Revista de Ciencias Tecnológicas (RECIT). Volumen 3 (1): 10-22
Revista de Ciencias Tecnológicas (RECIT). Universidad Autónoma de Baja California ISSN 2594-1925
Volumen 8 (1): e370. Enero-Marzo, 2025. https://doi.org/10.37636/recit.v8n1e370!
1!
!!!ISSN: 2594-1925
!
Estudio de caso
Metodología identificadora de áreas con congestión, accidentalidad y
corredores de movilidad densificados, por automóvil particular
Methodology for identifying areas with congestion, accidents and dense mobility corridors,
by private vehicle
Jazon Fabian Hernández Peña1, Emilio Bravo Grajales1, Carlos Islas Moreno1, Pedro Lina
Majarrez2
1Universidad Autónoma de la Ciudad de México, Doctor García Diego número 168, Colonia Doctores, Alcaldía
Cuauhtémoc, C.P. 06720, ciudad de México, México.
2Instituto Politécnico Nacional (IPN). Av. Luis Enrique Erro S/N, Unidad Profesional Adolfo López Mateos, Zacatenco,
Alcaldía Gustavo A. Madero, C.P. 07738, Ciudad de México
Autor de correspondencia: Jazon Fabian Hernández Peña, Universidad Autónoma de la Ciudad de México, Doctor García Diego número
168, Colonia Doctores, Alcaldía Cuauhtémoc, C.P. 06720, ciudad de México, México. Correo electrónico:
jazon.hernandez@estudiante.uacm.edu.mx. ORCID: 0000-0003-3356-1878.
Recibido: 30 de Julio del 2024 Aceptado: 4 de Febrero del 2025 Publicado: 5 de Marzo del 2025
Resumen. - Las aglomeraciones urbanas que superan la capacidad de los servicios y de la infraestructura generan condiciones
negativas para la convivencia del crecimiento y desarrollo poblacional. Disminuyendo los beneficios de habitar en ciudades,
sobrepasando el estado óptimo de las relaciones espacio temporales en el que las personas realizan sus actividades cotidianas, como
la asistencia al trabajo. Ante lo anterior en esta investigación se presenta una metodología espacial para el análisis de la movilidad
de la Ciudad de México y su relación con la Zona Metropolitana del Valle de México considerando dos externalidades negativas del
tránsito metropolitano: la congestión y los accidentes viales. Integrando las apreciaciones del usuario afectado en interacción directa
con estas externalidades, vertidas en la plataforma de Red Geosocial Waze, en relación con la información de las bases de datos
oficiales de instituciones gubernamentales y educativas, como la localización y tamaño de las Unidades Económicas del Directorio
Estadístico Nacional de Unidades Económicas, las condiciones de movilidad en automóvil particular de la Encuesta a Hogares
Origen Destino 2017 y la extensión y características de la Red Nacional de Caminos 2017. Obteniendo así, parámetros de movilidad
con interrelación espacial con base a Sistemas de Información Geográfica, identificando magnitudes de empleos promedio,
frecuencias de congestión y de accidentes, para distintas condiciones de espacio, zonificación, territorialidad y tiempos. Hallando
que la dinámica de movilidad por auto particular incide notablemente en corredores viales que se relacionan con la Zona centro-
poniente de la Ciudad de México y en una mayor concentración de reportes de tráfico y de accidentes viales, derivada de la relación
con la zona de concentración continua de empleo promedio, la cual demanda ser atendida.
Palabras clave: Movilidad; Origen-Destino; Vehículo particular; Red Geosocial Waze.
Abstract.- Urban agglomerations that exceed the capacity of services and infrastructure generate negative conditions for the
coexistence of population growth and development. They diminish the benefits of living in cities, surpassing the optimal state of space-
time relationships in which people carry out their daily activities, such as going to work. In light of the above, this research presents
a spatial methodology for the analysis of mobility in Mexico City and its relationship with the Metropolitan Zone of the Valley of
Mexico, considering two negative externalities of metropolitan traffic: congestion and road accidents. Integrating the assessments of
the affected user in direct interaction with these externalities, poured into the Waze Geosocial Network platform, in relation to the
information from the official databases of governmental and educational institutions, such as the location and size of the Economic
Units of the National Statistical Directory of Economic Units, the mobility conditions by private car of the 2017 Origin Destination
Household Survey and the extension and characteristics of the 2017 National Road Network. Thus, obtaining mobility parameters
with spatial interrelation based on Geographic Information Systems, identifying average employment magnitudes, congestion and
accident frequencies, for different space, zoning, territoriality and time conditions. Finding that the dynamics of mobility by private
car has a notable impact on road corridors that are related to the central-western zone of Mexico City and in a higher concentration
of traffic reports and road accidents, derived from the relationship with the area of continuous concentration of average employment,
which demands to be addressed.
Keywords: Mobility; Origin-Destination; Private vehicle; Waze Geosocial Red.
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
2!
ISSN: 2594-1925
1. Introducción
Las ciudades actuales representan grandes
beneficios de vivir en la aglomeración urbana [1],
mismos que pueden ser contrarrestados por
aspectos negativos, tales como, el tráfico
vehicular, congestionamientos, accidentes viales,
contaminación, ruido [2], [3], [4], en una
movilidad cotidiana que presenta largos y
costosos desplazamientos metropolitanos [5]. Al
hablar de la ciudad de México no podemos perder
de vista la interrelación del continuum urbano
que se presenta en la ZMVM (Zona
Metropolitana del Valle de México),
desbordando los límites políticos
administrativos, acentuando las problemáticas
vividas en el territorio [6]. El análisis temporal y
espacial realizado en esta investigación, permite
entender la dinámica de movilidad relacionada
con las externalidades negativas en las
condiciones metropolitanas, la ciudad dispersa,
del diseño urbano y su conectividad. Al ser la
ZMVM la más poblada del país y de las diez de
mayor concentración poblacional en el mundo, se
considera la conformada para el 2017 por las
Ciudad de México y 60 municipios conurbados y
aglomerados, 1 del Estado de Hidalgo y 59 del
Estado de México (Ver Figura 1), creciendo la
superficie urbana a ritmos superiores del 3%
desde la década de los ochenta hasta el 2017 [7].
Figura 1. Clave geográfica y nombre de Alcaldías y Municipios pertenecientes a la Zona Metropolitana del Valle de México.
Elaboración Propia. Fuente de datos: SCINCE 2020 INEGI.
Se ha experimentado que la urbanización
potencializa que las ciudades sean más prósperas
y desarrolladas, sin embargo, en la paradoja del
crecimiento y desarrollo, esas mismas ciudades
alrededor de todo el mundo no han estado
preparadas para los cambios multidimensionales
y multifactoriales asociados al proceso de
urbanización, razón por la cual se tiene una
complejidad de factores que generan
problemáticas urbanas como las presentadas en
la ZMVM [8].
Uno de los objetivos del actual estudio es
establecer una metodología para el análisis de la
CIUDA DE MÉXICO
15059
Nextlalpan
Clave
Nombre
15108
Tultepec
09002
Azcapotzalco
15121
Cuautitlán Izcalli
09003
Coyoacán
15015
Atlautla
09004
Cuajimalpa de Morelos
15061
Nopaltepec
09005
Gustavo A. Madero
15120
Zumpango
09006
Iztacalco
15065
Otumba
09007
Iztapalapa
15122
Valle de Chalco Solidaridad
09008
La Magdalena Contreras
15125
Tonanitla
09009
Milpa Alta
15109
Tultitlán
09010
Álvaro Obregón
15016
Axapusco
09011
Tláhuac
15017
Ayapango
09012
Tlalpan
15068
Ozumba
09013
Xochimilco
15069
Papalotla
09014
Benito Juárez
15020
Coacalco de Berriozábal
09015
Cuauhtémoc
15022
Cocotitlán
09016
Miguel Hidalgo
15023
Coyotepec
09017
Venustiano Carranza
15070
La Paz
HIDALGO
15024
Cuautitlán
Clave
Nombre
15025
Chalco
13069
Tizayuca
15028
Chiautla
ESTADO DE MÉXICO
15075
San Martín de las Pirámides
Clave
Nombre
15081
Tecámac
15038
Isidro Fabela
15083
Temamatla
15046
Jilotzingo
15029
Chicoloapan
15060
Nicolás Romero
15030
Chiconcuac
15095
Tepotzotlán
15034
Ecatzingo
15112
Villa del Carbón
15084
Temascalapa
15039
Ixtapaluca
15089
Tenango del Aire
15099
Texcoco
15031
Chimalhuacán
15100
Tezoyuca
15091
Teoloyucan
15010
Apaxco
15092
Teotihuacán
15011
Atenco
15033
Ecatepec de Morelos
15044
Jaltenco
15036
Hueypoxtla
15050
Juchitepec
15093
Tepetlaoxtoc
15053
Melchor Ocampo
15035
Huehuetoca
15057
Naucalpan de Juárez
15094
Tepetlixpa
15103
Tlalmanalco
15096
Tequixquiac
15013
Atizapán de Zaragoza
15037
Huixquilucan
15104
Tlalnepantla de Baz
15002
Acolman
15058
Nezahualcóyotl
15009
Amecameca
Clave geográfica de municipios y alcaldías de la ZMVM
!"#"
$%C'E')'*)"H,%-.
/%ME1C-E)2%'E34.
"C5%-%6%.T)'*3)8TVE'.)'*)"H,%-.):
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
3!
ISSN: 2594-1925
movilidad urbana de una Ciudad, su
conurbación, y dos de las externalidades
negativas del tránsito metropolitano y la
infraestructura disponible para ello, la congestión
y los accidentes viales. La congestión, derivada
de la demanda vial, genera demoras en los
desplazamientos, intensificando la liberación de
gases de efecto invernadero, disminuyendo la
calidad del aire, lo cual afecta directa e
indirectamente, a la población expuesta a las
emisiones, a corto y mediano plazo. Mientras que
a corto plazo el tiempo perdido en el transito
aumenta el estrés y en lo económico se traduce
en perdidas horas-hombre.
Los accidentes viales, son la otra externalidad,
considerada como un problema de salud pública,
su ocurrencia merma el sistema de salubridad, las
lesiones y muertes en estos hechos repercuten en
la estabilidad de las familias afectadas, así como
también significan perdidas para el estado, pues
cada ciudadano representa una inversión, de la
que se espera una retribución relacionada con el
desempeño de las actividades laborales en el
sector que aplicase. Para la observación de estas
dos condiciones se toma como marco referencia
la extensión de interacción espacial dentro del
territorio de la ZMVM.
Este territorio representa una centralidad a nivel
nacional de la política pública y con ello de la
expansión y el crecimiento urbano metropolitano
[9].
El crecimiento de población vertiginoso, las
unidades económicas, así como los
comportamientos temporales y territoriales de los
accidentes [10] [11], además del personal
ocupado y viajes registrados, sucedidos y
estimados dentro de los municipios que
conforman la ZMVM, son las variables
principales a partir de los cuales se pueden
extraer parámetros de estimación de la dinámica
metropolitana y su relación en el espacio vial con
las cuestiones de tránsito que derivan en
externalidades negativas [12].
2. Antecedentes
El tráfico y los accidentes viales, son fenómenos
ampliamente estudiados a nivel mundial en los
ámbitos académicos, gubernamentales y del
sector privado. En años recientes los estudios
muestran el uso de una variedad de técnicas de
recopilación de datos [13] [14] [15] para su
análisis, como las encuestas origen destino que
permiten contextualizar la ocurrencia de estos
fenómenos derivados de la expansión urbana. Así
mismo la inferencia de esta en el incremento de
los costos individuales y sociales con mayores
distancias y tiempos de viaje [16], el aumento en
la demanda de las vialidades, que conectan las
zonas que conservan su poder de atracción con
las nuevas áreas que se suman al continuo
urbano, cuyos valores del uso de suelo distan
entre ellas significativamente, como se observa
en la ZMVM [17]. Así las vialidades que con
mayor frecuencia conforman rutas entre zonas de
generación de viajes, estas elegidas por los
usuarios del vehículo motorizado, derivado de
sus características viarias que les conforman,
como capacidad, diseño geométrico, baja o nula
presencia de control semafórico o con alto rango
de velocidad permitida.
Esto presenta una mayor ocurrencia de
congestión y posibilidades de colisión, con lo que
el planteamiento de: la ocurrencia de accidentes
genera congestión y la relación inversa, la
congestión genera accidentes [18], recae en la
demanda temporal, la jerarquía vial y las diversas
áreas urbanas donde se ubican los extremos de
los viajes. Interviniendo en ello, los horarios
origen del viaje y las rutas coincidentes, donde a
cada hora de salida le deviene un costo de viaje
[19], implicado en un nivel de competencia por
el espacio de circulación, que se traduce en la
saturación vial en las horas de mayor demanda
(HMD) y/o accidentes en horarios y grados
diferentes.
Los estudios y métodos tradicionalmente y en
gran medida, se basan en datos históricos de
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
4!
ISSN: 2594-1925
accidente para la identificación de ubicaciones de
alto riesgo, las cuales no se pueden detectar hasta
qué suceden una cantidad suficiente de choques,
lo que a menudo requiere una significativa
cantidad de tiempo.
La implementación de nuevos enfoques toma en
cuenta elementos que intervienen en las
colisiones y puntos de conflicto registrados
mediante tecnologías de punta implementadas en
los vehículos conectados [20], cuyas
características permiten igualmente la
identificación de la congestión puntual, como los
sistemas de comunicación V2X que permiten a
los vehículos, mediante el uso colectivo de estas
tecnologías y mecanismos de interacción,
interactuar con su entorno para mejorar la
comodidad del conductor y el rendimiento del
tráfico y reducir los riesgos de accidentes [21].
Teniendo bases de datos suficientemente
robustas se han estimado patrones de
localización en relación con la ocurrencia de
accidentes que derivan de las actividades
humanas, tanto en diferentes tipos de estas como
en grados de afectación en los accidentes [22]. Sí
como actividad humana el trabajo se reconoce,
según lo indican las EOD2007 (Encuesta a
Hogares Origen Destino 2007) y EOD2017
(Encuesta a Hogares Origen Destino 2017) en la
ZMVM, el principal motivo de traslado después
del propósito de regresar al hogar con un 26.7 %
y 28.6 % respectivamente [23], considerando los
días laborales martes, miércoles y jueves como
los días de la semana en los que se presentan las
condiciones típicas de viajes. La desagregación
de las particularidades de las diversas clases de
viajeros proporciona elementos de análisis y
resultados de proporción espacial donde se sigue
manifestando la importancia del centro de las
ciudades y la localización de la industria, como
lo visto en Reino Unido [24], derivados de los
fenómenos heredados de la ciudad industrial,
cuyo crecimiento exponencial urbano y sus
procesos demográficos se repiten en muchas
ciudades de manera global.
El incorporar información histórica de alguna
característica relacionada con la movilidad que
no se manifiestan en un ejercicio temporalmente
puntual como son las EOD´s, permite, si es que
existe esta para las consideraciones espaciales de
la zona de estudio, predecir las condiciones de
movilidad en el futuro. Utilizando los datos y las
variables de información recopiladas en el
pasado, que mediante el análisis de los mismos
se pueden obtener una tasa de flujo de entrada
para la predicción de los datos de tráfico ya sea
de una intersección de destino [25] o zonas desde
el enfoque macroscópico. Donde la complejidad
temporal del crecimiento urbano, puede
resolverse incorporando información histórica a
una simulación del crecimiento urbano utilizando
autómatas celulares, llevando a otro grado el
índice de expansión urbana [26].
Este aumento no unidimensional desde la
perspectiva sistémica del transporte y movilidad
urbana, enfoca algunos estudios en estimar el
número de vehículos de motor que intervendrán
en el tráfico futuro sobre las vías de
comunicación entre zonas o áreas urbanas,
utilizando el número de vehículos de motor
registrados anualmente permitiendo prever
desequilibrios en la red [27], más relacionados
con la congestión que con los accidentes, aunque
esto depende de los alcances del tipo
almacenamiento de los registros y escala
espacial, permitiendo la identificación de los
parámetros microscópicos del tránsito [28].
Es preciso indicar que una de las principales
limitaciones ha sido contar con datos
homogéneos, con la disponibilidad, cantidad y
calidad suficiente para el mismo espacio y
tiempo del estudio, si bien hay una tendencia del
análisis en los que intervienen la congestión y los
accidentes [29], [30], [31], esto tiene posibilidad
de robustecerse al incorporar la información
vertida a partir de dispositivos móviles,
considerado un nuevo paradigma, llamado
Mobile CrowdSourcing (MCS). Aprovechando
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
5!
ISSN: 2594-1925
los recursos informáticos móviles el MCS
coordina mediante plataformas como Waze u
OSM, una multitud de usuarios móviles
equipados con teléfonos inteligentes para realizar
de forma cooperativa algunas tareas complejas a
gran escala [32]. El MCS vehicular participativo
(P-MCS) requiere la participación humana
explícita, donde el participante en cuestión
ingresa manualmente contribuciones en forma de
reportes, publicaciones o cualquier pieza de
información, en una aplicación móvil dedicada a
la detección de multitudes vehiculares que
detecta el estado del mundo físico [33].
El Internet de los vehículos (IoV por sus siglas en
inglés) es un elemento importante del transporte
inteligente, los vehículos autónomos y las redes
sociales vehiculares, permitiendo actualizaciones
en tiempo real sobre el mapa de carreteras con
eventos viales, como accidentes y congestión de
tráfico o los relacionados con la seguridad y
emergencias. También el IoV se aplica en el
monitoreo de la superficie de la carretera,
ubicación y calidad de la ruta mediante la
recopilación y detección de datos continuos, y
actualizaciones de mapas en tiempo real para
vehículos autónomos [34]. Waze es un MCS
participativo para el descubrimiento de eventos
vehiculares, donde los participantes informan
manualmente varios incidentes de tráfico
observados, a un servidor MCS a través de una
aplicación para teléfonos inteligentes. [33].
Los conductores comparten los eventos (como
accidentes o atascos) que encuentran a lo largo
de sus trayectorias [35]. La información que se
comparte entre los usuarios del Waze, es en
tiempo real de manera autogestionada y validada
por los demás usuarios. El servidor MCS agrega
estos informes y toma decisiones sobre qué
evento ha sucedido de acuerdo con un esquema
de toma de decisiones. Según el tipo de evento,
emite acciones recomendadas (por ejemplo,
recomendaciones de desvío, tiempos de viaje,
precios de la gasolina, presencia de vehículos
estancados y obstáculos, accidentes, peligros
climáticos y escena del crimen) [33]. Tal como
se aplica en los reportes de tráfico y accidentes
en los noticiarios cotidianos de radio y televisión,
los reportes in situ de los usuarios registrados en
la plataforma Waze, proveen de información de
las condiciones de tránsito vehicular a un gran
número de personas, sumando a ello la
omnipresencia de dispositivos móviles y el
potencial de comunicación con multitudes
(interesadas en esas condiciones), hacen que el
Crowdsensing impulsado por la Movilidad
Urbana UMCS (Urban Mobility-Driven
Crowdsensing) sea cada vez más relevante [36].
3. Metodología
Basado en la información de la movilidad
metropolitana más reciente, se realiza la
estimación de los posibles parámetros derivados
de la estadística aplicada a la base de datos que
nos proporciona la EOD2017 y en la delimitación
geográfica de los 194 distritos como unidades de
observación de la misma encuesta, estimándose
los viajes atraídos por motivo, para cada distrito
[22]. Para ello se considera la localización
espacial de las Unidades Económicas (UE),
extraídas y validadas por el INEGI del Directorio
Estadístico Nacional de Unidades Económicas
(DENUE), que se encuentran dentro de la
ZMVM en el periodo de marzo del 2017 [37].
Al georreferenciar las UE se relaciona
espacialmente la actividad económica, tamaño de
las unidades económicas activas, así como el
sector económico al cual pertenece la actividad
de cada unidad, (considerando los 2 primeros
dígitos del código de actividad) según el Sistema
de Clasificación Industrial de América del Norte
(SCIAN). Identificando así el impacto territorial
de los sectores, mediante la oferta de empleo
promedio, a partir de considerar su relación
directa con la realización de viajes cotidianos
debido las actividades laborales [38].
Como un parámetro de interrelación entre
distritos se realizan tres procesos metodológicos
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
6!
ISSN: 2594-1925
mediante la utilización de SIG (Sistemas de
Información Geográfica) para determinar las
condiciones entre distritos con una mayor
desagregación a partir de la densidad y/o cercanía
entre manzanas, considerando que la ciudad es un
mosaico urbano de distintas densidades [39].
Se consolida la estructura manzanar establecida
por el INEGI en el 2016 en bloques condensados
por una distancia máxima de 50 metros entre
manzanas, obteniendo 7,308 áreas de
observación de mayor dimensión, que suman
2351.75 km2, segregadas por los anchos de vía de
la infraestructura vial mayores a 50 metros,
divididas por los límites de las demarcaciones y
de los distritos de la EDO 2017, más una
segmentación de cuatro cuadrantes de la ZMVM.
Esto para poder relacionar la información
espacial disponible del continuo urbano y
respectiva dinámica, contabilizando el número de
empleados promedio y reportes de accidentes y
tráfico Waze [40]1, dentro de las zonas de
manzanas consolidadas. Donde la movilidad
ejercida por la atracción de viajes con motivo de
trabajo y las ocurrencias de estas externalidades
negativas no exceden los 50 metros de
separación, se relacionan con la superficie
urbanizada de cada distrito y la interacción
espacial de estas a los municipios y alcaldías
dentro del polígono límite de la ZMVM con
7,859.426 km2.
En el segundo proceso utilizando los conjuntos
de datos puntuales de reportes de tráfico y
accidentes generados en los días, martes,
miércoles y jueves del periodo de realización de
la EOD2017, se contempla la ocurrencia de
congestión y accidentes sin segregación,
comparando su aglomeración puntual por mapa
de calor para determinar en la continuidad urbana
de la ZMVM la recurrencia de los dos parámetros
negativos del tránsito y su relación con las
1 Los reportes de tráfico y accidentes fueron obtenidos mediante una
aplicación web que recopilo los informes enviados por los usuarios [41]
diferentes delimitaciones territoriales y las
zonificaciones hasta ahora planteadas.
En un tercer acercamiento para analizar la
frecuencia de congestión y accidentes se utiliza
un proceso de generación de malla, grid o rejilla,
creada en un Sistema de Información Geográfica
(SIG), conformada por hexágonos espaciados
vertical y horizontalmente por 500 metros sobre
la extensión de la ZMVM. De esta manera se
contabiliza, considerando en el periodo de
recolección EOD2017, tanto la estimación
promedio de personas que trabajan en las
unidades económicas, como los reportes de
accidentes y congestión de la Red Geosocial
Waze (aplicación de crowdsourcing del tipo
MCS), que se encuentran dentro de cada una de
las divisiones en dicha malla.
3.1. Concentración de empleo promedio,
congestión y accidentes viales en zonas de
manzanas consolidadas.
En cuanto a la presencia de atracción de viaje por
motivo de empleo se tiene que en el 26 % de las
zonas de manzanas consolidadas esto es nulo y
que la suma de los reportes de accidentes y
tráfico en estas mismas es de 7 y 1093, que
representan el 0.27 % y 0.83 % de los totales
respectivos en la ZMVM. Al representar las tres
condiciones mediante la clasificación, de cortes
naturales de Jenks [42], se observa que los dos
cortes que corresponden a las 49 zonas que
concentran el mayor número de empleos
representan el 1.17 % y suman el 24.34 % del
total de empleos en la ZMVM en el 2017 (Ver
NúmeroEmpleoPromedio en Figura 2). Mientras
que la congestión en el periodo de análisis de la
EOD2017 concentra reportes en 6, que es el 0.14
% de las zonas, con el 21.89 % de estos
representadas en tres de los cortes Jenks con el
mayor número (ver Congestión en Figura 2). En
cuestión de accidentes 9 de las zonas (el 0.21 %)
y cuyo protocolo de recolección deriva de un proyecto de investigación
interdisciplinario [11].
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
7!
ISSN: 2594-1925
que se muestran dentro de los cuatro rangos más
elevados de las rupturas Jenks, concentran el
22.03 % de los accidentes reportados en el
periodo analizado (Ver Accidentes en Figura 2).
De estas tres observaciones, 9 zonas de manzanas
consolidadas coinciden con los cuatro rangos
Jenks de mayor conteo e incidencia esto es en el
0.21 %, las cuales se encuentran dentro de la
delimitación de los Distritos EOD2017,
Condesa, Nápoles, Chapultepec-Polanco,
Viveros, Las Lomas, Cuajimalpa y CC
Interlomas de Tecamachalco, el 3.61 % del total
de distritos, este porcentaje se encuentra dentro
de los límites de las alcaldías de Álvaro
Obregón, Cuauhtémoc, Benito Juárez,
Coyoacán, Miguel Hidalgo y los municipios de
Huixquilucan y Naucalpan de Juárez.
Figura 2 Coincidencia de concentración de Empleos Promedio-Reportes de Trafico-Accidentes: Zona Centro Poniente de la
Ciudad de México. Elaboración Propia con geoprocesamientos SIG, agregación de polígonos y de conteo de puntos, a partir
de datos SCINCE y DENUE de INEGI y base de datos de Plataforma Waze CITMA.
3.2. Concentración de densidad de reportes
puntuales de congestión y de accidentes viales
Para encontrar la relación entre la congestión vial
y los accidentes se realizó el análisis espacial para
identificar donde se percibe mayormente la
concentración de estas externalidades, utilizando
datos de reportes de tráfico y accidentes de la red
Waze [11] 229,131 y 10,084 respectivamente, de
los días martes, miércoles y jueves (que se
consideran como días típicos) del periodo de
realización de la EOD2017, a través de un análisis
de concentración mapa de calor mediante un
sistema de información geográfica, se determinan
a nivel metropolitano la ocurrencia de ambos
fenómenos.
Las áreas de representación de mayor calor se
encuentran en el sur poniente de la ZMVM
dentro de los límites de las alcaldías Álvaro
Obregón, Benito Juárez, Coyoacán, Cuajimalpa
de Morelos, Cuauhtémoc, La Magdalena
Contreras, Miguel Hidalgo, Tlalpan y los
municipios Huixquilucan y Naucalpan de
Juárez.
La intensidad se refleja mayoritariamente
recurrente dentro del área de la ciudad de
México, en la zona centro poniente de la misma,
en las alcaldías Miguel Hidalgo, Álvaro
Obregón, Cuauhtémoc y Benito Juárez,
observándose que la congestión se reporta en su
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
8!
ISSN: 2594-1925
mayoría dentro de áreas continuas (Ver Densidad
de congestión en Figura 3) mientras que los
accidentes tienen concentraciones dentro de las
mismas alcaldías y también dentro de Tlalnepantla
de Baz Gustavo A. Madero, Iztapalapa,
Venustiano Carranza y en los límites que se
conforman con las alcaldías de Iztacalco
Coyoacán, Tlalpan, Cuajimalpa y Venustiano
Carranza, revelando las concentraciones en
vialidades particularmente importantes dentro
del a red vial de la ZMVM (Ver Densidad de
Accidentes en Figura 3).
Figura 3 Concentración de densidad de reportes Tráfico y Accidentes en los días martes, miércoles y jueves (EOD
2017) en la ZMVM. Elaboración Propia con geoprocesamiento SIG, densidad de puntos, a partir de datos de Plataforma
Waze CITMA.
Para verificar esta relación entre la congestión y
los accidentes (advertida en análisis de mapa de
calor) se realiza un análisis de concentración,
dividendo el área que cubre los reportes en la
superficie de la ZMVM en celdas hexagonales de
espacio tanto horizontal como vertical de 500
metros, generándose 41,600 zonas hexagonales
de inspección. De estas el 12.4 % (5,159 zonas)
contiene por lo menos un reporte de congestión,
en el 76.31 % de municipios de la ZMVM, donde
Atlautla, Ecatzingo, Papalotla, Tepetlixpa
Tequixquiac, Otumba, Ozumba, Villa del
Carbón, Ayapango, Isidro Fabela, San Martín de
las Pirámides, Tenango del Aire, Amecameca,
Jilotzingo, Axapusco, Melchor Ocampo,
Chiautla y Tezoyuca, no presentan ningún
reporte de congestión. En el 5.8 % (2,414 zonas)
con por lo menos un reporte de accidente en el
85.52 % de los municipios de la ZMVM, siendo
los que no reportan externalidades de este tipo
Apaxco, Atlautla, Chiconcuac, Ecatzingo,
Papalotla, Tepetlixpa, Tequixquiac, Otumba,
Ozumba, Villa del Carbón y Temamatla. Con el
10.52 %, los municipios de Atlautla, Ecatzingo,
Papalotla, Tepetlixpa, Tequixquiac, Otumba,
Ozumba y Villa del Carbón, son los municipios
que no presentan conflictos viales de congestión
ni accidentes (Ver Gráfica 1).
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
9!
ISSN: 2594-1925
Gráfica 1. Numero de Zonas con reportes de accidentes y congestión en el Municipio del Estado de Hidalgo, Municipios del
Estado de México y Alcaldías de la Ciudad de México.
Al tomar en cuenta las zonas coincidentes donde
la ocurrencia de un solo accidente en 18 días
(días entre semana evaluados en el periodo de la
EOD 2017), es la ocurrencia más baja que se
presenta en el 41 % de las zonas coincidentes en
34 municipios (44.73 %) y en el caso de los
reportes por congestión al establecer 20 reportes
como cifra mínima de ocurrencia en la misma
zona durante los días analizados se tiene el 37.34
% de zonas con ambos casos, en 35 municipios
(46.05 %).
Derivado de que en el 91.96 % del total de las
zonas donde existen accidentes también se
presenta el fenómeno de congestión y que, en la
perspectiva opuesta, en el 43.03 % de las zonas
donde se reporta congestión hubo al menos un
evento de accidente durante los días analizados,
la coincidencia se da en el 63.15 % de los
municipios ZMVM. En el análisis de
concentración en las zonas hexagonales de
inspección, se determina que, en 2,220 de estas
se presentan ambas externalidades negativas
representando el 5.34 %, de las 41,600 zonas de
inspección sobre la superficie de la ZMVM,
observándose, como ya se había advertido, un
diferente patrón de concentración en el análisis
de densidad entre congestión y accidentes.
Con valores mayores a 262 reportes de
congestión se encuentran áreas de continuidad de
zonas dentro de los límites de las alcaldías,
Benito Juárez, Miguel Hidalgo y Cuauhtémoc y
en valores mayores a 11 accidentes se presentan
patrones lineales en los límites entre estas
mismas (Ver en Figura 4).
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
10!
ISSN: 2594-1925
Figura 4. Concentración en zonas de reportes de Tráfico y Accidentes, en los días martes, miércoles y jueves (EOD 2017) en
la ZMVM. Elaboración Propia con geoprocesamiento de conteo de puntos SIG, a partir de datos de Plataforma Waze
CITMA.
Para determinar las zonas coincidentes con los
más altos valores tanto de accidentes como de
congestión se aplica la distribución de frecuencia
de reportes mediante las relaciones 70/30 y 80/20
de Pareto, respectivamente, estimando 667 zonas
(30%) con un número de accidentes que
representan el 72.9 % coincidente con valores
igual o mayores de 4 accidentes en una zona. Del
porcentaje acumulado de reportes de congestión
a partir del 77.27 % acumuladas en 529 con
valores mayores o iguales a 130, que
corresponden al 23.82% del total de zonas.
Al ordenar cada una de estas proporciones en 5
grupos de cortes naturales Jenks, se consideran
los tres rangos más altos de estos: para valores de
accidentes iguales o mayores a 17, 143 zonas y
de congestión iguales o mayores a 395, al
fusionarlas se conforman 175 zonas, lo cual es
26.23 % de lo obtenido con la relación 70/30 (ver
Accidentes en Figura 5) y 33.08% de lo
considerado con 80/20 de Pareto (ver Tráfico en
Figura 5). Estas zonas destacan el impacto de las
externalidades negativas reportadas, en la
sección centro sur poniente de la ZMVM, con el
41.11 % intersecando con los límites de las
alcaldías de este cuadrante y el 58.86 % se
encuentran contenidas totalmente dentro de ellas.
En condiciones de continuidad el 22.29 % se
encuentra dentro de la alcaldía Miguel Hidalgo,
11.57 % en la alcaldía Benito Juárez, en Álvaro
Obregón el 8.00 %, con un 7.47 % en la alcaldía
Cuauhtémoc, 2.86 % dentro de Cuajimalpa de
Morelos y 2.29 % en el municipio de Naucalpan
de Juárez. Con menos del 2.00 % y en
condiciones de no más de zonas continuas, las
alcaldías Tlalpan, Coyoacán, Gustavo A. madero
y Venustiano Carranza. En la frontera de la
alcaldía Miguel Hidalgo, con las alcaldías
Cuauhtémoc, Álvaro Obregón y Benito Juárez
intersecan el 41.67 % de las zonas que impactan
entre los límites de alcaldías en esta sección de la
ZMVM (ver Figura 5).
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
11!
ISSN: 2594-1925
Figura 5. Zonas coincidentes con mayor número de reportes Waze de acuerdo a las relaciones 80/20 de Tráfico y 70/30
en Accidentes generados en la ZMVM en los días martes, miércoles y jueves (EOD 2017) en la ZMVM. Elaboración
Propia con geoprocesamiento de conteo de puntos SIG, a partir de datos de Plataforma Waze CITMA.
3.3. Concentración de densidad de empleos
promedio en las unidades económicas
Para determinar la relación espacial del empleo
promedio con la concentración de congestión y
de accidentes viales, advertida en el análisis de
manzanas consolidadas, se utiliza la zonificación
hexagonal. En cada una de las celdas, se
contabiliza empleo promedio de las unidades
económicas contenidas (estimado del valor
medio rango de personal ocupado), como un
campo de peso. En 11,091 divisiones, con al
menos una UE, se estiman en conjunto 6,111,400
empleados promedio obtenidos al sumar el valor
medio del rango de personas ocupadas en cada
una de las unidades económicas. Con una
relación 75/25 se tienen 2,818 zonas (25.4 %) con
más de 657 empleos promedio en cada división,
se estiman 4,583,904 empleos (75.01 %). Se
agrupan las 2818 zonas en 5 clases con igual
número de zonas en cada clase mediante la
clasificación de cuantiles, con los siguientes
rangos 658-792, 793-976, 978-1275, 1276-1940
y 1943-27640 (Ver Figura 6). Conformada por
252 hexágonos regulares se encuentra en el
último y mayor ancho de rango, el área de
Máxima Continuidad de Empleo en Zonas
Hexagonales (MCEZH) de UE DENUE 2017,
conteniendo en ella 1,277,825 empleos
promedio, intersecando con las alcaldías
Cuauhtémoc, Miguel Hidalgo, Benito Juárez,
Álvaro Obregón y Coyoacán de mayor a menor
proporción respectivamente (Ver mayor
continuidad marrón en Figura 6). Al alrededor de
la MCEZH se configuran a no más de 9 km de
manera satelital (a excepción del sur), 7 Áreas de
Continuidad de Empleo (ACE) entre1,500 y
5,000 km2, con concentraciones entre 22 mil y 62
mil de empleo promedio (Ver fronteras cian en
Figura 6).
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
12!
ISSN: 2594-1925
Figura 6. Concentración de Empleo Promedio en zonas, con acercamiento a la mayor continuidad en Alcaldías: Cuauhtémoc,
Miguel Hidalgo y Benito Juárez. Elaboración Propia a partir de datos INEGI, DENUE 2017/03.
De las áreas satelitales de la segunda mayor
continuidad suman entre ellas 7,280,171 empleos
promedio, cuatro se encuentran al norte de la
primera mayor continuidad. En la más alejada de
estas, se contabilizan el 12.89 % dentro de la
sección poniente del municipio de Tlanepantla de
Baz y en el área más cercana y con mayor
concentración, con el 24.56 % dentro del
municipio de Naucalpan de Juárez. El área de
menor dimensión de estas tiene el 7.89 % del
empleo promedio de la segunda mayor
continuidad dentro de la alcaldía de
Azcapotzalco, mientras que dentro de la alcaldía
Gustavo A. Madero se configura una distribución
lineal con el 9.59 % de empleo promedio. Al
oriente, se concentran dos de las zonas de empleo
promedio de segunda mayor continuidad con
9.08 % y 11.73 %, una dentro la alcaldía
Iztacalco y la otra en Iztapalapa,
respectivamente. Al poniente entre las alcaldías
Álvaro Obregón y Cuajimalpa se conforma con
igual proporción entre ellas, el 24.26 % un área
de empleo promedio (Ver Figura 6). El área de
MCEZH de relación 75/25 con mayor número de
empleos promedio, interseca con 118 Zonas
Hexagonales Coincidentes con Mayor Número
de Reportes, que contienen entre 252 y 2703
reportes de congestión (Ver Tráfico en Figura 7)
y entre 4 y 67 reportes de accidentes (Ver
Accidente en Figura 7), acumulados en el periodo
de realización de la EOD 2017, de las cuales el
26 % está totalmente contenido en la alcaldía
Miguel Hidalgo, 9 % en Cuauhtémoc, 17 %
Benito Juárez, 3 % Álvaro Obregón y con 1 %
Coyoacán y Naucalpan de Juárez cada uno,
mientras que el 43 % interseca con los límites
entre las mismas entidades.
!"#$%&'E)&"%*+&'%,'-./.
!"#A%ACD(
CD)A%ADC!
DC#A%A*(C"
*(C!A%A*D+,
*D+)A%A(C!+,
*A%A!"C
-./M
A123425647A8A/9:X3X<X=7
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
13!
ISSN: 2594-1925
Figura 7. Zonas Coincidentes con mayor número de reportes Tráfico y Accidentes en plataforma Waze, en intersección con la
zona de mayor continuidad Concentración de Empleo Promedio. Elaboración Propia a partir de datos de Plataforma Waze
CITMA e INEGI, DENUE 2017/03.
En el área de MCEZH suma 110,854 empleos
promedio, intersecando con los Distritos de la
EOD2017: 001 Centro Histórico, 008 Condesa,
009 Nápoles, 015 De Valle, 007 Obrera, 002
Buenavista-Reforma, 016 Chapultepec-Polanco,
en más del 50 % de su área y con menos del 30
% 18 distritos más. Estos siete Distritos
nombrados, junto con el 004 Morelos y el 003
Tlatelolco, tienen más de 5 mil empleos
promedio, concentrando el 86.5 % de los
mismos, generados por 23 sectores económicos.
Sin embargo, el 83 % deriva de solo 6 sectores
(46, 72, 81, 54, 62, 43), lo cual revela el principio
de Pareto, al ser el 26 % de los sectores que se
encuentra en esta zona. El sector 46 “Comercio
al por menor” es el que más unidades económicas
tiene en muchas de las zonificaciones urbanas,
concentrando un 42 % de la mayor continuidad
(Verificar en Tabla 1).
Dentro de esta misma área continua el sector 72
“Servicios de alojamiento temporal y de
preparación de alimentos y bebidas” concentra el
12 % de empleos promedio, mientras que el
sector 81 “Otros servicios excepto actividades
gubernamentales” el 9 %, a su vez el sector 54
“Servicios profesionales, científicos y técnicos”
un 8 %, con un 6% el sector 62 “Servicios de
salud y de asistencia social” al igual que
“Comercio al por mayor” numerado como el
sector 43.
Tabla 1 Empleo promedio por sectores económicos en Distritos de la EOD 2017 que intersecan el área de mayor continuidad
de empleo en Zonas Hexagonales Jenks, distinguiendo 6 sectores de concentración. de Fuente: INEGI, DENUE 2017.
Concentración del empleo promedio por distrito y sector económico (mayores a 5 mil empleos)
Distritos OD
Sectores Económicos
ID
Empleo
Promedio
%
11
21
22
23
31
32
33
43
46
48
49
51
52
53
54
55
56
61
62
71
72
81
93
001
29221
26.4
4
6
23
415
638
371
1983
18598
27
29
70
117
201
693
1
268
204
314
281
2344
2428
206
008
12722
11.5
2
3
194
172
110
94
474
2551
94
35
188
219
257
1669
4
548
383
2456
170
1778
1235
86
016
11215
10.1
11
9
177
195
128
96
618
3115
121
35
196
355
321
1351
22
545
222
764
140
1565
1127
102
002
10640
9.6
1
27
124
145
90
68
459
3073
92
28
107
342
221
1026
27
491
284
429
174
1933
1220
279
004
8181
7.4
2
1
73
30
20
378
6419
26
59
2
12
65
8
24
7
30
65
710
228
22
015
6805
6.1
1
4
140
71
74
36
367
1503
52
14
89
235
165
928
8
294
254
638
113
917
819
83
007
5985
5.4
1
6
19
211
805
136
502
1884
31
6
16
44
27
302
111
54
135
47
851
720
77
009
5737
5.2
4
5
133
97
49
52
327
1216
61
21
85
142
197
1024
321
183
377
67
701
610
65
003
5364
4.8
5
72
28
46
121
3952
3
8
1
3
22
16
26
19
44
27
602
342
27
Subtotal
95870
86.5
2
22
62
816
1451
1952
919
5229
42311
507
235
754
1469
1476
7017
62
2628
1610
5187
1084
11401
8729
947
Concentración de
6 sectores
79874
83.3
5229
42311
7017
5187
11401
8729
!"#$%&'()$*"#$H(%
!"#A%ACA'E)*!+!
,-./E)M1234#/5A6/63E
*'#/!,7U'#2A#"/VM63#"3
!"#$%&'
!"!#$#"%&
"%'#$#()&
()'#$#!)*&
!""#A%&'%(
!"#"$%
$!"#"&'
&("#")*
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
14!
ISSN: 2594-1925
Los viajes en automóvil particular en los
Distritos de la EOD 2017 con más de 113,896 en
cada uno, los generan el 36.6 % (71
delimitaciones) de esta zonificación, sumando el
63.21 % de todos los viajes generados en la
ZMVM, en cuya distribución espacial destaca
tres continuidades. Dos en los extremos
nororiente y sur-centro de la ZMVM con 4 y 2
distritos, respectivamente, que no superan los
208,741 viajes en automóvil particular en cada
uno. La mayor continuidad y proporción de
distritos con más viajes generados (suma de
producidos y atraídos) se concentra en el sector
centro poniente de la ZMVM, donde 22 distritos
superan la cifra anterior, sumando el 27.84 % a
nivel metropolitano y el 47.21 % de los que están
arriba de los 113 mil (Ver Figura 8).
Figura 8. Zona de mayor continuidad de Concentración de Empleo Promedio con relación a el mayor número de Viajes en
Automóvil Particular, Producidos y Atraídos en los Distritos: Chapultepec-Polanco, Del Valle, Viveros, Ciudad Universitaria,
Condesa, Buenavista-Reforma, Las Lomas, Centro Histórico (Ver Tabla 2). Elaboración Propia a partir de INEGI, EOD 2017.
El área MCEZH interseca en diferentes
proporciones con el 13 % de los distritos de la
ZMVM de la EOD 2017 (26 delimitaciones) que
suman cerca del 25 % de viajes atraídos y
también producidos dentro de la ZMVM. Tanto
para la ZMVM como para este conjunto, tienen
mayor generación de movilidad en auto los
distritos: 016 “Chapultepec-Polanco”, con
311,773 viajes atraídos y 308,619 viajes
producidos y el 015 “Del Valle” con 219,226 y
221,806 viajes atraídos y producidos
respectivamente, el tercero a nivel metropolitano
es el 044 “Coapa” (polígono negro sin etiqueta
en Figura 8), que no interseca con esta zona solo
con las alcaldías Coyoacán y Tlalpan. mientras
que con 193,071 viajes atraídos y 190,810
producidos el distrito 047 “Viveros”, que es el
tercero dentro de este 13% de distritos de la
ZMVM. Los distritos 058 “Las Lomas”, 110 “CC
Cd Satélite-Industrial Alce Blanco” y 020
“Industrial Vallejo” con 147,315, 130,583
122905 viajes producidos y 145561, 130,215,
120,562 atraídos en auto particular
respectivamente, que intersecan con el área
MCEZH también intersecan con tres de las ACE
identificadas satelitalmente alrededor de esta
(Ver Figura 8 y Tabla 2).
!"#$%$C$DCE)*"+,
-"./M"/,.C1O-C3456
!"#A%&'()*#+I-&
(.)-/012P''4#*)25.P#*''
!"#$#%&%'$()(#
'$()*$%&%'"(+(,
'"(+((%&%(''++(
!"#A%&'()*+I-.+*&
/I0*12P.4''(#)0.-I4#)''
!"!#"$%$&'()'*
&'()&'$%$&"!+&#
&"!+&)$%$#',"&*
!"#A%&'(%)%G#+,&
-./,012"P'4#G/"5.P#G
!!"#$!%&%"''()*
"''()$%&%)"(+#,
)"(+#*%&%*"')+"
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
15!
ISSN: 2594-1925
Tabla 2. Número de Viajes en Auto Producidos y Atraídos en los Distritos que intersecan con la Zona de mayor continuidad
de Concentración de Empleo Promedio. Elaboración Propia a partir de INEGI, EOD 2017.
Distrito
Distrito Nombre
Producidos
% Producidos
ZMVM
Atraídos
% Atraídos
ZMVM
Suma A P
% Suma AG
ZMVM
1
016
Chapultepec-Polanco
308619
2.52%
311773
2.55%
620392
5.07%
2
015
Del Valle
221806
1.81%
219226
1.79%
441032
3.61%
3
047
Viveros
190810
1.56%
193071
1.58%
383881
3.14%
4
051
Ciudad Universitaria
161015
1.32%
163303
1.34%
324318
2.65%
5
008
Condesa
160314
1.31%
162336
1.33%
322650
2.64%
6
002
Buenavista-Reforma
152548
1.25%
149293
1.22%
301841
2.47%
7
058
Las Lomas
147315
1.20%
145561
1.19%
292876
2.40%
8
001
Centro Histórico
135218
1.11%
136569
1.12%
271787
2.22%
9
110
CC Cd Satélite-Industrial Alce Blanco
130583
1.07%
130215
1.06%
260798
2.13%
10
014
Portales
127657
1.04%
126291
1.03%
253948
2.08%
11
009
Nápoles
124093
1.01%
126284
1.03%
250377
2.05%
12
020
Industrial Vallejo
122905
1.01%
120562
0.99%
243467
1.99%
13
021
La Raza
103169
0.84%
103123
0.84%
206292
1.69%
14
053
Las Águilas
100491
0.82%
95609
0.78%
196100
1.60%
15
017
Panteones
87265
0.71%
83465
0.68%
170730
1.40%
16
006
Balbuena
83729
0.68%
84633
0.69%
168362
1.38%
17
010
Vértiz Narvarte
72990
0.60%
70890
0.58%
143880
1.18%
18
004
Morelos
67479
0.55%
67021
0.55%
134500
1.10%
19
007
Obrera
57904
0.47%
56909
0.47%
114813
0.94%
20
003
Tlatelolco
54052
0.44%
55762
0.46%
109814
0.90%
21
057
Observatorio, Terminal de Autobuses Observatorio
53882
0.44%
54469
0.45%
108351
0.89%
22
055
Molinos
51699
0.42%
52513
0.43%
104212
0.85%
23
048
Pedregal de Santo Domingo
49284
0.40%
48032
0.39%
97316
0.80%
24
011
Reforma Iztaccíhuatl
39864
0.33%
40393
0.33%
80257
0.66%
25
105
Fraccionamiento Industrial Naucalpan Poniente
37910
0.31%
38279
0.31%
76189
0.62%
26
102
Club de Golf Lomas-Campo Militar Naucalpan
35939
0.29%
29497
0.24%
65436
0.54%
Tomando en cuenta de la suma de viajes
producidos [P] y atraídos [A], los dos rangos de
mayor dimensión de cortes naturales Jenks
agrupan a doce distritos con viajes en auto
mayores a 243,466 (Ver Suma A P en Tabla 2 y
Figura 8). Al revisar de estos en los registros de
la EOD 2017, las magnitudes de inicio y llegada
de viaje en auto durante el día, en el periodo del
estudio, después de las 5 y antes de las 23 horas,
existen significativamente más de 100 mil viajes
sumados en estos distritos en cada una de las
horas, se tiene picos máximos dentro de las 7 y 8
a.m., 2 p.m. y 6 p.m. superando en dos horas
consecutivas el millón de viajes en auto (Ver
Grafica 2).
Gráfica 2. Horas de máxima demanda 7:00 a 8:00 y 18:00 a 19:00 de generación de viajes en automóvil particular, en promedio
martes, miércoles y jueves, en los distritos con mayor número de reportes Tráfico y Accidentes en plataforma Waze, en
coincidencia con la zona de Concentración de Empleo Promedio. Elaboración Propia a partir de INEGI, EOD 2017.
Analizando las dos horas consecutivas con
máxima demanda que pertenecen al periodo de 6
a 9 a.m., la movilidad generada en auto tiene sus
máximos en una dinámica origen-destino dentro
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
16!
ISSN: 2594-1925
de los mismos distritos, en el 016 con 15426, en
el 015 con 11010, en el 047 con 9109, en el 008
con 7476, en el 058 con 7093, y desde el 047 al
016 con 6935 viajes en auto (Ver Mapa 1).
Mapa 1 Concentración de líneas de deseo (6:00 a 9:00 hrs),
en los distritos con mayor número de reportes Tráfico y
Accidentes en plataforma Waze, en coincidencia con la
zona de Concentración de Empleo Promedio: Las Lomas
Chapultepec-Polanco, Condesa, Del Valle, Viveros.
Elaboración Propia a partir de INEGI, EOD 2017.
Así la concentración de la superficie urbanizada
en un continuo, presenta alta probabilidad de
satisfacción de las necesidades que ofrecen las
urbes. Cuya atracción depende tanto del número
y tipo de actividades del sector o sectores que
alberga, como de la cantidad de personal
requerido para que estas se desarrollen,
derivando en concentraciones de viajes en las
vialidades que sirven de enlaces, conectores y
rutas entre varias zonas a determinadas horas del
día, donde el grado de demanda del espacio vial
se transforma en congestión y/o accidentes en las
mismas zonas donde se localiza el continuo
urbano, más que en las zonas desagregadas.
4. Resultados y Discusiones
Relacionado directamente dentro de los
propósitos de viajes obligados [43], al analizar el
número promedio de personal ocupado del
conjunto de unidades económicas en la ZMVM
en cada una de las áreas manzanares, se observa
que las dos áreas consolidadas en las que se
concentran las cantidades máximas de personal
ocupado dentro la ZMVM en el periodo de
análisis, intersecan en significativa proporción
con el área de MCJZH y están contenidas en dos
distritos atractores de viajes.
Se cuentan arriba de cuarenta y ocho mil empleos
promedio dentro de lo que es la área máxima de
esta concentración en la alcaldía Miguel Hidalgo
(zona azul en Mapa 2) y en el área dentro de la
alcaldía Cuauhtémoc (polígono verde de menor
área en Mapa 2) se tienen más de veintisiete mil
empleos promedio, dentro de zonas agregadas de
manzanas con el espacio de configuración del
diseño no mayor a 50 m de separación entre las
vialidades, (Ver Mapa 2) las cuales se encuentran
dentro de los distritos EOD2017 016
“Chapultepec-Polanco” y 001 “Centro
Histórico” respectivamente. Junto con estos
distritos, parciales dentro de las mismas
alcaldías, el 058 “Las Lomas” contiene zonas
amanzanadas, donde una de las cuales concentra
el tercer mayor número de empleos promedio
(Ver polígono verde de mayor tamaño en Mapa
2) mayormente contenido en alcaldía Miguel
Hidalgo.
Con valores cercanos a los 16 y 21 mil empleos
promedio en zonas contenidas en los distritos 001
“Centro Histórico” y 008 “Condesa”
respectivamente, dentro de la delimitación de la
alcaldía Cuauhtémoc (Ver los dos polígonos
amarillos con limites cian en el Mapa 2),
mientras que entre estos dos valores esta una
zona manzanar en el distrito 009 Nápoles de la
alcaldía Benito Juárez con más de 17 mil empleos
promedio (Ver polígono amarillo al sur en el
Mapa 2).
!"#$%&'($')$&$*'
+,-.$/*'($'01%2$&'$#
'345*.6718'9%/51:48%/;'
<'='>?@
>AB'='CD<>
CEBE'='D<>F
D@DB'='<<C>
@FE<'='C<>D@
)1&5/15*&'GH)DBC?
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
17!
ISSN: 2594-1925
Bajo estas condiciones se identifica la
correspondencia del número de viajes atraídos a
las áreas por empleos y el uso del automóvil
particular, dados los datos de la EOD2017
representados en el Mapa 1 y perceptibles en el
Mapa 2, donde el par OD 058 al 016 es de mayor
número de viajes en auto del periodo matutino de
máxima demanda que se muestra en la gráfica 2
cuya cifra es parte de la proporción de atracción
del 2.55 % del distrito 016 “Chapultepec-
Polanco” y del 1.2 % de la proporción de
producción de viajes del distrito 058 “Las
Lomas”, identificados en la Tabla 2 y en Mapa 1.
Mapa 2. Líneas de deseo (origen-destino) con mayor
número de viajes en automóvil particular en zonas de
manzanas consolidadas y de Concentración de Empleo
Promedio. Elaboración Propia a partir de DENUE y EOD
2017, INEGI.
Considerando de los pares O-D, la suma de los
viajes en auto de la Encuesta en Hogares 2017 en
los periodos de máxima demanda, de 6 a 9, de 12
a 15 y de 18 a 21 horas, se observa que los
mayores números de estas interacciones se dan
en la parte central, sur, poniente y norponiente de
la Ciudad de México, impactando en las alcaldías
Miguel Hidalgo, Cuauhtémoc, Benito Juárez,
Cuajimalpa de Morelos, Álvaro Obregón,
Coyoacán, Tlalpan y los municipios colindantes
de Tlalnepantla de Baz, Atizapán de Zaragoza y
Huixquilucan. Esto tiene relevancia en relación a
las 175 zonas 70/30 en accidentes y 80/20 en
situaciones de tráfico, donde se identifica como
Zonas Máximas a el 20 % de estas (35 zonas) en
las que se contabilizan 20 o más reportes de
accidentes junto con 500 o más reportes de
tráfico, estando el 66 % de estas próximas a la
continuidad MJCJZH (Ver Mapa 3).
Mapa 3. Zonas de coincidencia máxima de reportes de
tráfico y accidentes viales en plataforma Waze en líneas de
deseo (origen-destino) con mayor número de viajes en
automóvil particular. Elaboración Propia a partir de datos
de Plataforma Waze CITMA, EOD 2017 INEGI.
En la HMD de 06 a 09 h, 25 distritos atraen desde
47, el mayor número de viajes en autos,
conformando 139 pares origen-destino, donde el
distrito 016 “Chapultepec-Polanco”, es el mayor
atractor en este horario, formando 24 pares OD,
que, incluyendo sus viajes internos, suman el
21.34 % de los que son superiores a 1303 viajes
ente distritos. De estos, atraen cerca del 12 % los
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
>A>'C'DDEF
DDF@'C'GAEA
>DEDC'EGHD>
I*#%&',%J31%&'
K.LM3<*N5<<3($#7$&
I*#%',%J31%'O1P:$*';.*1$(3*
O1P:$*';.*1$(3*'Q.$%&',%#R%#%.$&
D'C'EDEDA
EDSTT'C'DHDG>
DHA@S'C'S>SFS
HFGE@
,6#3<3P3*&'I,2,
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
>A>'C'DDEF
DDF@'C'GAEA
>DEDC'EGHD>
I*#%&',%J31%&'
K.LM3<*N5<<3($#7$&
I*#%',%J31%'O1P:$*';.*1$(3*
O1P:$*';.*1$(3*'Q.$%&',%#R%#%.$&
D'C'EDEDA
EDSTT'C'DHDG>
DHA@S'C'S>SFS
HFGE@
,6#3<3P3*&'I,2,
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
C'D'EF>
EG@'D'HICE
HJ@J'D'ICEA
I>I@'D'CCHE
>AJC'D'HCEI>
K*#%',%L31%'M1N:$*';.*1$(3*
)3&7.37*&23%4$&567*
M1N:$*';.*1$(3*'O.$%&',%#P%#%.$&
I'D'HIHIA
HIJFF'D'IEIC>
IEA@J'D'J>JGJ
EGCH@
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
C'D'EF>
EG@'D'HICE
HJ@J'D'ICEA
I>I@'D'CCHE
>AJC'D'HCEI>
K*#%',%L31%'M1N:$*';.*1$(3*
M1N:$*';.*1$(3*'O.$%&',%#P%#%.$&
I'D'HIHIA
HIJFF'D'IEIC>
IEA@J'D'J>JGJ
EGCH@
)3&7.37*&'MQ)I@HF
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
C'D'EF>
EG@'D'HICE
HJ@J'D'ICEA
I>I@'D'CCHE
>AJC'D'HCEI>
K*#%',%L31%'M1N:$*';.*1$(3*
M1N:$*';.*1$(3*'O.$%&',%#P%#%.$&
I'D'HIHIA
HIJFF'D'IEIC>
IEA@J'D'J>JGJ
EGCH@
)3&7.37*&'MQ)I@HF
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
C'D'EF>
EG@'D'HICE
HJ@J'D'ICEA
I>I@'D'CCHE
>AJC'D'HCEI>
K*#%',%L31%'M1N:$*';.*1$(3*
M1N:$*';.*1$(3*'O.$%&',%#P%#%.$&
I'D'HIHIA
HIJFF'D'IEIC>
IEA@J'D'J>JGJ
EGCH@
)3&7.37*&'MQ)I@HF
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
C'D'EF>
EG@'D'HICE
HJ@J'D'ICEA
I>I@'D'CCHE
>AJC'D'HCEI>
K*#%',%L31%'M1N:$*';.*1$(3*
M1N:$*';.*1$(3*'O.$%&',%#P%#%.$&
I'D'HIHIA
HIJFF'D'IEIC>
IEA@J'D'J>JGJ
EGCH@
)3&7.37*&'MQ)I@HF
!"#$%&'($')$&$*''
+,%-*.'/01$.*'($'23%4$&'$#
567*1893:';%.73<6:%.='
($'>?@@'%'A?@@'%B1B
C'D'EF>
EG@'D'HICE
HJ@J'D'ICEA
I>I@'D'CCHE
>AJC'D'HCEI>
K*#%',%L31%'M1N:$*';.*1$(3*
M1N:$*';.*1$(3*'O.$%&',%#P%#%.$&
I'D'HIHIA
HIJFF'D'IEIC>
IEA@J'D'J>JGJ
EGCH@
)3&7.37*&'MQ)I@HF
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
18!
ISSN: 2594-1925
distritos 051 “Ciudad Universitaria” y 015 “Del
Valle” conformando 15 pares OD cada uno, el
distrito 047 “Viveros” al igual que estos dos,
junto con sus viajes internos, forma 14 pares OD,
llegando a sumar entre estos cuatro el 54.16 % de
los viajes atraídos. Siendo “Viveros” el de mayor
número de viajes producidos en auto en el mismo
horario, sumando junto con los distritos 015 “Del
Valle”, 058 “Las Lomas”, 016 “Chapultepec-
Polanco”, 009 “Nápoles”, 008 “Condesa”, 020
“Industrial Vallejo”, 110 “CC Cd Satélite-
Industrial Alce Blanco” y 052 “Olivar de los
Padres-San Jerónimo”, una producción de viajes
en auto del 50.68 % del número de viajes en el
rango de mayores o iguales a 1303 (Ver 06 a 09
en Tabla 3 & HMD 6 a 9 h en Figura 9). Mientras
que en HDM de 12 a 15 horas existen 97 pares
OD entre 30 distritos productores y 33 distritos
atractores de viajes en auto arriba de 1118, de los
cuales “Chapultepec-Polanco” es de mayor
producción y atracción de este periodo, con 14.2
% y 11.8 % respectivamente. Sumando en la
atracción los distritos 058 “Las Lomas”, 015
“Del Valle”, 047 “Viveros”, 51 “Ciudad
Universitaria” y 110 “CC Cd Satélite-Industrial
Alce Blanco” el 52.52 % y en la producción con
53.03 % los distritos 015 “Del Valle”, 047
“Viveros”, 058 “Las Lomas” y 051 “Ciudad
Universitaria” (Ver 12 a 15 en Tabla 3 & HMD
12 a 15 h en Figura 9). En el periodo ultimo de
máxima demanda, desde 31 distritos se generan
230 pares O-D a 68 distritos destino, con viajes
superiores a los 695, el 54.34% los producen los
distritos 016, 015, 002 y 001 “Centro Histórico”,
y los distritos atractores del 50.14 % son el 047,
016 “Chapultepec-Polanco”, 015 “Del Valle”,
008 “Condesa”, 009 “Nápoles”, 058 “Las
Lomas”, 110 “CC Cd Satélite-Industrial Alce
Blanco”, 020 “Industrial Vallejo”, 044 “Coapa”,
002 “Buenavista-Reforma” y 045 “Culhuacán
CTM” (Ver 16 a 21 en Tabla 3 & HMD 16 a 21
h. en Figura 9). Siendo seis los agrupamientos de
distritos que concentran poco más del 50 % de
viajes en auto, dos por periodo, los distritos 016
y el 015 son constantes en los tres periodos del
día, tanto de producción como de atracción, el
distrito 047 al igual que estos dos también es de
los que suman este porcentaje en los tres periodos
pico de viajes en auto, excepto en la producción
del periodo de 18 a 21 h, mismo en el cual no
concentra en esta suma el distrito 058 ni en la
atracción del primer periodo, teniendo al igual
que el distrito 051 4 agrupamientos (Ver Tabla 3
& Figura 9).
Figura 9. Concentración mayor de Líneas de deseo (origen-destino) coincidentes con las zonas máximas en las horas
de máxima demanda (6:00 a 9:00, 12:00 a 15:00, 18:00 a 21:00) de viajes en automóvil particular en alcaldías de la
CDMX: Miguel Hidalgo, Cuauhtémoc, Benito Juárez y Coyoacán. Elaboración Propia a partir de datos de Plataforma
Waze CITMA, EOD 2017 INEGI.
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>??'%'<@>??'%A.A
<B'C'D=@
D=E'C'<<?D
<<<B'C'=@D@
=F@<'C'F=GE
HD<='C'<<BB?
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>??'%'@<>??'%A.A
B'C'D?E
D?B'C'F==
FGF'C'<EF=
<EH='C'DDE<
DBD='C'=@<D
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
Líneas de Deseo (Mayor Número de Viajes en Automóvil Particular) en Periodos de Máxima Demanda
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>??'%'@<>??'%A.A
B'C'D?E
D?B'C'F==
FGF'C'<EF=
<EH='C'DDE<
DBD='C'=@<D
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>??'%'<@>??'%A.A
<B'C'D=@
D=E'C'<<?D
<<<B'C'=@D@
=F@<'C'F=GE
HD<='C'<<BB?
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
!"#$%&'($')$&$*''
+,-.$/*'($'01%2$&'$#
345*.6718'9%/51:48%/;'
($'<=>>'%'?=>>'%@.@
A'B'CD<
CE>'B'FGAC
FH>H'B'GAC?
G<G>'B'AAFC
<?HA'B'FACG<
I/JK1:*L3::1($#5$&
M*#%&'N%O1.%&
M*#%'N%O1.%'P.Q8$*'9/*.$(1*
38:%8("%&'R'N4#1:1Q1*&'MN0N
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
19!
ISSN: 2594-1925
Tabla 3. Generación máxima de viajes en auto producidos y atraídos en los distritos ZMVM 2017 en los horarios de Máxima
Demanda de los días martes miércoles y jueves del periodo de la EOD 2017 en relación con la cobertura espacial de los mismos en
los periodos de 06 a 09, 12 a 15 y de 18 a 21 con las zonas de máxima ocurrencia de tráfico-accidentes en Waze (mismos días de la
EOD2017) Elaboración Propia a partir de datos de Plataforma Waze CITMA, EOD 2017 INEGI.
Viajes Producidos
Distrito
Viajes
Atraídos
47
24383
Distrito
16
24222
15
22025
8
14703
9
14180
Viajes Atraídos
58
13289
Viajes Producidos
110
12044
Viajes Producidos
20
11620
Distrito
44
8633
Viajes
Atraídos
Distrito
2
8452
47
36549
Distrito
45
7600
15
31383
101
7445
58
24399
Distrito
52
7214
16
24109
53
6556
9
15619
21
6362
8
14293
14
6284
20
12985
63
5395
110
12319
16
29807
26
5210
52
10732
58
26572
16
56345
59
4994
101
9699
16
35876
15
23832
15
33041
111
4824
45
9604
15
29698
47
19432
51
32967
48
4796
2
9561
16
76799
47
26644
51
19395
2
26446
13
4782
53
9312
51
43017
58
21515
110
13632
1
25844
17
4508
21
8467
15
42081
51
20218
14
12896
47
24139
54
4299
59
7647
47
33030
8
16808
20
12670
58
21015
68
4054
51
7023
8
26042
14
14716
8
10964
8
17945
10
3934
65
6636
58
25357
20
14623
9
8375
14
16704
109
3828
13
6499
2
23504
110
11679
17
8285
110
14001
51
3658
112
6472
20
13954
9
8450
21
5733
9
13368
18
3551
18
6426
9
13502
2
6940
109
5584
20
11993
31
3425
10
5750
110
12779
21
6628
101
5409
59
5553
65
3388
14
5486
14
11795
101
4932
59
4501
101
2262
64
3350
64
5241
1
9723
59
4067
2
4404
109
2123
66
3312
111
5124
59
5785
109
2906
53
4358
10
1804
12
3033
17
5103
64
3847
48
2843
64
4272
56
1733
108
2970
109
4887
101
2379
17
2743
52
4264
21
1718
112
2914
63
4816
108
2362
108
2178
63
4025
17
1629
46
2682
49
4647
21
2316
64
2089
57
3752
64
1508
43
2635
46
4457
19
1882
18
2052
45
2902
55
1014
55
2549
66
4392
109
1534
63
2052
10
2669
38
963
49
2389
43
3526
18
1454
52
1795
49
2004
113
936
57
2202
62
3400
57
1423
53
1654
50
1729
49
901
5
2194
57
3395
56
1387
65
1654
66
1623
45
866
32
2185
44
3326
111
1329
10
1412
65
1569
108
865
40
2090
68
3170
53
1310
57
1385
44
1526
19
853
4
1991
11
3105
50
1304
49
1338
108
1467
13
759
113
1961
32
2874
56
1269
13
1428
46
702
11
1800
19
2633
44
1225
19
1239
156
702
29
1623
54
2496
13
1208
54
1156
63
701
27
1616
56
2468
68
1123
116
1484
108
1606
167
1442
3
1566
3
1241
5
1371
56
1233
12
1353
61
1077
31
1353
19
1025
4
1311
62
1022
48
1305
84
1008
42
963
142
886
156
884
186
786
50
785
6
774
206
760
38
742
199
726
33
712
153
696
Viajes Auto EOD 2017 de 06 a 09
Viajes Auto EOD 2017 de 12 a 15
Viajes Auto EOD 2017 de 18 a 21
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
20!
ISSN: 2594-1925
Al revisar las posibilidades de conectividad
mediante la superficie de circulación entre
distritos, utilizando la RNC (Red Nacional de
Caminos) [44] del año 2017 para la estimación de
las rutas seguidas por los viajes en autos en entre
distritos en el periodo de la EOD2017, calculadas
a través del algoritmo de la ruta más corta con el
análisis de redes en SIG, teniendo en cuenta para
cada par O-D los 7,308 centroides de las áreas de
observación de manzanas consolidadas, cada uno
asignado al Distrito EOD2017, obteniendo todas
las posibles combinaciones de rutas en cada una de
las HDM detectadas. Al fusionar los tramos de
vialidad se obtienen diferentes densidades en los
tres periodos del día, se observa una densidad
variable en la extensión de la RNC dentro de la
ZMVM presentando mayor concentración de
rutas cercanas al centro poniente de la
delimitación de ZMVM y norte de la Ciudad de
México derivado de la conformación de la red
carretera, vialidades urbanas, infraestructura de
gran envergadura y la orografía, cuyo
libramiento lleva a que los viajes en auto
coincidan en los mismos tramos viales para los
distritos del EDOMEX ubicados cerca de la los
límites de la ZMVM (Ver figura 10).
Figura 10. Valores altos de concentración de densidades de rutas de viajes en automóvil particular entre distritos
relacionados en los tres periodos de máxima demanda: Municipios del Estado de México Ecatepec y Tlanepantla,
limítrofes a las alcaldías Azcapotzalco y Gustavo A. Madero de la CDMX. Elaboración Propia con procesamiento SIG
a partir de datos: EOD 2017, RNC y SINCE, INEGI.
Al fusionar los tres conjuntos de rutas de las
HMD se contabiliza el número de tramos viales
de la RNC mediante una malla hexagonal de 250
m para extraer algunas características de las
vialidades (nivel de circulación, número de
carriles, velocidad máxima de circulación) donde
se presenta mayor densidad de rutas. Teniendo
28332 celdas que contienen al menos un tramo
de ruta, el tercer rango valores máximos de 5
Cortes Naturales Jenks presentes en 2828 celdas
(10% del total que contiene al menos uno) como
parámetro mayor a 5850 tramos en cada celda.
Estos suman 14410, de los cuales 1042 son
avenidas a nivel de 3 carriles con velocidad de
reglamento de 60 km/h, 1031 calles a nivel con
50 km/h de dos carriles, con avenidas de 2
carriles a nivel 709 y 667 con velocidades de 50
y 40 km/h respectivamente, periférico aparece
con 632 tramos con velocidad máxima de 60
km/h de tres carriles a nivel. Junto a los tipos
viales de enlaces, carretera y eje vial, periférico,
avenida y calle, suman el 80.7 % de tramos con
11.4, 8.16, 7.07, 8.12, 28.1 y 17.81
respectivamente.
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
21!
ISSN: 2594-1925
Mapa 4. Corredores de movilidad de alta densidad de rutas de automóviles particulares, en la limítrofe territorial:
Corredores EDOMEX, Tlanepantla, Naucalpan, Ecatepec, Coacalco y Cuautitlán; Corredores CDMX, Azcapotzalco,
Gustavo A. Madero, Venustiano Carranza, Miguel Hidalgo, Iztacalco e Iztapalapa. Elaboración Propia a partir de datos
de Plataforma Waze CITMA; RNC, EOD 2017 INEGI.
Siendo la velocidad de 60 km/h, superficie de
circulación a nivel (0) y 2 carriles, las
características de mayor frecuencia en todos los
tipos de tramos (Ver Mapa 4 & Tabla 4).
Tabla 4. Número de carriles, niveles de circulación y velocidad máxima permitida en tramos viales con mayor concentración
en las celdas hexagonales de 250 m de extensión. Elaboración Propia a partir de datos RNC 2017, INEGI.
! " # $ % & ' ( ) *+,
,-./012 &3 "((# "'(3 %(' %& #! "%!&#
4567.-281 "!% $" ""$'
9277. $# "'&) ((3 )3 ( # #&'(
9277.:;/ " "
927<212 "#%% $'3 "%# ""$ ")(!
92=0/5 '( '(
9288.>.82 # (!( $3' '$ )""('
9.88212 % & 3
908?60>5 %(& #&" $! #( "$ #$ "3 )$)
9588.158 %& %&
@:.A-027 #" "&# #%) #%( $!" %) $"!#!
@/72?. $!( "#$% )$ ") ""'%$
B7580.>2 ') %"! )#
C>85 " "
D.80EF80?5 ( #($ )'% ") % & ""("
D80-212 & &
D8575/G2?0;/ $"' "3
H.>58/5 %! #)3 % ) $ " $%&
I0216?>5 " "($ ""! (( #$'$
!"#$%&'()(*$% +,-, -+./ ,0/, +11, 2++ 34 1- +3 .- +,,+4
*6=.85A1.A928807.J
K0L5A
I027
K5>27
!" !# $ # " %
!"#$%&' () *+), -., )(/0)
1234#"'5& *--+ -0 -*6
7'44# )6 )(++ 0/ *)06.
7'44#89$ - -
7'4:'&' -( +*, -6 -+./
7';%$2 6. 6.
7'55#<#5' . ,,. -). (( ---.6
7#55'&' , ,
7%5=3%<2 * ** .(6 06 +*+
7255#&25 )(* (0
>8#?"%'4 )) ,./ )0 *-/)/
>$4'=# -6( -).- )+) )( --6(*
@425%#<' +) +)
A<52 - -
B#5%CD5%=2 -/ *( -/-. -/- ,--.-
B5%"'&' 0 0
B5242$E'=%9$ -, -,
F#<25$2 *(* )*(0
G%'&3=<2 (+ )-, .* )* *6*
&'()*+,-.-/)* #0 "12 #%$30 1"3 #$1 "#00#$
H%I2?
G%'4
J%"#4#K
H2<'4
!" #" $" %" &" '" (" )" *" !""
!"#$%&' ()*+ ,*- (+)) ).*-
/012#"'3& 45 5( -6 (4+
7'22# 6((4 +,6 (5)6 -*+5
7'22#89$ ( (
7'2:'&' (-() -. +4* 65.
7';%$0 -+* +5
7'33#<#3' ( 45 )(6* (-++ )6+ (,+ ((5+
7#33'&' 4 ( - 4 ,
7%3=1%<0 (- ,, 5-5 646
7033#&03 )* )*
>8#?"%'2 --6 ,564 (.-.
>$2'=# ,-+ -.( *(+ (+)4
@203%#<' *5 (4 (- 6-
A<30 ( (
B#3%CD3%=0 ( ( ,65 ((6( ((5(
B3%"'&' 4 - *
B3020$E'=%9$ - + (( (,
F#<03$0 (5, (++ 4)*
G%'&1=<0 4*6 *4+4
+,-./012324./ #%$ !!!& $$# $#(! #*!" &%"$ (%%( %)' !*' !%%!"
H%I0?
G%'2
H0<'2
G#20=%&'&
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
22!
ISSN: 2594-1925
Revisando en las celdas hexagonales de 250 m,
solo las rutas que conectan a los 12 distritos con
mayor generación de movilidad en auto
(Distritos más Viajes en Automóvil en Figura
11), se aprecia que la concentración de tramos
mantiene una relación espacial tanto con las 175
zonas de proporciones 70/30 en accidentes y
80/20 en situaciones de tráfico (Hexágonos
Trafico/Accidentes en Figura 11), como con las
35 celdas extraídas de estas con la máxima
conciencia de ambos (Zonas Máximas (20<A,
500C) en Figura 11). Develando que la
utilización de los mismos tramos de vía urbana
para los viajes en autos recae en mayor
proporción en secciones viales que conectan
estos distritos entre ellos y con el resto de la
ZMVM. Observándose mediante la
sobreposición, que la máxima congestionamiento
y ocurrencia de accidentes mantiene una
proximidad e incidencia sobre la concentración
de rutas en la zona sur poniente la ZMVM, donde
la densidad relativa de ocupación se relaciona
con las HMD, que en sus mayores dimensiones
se presentan en el centro-poniente de la Ciudad
de México para la dinámica de la ZMVM (Ver
Figura 11). Dentro de las alcaldías Miguel
Hidalgo, Cuauhtémoc y Benito Juárez.
Figura 11. Concentración de corredores viales de alta densidad vehicular, derivado de los 12 distritos con la mayor
generación de viajes, coincidentes zonas máximas de concentración de congestión vehicular y accidentes. Elaboración
Propia con procesamientos en SIG a partir de datos de Plataforma Waze CITMA, RNC y EOD 2017 INEGI
Este análisis de la dinámica en auto policentro-
periferia, para el periodo de realización de la
EOD 2017 las rutas que conectan los 194
Distritos y permiten esta interacción en los
diferentes periodos del día, muestra cargas de
viajes que generan corredores de movilidad en
auto particular que conecta con distritos EOD
donde se contabiliza en 2016 entre 125, 247 a
159, 686 habitantes, siendo los corredores de
mayor longitud los localizados en zona norte,
uno en el cuadrante norte-poniente el cual se
vincula con la carretera México-Querétaro para
las rutas que conectan con distritos 111, 117, 118,
116 121 y dos en el cuadrante norte-oriente en
conexión con las carretera México-Pachuca y
Ecatepec-Teotihuacan como parte de las rutas
coincidentes que conectan a los distritos 164,
168, 171 y 172, la vinculación al sur-oriente se
relaciona con la carretera México-Puebla
conectando el distrito EOD 206 y la continuidad
en área urbana mediante la Calzada Ignacio
Zaragoza en la frontera de la ciudad de México
con la del municipio Nezahualcóyotl y los
distritos 192, 193, 182, 186, 187, 188, 189. En
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
23!
ISSN: 2594-1925
obviedad estos corredores de movilidad en auto
particular desde los distritos delimitados dentro
del Estado de México tienen vinculación con la
red vial de la ciudad de México como se
posibilita observar en las figuras 10, 11 y en el
mapa 4, a través de la Autopista Urbana Norte-
Periférico del lado poniente y con el lado oriente
mediante la conexión con Calzada de Guadalupe
y Av. Paseo de la Reforma. Así mismo se
configuran corredores transversales entre los que
se pueden incluir las rutas que se vinculan con
Circuito Interior, Viaducto, Eje 8 Sur. Y
verticales con Calzada de Tlalpan, Insurgentes,
División del Norte develando la importancia en
las rutas de vialidades de entre 2 a 4 carriles,
superficie de circulación a nivel y velocidades
máximas permitidas entre 40 y 60 km/h.
5. Conclusiones
En la dinámica de crecimiento y expansión
territorial de la ZMVM derivada de su poder de
atracción y concentración, (este heredado desde
el primer asentamiento humano contenido en
ella), el cual ha sido regenerado a través de
políticas urbanas y potencializados por los
sistemas de producción modernos, se llegan a
superar, en ciertos momentos, las capacidades de
los sistemas de servicios, mientras que la
orografía ha limitado y/o direccionado esta
expansión. Esto, en conjunto con los fenómenos
naturales, intensifican las condiciones de tráfico
y ocurrencia de accidentes, como lo ha sido el
sismo de gran magnitud en horas laborables
(13:14 del 19 de septiembre del 2017) y/o las
lluvias de diferente intensidad en las distintas
épocas del año, develando la situación
problemática a la que ha llegado el asentamiento
humano en la actualidad interfiriendo con las
actividades cotidianas de la población. De las
cuales la asistencia al trabajo es el principal
motivo de viaje, (digamos en una urbe
convencional no especializada al entretenimiento
o al turismo), incluso en situaciones de
confinamiento.
Se observa cómo esta condición en el espacio
urbano de la ZMVM encuentra en su dinámica
una confirmación a la 1ra ley de la geografía,
revelando patrones de coincidencia y cercanía de
las significativas concentraciones de reportes de
tráfico y de accidentes en las áreas manzanares
consolidadas con las que registran más de 21, 273
personas ocupadas en las unidades económicas
ahí localizadas, coincidiendo en el cuadrante sur-
oriente de la ZMVM (Ver Figura 2).
La concentración puntual de reportes de tráfico y
accidentes (Figura 3) presenta alcances
espaciales considerables con las zonas
manzanares consolidadas revelando también la
desagregación de las mismas y apreciación de
linealidades que vinculan estas densidades en
diferentes patrones de concentración entre
congestión y accidentes.
Con la malla hexagonal se desagrega y
particulariza la concentración de congestión y
accidentes, tanto con el análisis de las
proporciones 70/30 y 80/20 de Pareto como con
los rangos por cortes naturales Jenkes al
determinar los grupos mayoritarios de cada caso
se revela que las concentraciones coincidentes
entre estas externalidades reportadas en la
plataforma Waze se dan mayormente en la
sección del cuadrante sur-poniente del área
urbanizada de la ZMVM resaltando en el interior
y los limites compartidos de las alcaldías Miguel
Hidalgo, Cuauhtémoc y Benito Juárez y en entre
los límites de estas con la alcaldía Álvaro
Obregón y de esta y Benito Juárez con la alcaldía
Coyoacán. Tanto Benito Juárez, Miguel Hidalgo
y Cuauhtémoc contienen la mayor proporción de
la continuidad de zonas hexagonales que
concentran el mayor número de empleos
promedio (Ver Figura 6).
Teniendo en cuenta la proximidad y contención
en la MCJZH con la relación 70/30 y 80/20 de las
externalidades negativas y su relación espacial
con los distritos de la EOD que intersecan, la
evaluación de la dinámica de viajes generados en
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
24!
ISSN: 2594-1925
auto (producidos y atraídos) revelada en la
misma, una relación de los viajes en auto
generados por la ubicación de las unidades
económicas que ofrecen empleos en el cuadrante
sur-poniente de la extensión urbana de la ZMVM
y la congestión y accidentes reportados en una
red geosocial por usuarios del vehículo particular
automotor, durante el periodo del ejercicio de
estimación de viajes de la EOD 2017.
Reafirmando una policentralidad para los viajes
en auto en esta zona sur-poniente y que bajo las
condiciones de la morfología de la ZMVM en la
tradicional dinámica pendular se advierte la
relación policentro-periferia.
En el análisis de densidad de rutas se pueden
identificar estos corredores de movilidad en auto
particular en diferentes intensidades que se
relacionan con periodos de máxima demanda y la
dinámica pendular policentro-periferia. Siendo el
viaje en auto considerado por muchos de los
sectores de la población, aun cuando no se tiene
acceso a ello, sobre todo en países
latinoamericanos, como el más rápido, cómodo y
seguro y que cuando se tiene la opción, es el que
se utiliza para la asistencia al trabajo,
particularmente en esta investigación, para
acceder a zonas donde el poder adquisitivo tiene
mayor relevancia y donde se mantiene cierta
prioridad para el auto particular. Lo contrario de
esta condición preferencial al auto, se observa en
la sección nororiente de MCJZH (concentración
continua de empleo y por lo mismo de viajes por
motivo de trabajo) mayormente contenida dentro
de la alcaldía Cuauhtémoc (Ver Mapas 2 y 3 y
Figura 9), donde la peatonalización y el
tratamiento exclusivo para el tránsito de
transporte público en algunas de sus vialidades,
inhiben los viajes en auto, pues reducen las
posibilidades para esta condición y por otra parte
es la alcaldía con mayor acceso a los sistemas
masivo y semimasivo de transporte público.
La extracción de las distancias permite
parametrizar los tiempos de viaje entre distritos,
los cuales deben desagregarse por modo de
traslado y el periodo horario, al utilizar una red
vial adecuada en cuestión de flujos y colas [45]
permite que se evalúen y asignen las diferentes
conexiones entre distritos. Las posibilidades de
rutas seguidas por los conductores de auto desde
los diferentes distritos de la ZMVM evaluadas
mediante el algoritmo de la ruta más corta,
revelan que la concentración de los viajes en los
corredores de movilidad de auto particular
vinculándose en el cuadrante sur-poniente de la
extensión de la ZMVM, inciden en las zonas
coincidentes de máxima ocurrencia de
congestión y accidentalidad relacionadas con
toda la sección poniente de MCJZH y la
infraestructura vial que conecta en y entre los
distritos con mayor número de viajes en auto
particular. Al retoman datos e información
secundaria con diferentes características y
tiempos de procesos de generación, recolección,
almacenamiento y asequibilidad, que
concentrados a través de los SIG para el análisis
de un mismo espacio en un mismo tiempo, con
geoprocesamientos se revelan relacionales entre
las actividades urbanas y los fenómenos
derivados.
Al considerar que “con las condiciones
favorables para los viajes motorizados, los datos
de Internet asequibles y la creciente penetración
de los teléfonos inteligentes” [46] no solo se
potencializan los servicios de transporte privado
compartidos, también permiten la evaluación de
las situaciones cotidianas de congestión y
accidentes en tiempos y espacios específicos,
aplicando una metodología de reconocimiento
territorial y de características que se relacionan
con la dinámica y cierta morfología especializada
de la ZMVM. Las condiciones adversas de la
movilidad urbana (accidentes y congestión),
contabilizadas de lo reportado por los usuarios de
la plataforma de la red geosocial Waze que
también son usuarios cotidianos que viven la red
vial y el funcionamiento del espacio público,
inmerso en la problemática, análogo a lo que
significaba en épocas anteriores el reporte de
tráfico que se escuchaba en la radio y que aún
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
25!
ISSN: 2594-1925
suele informarse en otros medios, proveniente de
los corresponsales que se encuentran en el lugar.
Los reportes en esta plataforma han cobrado gran
significancia que incluso Google traffic quien
presenta algoritmos de condiciones de tráfico
cotidiano por hora y día de la semana recabados
de los perfiles de movimiento de teléfonos
inteligentes [47] compro la plataforma.
El estudio plantea una base metodológica para el
análisis de la dinámica urbana de la ZMVM que
es replicable a las nuevas configuraciones
metropolitanas planteadas en el 2020 por
expertos de la CONAPO, INEGI y SEDATU
[48], que con la gran cantidad de datos digitales
con ubicación espaciotemporal permite ahondar,
ahora más asequible mediante la digitalización
de los servicios de transporte [49] y replicable en
próximas investigaciones que permitirán la
comparativa ante los datos del TP como de los
posibles accesos a datos de plataformas como
Waze y TomTom [50] o Uber [51] y las EOD que
se generen en los condicionamientos de las
dinámicas urbanas y de continuidad
metropolitana.
Esto permite resaltar los espacios en la dinámica
de la ZMVM que se deben analizar
prioritariamente para identificar las condiciones
generales y/o particulares que existen en las
zonas y vías públicas que impactan en la
recurrencia de accidentes y/o congestión, para
poder realizar propuestas de movilidad segura y
sustentable.
Resaltando la importancia de la integración de
datos de diferentes fuentes oficiales, de estudios
y colaboraciones entre consumidores de las redes
sociales, que coinciden en el mismo espacio y
tiempo de realización de las actividades humanas
urbanas y se deja el planteamiento para seguir el
análisis junto con los factores derivados del
crecimiento de la población y/o económico y la
implicación de los límites de la capacidad vial y
análisis de la movilidad [52], fricción y
vulnerabilidad humana, que permita vislumbrar
la posibilidad de implementación del concepto de
capacidad de carga a través de un modelo de
crecimiento logístico tanto para población [53]
como para el parque vehicular, número de
unidades económicas, accidentes y/o los otros
elementos involucrados y derivados de la
dinámica urbana. Considerando para futuros
estudios el incluir de datos de diferentes fuentes
de coincidencia temporal y de relación con la
dinámica de la ZMVM, ya que el análisis
combinado de ocurrencia de accidentes y
congestión contextualizando en el espacio-
tiempo determinado donde existen datos que se
pueden relacionar y ver incrementados con el
crecimiento de los avances tecnológicos,
capacidades de almacenamiento de información
y algoritmos de análisis automatizado, permitirá
que se puedan identificar y resolver estos y otros
problemas en un tiempo más corto.
6.- Reconocimiento de autoría
Jazon Fabian Hernandez Peña:
Conceptualización; Ideas; Metodología; Análisis
formal; Investigación; Análisis de datos;
Escritura. Emilio Bravo Grajales:
Conceptualización; Ideas; Metodología,
Investigación; Recursos, Análisis Formal;
Escritura. Carlos Islas Moreno:
Conceptualización; Ideas; Investigación;
Análisis de datos; Borrador original. Pedro Lina
Manjarrez: Conceptualización; Ideas;
Investigación; Análisis de datos; Revisión y
edición.
Referencias
[1] C. Fang y D. Yu, “Urban agglomeration: An evolving
concept of an emerging phenomenon”, Landsc. Urban
Plan., vol. 162, pp. 126–136, junio de 2017.
https://doi.org/10.1016/j.landurbplan.2017.02.014
[2] A. Mendoza. “Enfoque económico para la corrección
de externalidades en el transporte”. Instituto Mexicano del
Transporte | Gobierno | gob.mx. diciembre 2005.
https://imt.mx/resumen-
boletines.html?IdArticulo=285&IdBoletin=98
[3] S. Tripathi, S. Kaur, “Do negative externalities have
any impact on populations agglomerations? Evidence
from urbani Indi” Theoretical and Empirical Researches
in Urban Management; Bucharest, Tomo 13, no. 3, pp 5-
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
26!
ISSN: 2594-1925
24, agosto 2018.
https://www.researchgate.net/publication/326734290_Do
_negative_externalities_have_any_impact_on_population
s_agglomerations_Evidence_from_urban_India
[4] I. Chatziioannou, L. Alvarez-Icaza, E. Bakogiannis, C.
Kyriakidis y L. Chias-Becerril, “A Structural Analysis for
the Categorization of the Negative Externalities of
Transport and the Hierarchical Organization of
Sustainable Mobility’s Strategies”, Sustainability, vol. 12,
n.º 15, p. 6011, julio de 2020.
http://dx.doi.org/10.3390/su12156011.
[5] T. A. Litman. “Smart congestion relief: Comprehensive
evaluation of traffic congestion costs and congestion
reduction strategies”. Victoria Transport Policy Institute,
enero 2025.
https://www.vtpi.org/cong_relief.pdf
[6] M. Harbering y J. Schlüter, “Determinants of transport
mode choice in metropolitan areas the case of the
metropolitan area of the Valley of Mexico”, J. Transport
Geogr., vol. 87, p. 102766, julio de 2020.
https://doi.org/10.1016/j.jtrangeo.2020.102766
[7] ONU-Hábitat “Aglomeración urbana de la Ciudad de
México”. Informe CPI Extendido, Programa de las
Naciones Unidas para los Asentamientos Humanos,
México, pp. 14-15, noviembre 2018.
https://unhabitat.org/sites/default/files/documents/2019-
05/extended_cpi_report_-_mexico_city.pdf
[8] ONU-Hábitat “Urbanización y desarrollo: Futuros
Emergentes”. Reporte de ciudades del mundo. Programa
de las Naciones Unidas para los Asentamientos Humanos,
Nairobi, Kenya, pp. 5-6, noviembre 2018.
https://unhabitat.org/sites/default/files/download-
manager-files/WCR-2016-WEB.pdf
[9] F. de Alba Murrieta y N. Hernández Guerrero,
«Capitulo 3 "La megalópolis como el mundo de los
procesos"» de Las paradojas de la megalópolis, México,
Centro de Estudios Sociales y de Opinión Pública.
Cámara de Diputados / LXIII Legislatura, 2017, pp. 53-
54.
http://www5.diputados.gob.mx/index.php/camara/Centros
-de-Estudio/CESOP/Estudios-e-
Investigaciones/Libros/Las-paradojas-de-la-Megalopolis.-
Un-debate-a-diferentes-voces
[10] G.V. Ángeles P., J. Castillejos L., A. L. Reyes C.,
E. Bravo G., A. Perez E., J.L. Quiroz F., “Road traffic
accidents analysis in Mexico City through crowdsourcing
data and data mining techniques” International Journal of
Computer and Information Engineering, Control and
Computer Sciences, vol:12, no. 8, pp. 604-608, junio
2018. https://doi.org/10.5281/zenodo.1340532
[11] A. Pérez E., A. L. Reyes C., J. L. Quiroz F., E. Bravo
G., “Trafico CDMX System: Using Big Data to improve
the Mobility in Mexico City” ICCBD '18: Actas de la
Conferencia Internacional de Computación y Big Data de
2018, pp. 13-17, septiembre de 2018.
https://doi.org/10.1145/3277104.3277114
[12] E. Bravo, “Movilidad cotidiana y transporte urbano en
la integración de la ciudad fragmentada de Ixmiquilpan,
Hidalgo”, Tesis Doctoral, Univ. Nac. Auton. Mex., Ciudad
de México, 2017. pp. 23-24.
https://ru.dgb.unam.mx/handle/DGB_UNAM/TES010007
58215
[13] M. Hieu N., J. Armoogum, J-L. Madre y C. Garcia
“Reviewing trip purpose imputation in GPS based travel
surveys”. Journal of Traffic and Transportation
Engineerin (English edition) vol. 7, no. 4, pp. 395-412,
agosto 2020.
https://doi.org/10.1016/j.jtte.2020.05.004
[14] C. Gutierrez-Osorio, C. Pedraza, “Modern data
sources and techniques for analysis and forecast of road
accidents: a review”. Journal of Traffic and
Transportation Engineerin (English edition) vol. 7, no. 4,
pp 432-436, agosto 2020.
https://doi.org/10.1016/j.jtte.2020.05.002
[15] P. Chinmoy, N. Takahashi, N. Balasubramanian, J.
Manoharan, N. Sangolla, V. Kulothungan y & P.
Sitikantha. “Comprehensive analysis of indian road
accident data to enrich road safety”. FISITA Documentos
técnicos octubre 2018
https://go.fisita.com/store/papers/F2018/F2018-APS-
084?search=53616c7465645f5f3c17e29a9dd6874f3de040
166be5fdca5cc3705baf2b155add1dc8fc65697ce9d1f8958
e7549427fa538b5b1e3066243eb2eef4332032cd91cae85f
2da17a125ad630cc3a127edf977413a161eb0663160de857
7ece2c640
[16] OECD (Organization for Economic Co-operation
and Development), “OECD Regions and Cities at a
Glance 2018” OECD Publishing, Paris, France, 2018.
https://doi.org/10.1787/reg_cit_glance-2018-en
[17] J. A. Lara, G. E. Díaz, J. C Zentella, A. Guevara,
“Los costos de la expansión urbana: aproximación a partir
de un modelo de precios hedónicos en la Zona
Metropolitana del Valle de México”. Estudios
Demográficos y Urbanos; vol. 32, no.1, pp.37-63, enero
2017.
http://dx.doi.org/10.24201/edu.v32i1.1615
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
27!
ISSN: 2594-1925
[18] I. Pasidis “Congestion by accident? A two-way
relationship for highways in England” Journal of
Transport Geography, vol. 76, pp. 301-314, abril 2019.
http://dx.doi.org/10.1016/j.jtrangeo.2017.10.006
[19] R. Y. Guo, H. Yang, H. J. Huang “Are We Really
Solving the Dynamic Traffic Equilibrium Problem with a
Departure Time Choice?”. Transportation Science, vol.
52, no 3, pp. 497-737, mayo-junio 2018.
https://doi.org/10.1287/trsc.2017.0764
[20] K. Xie, D. Yang, K. Ozbay, H. Yang “Use of real-
world connected vehicle data in identifying high-risk
locations based on a new surrogate safety measure”.
Accident Analysis & Prevention, vol. 125, pp. 311-319,
abril 2019.
https://doi.org/10.1016/j.aap.2018.07.002
[21] J. Bao, Z. Yang, W. Zeng, X. Shi, “Exploring the
spatial impacts of human activities on urban traffic crashes
using multi-source big data”, Journal of Transport
Geography, vol. 94, p. 103118, junio 2021.
https://doi.org/10.1016/j.jtrangeo.2021.103118
[22] S. Narayanaswami “Intelligent Transportation
Systems: Concepts and Cases” 13a edición, Camb. Sch.
Publ, Newcastle Reino Unido, 2023.
https://www.cambridgescholars.com/product/978-1-5275-
9124-0
[23] INEGI, Encuesta Origen Destino en Hogares de la
Zona Metropolitana del Valle de México (EOD)
2017, Instituto Nacional de Estadística y Geografía
(INEGI)
https://www.inegi.org.mx/programas/eod/2017/
[24] S. Cook, “Geographies of run-commuting in the UK”
Journal of Transport Geography, vol. 92, p.103038, abril
2021.
https://doi.org/10.1016/j.jtrangeo.2021.103038.
[25] M. Karimpour, A. Karimpour, K. Kompany, Ali
Karimpour “Online Traffic Prediction Using Time Series:
A Case study”, de Integral Methods in Science and
Engineering, vol. 2, pp. 147-156, Springer Nature,
septiembre 2017. https://doi.org/10.1007/978-3-319-
59387-6_15.
[26] H. Wang, J. Guo, B. Zhang, H. Zeng, “Simulating
urban land growth by incorporating historical information
into a cellular automata model”, Landscape and Urban
Planning, vol. 214, p. 104168, octubre 2021.
https://doi.org/10.1016/j.landurbplan.2021.104168.
[27] M. Karacasu, K. Akalin y B. Ergül, “Time Series
Analysis of Number of Road Motor Vehicles in Turkey”,
International Journal of Civil and Structural Engineering –
IJCSE, vol 3, no. 1, pp. 214-216, abril 2016.
https://www.researchgate.net/publication/311468471_Tim
e_Series_Analysis_of_Number_of_Road_Motor_Vehicle
s_in_Turkey
[28] L. Mozaffari, A. Mozaffari, N. Azad, “Vehicle speed
prediction via a sliding-window time series analysis and an
evolutionary least learning machine: A case study on San
Francisco urban roads”, Engineering Science and
Technology, an International Journal, vol. 18, no. 2, pp.
150-162, junio 2015.
https://doi.org/10.1016/j.jestch.2014.11.002.
[29] Z. Zheng, Z. Wang, L. Zhu, H. Jiang, “Determinants
of the congestion caused by a traffic accident in urban road
networks”, Accident Analysis & Prevention, vol. 136, p.
105327, marzo 2020.
https://doi.org/10.1016/j.aap.2019.105327.
[30] Y. Lin, R. Li, “Real-time traffic accidents post-
impact prediction: Based on crowdsourcing data”,
Accident Analysis & Prevention, vol. 145, p. 105696,
septiembre 2020.
https://doi.org/10.1016/j.aap.2020.105696.
[31] A. Król, M. Król, “Numerical investigation on fire
accident and evacuation in a urban tunnel for different
traffic conditions”, Tunnelling and Underground Space
Technology, vol. 109, p. 103751, marzo 2021.
https://doi.org/10.1016/j.tust.2020.103751.
[32] M. Xiao, Y. Xu, and H. Sun, “Unknown Worker
Recruitment in Mobile Crowdsourcing” en “Mobile
Crowdsourcing: From Theory to Practice” editores J. Wu
y E. Wang, Springer Nature Switzerland, abril 2023, pp.
61-90.
https://doi.org/10.1007/978-3-031-32397-3
[33] S. Bhattacharjee y S. K. Das “Information Integrity in
Participatory Crowd-Sensing via Robust Trust Models” en
“Mobile Crowdsourcing: From Theory to Practice”
editores J. Wu y E. Wang, Springer Nature Switzerland,
abril 2023, pp. 251-273.
https://doi.org/10.1007/978-3-031-32397-3
[34] S. Sodagari “Privacy and Security for Mobile
Crowdsourcing” River Publishers, Gistrup, Dinamarca
2023. ISBN 978-10-0381-141-1
https://www.riverpublishers.com/book_details.php?book_
id=1089
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
28!
ISSN: 2594-1925
[35] J. Wu, Ch. Song, and W. Chang, “Crowdsourcing as
a Future Collaborative Computing Paradigm” en “Mobile
Crowdsourcing: From Theory to Practice” editores J. Wu
y E. Wang, Springer Nature Switzerland, abril 2023, pp.
3-32.
https://doi.org/10.1007/978-3-031-32397-3
[36] S. He and K. G. Shin, “Urban Mobility-Driven
Crowdsensing: Recent Advances in Machine Learning
Designs and Ubiquitous Applications” en “Mobile
Crowdsourcing: From Theory to Practice” editores J. Wu
y E. Wang, Springer Nature Switzerland, abril 2023, pp.
33-58.
https://doi.org/10.1007/978-3-031-32397-3
[37] Instituto Nacional de Estadística y Geografía
“Directorio Estadístico Nacional de Unidades Económicas
(DENUE)”, descarga 2017/03 de las áreas geográficas
Ciudad de México (09), Hidalgo (13) y México (15).
https://www.inegi.org.mx/app/descarga/?ti=6
[38] J. B. Villa, A. J. Villar, “Prácticas de movilidad
cotidiana por motivos laborales. Estudio de caso en
Metepec, Estado de México” en “Estudios urbanos en la
confluencia de la compleja interdisciplinariedad”.
Coordinadores Vladimir Hernández, Rocío Ramírez,
Universidad Autónoma de Ciudad Juárez, 2019, pp. 79-
103.
https://elibros.uacj.mx/omp/index.php/publicaciones/catal
og/download/144/127/836-1?inline=1
[39] C. Jiménez Romera “Tamaño y densidad urbana
Análisis de la ocupación de suelo por las áreas urbanas
españolas” Tesis doctoral Universidad Politécnica de
Madrid, España 2017, pp. 92-94
http://oa.upm.es/39937/
[40] Waze Mobile “Driving directions, live traffic & road
conditions updates - Waze” 2006-2024.
Waze. https://www.waze.com/
[41] R. F. Estrada., A. Molina, A. Perez. A. L. Reyes, J. L.
Quiroz, and E. Bravo, “Zonification of Heavy Traffic in
Mexico City”. Proceedings of the International Conference
on Data Mining (DMIN); Athens: The Steering Committee
of The World Congress in Computer Science, Computer
Engineering and Applied Computing (WorldComp), pp.
40-43, julio 2016.
https://www.researchgate.net/publication/322644686_Zon
ification_of_Heavy_Traffic_in_Mexico_City
[42] A. García y L. Humacata “Clasificación espacial
exploratoria y multivariada con sistemas de información
geográfica” en “Teoría y métodos de la Geografía
Cuantitativa Libro 2: Por una Geografía empírica”,
compiladores G. D. Buzai, L. Humacata, S. L. Lanzelotti,
E. Montes Galbán, N. Principi, Colección Espacialidades
1, Instituto de Investigaciones Geográficas I, Universidad
Nacional de Luján, Impresiones Buenos Aires Editorial,
mayo 2019, pp. 39-58.
https://www.researchgate.net/publication/333917557
[43] Juan de Dios Ortúzar y Luis G. Willumsen, “Modelos
de Transporte” traducción de Ángel Ibeas Portilla, Luigi
Dell’Olio. Santander España, Universidad de Cantabria,
2008, pp. 194-195
https://www.editorial.unican.es/libro/modelos-de-
transporte
[44] Red Nacional de Caminos, “Documento técnico
descriptivo” INEGI, IMT, Secretaría de Infraestructura,
Comunicaciones y Transporte 2022.
https://www.gob.mx/imt/acciones-y-programas/red-
nacional-de-caminos
[45] G. E. Londoño y A. Lozano “Flow-queue-time
dependent traffic modelling for urban networks”, en
Estudios Iberoamericanos en Ingeniería de Tránsito,
Transporte y Logística, , Instituto de Ingeniería, UNAM .
México, pp. 177-186, abril 2020.
http://www.iingen.unam.mx/es-
mx/AlmacenDigital/Libros/Paginas/Estudios-en-
Ingenieria-de-Transito.aspx
[46] G. Lesteven, M. Samadzad “Ride-hailing, a new
mode to commute? Evidence from Tehran, Iran” Travel
Behaviour and Society, vol. 22, pp. 175-185, enero 2021.
https://doi.org/10.1016/j.tbs.2020.09.006.
[47] Tobias Jeske “Floating Car Data from Smartphones:
What Google and Waze Know About You and How
Hackers Can Control Traffic” Institute for Security in
Distributed Applications Hamburg University of
Technology, 2013.
https://media.blackhat.com/eu-13/briefings/Jeske/bh-eu-
13-floating-car-data-jeske-wp.pdf
[48] Secretaría de Desarrollo Agrario, Territorial Y
Urbano, Consejo Nacional de Población, Instituto
Nacional de Estadística y Geografía. “Metrópolis de
México 2020”, 2024.
https://www.gob.mx/sedatu/documentos/metropolis-de-
mexico-2020?state=published
[49] SEDATU & GIZ “La digitalización del transporte
público en las ciudades mexicanas” Deutsche Gesellschaft
fur Internationale Zusammenarbeit (GIZ) GmbH, enero
2024.
https://www.gob.mx/sedatu/documentos/la-digitalizacion-
del-transporte-publico-en-las-ciudades-
mexicanas?state=published
Revista de Ciencias Tecnológicas (RECIT). Volumen 8 (1): e370.
29!
ISSN: 2594-1925
[50] Agencia Digital de Innovación Pública, Portal de
Datos Abiertos “Datos de Movilidad (histórico COVID-
19)” 2021.
https://datos.cdmx.gob.mx/vi/dataset/movilidad-historico-
covid-19
[51] 2025 Uber Technologies Inc. “Uber Movement, la
nueva herramienta para entender mejor la movilidad de la
CDMX”. México 2019.
https://www.uber.com/es-MX/newsroom/movement-
cdmx/
[52] Instituto de Investigaciones Parlamentarias
“Diagnóstico de movilidad en la Ciudad en México: El
impacto del crecimiento vehicular (problemas, estadísticas
y evaluación de políticas)” VII Legislatura, Asamblea
Legislativa de la Ciudad de México, 2018.
http://aldf.gob.mx/archivo-
9f6f5328e0f0853d4453d481cbffa2b6.pdf
[51] A. Nathan, B. Samuel, B Muhammad, P. Magdaline,
B. Usman “On logistic growth model for forecasting
nigeria's population” Faculty of Science, Kaduna State
University, Science World Journal, vol. 15, no 4, enero
2021.
https://scienceworldjournal.org/article/view/21211
Derechos de Autor (c) 2025 Jazon Fabian Hernández Peña, Emilio Bravo Grajales, Carlos Islas Moreno, Pedro Lina
Manjarrez
Este texto está protegido por una licencia Creative Commons 4.0.
Usted es libre para compartir —copiar y redistribuir el material en cualquier medio o formato — y adaptar el documento —
remezclar, transformar y crear a partir del material— para cualquier propósito, incluso para fines comerciales, siempre que
cumpla la condición de:
Atribución: Usted debe dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se
han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia - Texto completo de la licencia
