -7.920 12.109
Alternativas de ruta 0.283 -1.474 -8.389 -0.115
MODELO 7 0.747219837 0.558337485 0.492088108 0.906912974 47
MODELO 8 0.75736646 0.573603955 0.497071332 0.902453056 47
MODELO 9 0.646119202 0.417470023 0.376828397 1.004558543 47
MODELO 10 0.704918927 0.496910694 0.390997156 0.993072795 47
MODELO 11 0.767129715 0.588488 0.488390486 0.910208171 47
MODELO 12 0.706128034 0.4986168 0.42340932 0.966284989 47
MODELO 13 0.694129186 0.481815327 0.418622074 0.970288073 47
MODELO 14 0.699663336 0.489528783 0.427276196 0.963039368 47
Nota. Se presentan los valores generados de la validación de los modelos obtenidos. Elaboración propia utilizando herramientas
de Microsoft Excel.
En resumen, la variable más influyente de manera positiva en el Modelo General es la distancia en
kilómetros, mientras que la más influyente de manera negativa es la cantidad de demoras. Las demoras
impactan negativamente en el modelo porque, en general, generan un aumento en el tiempo de viaje,
reducen la accesibilidad, aumentan la congestión y el costo del viaje, y deterioran la percepción de la
eficiencia del sistema de transporte. Esto hace que las demoras sean un factor disuasivo para la
generación de viajes, lo que se refleja en el coeficiente negativo de esta variable.
Con base en la información que presenta en la Tabla 5, se estable que, en el Modelo General, las variables
más relevantes por la magnitud del coeficiente son la distancia en kilómetros dentro de la red (0.93) y las
demoras estimadas a lo largo de la ruta (-1.18), mientras que la variable de cobertura urbana tiene un
impacto positivo con un valor de 0.57. Por otro lado, las variables como la cobertura de pastizales (-0.32)
y el área de cultivos (-0.83) tienen un impacto negativo pero menor. En cuanto a las variables de los
trayectos donde existe mayor fluidez, como los tramos con color azul en minutos, posee un valor de -0.27
y un tramo en amarillo en minutos de 0.40 tienen menor influencia debido a sus coeficientes más bajos.
Tabla 5. Coeficientes de las variables en el modelo general y los modelos regionales
Región Modelo general Región 1 Región 2 Región 3
Constante 15.303 64.840 60.376 -7.257
Bosques -0.122 -2.506 6.675 -1.534
Cultivos -0.831 -2.602 1.712 -4.222
Pastizales -0.324 -4.672 4.494 -1.814
Urbano 0.566 1.183 -5.596 -0.297
Distancia (km) 0.935 -11.898 84.708 -27.422
Distancia (minutos) -0.732 -0.904 -7.920 12.109
Alternativas de ruta 0.283 -1.474 -8.389 -0.115
pág. 11904
Demoras -1.188 -4.117 -3.638 -3.039
Azul (minutos) -0.268 4.479 -52.086 12.437
Amarillo (minutos) 0.403 1.698 -19.182 7.229
Rojo (minutos) -0.560 2.019 -8.603 4.227
Corinto (minutos) -0.045 -1.471 -11.117 0.593
Coeficiente de correlación
múltiple
0.775 0.975 0.955 0.919
Coeficiente de determinación
R^2
0.601 0.951 0.913 0.845
R^2 ajustado 0.460 0.368 -0.137 0.536
Error típico 0.936 0.767 1.597 0.841
Observaciones 47 14 14 19
Nota. Modelos de gravedad propuestos por enfoque geográfico y método de validación de los modelos obtenidos por región.
Elaboración propia con Microsoft Excel.
Para el modelo de la Región 1, los coeficientes más grandes se encuentran en las variables de distancia en
kilómetros (-11.9), el área de cobertura de pastizales (-4.67), y las demoras durante el trayecto (-4.11); en
cuanto a las variables de cobertura urbana (1.18) y tramos de trayecto a cierta velocidad con
identificación en amarillo (minutos) (1.69) también parecen ser importantes. Y el área de cobertura de
cultivos (-2.60) tiene un impacto negativo significativo.
La Región 2 se puede describir como aquel territorio donde los valores más altos de coeficientes se
encuentran en la distancia en kilómetros (84.7), el área de cobertura de bosques (6.67) y el área de los
pastizales (4.49), lo que indica una fuerte influencia positiva. De las variables de cobertura urbana (-5.59)
y las demoras (-3.64) tienen un impacto negativo relevante. Dentro de este modelo se observa cómo la
cobertura urbana impacta negativamente y mientras que las demás coberturas de suelo tienen un impacto
positivo.
Con relación a la Región 3, las variables con mayor peso son la distancia en kilómetros (-27.42), las
demoras (-3.03), y el tramo con color amarillo con minutos (7.22); las variables de cobertura de cultivos
(-4.22) y de pastizales (-1.81) muestran una influencia negativa fuerte, lo que puede significar la
disminución de viajes por estas variables, y por último, el impacto más bajo dentro del modelo es el
tiempo que se tiene al transitar sobre los tramos corintos (0.59).
Entre las variables que presentan un bajo impacto dentro del modelo general, se encuentran las variables
de tramos de recorridos en azul en minutos y en tramos en color rojo, que representan coeficientes
Demoras -1.188 -4.117 -3.638 -3.039
Azul (minutos) -0.268 4.479 -52.086 12.437
Amarillo (minutos) 0.403 1.698 -19.182 7.229
Rojo (minutos) -0.560 2.019 -8.603 4.227
Corinto (minutos) -0.045 -1.471 -11.117 0.593
Coeficiente de correlación
múltiple
0.775 0.975 0.955 0.919
Coeficiente de determinación
R^2
0.601 0.951 0.913 0.845
R^2 ajustado 0.460 0.368 -0.137 0.536
Error típico 0.936 0.767 1.597 0.841
Observaciones 47 14 14 19
Nota. Modelos de gravedad propuestos por enfoque geográfico y método de validación de los modelos obtenidos por región.
Elaboración propia con Microsoft Excel.
Para el modelo de la Región 1, los coeficientes más grandes se encuentran en las variables de distancia en
kilómetros (-11.9), el área de cobertura de pastizales (-4.67), y las demoras durante el trayecto (-4.11); en
cuanto a las variables de cobertura urbana (1.18) y tramos de trayecto a cierta velocidad con
identificación en amarillo (minutos) (1.69) también parecen ser importantes. Y el área de cobertura de
cultivos (-2.60) tiene un impacto negativo significativo.
La Región 2 se puede describir como aquel territorio donde los valores más altos de coeficientes se
encuentran en la distancia en kilómetros (84.7), el área de cobertura de bosques (6.67) y el área de los
pastizales (4.49), lo que indica una fuerte influencia positiva. De las variables de cobertura urbana (-5.59)
y las demoras (-3.64) tienen un impacto negativo relevante. Dentro de este modelo se observa cómo la
cobertura urbana impacta negativamente y mientras que las demás coberturas de suelo tienen un impacto
positivo.
Con relación a la Región 3, las variables con mayor peso son la distancia en kilómetros (-27.42), las
demoras (-3.03), y el tramo con color amarillo con minutos (7.22); las variables de cobertura de cultivos
(-4.22) y de pastizales (-1.81) muestran una influencia negativa fuerte, lo que puede significar la
disminución de viajes por estas variables, y por último, el impacto más bajo dentro del modelo es el
tiempo que se tiene al transitar sobre los tramos corintos (0.59).
Entre las variables que presentan un bajo impacto dentro del modelo general, se encuentran las variables
de tramos de recorridos en azul en minutos y en tramos en color rojo, que representan coeficientes
pág. 11905
pequeños, lo que indica un impacto bajo. Y en la Región 3 la variable de cobertura urbana (-0.29) tiene
uno de los impactos más bajos; lo que puede hablar de una dispersión de la población y no de
concentración como ocurre en otras áreas geográficas del Área Metropolitana de la Ciudad de Guatemala.
El coeficiente de correlación múltiple refleja la relación entre las variables independientes y la
dependiente. Un valor más cercano a 1 implica una relación fuerte: el Modelo general denota un
coeficiente de 0.77, lo que indica una relación moderada; la región 1 tiene un coeficiente 0.98, lo que
sugiere una relación muy fuerte; la región 2 da 0.96, también muy fuerte y, por último, la región 3 con
0.92, lo que refleja una relación fuerte pero no perfecta.
El R2 ajustado mide el porcentaje de la variabilidad de la variable dependiente explicada por las variables
independientes, ajustando el número de predictores: para el Modelo General se obtiene un valor de 0.46,
lo que indica que el 46% de la variabilidad es explicada por el modelo; para la región 1 con un R2
ajustado de 0.37, lo que sugiere un ajuste algo débil, explicando el 37 %; la región 2 posee un R2 ajustado
de -0.14, lo que indica que el modelo no explica bien los datos (valor negativo); y la región 3 con un R2
ajustado de 0.54, lo que indica un ajuste aceptable.
El error típico muestra la desviación estándar de los errores de predicción, es decir, para el Modelo
general se cuenta con un error típico = 0.94; la Región 1 posee un error típico de 0.77, la Región 2 un
error típico de 1.60, lo cual es bastante elevado y la Región 3 con 0.84. El modelo de la Región 1 tiene el
mejor ajuste, mientras que el modelo de la Región 2 es el menos preciso y podría requerir de algunas
mejoras en su especificación o podría verse necesaria la inclusión de nuevas variables predictoras.
El análisis de los modelos gravitacionales que se muestran en la tabla 6, denotan que la movilidad y la
interacción espacial están influenciadas principalmente por la urbanización, el tiempo de viaje y la
disponibilidad de opciones de transporte. Las zonas urbanas presentan coeficientes positivos en la
mayoría de los modelos, lo que indica que favorecen la conectividad. En contraste, los espacios naturales
como bosques, cultivos y pastizales tienen valores negativos, sugiriendo que limitan la movilidad.
Además, la distancia en kilómetros no parece ser un obstáculo significativo, mientras que el tiempo de
viaje sí lo es, ya que mayores tiempos de desplazamiento reducen la interacción entre zonas.
Por otro lado, las alternativas de transporte muestran un impacto positivo en la movilidad, mientras que
las demoras afectan negativamente la interacción espacial, reduciendo la eficiencia del sistema de
pequeños, lo que indica un impacto bajo. Y en la Región 3 la variable de cobertura urbana (-0.29) tiene
uno de los impactos más bajos; lo que puede hablar de una dispersión de la población y no de
concentración como ocurre en otras áreas geográficas del Área Metropolitana de la Ciudad de Guatemala.
El coeficiente de correlación múltiple refleja la relación entre las variables independientes y la
dependiente. Un valor más cercano a 1 implica una relación fuerte: el Modelo general denota un
coeficiente de 0.77, lo que indica una relación moderada; la región 1 tiene un coeficiente 0.98, lo que
sugiere una relación muy fuerte; la región 2 da 0.96, también muy fuerte y, por último, la región 3 con
0.92, lo que refleja una relación fuerte pero no perfecta.
El R2 ajustado mide el porcentaje de la variabilidad de la variable dependiente explicada por las variables
independientes, ajustando el número de predictores: para el Modelo General se obtiene un valor de 0.46,
lo que indica que el 46% de la variabilidad es explicada por el modelo; para la región 1 con un R2
ajustado de 0.37, lo que sugiere un ajuste algo débil, explicando el 37 %; la región 2 posee un R2 ajustado
de -0.14, lo que indica que el modelo no explica bien los datos (valor negativo); y la región 3 con un R2
ajustado de 0.54, lo que indica un ajuste aceptable.
El error típico muestra la desviación estándar de los errores de predicción, es decir, para el Modelo
general se cuenta con un error típico = 0.94; la Región 1 posee un error típico de 0.77, la Región 2 un
error típico de 1.60, lo cual es bastante elevado y la Región 3 con 0.84. El modelo de la Región 1 tiene el
mejor ajuste, mientras que el modelo de la Región 2 es el menos preciso y podría requerir de algunas
mejoras en su especificación o podría verse necesaria la inclusión de nuevas variables predictoras.
El análisis de los modelos gravitacionales que se muestran en la tabla 6, denotan que la movilidad y la
interacción espacial están influenciadas principalmente por la urbanización, el tiempo de viaje y la
disponibilidad de opciones de transporte. Las zonas urbanas presentan coeficientes positivos en la
mayoría de los modelos, lo que indica que favorecen la conectividad. En contraste, los espacios naturales
como bosques, cultivos y pastizales tienen valores negativos, sugiriendo que limitan la movilidad.
Además, la distancia en kilómetros no parece ser un obstáculo significativo, mientras que el tiempo de
viaje sí lo es, ya que mayores tiempos de desplazamiento reducen la interacción entre zonas.
Por otro lado, las alternativas de transporte muestran un impacto positivo en la movilidad, mientras que
las demoras afectan negativamente la interacción espacial, reduciendo la eficiencia del sistema de
pág. 11906
transporte. Estos hallazgos resaltan la importancia de mejorar la infraestructura y reducir los tiempos de
viaje para optimizar la conectividad entre regiones. En términos generales, el estudio confirma que una
buena planificación urbana y de transporte puede facilitar la interacción entre diferentes zonas,
potenciando el desarrollo y la integración territorial.
Tabla 6. Modelos gravitacionales con diferentes variables
Tipos De
Modelo
Modelo
GeneralModelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Modelo 6
Modelo 7
Modelo 8
Modelo 9
Modelo
10Modelo
11Modelo
12Modelo
13Modelo
14
Intercepci
ón
15.
303
13.
548
12.
8
12.
028
14.
62
13.
492
8.6
35
13.
825
14.
62
11.
706
11.
552
13.
632
15.
452
11.
397
13.
945
Bosques -
0.1
22
-
0.0
98
-
0.1
77
-
0.0
35
-
0.1
57
0.0
43
0.0
28
0.0
18
Cultivos -
0.8
31
-
1.0
29
-
0.8
47
-
0.7
92
-
1.0
4
-
0.8
9
-
0.7
29
-
1.0
08
-
0.9
5
-
0.8
56
Pastizales -
0.3
24
-
0.3
65
-
0.4
03
-
0.3
26
-
0.5
14
-
0.4
24
-
0.4
35
-
0.4
97
-
0.4
02
Urbano 0.5
66
0.5
34
2.2
16
0.5
45
0.5
66
0.5
89
0.6
61
0.6
41
0.5
84
0.5
9
0.6
46
0.5
92
0.5
86
0.6
13
0.5
76
Distancia
(Km)
0.9
35
2.0
69
-
0.0
77
0.4
62
0.4
29
0.5
5
-
0.1
73
0.5
27
0.0
52
Distancia
(Minutos)
-
0.7
32
-
0.8
98
-
0.6
1
-
0.5
42
-
0.8
64
-
0.7
2
-
0.9
64
-
1.2
85
-
0.6
59
Alternativ
as
0.2
83
-
0.0
0.3
89
-
0.0
0.4
41
0.3
3
0.3
75
0.3
4
transporte. Estos hallazgos resaltan la importancia de mejorar la infraestructura y reducir los tiempos de
viaje para optimizar la conectividad entre regiones. En términos generales, el estudio confirma que una
buena planificación urbana y de transporte puede facilitar la interacción entre diferentes zonas,
potenciando el desarrollo y la integración territorial.
Tabla 6. Modelos gravitacionales con diferentes variables
Tipos De
Modelo
Modelo
GeneralModelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Modelo 6
Modelo 7
Modelo 8
Modelo 9
Modelo
10Modelo
11Modelo
12Modelo
13Modelo
14
Intercepci
ón
15.
303
13.
548
12.
8
12.
028
14.
62
13.
492
8.6
35
13.
825
14.
62
11.
706
11.
552
13.
632
15.
452
11.
397
13.
945
Bosques -
0.1
22
-
0.0
98
-
0.1
77
-
0.0
35
-
0.1
57
0.0
43
0.0
28
0.0
18
Cultivos -
0.8
31
-
1.0
29
-
0.8
47
-
0.7
92
-
1.0
4
-
0.8
9
-
0.7
29
-
1.0
08
-
0.9
5
-
0.8
56
Pastizales -
0.3
24
-
0.3
65
-
0.4
03
-
0.3
26
-
0.5
14
-
0.4
24
-
0.4
35
-
0.4
97
-
0.4
02
Urbano 0.5
66
0.5
34
2.2
16
0.5
45
0.5
66
0.5
89
0.6
61
0.6
41
0.5
84
0.5
9
0.6
46
0.5
92
0.5
86
0.6
13
0.5
76
Distancia
(Km)
0.9
35
2.0
69
-
0.0
77
0.4
62
0.4
29
0.5
5
-
0.1
73
0.5
27
0.0
52
Distancia
(Minutos)
-
0.7
32
-
0.8
98
-
0.6
1
-
0.5
42
-
0.8
64
-
0.7
2
-
0.9
64
-
1.2
85
-
0.6
59
Alternativ
as
0.2
83
-
0.0
0.3
89
-
0.0
0.4
41
0.3
3
0.3
75
0.3
4
pág. 11907
44 02
Demoras -
1.1
88
-
1.2
26
-
1.5
9
-
1.0
15
-
1.0
91
-
1.2
15
-
1.0
86
-
1.0
06
-
1.1
95
Azul
(Minutos)
-
0.2
68
-1.1 -
1.9
32
0.1
16
-
0.2
59
0.1
01
0.1
28
AMARIL
LO
(MINUT
OS)
0.4
03
0.3
25
0.3
2
0.4
72
0.3
98
0.3
24
0.4
93
ROJO
(MINUT
OS)
-
0.5
6
-
0.9
61
-
0.6
32
-
0.4
11
-
0.5
94
-
0.4
1
-
0.5
16
CORINT
O
(MINUT
OS)
-
0.0
45
-
0.1
71
-
0.3
09
-
0.0
46
-
0.0
06
0.0
32
-
0.0
66
Nota. Resultados de la variación de variables incluidas por cada modelo de gravedad. Elaboración propia con herramientas de
Microsoft Word.
Dividir los puntos observados en regiones geográficas mejora el ajuste del modelo de gravedad porque
reduce la heterogeneidad de los datos, permitiendo que cada modelo regional capture mejor las
particularidades locales. Los modelos regionales demuestran un mejor acoplamiento del comportamiento,
ya que permiten que las variables (como el uso del suelo, la distancia y las demoras) se ajusten mejor a las
características específicas de cada región.
Los resultados obtenidos con el uso de datos en tiempo real reflejan una ventaja significativa frente a los
métodos tradicionales de estimación de movilidad. A diferencia de las encuestas y estudios basados en
modelos estáticos, la integración de herramientas como Google Maps permitió capturar dinámicas de
tráfico en distintos momentos del día, identificando zonas con alta congestión y tiempos de viaje
44 02
Demoras -
1.1
88
-
1.2
26
-
1.5
9
-
1.0
15
-
1.0
91
-
1.2
15
-
1.0
86
-
1.0
06
-
1.1
95
Azul
(Minutos)
-
0.2
68
-1.1 -
1.9
32
0.1
16
-
0.2
59
0.1
01
0.1
28
AMARIL
LO
(MINUT
OS)
0.4
03
0.3
25
0.3
2
0.4
72
0.3
98
0.3
24
0.4
93
ROJO
(MINUT
OS)
-
0.5
6
-
0.9
61
-
0.6
32
-
0.4
11
-
0.5
94
-
0.4
1
-
0.5
16
CORINT
O
(MINUT
OS)
-
0.0
45
-
0.1
71
-
0.3
09
-
0.0
46
-
0.0
06
0.0
32
-
0.0
66
Nota. Resultados de la variación de variables incluidas por cada modelo de gravedad. Elaboración propia con herramientas de
Microsoft Word.
Dividir los puntos observados en regiones geográficas mejora el ajuste del modelo de gravedad porque
reduce la heterogeneidad de los datos, permitiendo que cada modelo regional capture mejor las
particularidades locales. Los modelos regionales demuestran un mejor acoplamiento del comportamiento,
ya que permiten que las variables (como el uso del suelo, la distancia y las demoras) se ajusten mejor a las
características específicas de cada región.
Los resultados obtenidos con el uso de datos en tiempo real reflejan una ventaja significativa frente a los
métodos tradicionales de estimación de movilidad. A diferencia de las encuestas y estudios basados en
modelos estáticos, la integración de herramientas como Google Maps permitió capturar dinámicas de
tráfico en distintos momentos del día, identificando zonas con alta congestión y tiempos de viaje
pág. 11908
prolongados en horarios pico. Este enfoque permitió una mayor precisión en la calibración del modelo de
gravedad, ajustando los parámetros en función de condiciones de movilidad reales. Sin embargo, se
reconoce la necesidad de verificar la precisión y consistencia de estos datos, dado que pueden verse
afectados por errores en la recopilación y la variabilidad en la infraestructura tecnológica disponible en la
región.
CONCLUSIONES
El estudio evidenció que la movilidad urbana en el Área Metropolitana de la Ciudad de Guatemala está
altamente influenciada por el uso del suelo, la fricción del viaje y la disponibilidad de alternativas de
transporte. Se confirmó que las zonas urbanizadas favorecen la conectividad, mientras que los entornos
rurales (cultivos, bosques y pastizales) limitan la movilidad. Además, la integración de herramientas
digitales como Google Maps permitió capturar dinámicas de movilidad que los métodos tradicionales no
logran detectar, mejorando la precisión en la identificación de patrones de desplazamiento y congestión.
El modelo de gravedad aplicado reveló que la distancia en kilómetros no es la principal limitante en la
movilidad urbana, sino el tiempo de viaje y la fricción del desplazamiento. Los datos demostraron que las
demoras y la congestión son los principales obstáculos para la movilidad eficiente, lo que resalta la
necesidad de implementar estrategias de mitigación del tráfico y optimización de rutas. Los modelos
regionalizados demostraron un mejor ajuste en comparación con el modelo general, ya que permitieron
capturar con mayor precisión las particularidades locales de cada zona analizada.
Otro hallazgo clave es que los factores que influyen en la movilidad urbana no son homogéneos en todas
las regiones, ya que las barreras naturales y artificiales generan diferencias significativas en los patrones
de desplazamiento. Esto sugiere que la planificación del transporte debe considerar estrategias
diferenciadas según el contexto geográfico y socioeconómico. La incorporación de variables dinámicas
como condiciones de infraestructura, acceso a transporte público y niveles de congestión permitiría
obtener estimaciones más precisas y representativas de la movilidad real.
El modelo general se destacó por su capacidad para integrar múltiples variables, reduciendo el sesgo y
mejorando su ajuste. Se confirmó que las zonas urbanas generan más viajes, mientras que las zonas
rurales restringen la movilidad. Asimismo, los resultados refuerzan la importancia de integrar datos en
prolongados en horarios pico. Este enfoque permitió una mayor precisión en la calibración del modelo de
gravedad, ajustando los parámetros en función de condiciones de movilidad reales. Sin embargo, se
reconoce la necesidad de verificar la precisión y consistencia de estos datos, dado que pueden verse
afectados por errores en la recopilación y la variabilidad en la infraestructura tecnológica disponible en la
región.
CONCLUSIONES
El estudio evidenció que la movilidad urbana en el Área Metropolitana de la Ciudad de Guatemala está
altamente influenciada por el uso del suelo, la fricción del viaje y la disponibilidad de alternativas de
transporte. Se confirmó que las zonas urbanizadas favorecen la conectividad, mientras que los entornos
rurales (cultivos, bosques y pastizales) limitan la movilidad. Además, la integración de herramientas
digitales como Google Maps permitió capturar dinámicas de movilidad que los métodos tradicionales no
logran detectar, mejorando la precisión en la identificación de patrones de desplazamiento y congestión.
El modelo de gravedad aplicado reveló que la distancia en kilómetros no es la principal limitante en la
movilidad urbana, sino el tiempo de viaje y la fricción del desplazamiento. Los datos demostraron que las
demoras y la congestión son los principales obstáculos para la movilidad eficiente, lo que resalta la
necesidad de implementar estrategias de mitigación del tráfico y optimización de rutas. Los modelos
regionalizados demostraron un mejor ajuste en comparación con el modelo general, ya que permitieron
capturar con mayor precisión las particularidades locales de cada zona analizada.
Otro hallazgo clave es que los factores que influyen en la movilidad urbana no son homogéneos en todas
las regiones, ya que las barreras naturales y artificiales generan diferencias significativas en los patrones
de desplazamiento. Esto sugiere que la planificación del transporte debe considerar estrategias
diferenciadas según el contexto geográfico y socioeconómico. La incorporación de variables dinámicas
como condiciones de infraestructura, acceso a transporte público y niveles de congestión permitiría
obtener estimaciones más precisas y representativas de la movilidad real.
El modelo general se destacó por su capacidad para integrar múltiples variables, reduciendo el sesgo y
mejorando su ajuste. Se confirmó que las zonas urbanas generan más viajes, mientras que las zonas
rurales restringen la movilidad. Asimismo, los resultados refuerzan la importancia de integrar datos en
pág. 11909
tiempo real en la planificación del transporte, ya que permiten detectar cambios dinámicos en la
movilidad y ajustar los modelos predictivos en función de las condiciones del tráfico.
Desde una perspectiva metodológica, se observó que el número y tamaño de las zonas de análisis en un
modelo gravitacional impactan directamente en su precisión y representatividad. Zonas demasiado
pequeñas pueden resaltar diferencias locales, pero pueden generar ruido en el modelo, mientras que zonas
demasiado grandes pueden diluir patrones importantes. Un enfoque equilibrado en la segmentación
geográfica es clave para optimizar la calidad del modelo.
Para futuras investigaciones, se recomienda explorar modelos de movilidad a diferentes escalas, desde
modelos macroscópicos (para flujos interurbanos y regionales) hasta modelos microscópicos (a nivel de
barrios o distritos), con el fin de optimizar la comprensión de los flujos de viaje. Además, es fundamental
fortalecer la recolección y estructuración de datos mediante la integración de plataformas de análisis de
Big Data e inteligencia artificial, lo que permitiría mejorar la capacidad predictiva de los modelos de
movilidad.
El equilibrio entre precisión, simplicidad y disponibilidad de datos es esencial para mejorar la modelación
de la movilidad en áreas metropolitanas. La correcta segmentación geográfica, el uso de datos en tiempo
real y la integración de la fricción del viaje permitirán avanzar hacia modelos más eficientes, reduciendo
la congestión y optimizando el uso del espacio urbano en la Ciudad de Guatemala.
REFERENCIAS BIBLIOGRÁFICAS
Abdel-Aal, M. M. M. (2014). Calibrating a trip distribution gravity model stratified by the trip purposes
for the city of Alexandria. Alexandria Engineering Journal, 53(3), 677–689.
https://doi.org/10.1016/j.aej.2014.04.006
Ali, K. S., & Abid, N. M. (2021). The Importance of Google Maps for Traffic in Calculating the Level of
Service for the Road and Traffic Delay. IOP Conference Series: Materials Science and
Engineering, 1076(1). https://doi.org/10.1088/1757-899x/1076/1/012015
Baji, P. (2018). Using google maps road traffic estimations to unfold spatial and temporal inequalities of
urban road congestion: A pilot study from budapest. Hungarian Geographical Bulletin, 67(1),
61–74. https://doi.org/10.15201/hungeobull.67.1.5
Batista, R. D. A., & Bazzan, A. L. C. (2015). Identification of Central Points in Road Networks using
tiempo real en la planificación del transporte, ya que permiten detectar cambios dinámicos en la
movilidad y ajustar los modelos predictivos en función de las condiciones del tráfico.
Desde una perspectiva metodológica, se observó que el número y tamaño de las zonas de análisis en un
modelo gravitacional impactan directamente en su precisión y representatividad. Zonas demasiado
pequeñas pueden resaltar diferencias locales, pero pueden generar ruido en el modelo, mientras que zonas
demasiado grandes pueden diluir patrones importantes. Un enfoque equilibrado en la segmentación
geográfica es clave para optimizar la calidad del modelo.
Para futuras investigaciones, se recomienda explorar modelos de movilidad a diferentes escalas, desde
modelos macroscópicos (para flujos interurbanos y regionales) hasta modelos microscópicos (a nivel de
barrios o distritos), con el fin de optimizar la comprensión de los flujos de viaje. Además, es fundamental
fortalecer la recolección y estructuración de datos mediante la integración de plataformas de análisis de
Big Data e inteligencia artificial, lo que permitiría mejorar la capacidad predictiva de los modelos de
movilidad.
El equilibrio entre precisión, simplicidad y disponibilidad de datos es esencial para mejorar la modelación
de la movilidad en áreas metropolitanas. La correcta segmentación geográfica, el uso de datos en tiempo
real y la integración de la fricción del viaje permitirán avanzar hacia modelos más eficientes, reduciendo
la congestión y optimizando el uso del espacio urbano en la Ciudad de Guatemala.
REFERENCIAS BIBLIOGRÁFICAS
Abdel-Aal, M. M. M. (2014). Calibrating a trip distribution gravity model stratified by the trip purposes
for the city of Alexandria. Alexandria Engineering Journal, 53(3), 677–689.
https://doi.org/10.1016/j.aej.2014.04.006
Ali, K. S., & Abid, N. M. (2021). The Importance of Google Maps for Traffic in Calculating the Level of
Service for the Road and Traffic Delay. IOP Conference Series: Materials Science and
Engineering, 1076(1). https://doi.org/10.1088/1757-899x/1076/1/012015
Baji, P. (2018). Using google maps road traffic estimations to unfold spatial and temporal inequalities of
urban road congestion: A pilot study from budapest. Hungarian Geographical Bulletin, 67(1),
61–74. https://doi.org/10.15201/hungeobull.67.1.5
Batista, R. D. A., & Bazzan, A. L. C. (2015). Identification of Central Points in Road Networks using
pág. 11910
Betweenness Centrality Combined with Traffic Demand. Polibits, 52, 85–91.
https://doi.org/10.17562/pb-52-9
Black, W. R. (1973). An analysis of gravity model distance exponents. Transportation, 2(3), 299–312.
https://doi.org/10.1007/BF00243358
Caiza, L. J., Alvarez, R., Urquiza-Aguiar, L., Calderón-Hinojosa, X., & Zambrano, A. (2018). PE-
WASUN’18, October 28-November 2, 2018, Montréal, Québec, Canada. In VTM: Vehicular
Traffic Monitor via Images Processing of GoogleMaps (pp. 40–46).
https://doi.org/10.1145/3243046.3243055
Chen, Y. (2015). The distance-decay function of geographical gravity model: Power law or exponential
law? Chaos, Solitons and Fractals, 77, 174–189. https://doi.org/10.1016/j.chaos.2015.05.022
Chen, Y., Zhang, Z., & Liang, T. (2019). Assessing urban travel patterns: An analysis of traffic analysis
zone-based mobility patterns. Sustainability, 11(19), 5452. https://doi.org/10.3390/su11195452
Cheng, G., Wilmot, C. G., & Baker, E. J. (2011). Dynamic gravity model for hurricane evacuation
planning. Transportation Research Record, 1(2234), 125–134. https://doi.org/10.3141/2234-14
Duran-Fernandez, R., & Santos, G. (2014). Gravity, distance, and traffic flows in Mexico. Research in
Transportation Economics, 46, 30–35. https://doi.org/10.1016/j.retrec.2014.09.003
Gao, S., Wang, Y., Gao, Y., & Liu, Y. (2013). Understanding urban traffic-flow characteristics: A
rethinking of betweenness centrality. Environment and Planning B: Planning and Design, 40(1),
135–153. https://doi.org/10.1068/b38141
Gomez, L., & Ramirez, M. (2019). Expansión urbana y cambios en el uso del suelo en la ciudad de
Curuzú Cuatiá, Corrientes, Argentina, entre los años 1990 y 2016. Revista de Estudios Marítimos
y Sociales, 14, 123–149. Retrieved from file:///C:/Users/Usuario/Downloads/2019-RESM-
Gomez_Ramirez.pdf
Hansen, W. (1962). Evaluation of Gravity Model Trip Distribution Procedures. Highway Research Board
Bulletin, (1), 67–76.
Haynes, K. E., & Fotheringham, A. S. (2020). Gravity and spatial interaction models. (G. I. Thrall, Ed.).
SAGE Publications.
Hong, I., & Jung, W. S. (2016). Application of gravity model on the Korean urban bus network. Physica
Betweenness Centrality Combined with Traffic Demand. Polibits, 52, 85–91.
https://doi.org/10.17562/pb-52-9
Black, W. R. (1973). An analysis of gravity model distance exponents. Transportation, 2(3), 299–312.
https://doi.org/10.1007/BF00243358
Caiza, L. J., Alvarez, R., Urquiza-Aguiar, L., Calderón-Hinojosa, X., & Zambrano, A. (2018). PE-
WASUN’18, October 28-November 2, 2018, Montréal, Québec, Canada. In VTM: Vehicular
Traffic Monitor via Images Processing of GoogleMaps (pp. 40–46).
https://doi.org/10.1145/3243046.3243055
Chen, Y. (2015). The distance-decay function of geographical gravity model: Power law or exponential
law? Chaos, Solitons and Fractals, 77, 174–189. https://doi.org/10.1016/j.chaos.2015.05.022
Chen, Y., Zhang, Z., & Liang, T. (2019). Assessing urban travel patterns: An analysis of traffic analysis
zone-based mobility patterns. Sustainability, 11(19), 5452. https://doi.org/10.3390/su11195452
Cheng, G., Wilmot, C. G., & Baker, E. J. (2011). Dynamic gravity model for hurricane evacuation
planning. Transportation Research Record, 1(2234), 125–134. https://doi.org/10.3141/2234-14
Duran-Fernandez, R., & Santos, G. (2014). Gravity, distance, and traffic flows in Mexico. Research in
Transportation Economics, 46, 30–35. https://doi.org/10.1016/j.retrec.2014.09.003
Gao, S., Wang, Y., Gao, Y., & Liu, Y. (2013). Understanding urban traffic-flow characteristics: A
rethinking of betweenness centrality. Environment and Planning B: Planning and Design, 40(1),
135–153. https://doi.org/10.1068/b38141
Gomez, L., & Ramirez, M. (2019). Expansión urbana y cambios en el uso del suelo en la ciudad de
Curuzú Cuatiá, Corrientes, Argentina, entre los años 1990 y 2016. Revista de Estudios Marítimos
y Sociales, 14, 123–149. Retrieved from file:///C:/Users/Usuario/Downloads/2019-RESM-
Gomez_Ramirez.pdf
Hansen, W. (1962). Evaluation of Gravity Model Trip Distribution Procedures. Highway Research Board
Bulletin, (1), 67–76.
Haynes, K. E., & Fotheringham, A. S. (2020). Gravity and spatial interaction models. (G. I. Thrall, Ed.).
SAGE Publications.
Hong, I., & Jung, W. S. (2016). Application of gravity model on the Korean urban bus network. Physica
pág. 11911
A: Statistical Mechanics and Its Applications, 462, 48–55.
https://doi.org/10.1016/j.physa.2016.06.055
Jung, W. S., Wang, F., & Stanley, H. E. (2008). Gravity model in the Korean highway. Epl (Europhysics
Letters), 81(4). https://doi.org/10.1209/0295-5075/81/48005
Kazerani, A., & Winter, S. (2009). Modified Betweenness Centrality for Predicting Traffic Flow.
Proceedings of the 10th International Conference on GeoComputation, Sydney, Australia,
November 30-December, 2.
Masucci, A. P., Serras, J., Johansson, A., & Batty, M. (2013). Gravity versus radiation models: On the
importance of scale and heterogeneity in commuting flows. Physical Review E, 88(2), 022812.
https://doi.org/10.1103/PhysRevE.88.022812
Mikkonen, K., & Luoma, M. (1999). The parameters of the gravity model are changing - how and why?
Journal of Transport Geography, 7(4), 277–283. https://doi.org/10.1016/S0966-6923(99)00024-1
Naser, I. H., Mahdi, M. B., Meqtoof, F. H., & Etih, H. A. (2021). Modelling Trip Distribution Using the
Gravity Model and Fratar’s Method. Mathematical Modelling of Engineering Problems, 8(2),
230–236. https://doi.org/10.18280/mmep.080209
Perumal, K., & Bhaskaran, R. (2010). Supervised classification performance of multispectral images.
arXiv preprint arXiv:1002.4046.
Pokorný, P. (2017). Determining Traffic Levels in Cities Using Google Maps. In Determining Traffic
Levels in Cities Using Google Maps (pp. 144–147). https://doi.org/10.1109/MCSI.2017.33
Rezzouqi, H., Gryech, I., Sbihi, N., Ghogho, M., & Benbrahim, H. (2018). Analyzing the accuracy of
historical average for urban traffic forecasting using google maps. Advances in Intelligent
Systems and Computing (Vol. 868). Springer International Publishing.
https://doi.org/10.1007/978-3-030-01054-6_79
Sayed, M. A., Rahman, M. M., Zaber, M. I., & Ali, A. A. (2017). Understanding Dhaka city traffic
intensity and traffic expansion using gravity model. 2017 20th International Conference of
Computer and Information Technology, ICCIT, 1–6.
https://doi.org/10.1109/ICCITECHN.2017.8281770
Simini, F., Barlacchi, G., Luca, M., & Pappalardo, L. (2020). A Deep Gravity model for mobility flows
A: Statistical Mechanics and Its Applications, 462, 48–55.
https://doi.org/10.1016/j.physa.2016.06.055
Jung, W. S., Wang, F., & Stanley, H. E. (2008). Gravity model in the Korean highway. Epl (Europhysics
Letters), 81(4). https://doi.org/10.1209/0295-5075/81/48005
Kazerani, A., & Winter, S. (2009). Modified Betweenness Centrality for Predicting Traffic Flow.
Proceedings of the 10th International Conference on GeoComputation, Sydney, Australia,
November 30-December, 2.
Masucci, A. P., Serras, J., Johansson, A., & Batty, M. (2013). Gravity versus radiation models: On the
importance of scale and heterogeneity in commuting flows. Physical Review E, 88(2), 022812.
https://doi.org/10.1103/PhysRevE.88.022812
Mikkonen, K., & Luoma, M. (1999). The parameters of the gravity model are changing - how and why?
Journal of Transport Geography, 7(4), 277–283. https://doi.org/10.1016/S0966-6923(99)00024-1
Naser, I. H., Mahdi, M. B., Meqtoof, F. H., & Etih, H. A. (2021). Modelling Trip Distribution Using the
Gravity Model and Fratar’s Method. Mathematical Modelling of Engineering Problems, 8(2),
230–236. https://doi.org/10.18280/mmep.080209
Perumal, K., & Bhaskaran, R. (2010). Supervised classification performance of multispectral images.
arXiv preprint arXiv:1002.4046.
Pokorný, P. (2017). Determining Traffic Levels in Cities Using Google Maps. In Determining Traffic
Levels in Cities Using Google Maps (pp. 144–147). https://doi.org/10.1109/MCSI.2017.33
Rezzouqi, H., Gryech, I., Sbihi, N., Ghogho, M., & Benbrahim, H. (2018). Analyzing the accuracy of
historical average for urban traffic forecasting using google maps. Advances in Intelligent
Systems and Computing (Vol. 868). Springer International Publishing.
https://doi.org/10.1007/978-3-030-01054-6_79
Sayed, M. A., Rahman, M. M., Zaber, M. I., & Ali, A. A. (2017). Understanding Dhaka city traffic
intensity and traffic expansion using gravity model. 2017 20th International Conference of
Computer and Information Technology, ICCIT, 1–6.
https://doi.org/10.1109/ICCITECHN.2017.8281770
Simini, F., Barlacchi, G., Luca, M., & Pappalardo, L. (2020). A Deep Gravity model for mobility flows
pág. 11912
generation. https://doi.org/10.1038/s41467-021-26752-4
Sornsoongnern, P., Pueboobpaphan, S., & Pueboobpaphan, R. (2023). Innovative Dynamic Queue-Length
Estimation Using Google Maps Color-Code Data. Sustainability, 15(3466).
Wang, S., Sun, L., Rong, J., & Yang, Z. (2014). Transit traffic analysis zone delineating method based on
Thiessen polygon. Sustainability, 6(4), 1821–1832. https://doi.org/10.3390/su6041821
Wu, Z., Huang, M., Zhao, A., & Lan, Z. (2021). Urban Traffic Planning and Traffic Flow Prediction
based on ulchis gravity model and Dijkstra algorithm. Journal of Physics: Conference Series,
1972(1), 012080. https://doi.org/10.1088/1742-6596/1972/1/012080
Yousif, R. A., Tayh, S. A., & Jasim, A. F. (2019). Trip Distribution Gravity Model of Al-Diwaniyah City:
A Case Study. In AWAM International Conference on Civil Engineering (pp. 105–117).
https://doi.org/10.1007/978-3-030-32816-0
generation. https://doi.org/10.1038/s41467-021-26752-4
Sornsoongnern, P., Pueboobpaphan, S., & Pueboobpaphan, R. (2023). Innovative Dynamic Queue-Length
Estimation Using Google Maps Color-Code Data. Sustainability, 15(3466).
Wang, S., Sun, L., Rong, J., & Yang, Z. (2014). Transit traffic analysis zone delineating method based on
Thiessen polygon. Sustainability, 6(4), 1821–1832. https://doi.org/10.3390/su6041821
Wu, Z., Huang, M., Zhao, A., & Lan, Z. (2021). Urban Traffic Planning and Traffic Flow Prediction
based on ulchis gravity model and Dijkstra algorithm. Journal of Physics: Conference Series,
1972(1), 012080. https://doi.org/10.1088/1742-6596/1972/1/012080
Yousif, R. A., Tayh, S. A., & Jasim, A. F. (2019). Trip Distribution Gravity Model of Al-Diwaniyah City:
A Case Study. In AWAM International Conference on Civil Engineering (pp. 105–117).
https://doi.org/10.1007/978-3-030-32816-0