Análisis de la elección modal de transporte en Bogotá: Una ...
43
1 Análisis de la elección modal de transporte en Bogotá: Una mirada desde la provisión de bienes públicos Daniel Gordo Garzón. * Asesor: Fernando Carriazo Resumen Este trabajo evalúa la relación entre el stock de bienes públicos alusivos a la accesibilidad a medios de transporte con la elección modal de transporte para el caso de Bogotá. A partir de datos geo referenciados de la Encuesta de Movilidad de Bogotá 2015, se desarrollan tres modelos de elección discreta con distintas especificaciones (multinomial estándar, multinomial mixto y espacial) para entender la decisión de transporte en la ciudad. Se encontró que contar con una cicloruta no influye significativamente sobre el uso de la bicicleta como medio predominante relativo al efecto que tiene el bici carril, el cual incentiva el uso de la bicicleta de manera significativa al aumentar la probabilidad de uso en 43 puntos porcentuales. Hallazgos como estos ilustran un panorama donde el diseño urbano debe migrar de la simple provisión de bienes públicos a las intervenciones con mayor calidad para así poder generar un cambio en la distribución modal hacia el uso de transportes sostenibles. De igual modo, se encontró una disparidad muy alta en los efectos de los bienes públicos sobre la elección modal de transporte en la población. Esto implica que la heterogeneidad en preferencias, características socio económicas y condiciones del espacio urbano impide que el acceso a infraestructura de transporte repercuta de la misma manera para todo aquel que decide transportarse en la ciudad. Palabras Clave: Transporte, elección modal, econometría espacial, bienes públicos, infraestructura urbana. Código JEL: O18, R21, R40, R42
Transcript of Análisis de la elección modal de transporte en Bogotá: Una ...
1
Análisis de la elección modal de transporte en Bogotá:
Una mirada desde la provisión de bienes públicos
Daniel Gordo Garzón. *
Asesor: Fernando Carriazo
Resumen
Este trabajo evalúa la relación entre el stock de bienes públicos alusivos a la accesibilidad a medios
de transporte con la elección modal de transporte para el caso de Bogotá. A partir de datos geo
referenciados de la Encuesta de Movilidad de Bogotá 2015, se desarrollan tres modelos de elección
discreta con distintas especificaciones (multinomial estándar, multinomial mixto y espacial) para
entender la decisión de transporte en la ciudad. Se encontró que contar con una cicloruta no influye
significativamente sobre el uso de la bicicleta como medio predominante relativo al efecto que tiene
el bici carril, el cual incentiva el uso de la bicicleta de manera significativa al aumentar la probabilidad
de uso en 43 puntos porcentuales. Hallazgos como estos ilustran un panorama donde el diseño urbano
debe migrar de la simple provisión de bienes públicos a las intervenciones con mayor calidad para
así poder generar un cambio en la distribución modal hacia el uso de transportes sostenibles. De igual
modo, se encontró una disparidad muy alta en los efectos de los bienes públicos sobre la elección
modal de transporte en la población. Esto implica que la heterogeneidad en preferencias,
características socio económicas y condiciones del espacio urbano impide que el acceso a
infraestructura de transporte repercuta de la misma manera para todo aquel que decide transportarse
en la ciudad.
Palabras Clave: Transporte, elección modal, econometría espacial, bienes públicos, infraestructura
urbana.
Código JEL: O18, R21, R40, R42
2
1. Introducción
En Colombia, uno de los retos actuales en materia de diseño de política pública es el mejoramiento
de los sistemas de transporte al igual que la infraestructura conexa para su uso eficiente. Contenido
en instrumentos de política como el Plan Nacional de Desarrollo (2014-2018) o los planes de
desarrollo de ciudades, se reconoce al transporte urbano como un eje fundamental en la calidad de
vida de las personas (Departamento Nacional de Planeación, 2014). Se plantea como un motor de
dinamismo en las ciudades a través del acceso que brinda a bienes y servicios, y generación de
inclusión social a través de su efecto sobre el bienestar colectivo.
Específicamente, en Bogotá en los últimos años se han planteado varias iniciativas encaminadas al
mejoramiento de las condiciones del transporte público y particular. Sin embargo, los avances en
términos de eficiencia parecen ser marginales. Prueba de ello es que indicadores como la velocidad
promedio de Transmilenio (TM) se ha equiparado con la del particular (motos y automóviles) –
alrededor de los 25 km/h en el 2015- y la del transporte público colectivo es considerablemente menor
(Bogotá Como Vamos, 2016). Esto se ha traducido en un incremento en el tiempo de desplazamiento
y, por tanto, en un deterioro de la calidad de vida de las personas pues estas se ven enfrentadas a
fenómenos como congestión y contaminación durante intervalos de tiempo prolongados.
Adicionalmente, el costo de oportunidad de usar transporte masivo se incrementa, lo que resulta
indeseable pues la probabilidad de que los bogotanos decidan utilizar transporte particular - carro y
moto- como principal medio de transporte cada día es mayor. Esto implica una distribución modal
insostenible en el mediano y largo plazo pues el uso de estos medios de transporte profundiza el
efecto de las externalidades negativas del transporte.
Paralelamente, la ciudad ha experimentado un crecimiento acelerado tanto de su población como de
su densidad urbana- 14.6% con respecto al año 2005 (DANE & SDP, 2014). Sin embargo, este
crecimiento acelerado no ha sido acompañado de políticas direccionadas a actualizar el stock de
bienes públicos acorde al nuevo panorama demográfico y a encaminar la ciudad hacia un crecimiento
ordenado. Es así, como cerca del 50% de los hogares padece algún tipo de limitación en el acceso a
bienes de uso colectivo (SDP & UN, 2013). No obstante, es importante recalcar que esta confluencia
de fenómenos no se expresa de manera homogénea en la ciudad. Así como hay grandes disparidades
en términos de densidad poblacional a nivel zonal, el nivel de equipamiento (infraestructura de uso
común) varía considerablemente a través de localidades (Alcaldía de Bogotá, 2016) . Es de esperar
entonces, que diferencias tan amplias a nivel demográfico y de equipamiento entre zonas de la ciudad,
3
se traduzcan en diferencias en términos de calidad de vida. Esto, pues el nivel de servicio de los
equipamientos es función de la población que los use (Fujita, 1989). Ambas variables tienen una
relación inversa, el nivel de servicio se reduce a medida que el volumen de uso aumenta. Esta
“congestión de uso” afecta su eficiencia y de paso el bienestar de los ciudadanos.
En ese orden de ideas, es factible pensar que dichas heterogeneidades a nivel zonal en términos de
infraestructura y bienes públicos afecten la calidad de la oferta de transporte urbano. Esto ocurre pues
estos bienes de uso colectivo, en particular, son los instrumentos del espacio urbano para proveer a
los viajeros de accesibilidad a los distintos medios de transporte e incentivar su uso. Por ejemplo, la
ciclo-ruta incentiva y facilita el uso de la bicicleta y las áreas de interconexión de transporte público
(AITR) conectan al ciudadano con el uso del transporte masivo (TM, alimentadores, SITP, etc.). De
este modo, el aprovechamiento de estos espacios e infraestructuras puede considerarse como la
conexión entre la oferta y demanda de transporte. Entonces, resulta de gran interés investigar si dichas
heterogeneidades – pensadas como choques a la eficiencia del sistema de transporte-, tienen un efecto
significativo sobre la distribución modal de transporte en la ciudad. Esta pregunta adquiere relevancia
en cuanto a que dicho análisis permite descomponer la decisión modal entre factores propios del
individuo, y factores que dependen del accionar del estado. Así se podría empezar a entender las
falencias y aciertos en el diseño urbano de Bogotá en los últimos años para poder replicar aquello que
ha tenido un efecto positivo y reevaluar aquellas intervenciones que ciertamente no.
Bajo este contexto, el presente trabajo tiene como objetivo estudiar el transporte en Bogotá mediante
el análisis de la elección modal -a nivel individuo- a partir de restricciones o heterogeneidades en el
stock de bienes públicos. Se planteará un modelo econométrico de elección discreta multinomial
(Logit multinomial) y dos variaciones (Mixed Logit y Logit Multinomial con estructura espacial). La
primera, pensada en observar cambios en las estimaciones al permitir una correlación entre
alternativas de elección de transporte (relajando el supuesto de Independencia de Alternativas
Irrelevantes) y la segunda, para capturar efectos de dependencia espacial en la elección modal en la
ciudad. Para este fin, se hará uso de la Encuesta de Movilidad de Bogotá más reciente- año 2015- y
de información complementaria del portal geo estadístico de la Secretaria de Planeación, Secretaria
de Movilidad y del Catastro público.
El análisis presentado se orientará a evidenciar el grado de influencia que tienen los bienes públicos
de transporte sobre el uso (o no uso) de transportes sostenibles y no sostenibles. El análisis se ceñirá
a la definición de transporte sostenible utilizada por instituciones multilaterales quienes lo estudian
4
desde tres componentes: ambiental, económico y social (Banco Mundial, 2002). Ambiental desde la
cantidad de kilómetros por pasajero recorridos por cada tonelada de CO2 emitida, económico a partir
de la costo-eficiencia, la velocidad y la mayor capacidad de transporte, y social desde la minimización
de accidentalidad vial y el fácil acceso para las personas (UNESCAP, 2015).Por ende, se considerará
como sostenible el transporte público masivo, la bicicleta, y la caminata. Esto pues los dos últimos
tienen un costo energético casi nulo y el primero, según informes de las Naciones Unidas (2015), en
condiciones de plena ocupación maneja el mayor kilometraje por pasajero recorrido por cada tonelada
de CO2 emitida. Además, al ser los transportes que menos contribuyen a la profundización de la
congestión vehicular, contribuyen a menores niveles de tiempos de viaje en las ciudades.
En la literatura económica, el vínculo entre la provisión de bienes públicos y la elección modal de
transporte urbano no ha sido estudiado de manera enfática. Bastantes líneas se han escrito sobre
postulados teóricos de bienes de uso colectivo y su aplicabilidad al contexto de la ciudad (Fujita,
1989) (Tiebout, 1956) (Block, 1983). Entre dichos autores, se ubican aquellos que han escrito sobre
los nuevos modelos de desarrollo urbano. Este es el caso de autores como Calthorpe (1993) o Cervero
(2003) quienes al principio de la década de los 90 empezaron a hablar de desarrollo urbano orientado
al transporte (Transit Oriented Development) de manera formal. En esa misma línea de investigación,
varios autores han evaluado su implementación en distintas ciudades y contextos (Belzer & Aultier,
2002) , (Xu, Guthrie, Fan, & Li, 2017). Sin embargo, el análisis econométrico y riguroso se ha
inclinado sobre el estudio de implementaciones puntuales como cambios regulatorios,
implementación de nuevos medios de transporte, impuestos, entre otros (De Jong, y otros, 2009),
(Perdomo, Castañeda, & Mendieta, 2010), (Agarwal & Mo Koo, 2015).
Desde otras disciplinas, como la ingeniería de transporte o la medicina, se ha estudiado este vínculo
a partir de análisis de intervenciones puntuales en ciudades del mundo. Desde la ingeniería con el
propósito de evidenciar que tipo de intervenciones potencian el uso de ciertos medios de transporte y
desde la medicina con el objetivo de evidenciar que diseños urbanos propenden a un uso de transporte
activo como principal medio de transporte. Varios estudios han encontrado una relación
estadísticamente significativa entre la infraestructura propia del espacio urbano sobre la elección
modal. Esto, tanto para el uso de transporte público en varias ciudades del mundo (Chakour & Elurua,
2013) (Ewing & Cervero, 2010) (Suna, Ermagun, & Bo, 2017) como para transporte no motorizado
como la bicicleta o la caminata en el caso específico de la ciudad de Nueva York (Aziz, y otros,
2017).
5
No obstante, estos estudios generalmente tienen la limitación de que usan modelos de elección
discreta estándar (Pasha, Rifaat, Tay, & De Barros, 2016), (Panter, Heinen, Macket, & Ogilvie, 2016),
(Chakour & Elurua, 2013) y en su mayoría usan muestras pequeñas y focalizadas hacia ciertos
sectores de las ciudades que son estudiadas (Heinen y otros, 2015), (Aziz, y otros, 2017). Esto implica
que los resultados de varios estudios realizados tienden a no ser precisos pues no corrigen por ciertos
factores como lo es la espacialidad de los patrones de uso de transporte (Vanoutrive, y otros, 2009)
(Glass, Kenjegalieva, & Sickles, 2012) o carecen de validez externa debido al espacio muestral usado.
En línea con lo anterior, el aporte de la presente investigación a la literatura actual es plantear un
modelo econométrico donde adicional a las características socio económicas del individuo y del viaje,
que han sido estudiadas previamente, se vislumbren los efectos de la provisión de bienes públicos y
efectos de dependencia y/o heterogeneidad espacial sobre la elección modal de transporte. El
componente espacial le brinda a la investigación herramientas no convencionales tanto para la
caracterización de variables a nivel zonal como para el desarrollo de modelos mucho más flexibles y
adaptados a las circunstancias actuales de la ciudad. De este modo, la investigación cobra valor en
términos de planeación y de políticas públicas a nivel urbano pues genera insumos para el diseño de
políticas encaminadas al crecimiento ordenado y al fomento de transporte sostenible. Este, entendido
como aquel que tiene un bajo impacto ambiental, un uso energético responsable y es eficiente en el
mediano y largo plazo (SAE International, 2017).
El trabajo está organizado de la siguiente manera. Primero, se hará un recorrido por la literatura
existente relacionada con transporte urbano, bienes públicos y la relación entre ambos conceptos.
Seguidamente, se presentará un contexto sobre Bogotá en términos de planeación urbana y movilidad.
Posteriormente, se presentará la metodología y los datos utilizados. Finalmente, se exhibirán los
resultados de las estimaciones y las conclusiones derivadas de los resultados obtenidos y del análisis
previo.
2. Literatura relacionada
La literatura alrededor de la economía del transporte se ha dividido primordialmente en dos frentes.
El primero, corresponde al estudio de las consecuencias de las externalidades derivadas del estado
actual del transporte sobre variables socio económicas. El segundo, donde encaja el presente trabajo,
se caracteriza por el estudio y evaluación de cambios en la demanda de transporte provocados por
intervenciones de política. Estas intervenciones suelen estar direccionadas al des estímulo o fomento
6
de un tipo de transporte específico. Dichas intervenciones se ven reflejadas en cambios de costos,
introducción de regulaciones y/o provisión de bienes públicos (infraestructura de transporte).
Metodológicamente, la literatura económica ha hecho uso de modelos de evaluación de impacto como
Propensity Score Matching (Perdomo, Castañeda, & Mendieta, 2010) o Diferencias en Diferencias
(Agarwal & Mo Koo, 2015) para evaluar los efectos de intervenciones de política pública. Así
mismo, se han usado modelos de elección discreta- Logit (Potoglou & Kanaroglou, 2008) y Probit
(Paleti, Bhat, & Pendyala, 2009)- para la caracterización del uso de un medio de transporte específico
o de la distribución modal total. De igual manera, desde hace algunos años, se ha incorporado la
modelación espacial dentro del análisis econométrico, obteniendo un análisis mucho más riguroso y
rico a nivel territorial, al incorporar características socio económicas del entorno en las estimaciones
(Chen, Wang, & Kockelman, 2014). Esto se ha traducido en resultados más robustos y en
investigaciones con validez interna más sólida. Para efectos de este trabajo, se ahondará en el
segundo segmento de la literatura identificado, pues es de interés estudiar un componente de los
determinantes de la elección modal de transporte.
Con respecto a la literatura específica que aborda el tema de la elección modal de transporte, sus
inicios se remontan a los años 70’s con autores como McFadden (1975) y Lerman (1975). En
principio se pensó en variables propias del individuo (socioeconómicas) para caracterizar la elección
modal. No obstante, con el pasar de los años varios autores se dieron a la tarea de estudiar la relación
entre la elección modal y las características del espacio urbano (diseño). Así, más determinantes se
fueron sumando a la función de elección modal que había sido alimentada implícitamente por los
autores en la literatura. Uno de dichos determinantes corresponde al diseño urbano. Autores como
Handy, Cao & Mokhtarian (2005) pusieron en consideración el papel que tiene el diseño del espacio
urbano sobre el uso de ciertos medios de transporte. Diseño urbano entendido como aquellos atributos
que componen
En la literatura económica, dichos aspectos del diseño urbano se han estudiado como bienes públicos
pues se les consideran como atributos del espacio que son provistos para el uso de la población sin
excepción. Como concepto en la teoría económica, los bienes públicos fueron introducidos en los
años 50 por autores como Samuelson. Fueron definidos como bienes de consumo colectivo con la
característica particular de que el consumo de una persona no afecta el nivel de consumo disponible
para otra (Samuelson, 1954). Dicho autor, define a quienes hacen uso de ellos como personas
comunes, con la única particularidad de que sus decisiones pueden modelarse con una función de
7
utilidad ordinal en preferencias hacia el consumo de bienes de uso colectivo y privados. Así mismo,
se han sub clasificado como puros o impuros dependiendo del cumplimiento (o no) de ciertos
postulados: no rivalidad y no exclusión1.
Su planteamiento como producto de la teoría microeconómica ha sido adaptado por múltiples autores
al análisis de dinámicas económicas en temas de economía urbana y regional. Dentro del segmento
de la economía dedicado al estudio de ciudades, se destacan las contribuciones teóricas de autores
como Tiebout y Fujita. Tiebout por su parte, se enfocó en el papel del estado en la provisión de bienes
públicos. En su trabajo, destaca la importancia de las preferencias de los consumidores sobre los
patrones de gasto locales, así como la posibilidad de un ciudadano de escoger la comunidad donde
sus necesidades (bienes públicos) se vean satisfechas (Tiebout, 1956) En línea con Tiebout, Fujita
ha hecho aportes al tamaño óptimo de ciudad, como capturar valor para la financiación de bienes de
uso colectivo y la manera óptima de proveerlos en un contexto urbano heterogéneo. Este autor hace
hincapié en que además de bienes públicos a nivel ciudad, es fundamental su provisión a nivel zonal
(debido a la heterogeneidad dentro de una metrópoli) (Fujita, 1989). Los planteamientos de Tiebout
(1956) y Fujita (1989) dejan clara la necesidad de comprender como la ciudad se compone de
escenarios dispares en términos de necesidades y preferencias. Así pues, es importante encaminar el
análisis hacia el estudio de dichas disparidades y sus implicaciones sobre la demanda de servicios en
la economía.
El concepto de bienes públicos y su relación con el transporte se ha estudiado desde dos aristas: el
análisis de planeación urbana y la evaluación de implementaciones puntuales en espacio público.
Desde la literatura que aborda la planeación urbana, se ha planteado un modelo de desarrollo urbano
ligado estrechamente a la movilidad – Transit Oriented Development (TOD)-. Sus bases se sostienen
en el hecho de que la movilidad se ha convertido en un eje fundamental de las decisiones de los
ciudadanos y de quienes se desplazan hacia la ciudad todos los días desde áreas metropolitanas.
Introducido por Roberto Cervero a finales de los años 90, plantea un esquema mediante el cual el
transporte público masivo se convierte en el eje del área metropolitana y de manera conexa, el
desarrollo de vecindarios adyacentes a dicho transporte se de en pro de garantizar condiciones
óptimas para su acceso (Belzer & Aultier, 2002). Sobre este modelo en particular, Belzer y Aultier
1 No exclusión pensada como la circunstancia donde no es posible prohibir con algún medio o mecanismo (precio o regla)
el uso del bien para un consumidor y no exclusión concebida como la situación donde es posible consumir una unidad
adicional del bien a un costo marginal igual a cero (Nicholson & Snyder, 2008)
8
plantean que para que ocurra esto, es vital el desarrollo de barrios desde el fomento del uso mixto del
suelo (como mecanismo de captura de valor para financiar nueva infraestructura y mantenimiento de
la actual) al igual que la provisión de espacio público adecuado para peatones y ciclistas. Finalmente,
su trabajo plantea la importancia de la inclusión de suburbios y municipios conurbados con la ciudad
principal dentro del esquema de desarrollo (Belzer & Aultier, 2002). Esto pues es una realidad global
que las grandes metrópolis cuentan con ciudades dormitorio a sus alrededores de manera que la
densidad poblacional en horarios diurnos se incrementa, en parte, por la movilidad de personas desde
estas áreas a los centros de empleo.
Desde una perspectiva mucho más micro enfocada a intervenciones puntuales en contextos urbanos
específicos, llama la atención los estudios enfocados al estudio del uso de transporte público y
transporte no motorizado (transporte sostenible) y su relación con la infraestructura de transporte.
Referente a aquellas investigaciones encaminadas al estudio del transporte público se ha encontrado
que características del viaje como proximidad a la red de transporte público o número de
estaciones/paradas son determinantes importantes en el fomento de uso de sistemas de transporte
público y en el desincentivo de uso de vehículo privados como el automóvil. Este es caso de estudios
como los realizados por Boulange y otros (2017) y el de Pasha y otros (2016) en Melbourne y Canadá
respectivamente. De igual manera, estudios realizados en ciudades intermedias como el de Tiwari,
Ramachandra-Rao y Jain, (2015) para India, confirman que la mejora de infraestructura de transporte
público puede potenciar un cambio modal de usuarios de la moto y de transporte público intermedio
al uso de un sistema de buses. Dichos autores implementan un modelo de atracción de viajes así que
sus conclusiones se basan en simulaciones con datos de viajes reales.
En cuanto a los trabajos que estudian la elección modal de transportes no motorizados y su relación
con la infraestructura de transporte, se han encontrado efectos heterogéneos a nivel ciudad. Mientras
que trabajos como el de Aziz y otros (2017), encuentran un estimador de elasticidad significativo y
positivo (1.13) entre extender e implementar nueva infraestructura ciclo-inclusiva (ciclorutas) y la
probabilidad de escogencia de la bicicleta como modo de transporte, otros como el de Suna, Ermagun
& Dan (2017) estiman que para el caso de varias ciudades en China este efecto es dispar. Encuentran
que los atributos del espacio urbano residencial son más influyentes en el uso de transportes no
motorizados que aquellos del espacio aledaño a los lugares de empleo.
En suma, la literatura ha teorizado sobre el papel de la planeación urbana en la calidad del transporte
urbano mediante el planteamiento de modelos de sostenibilidad y evaluaciones de intervenciones
9
puntuales. Sin embargo, los estudios más rigurosos desde la economía y desde el análisis
econométrico, se han centrado en costos de transporte, efectos de shocks externos o cambios
normativos (regulación). Aunque varios trabajos desde otras disciplinas como la ingeniería o la
medicina se han enfocado directamente en estudiar la relación entre infraestructura y elección modal,
el uso de modelos estadísticos más robustos y menos restrictivos en términos de supuestos no es una
constante en trabajos de estas disciplinas. De este modo, resulta vital poder integrar dichas
herramientas y el análisis econométrico de mayor sofisticación al análisis territorial de políticas, para
poder estudiar el rol de la planeación urbana sobre la elección modal.
3. Area de estudio
Para 2015, Bogotá se proyectaba como una ciudad de aproximadamente 7.8 millones de habitantes
distribuidos de manera heterogénea en 20 localidades en un territorio total de 1,580 km2 (Secretaría
Distrital de Planeación, 2017). Adjunta, la ciudad cuenta con un área metropolitana donde se estima
que se ubican alrededor de 1 millón 380 mil personas que, aunque no viven en Bogotá, varias de sus
actividades (económicas, acceso a servicios y demás) tienen que con la ciudad. Paralelamente, al ser
el centro político y administrativo del país, Bogotá alberga grandes epicentros económicos como
centros financieros, áreas comerciales e instituciones estatales que concentran una parte importante
de oferta de servicios, empleos, trámites, entre otros. Estas condiciones particulares de migración y
movimiento de masas poblacionales en la ciudad motivan a analizar el panorama de movilidad. En
este trabajo, se decide analizar uno de sus determinantes, los bienes públicos de transporte, y por ende
es importante describir la oferta de medios de transporte al alcance de la ciudadanía, al igual que el
estado de la planeación urbana referente al transporte.
3.1 Movilidad y bienes públicos de transporte en Bogotá
De entrada, es importante detallar el estado de la oferta de transporte en Bogotá, al igual que el estado
de la infraestructura de transporte conexa a cada uno de ellos. Respecto al transporte público, existe
el Transmilenio (TM), el Sistema Integrado de Transporte Público (SITP) y el transporte público
colectivo. El primero, consiste en un sistema segregado en la vía con 127 km de longitud distribuidos
en 147 estaciones. Fue ideado para solventar los problemas que presentaba el transporte público
tradicional, un sistema disperso, con altos niveles de accidentalidad y tiempos de desplazamiento
prolongados (Perdomo, Castañeda, & Mendieta, 2010). Cuenta con servicios expresos2, corrientes, y
2 Servicios que no paran en todas las estaciones.
10
alimentadores. En los extremos de las troncales tiene portales (9) con mayor capacidad donde los
buses vuelven a comenzar su recorrido. No obstante, esto ha generado en los últimos años una
concentración de población viviendo en sus alrededores – caso Bochica aledaño al Portal 80 (SDP S.
D., 2010). Esto genera “congestión” en el uso del equipamiento y potencialmente, puede ser un factor
determinante en el aumento del tiempo total de desplazamiento con respecto a años anteriores
(ineficiencia) (Bogotá Como Vamos, 2016). Articulado a TM, se encuentra el SITP, implementado
en el año 2012 con el fin de unir de manera ordenada, el sistema de transporte público masivo. Este
sistema ha tenido una introducción lenta y en principio tuvo problemas de accesibilidad. Sin embargo,
hoy con un 72% de implementación, representa el 13% de los viajes de transporte público con 310
rutas.
En cuanto a transporte no motorizado (bicicleta y sus derivados), su participación relativa dentro de
la distribución modal ha caído en los últimos años pese a múltiples esfuerzos para promover su uso
(Observatorio de Movilidad, 2015). Desde 1998 se implementó una política de promoción de uso de
la bicicleta focalizada hacia la provisión de infraestructura pública. Desde entonces, las
administraciones han encaminado esfuerzos para ampliar el tamaño de esta infraestructura y el
resultado de ello es una red de 385 km de ciclo-rutas, 82 km de ciclo carriles y 17 ciclo parqueaderos
en estaciones de TM (Observatorio de Movilidad, 2015) , una de las más extensas de Latinoamérica.
Sin embargo, el sistema todavía no se encuentra totalmente articulado entre sí – ver mapas 4 y 7
anexos. Además, hay heterogeneidad en la calidad de la infraestructura y en su accesibilidad3. Algo
curioso es la disparidad en la cantidad de equipamiento ciclo-inclusivo entre localidades. En
localidades como Usaquén hay 38 km de infraestructura mientras que, en localidades como Ciudad
Bolívar con una densidad poblacional mayor, hay tan solo 7 km (Observatorio de Movilidad, 2015).
Sumado a esto, los usuarios de este modo de transporte son especialmente proclives a la inseguridad.
Según informes de Medicina Legal, su participación dentro de las víctimas fatales en accidentes de
tránsito es del 11% (Bogotá Como Vamos, 2016). En suma, si bien hay iniciativas y políticas de
promoción de transporte no motorizado, todavía hay factores estructurales que mantienen la
participación de este modo de transporte sobre la demanda agregada en niveles inferiores a los
esperados.
3 Infraestructura compartida con peatones, carriles separados en calzada, carriles separados en separador, entre otros.
11
Para peatones, en Bogotá hay 3.93 m2 de espacio público por habitante. Sin embargo, el panorama es
espacialmente heterogéneo (Uniandes Grupo SUR & CCB, 2015). Existen corredores en la ciudad
donde las características del espacio son óptimas y otros donde la provisión de este bien público no
ha sido la mejor como consecuencia de intervenciones para otros medios de transporte. Este es el
caso de segmentos adyacentes a las troncales I y II de TM donde el espacio peatonal no fue diseñado
óptimamente, lo que resultó en altos niveles de inseguridad (Uniandes Grupo SUR & CCB, 2015).
Aun así, se han puesto en marcha políticas en pro del peatón como las Redes Ambientales Peatonales
Seguras (RAPS) y la reubicación de infraestructura compartida con ciclistas (intervención carrera
11), lo cual ha hecho que el nivel de servicio de los equipamientos para peatones mejore (Pardo,
Quiñones, López, & Prado, 2011). Aun así, el impacto real sobre el uso de la nueva infraestructura
no es conocido pues no se han realizados evaluaciones al respecto.
Con respecto a quienes deciden transportarse en vehículos particulares (carro y moto), su uso en
Bogotá es elevado y a pesar de que se han implementado políticas contractivas, su uso ha aumentado
paulatinamente. Esto se ve reflejado en un aumento del parque automotor en los últimos años (Bogotá
Como Vamos, 2016). Para estos usuarios, la calidad de la oferta vial varía entre localidades y en
términos generales es insuficiente – déficit de vías calculado para 2011 alrededor de 5.8 billones e
intersecciones en 6.8 billones de pesos (SDP S. d., 2011) y al día de hoy, un 57% de la malla vial
actual está en un estado sub óptimo (Alcaldía de Bogotá, 2016). A esto, se le suma un crecimiento
de apenas 6.3% desde el año 2004 de la oferta vial total (malla vial local, intermedia y arterial) (IDU,
2015). Esto denota un rezago considerable en la oferta de bienes públicos conexos al uso de estos
medios de transporte. No obstante, vale la pena cuestionarse si una reducción sustancial del déficit
vial para transporte motorizado es deseable. Sobre este fenómeno, Bocarejo (2009) plantea que, como
ha sucedido en grandes ciudades de Norteamérica, un aumento de la oferta vial puede terminar
profundizando el uso de estos medios de transporte al fomentar la expansión urbana y alargar los
desplazamientos (Bocarejo, 2009). Esto resulta indeseable dado que profundiza los efectos de la
congestión vehicular en la ciudad.
Referente a la distribución modal, el transporte público ha incrementado su participación desde el
año 2011, moviendo aproximadamente al 45% de los viajes superiores a 15 minutos (Observatorio
de Movilidad, 2015). No obstante, su participación ha crecido por encima de los niveles previstos en
la estructuración del proyecto (Alcaldía de Bogotá, 2016). Esto se traduce en una calidad del servicio
deficiente en términos de tiempos de espera, tiempos de viaje, demoras adicionales y congestión en
12
las estaciones. Paralelo a esto, el transporte privado motorizado también incrementó su participación
en la distribución modal, al tiempo que el transporte no motorizado (caminata, bicicleta y otro) perdió
participación en la distribución modal (de 31% pasó a 25%). Esto indica que la planeación urbana
en términos de movilidad se ha quedado corta en proveer un servicio con estándares de calidad y con
capacidad acorde a la población a atender. Así pues, es factible pensar que hay factores como la
calidad, accesibilidad o congestión en su uso que están cambiando la distribución modal de la ciudad
e inclinándola hacia el uso de medios de transporte privados como el automóvil y la moto. Esto resulta
indeseable, pues su uso desmedido se traduce en niveles altos de externalidades- congestión y
contaminación.
3.2 Planeación Urbana y Provisión de Bienes Públicos en Bogotá
Ahora, vale la pena ahondar en el segmento de la planeación urbana en Bogotá que se ha dado a la
tarea de integrar la movilidad a las políticas de renovación y de revitalización de la ciudad. Desde el
gobierno nacional, se han elaborado documentos de política que han dado lineamientos para el
desarrollo de un sistema de transporte en óptimo– documentos CONPES 3882 (2017), 3748 (2013)
y 3677 (2010). De dichos documentos se destaca el CONPES 3882 pues indica los proyectos a
priorizar para Bogotá y su área metropolitana para los próximos años, al igual que presenta un análisis
detallado de la importancia de dichos proyectos. De igual modo, se destaca el 3677 pues es el
documento que antecede al planteamiento de proyectos específicos al dar un panorama histórico de
la movilidad urbana y recomendaciones de políticas hacia la consolidación de un proyecto de
transporte integral en la ciudad.
En línea con los aportes del CONPES (2017), el Departamento Nacional de Planeación (DNP) ha
planteado un marco de largo plazo donde se integra el accionar del gobierno nacional con las
autoridades locales para así desarrollar un proyecto de ciudad (en varias ciudades del país), donde el
transporte urbano se considera un eje fundamental en el dinamismo económico de las urbes (DNP,
Misión Sistema de Ciudades, 2014). Bajo este marco, se plantean medidas útiles para la mejora de la
movilidad urbana y herramientas para su mejoramiento. Sin embargo, no parece haber una
integración entre instrumentos de política provenientes del gobierno con las disposiciones de las
administraciones locales pues la priorización de proyectos ha cambiado conforme ha cambiado la
administración de la ciudad.
13
Dado el panorama expuesto, resulta importante examinar si la disparidad de bienes públicos conexos
a los distintos medios de transporte, descrita anteriormente, es un determinante en la distribución
modal de la ciudad (composición de la demanda por transporte). De acuerdo con el déficit de
equipamiento de transporte en la ciudad expuesto anteriormente y a la distribución geográfica y modal
de los viajes, parece haber una relación entre ambas variables. Sin embargo, es de suma importancia
poder corroborar esta hipótesis de manera formal mediante el planteamiento de un modelo
econométrico donde los bienes públicos de transporte sean un componente esencial de la decisión de
viaje de cada ciudadano.
4. Metodología
El uso de información desagregada a nivel viaje permite identificar las preferencias reveladas de los
ciudadanos como elecciones de categorías no ordenadas. Es decir, es posible visualizar la preferencia
particular de transporte para un individuo i que escoge dentro de un conjunto de posibles medios de
transporte (alternativas de elección) aquel que le proporciona mayor utilidad. En detalle, la unidad de
análisis es el viaje de cada persona, y la variable a explicar es el medio principal de transporte
escogido para dicho viaje. 𝐷𝑖 es una variable discreta no ordenada con la siguiente estructura,
𝐷𝑖 =
{
𝑇𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒 𝑝ú𝑏𝑙𝑖𝑐𝑜 𝑚𝑎𝑠𝑖𝑣𝑜 (𝑇𝑃𝐶)4
𝑇𝑟𝑎𝑛𝑠𝑚𝑖𝑙𝑒𝑛𝑖𝑜𝑇𝑎𝑥𝑖
𝐴𝑢𝑡𝑜 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟𝑀𝑜𝑡𝑜𝑐𝑖𝑐𝑙𝑒𝑡𝑎
𝑂𝑡𝑟𝑜𝑠5
𝐵𝑖𝑐𝑖𝑐𝑙𝑒𝑡𝑎𝐶𝑎𝑚𝑖𝑛𝑎𝑡𝑎
Para modelar esta variable, se usa un modelo de utilidad aleatoria. Esto, dado que uno de los
conceptos más importantes de los Random Utility Models (RUM) -su nombre en inglés- es que la
utilidad que proporciona una alternativa específica j depende de atributos tanto observables como no
observables para el investigador (Horowitz, y otros, 1994). Esta característica permite pensar en la
elección modal como una variable categórica no ordenada que depende de factores propios y
observables de la persona (edad, situación laboral, ubicación geográfica, entre otros) del viaje
(destino, duración, distancia, etc.) y de su entorno, al igual que de factores no observables, como la
percepción seguridad, la concentración geográfica de decisiones de consumo o heterogeneidades
4 Transporte público masivo incluye bus colectivo, intermunicipal, Sistema Integrado de Transporte Público,
alimentadores y servicios zonales especiales. 5 Otros: transporte especial, rutas escolares y empresariales, transporte informal y transporte ilegal.
14
zonales en el nivel de servicio de un bien público de transporte. Así, es posible pensar en la provisión
de bienes públicos, las características de viaje y de los consumidores como componentes principales
de la función de demanda bajo un RUM.
Desde una perspectiva teórica, siguiendo a McFadden (1973), la función de utilidad del viajero tendrá
dos componentes principales, uno determinístico y otro estocástico. Esta función de utilidad general
para cualquier elección modal j, puede pensarse de la siguiente manera:
(1) 𝑈𝑖𝑗 = 𝑉𝑖𝑗(𝑠, 𝑥) + 𝑒𝑖𝑗 (𝑠, 𝑥)
Bajo esta óptica, un individuo escoge la alternativa que le genere mayor utilidad 𝑈𝑖𝑗 sobre las demás
𝑈𝑖𝑘 para toda alternativa de transporte k. Para el presente trabajo, esta maximización de utilidad puede
entenderse como la decisión diaria de transporte de las personas. Cada individuo decide qué medio
le provee un mayor bienestar y se ajusta a sus necesidades y restricciones. Entre dichas restricciones,
se tendrá en cuenta la restricción de ingresos de los individuos (medida por medio de su estrato socio
económico y de su área de ubicación6) y la de uso de vehículos particulares en días hábiles-pico y
placa- medida por medio de una variable que caracteriza la tenencia de automóvil. Siguiendo el
planteamiento en la ecuación (1), existe un vector de características observables x que influye
directamente y de manera singular sobre cada viajero. De igual modo, existen choques
circunstanciales y/o factores no contenidos en los datos (componente aleatorio de la función de
utilidad), que también tienen injerencia sobre la elección de transporte. Como el objetivo es modelar
estas decisiones, es importante conocer la naturaleza de ambos componentes de la función de utilidad
para encontrar expresiones de las probabilidades asociadas a cada elección modal. Sin embargo, al
ser 𝑒𝑖𝑗 un término aleatorio no conocido, se debe asumir una distribución de probabilidad específica
para poder modelar cada posible escenario donde se escoja un medio de transporte sobre los demás
(Hole, 2013). Esto se puede ver en la siguiente expresión que representa la probabilidad de elección
para una alternativa:
(2) Probabilidad de que la persona i escoja el transporte j
𝑃𝑟𝑜𝑏 [𝑌 = 𝑗] = Pr(𝑈𝑖𝑗 > 𝑈𝑖𝑘) = Pr(𝑉𝑖𝑗 + 𝑒𝑖𝑗 > 𝑉𝑖𝑘 + 𝑒𝑖𝑘) = Pr( 𝑒𝑖𝑘 + 𝑒𝑖𝑗 < 𝑉𝑖𝑗 − 𝑉𝑖𝑘)
∀ 𝑘 ≠ 𝑗
6 La unidad geográfica de ubicación de los hogares será la Zona de Análisis de Transporte (ZAT).
15
Dentro de la literatura de modelos probabilísticos, el Logit y el Probit tienen distintas aproximaciones
para modelar estos componentes mediante máxima verosimilitud. A grandes rasgos, el Logit asume
independencia entre estos componentes aleatorios y les impone , una distribución Valor Extremo tipo
1 mientras que el Probit relaja el supuesto de independencia entre perturbaciones, pero a su vez asume
una distribución normal estandarizada para cada una de ellas (Wooldridge J. M., 2012), La diferencia
entre modelos se hace notoria en la definición de desviación estándar para cada estimación, pero es
posible compararlas pues pueden pensarse como transformaciones lineales, una de la otra (Rodriguez,
2007). A pesar de sus similitudes se ha optado por usar el Logit con mayor frecuencia pues las
expresiones matemáticas de las probabilidades de elección toman una forma cerrada (aplicabilidad
más sencilla) y sus resultados son fácilmente interpretables (Train, 2002). Por el contrario, el Probit
para N alternativas de elección, emplea N-1 integrales en el cálculo de las probabilidades asociadas
a cada elección particular (Kropko, 2008). Esto representa una aplicabilidad limitada en ciertos
escenarios y no garantiza su convergencia para variables categóricas con múltiples valores.
Para el presente trabajo, se considera que, al tener una variable dependiente no ordenada de más de 5
categorías, el criterio de estabilidad y computabilidad prima sobre las limitaciones del Logit básico.
De igual manera, es posible -como se explicará más adelante- flexibilizar el modelo Multinomial
estándar y permitir la interrelación entre alternativas y la variación de parámetros a través de
alternativas (Hensher & Greene, 2001). En la economía del transporte, autores se han apoyado en el
Logit Multinomial para mostrar los determinantes de la cantidad de vehículos de un hogar a partir de
características socioeconómicas y propias del barrio como el índice de uso mixto de suelo (Potoglou
& Kanaroglou, 2008). El uso sistemático de estos modelos en la literatura (Miskeen, Alhodair, &
Rahmat, 2013), (Mukala & Chunchu, 2011) valida su uso en el modelamiento de la elección modal
de transporte.
De acuerdo con lo previamente expuesto, el modelo base de referencia del presente trabajo de
investigación es el siguiente:
(3) 𝐷𝑖 = 𝑋𝛽 + 𝑇𝛿 + 𝐵𝛾 + 𝑢𝑖
Siguiendo a Greene (2012), la especificación del Logit Multinomial implicará que el término de error
(𝑢𝑖) sigue una distribución Valor Extremo tipo 1, es homoscedástico y a través de alternativas, cada
término se considera independiente uno de otro. Igualmente, la probabilidad relativa entre dos
16
alternativas de elección no se ve afectada por cambios y/o inclusión de una tercera alternativa en el
modelo de elección (Independencia de Alternativas Irrelevantes-IAI).
En detalle, la parte determinística de la función de utilidad estará compuesta por características
propias del individuo (X), características del viaje (T) y el stock de bienes públicos de transporte con
el que cuenta el viajero (B). Esta estructura de factores va en concordancia con varios autores que han
descompuesto la elección modal de un viaje como una función, con el fin de estudiar qué factores
son más o menos determinantes en la estructura de la demanda por modo (Chen, Wang, &
Kockelman, 2014) (Paleti, Bhat, & Pendyala, 2009). De manera complementaria, la escogencia estos
conjuntos de variables explicativas se apoya en estudios donde tanto variables concernientes al viaje
(Tyler, y otros, 2013), (Gillen, 1977), del individuo y del entorno urbano del viajero juegan un papel
importante en la elección modal del individuo (Tiwari, Jain, & Ramachandra-Rao, 2015), (Handy &
Mokhtarian, 2005) (Chakour & Elurua, 2013) (Boulange, y otros, 2017).
Ahora bien, las dos variaciones del modelo base consideradas para el presente trabajo son: un modelo
Mixed Logit (Logit mixto de ahora en adelante) y un Modelo econométrico espacial. La primera,
busca relajar los supuestos del Logit Multinomial mediante la inclusión de correlación a través de
alternativas en observables y no observables, y variación de coeficiente a través de individuos (Train,
2002). Esta aproximación logra capturar la heterogeneidad de preferencias entre los individuos. La
segunda, tiene la intención de acercar el modelo planteado a las dinámicas reales del transporte urbano
en la ciudad al tener en cuenta la heterogeneidad espacial. Al ser Bogotá el objeto de estudio, es
indudable la existencia de patrones de demanda de transporte a nivel zonal, producto de
heterogeneidades en la densidad poblacional, en el stock de bienes públicos, en la concentración de
servicios y comercio, entre otros factores. No reconocer esta realidad, supone una homogeneización
de la demanda para todas las localidades -tan disímiles unas de otras-, y, por ende, un análisis parcial
e incompleto del panorama de movilidad en la ciudad.
4.1. Logit mixto
El uso del modelo en el presente trabajo obedece a la necesidad de precisar una estimación donde se
relajen los supuestos del modelo base y así vislumbrar, si sus supuestos iniciales tenían repercusiones
sobre los parámetros estimados. Como uno de los supuestos más restrictivos del multinomial Logit
es la IAI, se consideró importante vislumbrar si dicho supuesto repercutía sobre los resultados. Con
respecto a la relación entre demanda de transporte y bienes públicos, el modelo Mixed Logit permite
17
pensar en los niveles de equipamiento como variables que tengan injerencia en las probabilidades
relativas de elección entre modos de transporte (odds ratio) pues permite una correlación a través de
alternativas. Esto implica que la disparidad de equipamiento para un medio de transporte específico
(ej. Cicloruta) puede afectar la probabilidad de elegir el taxi o la caminata como medio predominante
de transporte. Esta flexibilidad en el modelo se convierte en una herramienta importante para el
análisis dado que en la ciudad confluyen muchos factores al mismo tiempo, y poder relacionarlos en
estimaciones econométricas es bastante útil para no llegar a resultados errados por cuenta de un sesgo
de variable omitida.
A diferencia del Multinomial Logit, el Logit Mixto (Mixed Logit en la literatura) permite que
información no observable y relevante para la elección de alternativas pueda llegar a ser lo
suficientemente valiosa, de tal manera que induzca una correlación entre alternativas (Hensher &
Greene, 2001). Esta característica marca una diferencia notable respecto al Multinomial Logit pues
bajo este modelo las perturbaciones son independientes y en el Logit Mixto, al permitir una
interrelación entre opciones, esta condición no se cumple. Teóricamente, este concepto se materializa
en el modelo base al separar el término de error del modelo en dos componentes, de la siguiente
manera:
(4) 𝑈𝑖𝑗 = 𝑋𝛽 + 𝑇𝛿 + 𝐵𝛾 + [휀𝑖𝑗 + 𝜂𝑖𝑗]
Primero, 휀𝑖𝑗 se comporta como el término de error del Logit clásico, el cual sigue una distribución
VET.1, es i.i.d7, homoscedástico y no depende de la estructura de los datos o de los parámetros
(Viton, 2004). Contrario a este, 𝜂𝑖𝑗 tiene media igual a cero y su distribución depende en general de
los parámetros del modelo y de los datos observados relativos a cada alternativa e individuo (Hensher
& Greene, 2001). En la práctica, la manera más común de adaptar el concepto a las estimaciones es
pensar en cada coeficiente del modelo como un parámetro con disaintribución propia (media y
desviación estándar). A esta aproximación se le conoce como una especificación de parámetros
aleatorios. Así, siguiendo a Hole (2013), la probabilidad asociada a la elección de una alternativa se
representa así:
(5) 𝑃𝑖𝑗 = ∫exp(𝑋𝑗𝛽 + 𝑇𝑗𝛿 + 𝐵𝑗𝛾)
∑ exp(𝑋𝑘𝛽 + 𝑇𝑘𝛿 + 𝐵𝑘𝛾)𝐾𝑘
𝑓(𝜑|𝜙) 𝑑𝛽 𝑐𝑜𝑛 𝜑: {𝛽, 𝛾, 𝛿}
7 Se refiere a un proceso independiente e idénticamente distribuido.
18
La probabilidad de una elección (𝑃𝑖𝑗) se compone de la probabilidad de elección Logit, ponderada
por la distribución de los parámetros, por ello el modelo recibe el nombre de Logit Mixto pues cada
probabilidad se compone de dos tipos de distribuciones. Dado que la integral no tiene una solución
cerrada pues abarca todos los posibles valores de 𝛽, la estimación de dicha probabilidad se realiza
por medio de simulaciones. Siguiendo a Hensher & Greene (2001), quienes afirman que los resultados
tienden a ser similares entre las distribuciones populares (log-normal, uniforme, normal y triangular),
la distribución seleccionada para realizar las simulaciones es la normal dada la facilidad para
interpretar parámetros que sigan su comportamiento.
Aunque el Logit Mixto logra superar las limitaciones del Multinomial Logit- siendo flexible sin dejar
de ser fácil de interpretar como el Logit- todavía hay factores no observables que no se logran incluir
en las estimaciones. El modelo no logra capturar el efecto de patrones urbanos no observables en la
muestra (criminalidad, contaminación, tasas de accidentalidad vial en segmentos de la ciudad, etc.)
sobre la decisión de transporte ni la concentración de demanda por ciertos medios de transporte en
sectores de la ciudad. Para poder corregir estos posibles sesgos por variables omitidas se hace uso de
una estructura econométrica espacial para la estimación del modelo propuesto.
4.2 Modelo econométrico espacial
El planteamiento de un modelo econométrico espacial no afecta las propiedades asintóticas de
parámetros estimados (LeSage, 1999). Sin embargo, la omisión de su aplicación -en ciertos
escenarios-propende a estimaciones con errores estándar más altos (debido a un posible sesgo por
variable omitida) y así, a resultados de pruebas de hipótesis incorrectas (Cohen, 2010). Entonces, su
contribución a la estrategia empírica yace en reducir este posible sesgo y principalmente, introducir
componentes adicionales a la estructura del modelo planteado para acercarlo a la realidad de los
espacios geográficos estudiados.
Para el presente trabajo, la especificación espacial adquiere valor pues corrige las limitaciones que se
tienen en la información geo referenciada de bienes públicos de transporte. Al tener registros de si un
hogar/individuo cuenta con el equipamiento o no, no se analiza el efecto que tiene el estado de la
infraestructura en cuestión. La calidad, la congestión de uso y/o demás limitaciones que pueda tener
una comunidad para hacer uso de estos bienes de uso colectivo pasan a ser factores no observables
en las estimaciones. Los modelos econométricos espaciales permiten incluir estas heterogeneidades
19
no observadas o patrones a nivel geográfico en las estimaciones por medio de la inclusión de nuevos
parámetros en el modelo.
Para la selección del modelo espacial, se realizó un proceso de diagnóstico espacial (Multiplicadores
de LaGrange, convencionales y robustos) y así escoger qué tipo de enfoque se ajusta mejor a los datos
(Tabla 8). Se encontró que ambas especificaciones (de rezago y de error espacial) son
estadísticamente pertinentes para la investigación. Desde la literatura de transporte, usar un modelo
de rezago espacial es acertado, pues se ha evidenciado una clusterización geográfica de decisiones
de consumo de transporte en diversas ciudades del mundo (Paleti, Bhat, & Pendyala, 2009) (Glass,
Kenjegalieva, & Sickles, 2012) (Vanoutrive, y otros, 2009). Por otro lado, suponer que los datos se
acomodan a una especificación de error espacial es factible desde el panorama en Bogotá. Como en
el caso del nivel de equipamiento de transporte para peatones, existen disparidades enormes en la
calidad de andenes y espacios de aprovechamiento urbano (Uniandes Grupo SUR & CCB, 2015).
Así, hay niveles de calidad alta y baja que son compartidos por comunidades que habitan en espacios
aledaños a dichas infraestructuras. Este fenómeno se replica en varios lugares de la ciudad para
distintos tipos de equipamiento así que no poder incluir esta heterogeneidad geográfica podría llevar
a resultados sesgados.
De este modo, al ser consideradas válidas ambas aproximaciones, se escoge un modelo espacial
generalizado (GSM) para adaptarlo al modelo base Logit. La especificación del modelo espacial será
la siguiente:
(6) 𝐷𝑖 = 𝛼𝑊1𝐷𝑗 + 𝑋𝛽 + 𝑇𝛿 + 𝐵𝛾 + 𝑢𝑖 𝑐𝑜𝑛 𝑢𝑖 = 𝜌𝑊2𝑢𝑗 + 𝑣𝑖
Para darle una estructura específica a la matriz W de pesos espaciales que describe la dependencia
entre individuos en un espacio geográfico (Fageda & Gonzalez-Aregall, 2014), se decide utilizar el
concepto de vecindad basado en distancia. No se elige una matriz basada en contigüidad pues se
considera que para esta muestra donde las observaciones se representan como puntos (cada viaje es
una unidad geo referenciada), al pensar en contigüidad limítrofe la relación entre unidades aledañas
se estudiaría parcialmente (Negreiros, 2009). Además, establecer una zona de influencia a nivel
barrio/ manzana puede ser más real dado que se pueden considerar como vecinos, hogares dentro de
la misma manzana, aunque no sean adyacentes. Con el fin de no ponderar a todos los vecinos por
igual, la matriz W será tipo Inverse Distance Decay. Esto significa que se le dará una ponderación
mayor a los más cercanos (en distancia) que a aquellos que se encuentren más alejados del hogar.
20
Este tipo de matriz representa bien las dinámicas de interacción entre personas ubicadas en
coordenadas cercanas pues es factible pensar que, de acuerdo con la primera ley de la geografía
(Tobler, 1970), puede haber una mayor correlación entre unidades cercanas (misma manzana) - y por
ende compartir más características del espacio urbano- que entre unidades separadas por varias
manzanas.
(7) 𝑤𝑖𝑗 =1
(𝑑𝑖𝑗 )𝛼 𝑠𝑖 𝑑𝑖𝑗 ≤ 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑚𝑎𝑥
wij=0 si dij>distancia max
Donde dist max indica la distancia umbral escogida como área de vecindad y dij la distancia de una
observación vecina. Típicamente, alpha (𝛼) toma el valor de 1 o 2. La escogencia de este parámetro
se hará en función del ajuste que le proporcione al modelo. Este parámetro suele no tomarse como
una variable endógena del modelo pues al estimar el modelo se tendrá 𝜌𝑤𝑖𝑗 = 𝜌 (1
(𝑑𝑖𝑗 )𝛼) de manera
que ambos parámetros (𝜌, 𝛼) no estarían identificados separadamente, solo su producto (Anselin,
2002). Finalmente, la distancia máxima para considerar a una unidad vecina de la otra es de 500
metros a la redonda. Esta calibración se realiza en concordancia con la distancia establecida como
área de influencia de los equipamientos de transporte. Esta homogenización de valores se realiza con
el ánimo de observar las disimilitudes en términos de elección modal para individuos que tengan
potencialmente el mismo stock de bienes públicos de transporte para su uso.
4.3 Descripción de variables de bienes públicos de transporte
El stock de bienes públicos inclusivos (infraestructura) hacia medios de transporte sostenibles
(caminata, bicicleta y transporte público) se compone de 7 factores: troncal de Transmilenio, ciclo
ruta (en anden), ciclo carril (en calzada), ciclo parqueadero, Área de Infraestructura de Transporte
(AITR)8, anden y presencia de cuerpos policiales (Comando de Atención Inmediata (CAI) y
Estaciones de Policía). Se escogió este conjunto de variables por varios motivos. Primero, este
conjunto de factores mide de alguna manera la accesibilidad a los medios de transporte sostenibles
ya mencionados. Segundo, al incluir los distintos tipos de ciclo rutas, al igual que con la ubicación
geográfica de ciclo parqueaderos, es posible medir el acceso al uso de la bicicleta como principal
medio de transporte. Tercero, al incluir la troncal de Transmilenio y las áreas de infraestructuras de
8 AITR hace referencia a unidades de infraestructura dedicadas a la articulación del sistema de Transmilenio con el
Sistema Integrado de Transporte Público (SITP) como intercambiadores de pasajeros o espacios especializados para el
trasbordo de pasajeros.
21
transporte (AITR) es posible medir la accesibilidad al TM, al sistema integrado de transporte público
(SITP) y a la articulación de ambos. Finalmente, el andén (infraestructura peatonal) mide el acceso
al uso de la caminata como medio de transporte principal y se considera como un equipamiento
conexo al uso de transporte público (área de espera). Ahora bien, el componente de seguridad (proxy
de presencia policial) es transversal a todos los medios de transporte y responde a las garantías de
seguridad que pueden tener los distintos tipos de usuarios. Por otro lado, otro motivo por lo cual sólo
se usan estas variables es el acceso a información geográfica histórica. Si bien hay muchas otras
variables geo-referenciadas que podrían complementar el análisis, el acceso a ellas está limitado a su
visualización.
Conceptualmente, para la elaboración de variables a nivel de individuo, se hace uso de las Zonas de
Análisis de Transporte (ZAT) donde se ubica espacialmente cada individuo desde su punto de partida.
Para cada infraestructura se establece un área de influencia de 500 metros alrededor de ella y la ZAT
que tengan dentro de dicha zona de influencia el 50% o más de su área, es considerada como una
ZAT que cuentan con ese bien público. Metodológicamente, esta conceptualización de variables va
en línea con varios estudios de desarrollo regional donde se analiza la accesibilidad a medios de
transporte (Cervero, 2003). El valor de 500 metros se toma de múltiples guías de planeación urbana
donde los lineamientos para el uso de medios de transporte e infraestructura establecen que la
caminata para acceder a medios de transporte es de 400 o 500 metros (NZ Transport Agency, 2014)
(Transport for Greater Manchester, 2013) (The Institution of Highways & Transportation, 2000).
Gráficamente, esta conceptualización se puede ver en el siguiente gráfico. El área de influencia del
ciclo parqueadero (color manzana) cubre más del 50% de dos ZAT (marcadas con el número 1 y 2)
de manera que quien inicie su viaje desde la ZAT 1 o 2 contará con la infraestructura para su uso.
Gráfico 1. Área de Influencia de Bien Público y ZATs.
22
5. Datos
Como ya se ha mencionado previamente, se usa la Encuesta de Movilidad de Bogotá para el año 2015
y para las estimaciones se usan los viajes realizados en un día hábil. Como complemento, se utilizan
mapas e información geo referenciada proveniente de la Secretaria de Movilidad, IDECA y de foros
de movilidad en Esri. De entrada, se dará una breve descripción de los datos utilizados y un panorama
de los bienes públicos de transporte en la muestra, variables que serán el eje central en las
estimaciones.
En primera instancia, la variable dependiente (medio de transporte predominante) se presenta como
la distribución modal de transporte, la cual toma 8 valores posibles (cada medio de transporte) y su
unidad de análisis es el viaje realizado por cada persona de la muestra (Tabla 1). Siguiendo la
definición de transporte sostenible presentada anteriormente, de acuerdo con la tabla 1, más del 40%
de los viajes en la muestra se realizan en medios de transporte sostenibles y activos9 (bicicleta o
caminata + transporte público). Esto tiene implicaciones positivas en términos de salud pública pues
quienes realizan estos viajes representan en promedio un costo menor de salud (atenciones médicas,
tratamientos, etc.) y contribuyen a evitar la contaminación en el espacio urbano (Díaz del Castillo, y
otros, 2015). Tal como se evidenció anteriormente, el espacio público para peatones y la calidad de
infraestructura para ciclistas es dispar en la ciudad. No obstante, en conjunto, estos medios de
transporte mueven en conjunto 41.46% de los viajes en Bogotá. Esto motiva a pensar que una mejora
en las condiciones del equipamiento conexo a estos medios de transporte podría mantener esta
proporción de viajes y posiblemente incrementarla al cambiar la decisión de transporte para quienes
no los utilizan regularmente.
Tabla 1. Distribución Modal
Medio de Transporte Participación (%)
TPC-SITP 23.45
Automóvil 9.96
Moto 4.64
Bicicleta 6.51
Otros: ilegal, escolar,
institucional, etc. 5.82
Caminata 34.95
Taxi 2.98
Transmilenio 11.69
9 Se considera un medio de transporte activo aquel donde el principal combustible empleado sea la energía del cuerpo
humano. Entre ellos, se encuentra la bicicleta, la caminata sola o acompañada de un medio de transporte público (Díaz
del Castillo, y otros, 2015).
23
Espacialmente, la demanda por transporte sigue patrones de acuerdo con el marco temporal del viaje,
y al modo predominante. En lo que respecta a los orígenes de viaje, su distribución geográfica se da
en concordancia con la intuición de que, a mayor densidad poblacional, mayor concentración de
orígenes de viaje. Sin embargo, esto ocurre para ciertos medios de transporte. Viajes en transporte
público, bicicleta o moto se dan en su mayoría desde las localidades más pobladas y alejadas de los
centros de empleo como lo son Bosa, Ciudad Bolívar, Usme, entre otras. Esta distribución puede
explicarse en parte por los niveles de ingreso y por el tipo de viajes que usualmente se realizan desde
estas áreas alejadas (viajes de larga duración). Por el contrario, viajes en automóvil o en caminata
tienen una distribución más homogénea en el territorio, aunque con algunos focos de viaje en la zona
centro oriente.
Con respecto a los destinos de viaje, la mayoría de ellos se realizan hacia la zona centro oriente (Ej.
Viajes en transporte público, mapa 1), tradicionalmente la zona donde se ubican grandes centros de
empleo. Lo anterior, soportado en el informe de aglomeraciones de Bogotá de 2012, donde se
evidenció que el sector servicios fue una de las actividades que concentró una gran cantidad de
empleos y que geográficamente se localiza en su mayoría en el corredor centro oriente desde la UPZ10
Nieves hasta la UPZ Chico Lago Norte (CID, 2012). No obstante, viajes en medios de transporte
como la bicicleta tienen una distribución bastante homogénea en el territorio, comparado con viajes
en moto cuya distribución es marcada hacia los centros de empleo mencionados anteriormente.
Mapa 1. Viajes transporte público-Destino
Fuente: Cartilla Encuesta de Movilidad 2015
10 Unidad de Planeamiento Zonal
24
Por otro lado, con respecto a las variables explicativas de mayor importancia (bienes públicos de
transporte), en la Tabla 3 se registra el acceso de los ciudadanos en la muestra a cada tipo de
equipamiento. Es posible evidenciar un problema de accesibilidad a Transmilenio dado que menos
de la mitad de los viajes cuentan con acceso a una troncal o a una AITR que conecta al usuario con
el sistema de troncales. Sin embargo, como se puede evidenciar en el mapa 6 Anexo, Transmilenio
es un sistema que se ha introducido en las vías más amplias de la ciudad y dado que se mueve en la
superficie, necesita de vías con especificaciones técnicas particulares para ser implementado. Esto
sumado al incremento casi inexistente de la oferta vial en los últimos años motiva a pensar sobre si
extender la red de TM es realmente la solución al limitado acceso de las personas al sistema de
transporte masivo. Lo anterior, debido a que extender la red implicaría un trade-off de capacidad de
implementación con otros medios de transporte sostenibles que también dependen del espacio en
superficie para operar (bicicleta y caminata).
Tabla 2. Acceso a infraestructura de transporte
Variable ZAT de referencia Porcentaje de viajes que
cuentan con la infraestructura
Troncal de Transmilenio Origen del viaje 18.95 %
Cicloruta Origen del viaje 38.27 %
Bici carril Origen del viaje 28.65 %
Ciclo parqueadero Destino del viaje 9.67 %
Anden Origen del viaje 24.58%
AITR Origen del viaje 11.95 %
CAI y Estaciones de Policía Origen del viaje 33.03 %
Como complemento al análisis previo, de la Tabla 2 también es importante destacar que, aunque el
bici- carril es una mejor opción en cuanto al nivel de servicio (calidad) 11 (Pardo, Quiñones, López,
& Prado, 2011), su red no se encuentra conectada en su mayoría (Mapa 2, Anexo), a diferencia de la
red de ciclorutas (mapa 4, anexo). Esto ha hecho que esta última siga siendo la infraestructura más
accesible a los usuarios de la bicicleta. Sin embargo, esta cuenta con altos niveles de inseguridad y
un estado irregular en su red (Defensoría del Pueblo, 2016), lo cual no garantiza un aprovechamiento
de su red extensa. Finalmente, resulta paradójico encontrar que siendo la caminata el medio
predominante de transporte, tan solo 24% de los viajes tienen acceso a un andén con especificaciones
estándar. De igual manera, es importante recalcar que el andén no es de uso exclusivo para peatones.
11 Se le considera una infraestructura ciclo inclusiva de mayor calidad pues reduce la accidentalidad vial al separar el
espacio del ciclista del espacio peatonal (Ministerio de Transporte, 2016)
25
Quienes optan por el transporte público también hacen uso de este bien público que, de acuerdo a la
muestra en cuestión, parece ser muy escaso.
Con respecto a las demás variables explicativas, en la siguiente tabla se presenta una descripción
detallada de cada una de ellas. Del gráfico 2 (Anexo), se puede evidenciar que la muestra está
concentrada en los estratos medios y bajos, y de acuerdo con los reportes oficiales (Secretaria de
Movilidad, Transconsult, & Infometrika, 2015), la Encuesta de Movilidad es significativa para todas
las localidades. Esto representa un beneficio importante para el análisis pues se tendrán en cuenta los
grupos poblacionales que deben desplazarse desde áreas perimetrales (y con un déficit de bienes
públicos de transporte) de la ciudad hacia los centros de empleo. Adicionalmente, es posible observar
que gran parte de los viajes (69.2%) se reportan hechos en hora pico, lo cual le da un valor agregado
a la muestra pues pone en evidencia escenarios temporales en la ciudad donde existe congestión de
uso de la infraestructura conexa a los medios de transporte. Finalmente, en cuanto a la duración y
distancia de viaje, resulta importante destacar que hay una gran dispersión en los datos. Se cuenta con
viajes bastante cortos en duración, viajes que duran 1 minuto y posiblemente abarcan una o dos
cuadras, y otros que involucran un intercambio modal desde un municipio aledaño a la ciudad y que
cuentan con duración de más de dos horas en total.
26
Tabla 3. Estadísticas Descriptivas
Variable Definición Fuente Valor
promedio Desv. Est.
Valor
mínimo
Valor
máximo
Género 1= Hombre, 0=Mujer E.M 2015 0.518062 0.4996757 0 1
Edad Años E.M 2015 36.05314 18.42766 5 99
Nivel educativo Desde primaria hasta
postgrado (en niveles) E.M 2015 6.180612 2.393475 1 12
Estrato del hogar Estrato socio económico E.M 2015 2.376908 0.8335077 1 6
ZAT hogar Zona de análisis de transporte
donde se ubica el hogar. E.M 2015 638.9125 289.9979 6 999
Viaje área
metropolitana
Bogotá
1=Si el viaje se realizó desde E.M 2015 .0538863 .2257941 0 1
Tiempo de
recorrido Duración del viaje en minutos E.M 2015 45.30679 87.96024 1 240
Ciclo parking en
lugar de destino 1, Tiene acceso; 0, No tiene
Secretaría de
Movilidad 0.096725 0.2955851 0 1
Troncal 1, Tiene acceso; 0, No tiene IDECA 0.189525 0.3919274 0 1
Ciclorruta 1, Tiene acceso; 0, No tiene IDECA 0.382722 0.4860535 0 1
Bici carril 1, Tiene acceso; 0, No tiene Secretaría de
Movilidad 0.286498 0.4521267 0 1
Anden 1, Tiene acceso; 0, No tiene IDECA 0.245846 0.4305898 0 1
AITR 1, Tiene acceso; 0, No tiene IDECA 0.119523 0.3244047 0 1
CAI y estaciones de
policía 1, Tiene acceso; 0, No tiene
Portal de
mapas Bogotá 0.330261 0.4703093 0 1
Viaje en "hora
pico" 1, si el viaje se hace en hora
pico; 0, de lo contrario E.M 2015 0.692868 0.4613065 0 1
Motivo de viaje:
atención médica Si el motivo de viaje es una
consulta o urgencia médica. E.M 2015 0.027353 0.1631126 0 1
Motivo de viaje:
estudio El motivo de viaje es ir a
estudiar. E.M 2015 0.104939 0.3064766 0 1
Motivo de viaje:
trabajo
El motivo de viaje es ir a
trabajar, trámites relacionados
con trabajo o buscarlo.
E.M 2015 0.207941 0.405836 0 1
Distancia Distancia del viaje en
kilómetros E.M 2015 9.203208 12.79514 0 67.6744
Licencia de moto 1, Posee licencia moto; 0, No. E.M 2015 .0370847 .18897 0 1
Uso de vehículo
privado (automóvil) 1, Posee un automóvil; 0, No E.M 2015 .068673 .2528981 0 1
Latitud origen En notación decimal E.M 2015 4.708057 0.1333625 4.443598 5.025215
Longitud origen En notación decimal E.M 2015 -74.11347 0.0994005 -74.4639 -73.8733
Nota 1: Observaciones para todas las variables: 121,767
Nota 2: E.M 2015 se refiere a la Encuesta de Movilidad de Bogotá año 2015.
6. Resultados
En primer lugar, se presenta evidencia estadística que soporta la inclusión de los bienes públicos de
transporte como pieza fundamental del modelo de utilidad aleatoria planteado en la sección 4. En la
tabla siguiente se presentan algunos estadísticos de ajuste de los modelos. Se puede evidenciar que el
27
R cuadrado de Cox & Snell, que mide el ajuste del modelo a los datos corrigiendo por el tamaño de
muestra, y el R cuadrado de McFadden que mide el cambio en el ajuste de los datos al incluir las
variables explicativas en la estimación (Institute for Digital Research and Education, 2011), muestran
un mejor ajuste para el modelo que incluye los bienes públicos. De igual manera, a partir del Criterio
de Información de Akaike y del Criterio de Información Bayesiana representados en los estadísticos
AIC y BIC correspondientemente, es posible evidenciar que el modelo con bienes públicos tiene un
mejor ajuste bajo ambos criterios. Así mismo, de acuerdo con la tabla 10 (Anexo), es posible ver que
la magnitud de los coeficientes se incrementa para variables de viaje y cambia para algunas variables
socio económicas, sin que la significancia estadística de sus coeficientes se pierda.
Tabla 4. Cambio en el ajuste del modelo
Estadístico Modelo
con Bienes Públicos sin Bienes Públicos
R cuadrado: Cox & Snell 0.444 0.4113
R cuadrado: McFadden 0.165 0.149
AIC 362,036.9 368,826.6
BIC 363,260.4 369,574.3
De acuerdo con la validación anterior, a continuación, se presenta la estimación del modelo base
Multinomial Logit (Mlogit) y de su primera variación, el modelo Logit Mixto (Mixed). De la primera
estimación se revisarán los resultados correspondientes a las variables de viaje y socio económicas.
Esto pues el análisis de las variables de interés se realizará solo para el modelo espacial en tanto que
es el modelo con mayor validez pues como se analizó en la anterior sección del presente trabajo,
controla por las heterogeneidades y dependencias a nivel espacial de la elección modal de transporte
y captura características no observables del espacio urbano en sus parámetros particulares. Del
segundo modelo planteado (Logit Mixto) se analizará la distribución de los parámetros en la
población con el fin de evidenciar posibles efectos heterogéneos de la infraestructura de transporte
sobre los ciudadanos.
28
Tabla 5. Resultados Modelo Multinomial Logit (Efectos Marginales)
Variable Medio de transporte
TPC Automóvil Moto Bicicleta Otro Caminata TM Taxi Sexo 0.0668984 -0.055613 -0.0362878 -0.066987*** -0.0088023** - 0.0039792*** 0.0038594**
(0.0030397) (0.0017651) (0.0012532) (0.0017214) (0.0015642) - (0.0009534) (0.0015386)
Edad 0.0013082 0.0013784 -0.0003986 -0.000101*** -0.001877*** - 0.0004214*** 0.0000741
(0.0000899) (0.0000509) (0.0000293) (0.0000376) (0.0000503) - (0.0000298) (0.0000492)
Nivel educativo 0.0136868 0.013011 0.0027923 0.0035102** -0.009961*** - 0.0023273** 0.0117447**
(0.000711) (0.0003753) (0.0002378) (0.0003506) (0.0003959) - (0.0002169) (0.0003751)
Estrato -0.0695636 0.0445128 -0.0058584 0.0001684*** 0.0207549** - 0.0102873 -0.0190349**
(0.002259) (0.0011865) (0.0007486) (0.0010538) (0.0010818) - (0.0006159) (0.0011665)
Uso de vehículo privado -0.0180022 0.0624594 0.0084782 -0.004908*** -0.0006801 - -0.0013399* -0.0097394*
(0.0021922) (0.0009144) (0.0007049) (0.0011148) (0.0010544) - (0.0006945) (0.001175)
Licencia moto -0.1320942 -0.0394087 0.426894 -0.023611*** -0.025481*** - -0.010369*** -0.0402636**
(0.006706) (0.0033787) (0.0087788) (0.0026489) 0.0033498) - (0.002181) (0.0030902)
ZAT -0.0006041 0.0004018 0.0000491 0.0007731** 0.0004541** - -0.000257*** -0.000728***
(0.0000559) (0.0000333) (0.0000186) (0.000032) (0.0001305) - (0.0000183) (0.0000304)
Hora pico -0.0133392 -0.0006558 0.0020428 0.007417*** -0.027332*** - 0.0092038** -0.005891***
(0.0032748) (0.0018166) (0.0010752) (0.0015243) (0.0019355) - (0.0011376) (0.0017262)
Motivo de viaje: Estudio
-0.0243411 -0.040435 -0.0167689 -0.0297327** 0.0318269** - -0.0127091 0.0670576*
(0.0058142) (0.0028966) (0.0014214) (0.0019306) (0.0030105) - (0.0118031) (0.0043416)
Motivo de viaje: Trabajo 0.0842952 0.00607 0.0201574 0.0206003*** 0.0238979*** - 0.0020696*** 0.0528771**
(0.0040074) (0.0020371) (0.0015111) (0.001912) (0.0023717) - (0.0012909) (0.0025034)
Motivo de viaje: Atención medica
0.1294001 0.0154926 -0.0207874 -0.046985*** -0.044653*** - 0.0608582* 0.120208***
(0.0095641) (0.0053295) (0.0024175) (0.0026492) (0.0034532) - (0.0051361) (0.0077736)
Distancia de viaje (km) 0.0104571 0.0042979 0.0011161 -0.001035*** 0.002193* - 0.0004667** 0.0041688
(0.0002747) (0.0000851) (0.0000438) (0.0000978) (0.007163) - (0.0000549) (0.018119)
Duración de viaje (minutos) 0.0013296 -0.0002159 -0.0001196 -0.000247*** -0.000162*** - -0.000102*** 0.0010757**
(0.0001295) (0.0000223) (0.00000979) (0.0000184) (0.0000267) - (0.0000089) (0.000039)
Pseudo R cuadrado: 0.1977 Nota 1: *Significativo al 10%, ** Significativo al 5%, *** Significativo al 1%
Nota 2: 121,767 observaciones. Nota 3: Erroes estándar en paréntesis
De la primera estimación (Tabla 5) es importante recalcar que se reafirman varios resultados de la
literatura de la economía de transporte, para el caso Bogotá. En primer lugar, con respecto a las
variables socioeconómicas se observa que tener un estrato mayor implica tener una probabilidad más
alta de uso de automóvil -6.2 puntos porcentuales- relativo a caminar. Esto concuerda con el
imaginario colectivo de que la tenencia y uso del automóvil se da principalmente en los segmentos
de la población donde residen los mayores ingresos. Es por ello, que una política encaminada al
desestimulo de uso de dicho medio de transporte debe contemplar los segmentos de la población que
lo utilizan principalmente y así direccionar las campañas e intervenciones de política pública. Otro
resultado importante alusivo a las variables propias del individuo es que la tenencia de vehículos
privados (moto y automóvil) influencia su uso cotidiano pero los efectos son dispares. La tenencia de
automóvil aumenta la probabilidad de su uso en 6.2 puntos porcentuales, relativo a caminar, mientras
29
que la tenencia de la moto aumenta su uso en 42.6 puntos porcentuales. Parece entonces que la moto
es considerada un bien de uso necesario, más que un salto hacia la comodidad y confort como si lo
es el carro. Es decir, que quienes poseen una moto la necesitan debido a múltiples razones (velocidad,
es un instrumento de trabajo, viajan largas distancias, etc.) y no es un bien de lujo.
En segundo lugar, con respecto a las variables propias del viaje, existen varios hallazgos. En línea
con varios autores, ante un aumento en la distancia del viaje, la demanda por transporte propende a
medios más rápidos como la moto o el TM, o a medios más cómodos como el taxi o el automóvil.
Por ejemplo, ante un aumento de 1 kilómetro en la distancia de viaje, la probabilidad de usar moto
relativo a caminar incrementa en 0.14 puntos porcentuales y la de usar taxi en 0.4 puntos porcentuales.
Adicionalmente, un resultado importante corresponde a cómo cambia la decisión modal ante un
escenario de congestión (hora pico) donde el volumen de uso de infraestructura de transporte se eleva
y por tanto el nivel de servicio que ofrece el equipamiento es menor (Fujita, 1989). Se encuentra que,
en este escenario, la demanda por transporte se inclina hacia medios de transporte rápidos como la
bicicleta (aumento de probabilidad de uso en 0.7 puntos porcentuales) y Transmilenio (aumento de
probabilidad de uso en 0.9 puntos porcentuales), y menos hacia medios que sufren en mayor medida
la congestión vehicular como el automóvil y el TPC.
Del modelo Logit Mixto es importante analizar la distribución de los parámetros entre la población.
De acuerdo con los resultados del gráfico 3 presentado a continuación, existe una alta variación en
los efectos de algunas variables de bienes públicos de transporte entre la población. Esto implica que
los efectos que tienen los bienes públicos sobre los ciudadanos son heterogéneos entre personas. Este
es el caso de equipamientos como el andén, la ciclo ruta o las AITR. Puede decirse que para este
grupo de bienes públicos hay una reacción en la elección modal muy heterogénea ceteris paribus
otras variables. Tener acceso a un ciclo ruta tiene un efecto dispar sobre personas con diferentes
características socioeconómicas, de viaje y del espacio urbano donde se encuentran. Esto concuerda
con estimaciones como la de Suna, Ermagun y Dan (2017) quienes para el caso de varias ciudades en
China encuentran que los atributos del espacio urbano residencial son más influyentes en el uso de
transportes no motorizados que aquellos del espacio aledaño a los lugares de empleo. Por otro lado,
se evidencia poca variación en el efecto del CAI y las estaciones de policía, esto indica un efecto
homogéneo de la provisión de seguridad como un bien público sobre el uso de los distintos medios
de transporte.
30
Resultados como el de Suna, Ermagun y Dan (2017) le dan una trascendencia a la heterogeneidad
espacial que supone la decisión de transportarse. Esto motiva a focalizar el análisis a estimaciones
donde se puedan abordar las heterogeneidades de la ciudad en la modelación de manera directa y que
tenga un papel fundamental en el análisis de la demanda de transporte, como sucede en los modelos
espaciales. Es por ello que el grueso del análisis relacionado con las variables de interés (bienes
públicos de transporte) se basará exclusivamente en el modelo espacial presentado en seguida.
Gráfico 3. Desviación estándar de coeficientes de bienes públicos (Logit Mixto)
Modelo Espacial
1. Análisis Exploratorio Espacial.
Del análisis espacial de la muestra, se encontró que existe auto correlación espacial en la variable
dependiente (elección modal de transporte). Esto se puede observar en la Tabla 6, donde el I de Moran
univariado, que mide la auto correlación espacial en los datos, tiene un valor positivo y significativo
al 10 y 5 %. De igual modo, otros indicadores relevantes para el análisis exploratorio espacial como
el C de Geary, que a diferencia del I de Moran mide la auto correlación espacial a nivel local (Briggs
& Henan, 2010), arrojaron resultados similares indicando que la elección modal de transporte es una
variable que presenta auto correlación espacial para el caso de Bogotá. Esto implica que el supuesto
de Gauss-Markov de que la variable es fija (no estocástica) en muestreo repetido no se cumple dado
que existe una heterogeneidad o dependencia espacial en los datos (LeSage, 1999). Por ende, se
deben utilizar métodos de estimación alternativos para tener en cuenta este fenómeno.
-0,01
0,09
0,19
0,29
0,39
0,49
0,59
0,69
0,79
TPC Automóvil Moto Bicicleta Otro TM Taxi
Desviación estándar
AITR Anden Ciclorruta Troncal Ciclo parking CAI y estación de Policia
31
Tabla 6. I de Moran
El análisis previo se complementa con el Modelo de Tendencia de la Tabla 7, donde se evalúa si la
variable dependiente sigue algún tipo de comportamiento espacial en función de su latitud y longitud.
Por ejemplo, si la elección modal de ciertos transportes (Ej. automóvil y moto) cambia conforme
cambie la localización geográfica del viaje. De acuerdo con los resultados del modelo, es posible
concluir que hay una tendencia geográfica en los datos, tanto en latitud, longitud y en la combinación
de ambas coordenadas. Estos resultados validan la elección de un modelo econométrico espacial para
aproximarse a los datos y a la pregunta de investigación.
Tabla 7. Modelo de Tendencia
Variables Medio de transporte predominante
Latitud de origen 199.1***
(52.62)
Longitud de origen -11.14***
(3.402)
Latitud*Longitud
(Y*X) 2.764***
(0.71)
Constante -790.0*** (252)
Observaciones 145,543
R-cuadrado 0.046
Nota 1: *Significativo al 10%, ** Significativo al 5%, ***
Significativo al 1%,
Dado el análisis anterior, se procedió a realizar un diagnóstico de regresión con el fin de identificar
la especificación espacial adecuada para los datos. Se utilizó la misma medida de diagnóstico
(Multiplicador de Lagrange adaptado para cada tipo de modelo) para obtener resultados comparables
y así escoger la mejor especificación. Bajo este test, la hipótesis nula implica un mejor ajuste en el
modelo multinomial sin ningún tipo de estructura espacial mientras que la alterna implica un mejor
ajuste al incluir algún tipo de estructura especial en la estimación. De este modo se comparan las
probabilidades de rechazo de la hipótesis nula entre las tres posibles especificaciones espaciales, de
auto correlación espacial en la variable dependiente (SAR), en el componente de error (SEM) o en
ambos términos (SARAR). Se escoge el modelo que rechace la hipótesis nula con el mayor nivel de
I de Moran E(I) Desv. Est (I) Z P-valor
0.371666181 -0.001 0.02198008 1.7898051 0.047914
32
precisión y de acuerdo con lo expuesto en la tabla 8, el modelo SARAR es el que mejor se ajusta al
comportamiento espacial de los datos.
Tabla 8. Diagnóstico de Regresión
Test Modelo
SAR SEM SARAR
Múltiplicador de Lagrange (LM) 3.9289 4.1127 6.18266
P-valor 0.04317 0.03900 0.00113
Teniendo en cuenta los resultados de la tabla anterior, se estimó un modelo Multinomial Logit con
especificación espacial tipo SARAR (Modelo de Rezago y Error Espacial). Sus resultados se resumen
en la Tabla 9. Vale la pena notar que las variables de Ciclo parqueaderos y el componente de
seguridad (CAI y Estaciones de Policía) no se pudieron estimar debido a que, al incluirlas el modelo
no lograba converger hacia una solución computacionalmente cerrada.
Tabla 9. Modelo Multinomial espacial tipo SARAR (Efectos marginales)
Variable Medio de transporte
TPC Automóvil Moto Bicicleta Otro Caminata TM Taxi
AITR 0.17749 -0.26194 0.40173* -0.21921* -0.04972 - 0.20539** 0.16124
(0.14325) (0.21597) (0.21067) (0.22504) (0.22349) - (0.15027) (0.18139)
Anden 0.39662*** -0.07939 -0.21101 -0.72962** -0.17712 - 0.37357* 0.05744
(0.13269) (0.15929) (0.22914) (0.24366) (0.21445) - (0.20861) (0.16004)
Ciclorruta -0.12814* -0.03291 -0.17050* 0.30393 -0.35455* - 0.35343* 0.45310***
(0.09272) (0.14986) (0.10751) (0.19689) (0.19388) - (0.20680) (0.15321)
Bici carril -0.30978** -0.08503* -0.10578** 0.43152*** -0.01066 - -0.01309 0.09169
(0.13188) (0.14733) (0.11137) (0.11914) (0.21695) - (0.21046) (0.16075)
Troncal 0.21517 0.29994 * 0.67949*** -0.1260 0.02462* - 0.37909** 0.20375*
(0.14567) (0.16275) (0.21228) (0.16089) (0.15072) - (0.13065) (0.10696)
Ciclo parking - - - - - - - -
- - - - - - - -
CAI y estación
de Policía
- - - - - - - -
- - - - - - - -
𝜆 0.10375* 0.15147* -0.17532 0.27559** 0.28246 - 0.12442 0.16542
𝜌 0.08005 -0.26617** -0.15292 0.29941** 0.31668* - -0.1274** 0.00379
Nota 1: *Significativo al 10%, ** Significativo al 5%, *** Significativo al 1%,
Nota 2: 121,767 observaciones
Nota 3: Controles utilizados: Género, edad, estrato, ZAT de hogar, nivel educativo, motivo de viaje, tenencia de automóvil, licencia
de moto, distancia de viaje, tiempo de recorrido, viaje en hora pico y viaje desde área metropolitana.
En primer lugar, es importante caracterizar los parámetros estimados de auto correlación espacial en
la variable dependiente (𝜌) y en el término de error (𝜆). En cuanto al primer parámetro, existen
efectos dispares entre medios de transporte. Para el caso del automóvil y del TM, el parámetro es
negativo y significativo. Esto indica un desincentivo de uso hacia estos medios a medida que haya
33
personas en ubicaciones geográficas aledañas que también optan por estos medios. Esto puede estar
explicado por la congestión en el uso del espacio. Unos, usan la vía como espacio de transporte y los
otros, las estaciones de TM como espacio de espera. Al ser dos bienes escasos, la presencia de un
consumidor más desmejora el nivel de servicio y por ende existe un desincentivo al uso. Caso
contrario es el de los usuarios que optan por la bicicleta. Existe un fenómeno “manada” a nivel
espacial en el uso de este medio. Al haber más personas que utilizan la bicicleta en espacios aledaños,
existe un incentivo a “seguirlos” y utilizarlo. Esto puede estar explicado por una percepción de
seguridad mayor al notar otros ciudadanos usando el medio. Este resultado concuerda con
estimaciones como las de Vanoutrive y otros (2009), quienes obtienen un indicador de auto
correlación espacial positivo en el uso de bicicletas debido a las características del espacio que
comparten grupos localizados en una misma área para el caso de Bélgica.
Por otro lado, referente al segundo parámetro (auto correlación espacial en el error), es importante
mencionar dos resultados en particular. Primero, existen características no observables que afectan la
dependencia espacial en el uso de la bicicleta. Entre ellas, puede estar el índice de criminalidad del
barrio, el acompañamiento de las autoridades a los usuarios o la tasa de accidentes viales en la zona.
Segundo, hay una dependencia espacial fuerte en términos de variables no observables referente a la
demanda por transporte público (TPC). Entre ellas, factores como el número de rutas de transporte
colectivo en la zona, el alumbrado público, patrullaje de policía, entre otras. Estas variables tienen
una influencia directa sobre el aprovechamiento de los equipamientos conexos a este medio de
transporte y por ende a su uso. Finalmente, vale la pena recalcar que por lo general el parámetro de
auto correlación espacial en el error tiene una magnitud mayor al de auto correlación espacial en la
variable dependiente. Este resultado va en línea con autores como Glass, Kenjegalievay Sickles,
(2012), quienes afirman que dicho parámetro logra capturar más fuentes de dependencia especial en
las decisiones de transporte.
Con respecto a las variables de interés (bienes públicos de transporte), los resultados del modelo
espacial presentan algunos cambios con respecto a los primeros dos modelos. El primero, es que,
como consecuencia de la reducción del sesgo por variable omitida, el efecto del acceso de algunos
equipamientos de transporte resulta no significativo, contrario a las primeras estimaciones. Este es el
caso de variables como AITR y Cicloruta que para varios medios de transporte no son significativas.
Sin embargo, resultados hallados en los modelos anteriores se mantienen y en algunos casos se
vuelven más pronunciados como el efecto positivo del bici-carril sobre el uso de la bicicleta (aumento
34
de la probabilidad de uso en 43 puntos porcentuales, relativo a caminar). Con respecto a los medios
de transporte no motorizado (bicicleta y caminata) se obtienen varios resultados interesantes. En
primer lugar, la presencia de un andén con especificaciones técnicas estándar desestimula el uso de
la bicicleta en 72 puntos porcentuales. Esto resulta un tanto contra intuitivo pues la bicicleta es un
medio flexible (en cuanto a su espacio de uso) y por ende este tipo de infraestructura no debería tener
un impacto significativo. Sin embargo, este resultado concuerda con autores como Heydon y Lucas-
Smith (2014) o con guías de transporte como la de Queensland (2006) quienes encuentran
inconveniente un espacio compartido entre ciclistas y peatones (mayor propensión a accidentes y a
reducción de momentum en el viaje en bicicleta). De igual modo, esto va acorde con estudios
preliminares en Bogotá (intervención carrera 11) donde al separar el espacio de los peatones con el
de los ciclistas, el uso de la bicicleta aumentó (Pardo, Quiñones, López, & Prado, 2011). En esa
misma línea argumentativa, se sigue encontrando que el bici-carril es una infraestructura que inclina
la elección modal hacia el uso de la bicicleta como medio de transporte. Esto ha sido subrayado en
varias guías de ciclo infraestructura donde se evidencia que a comparación de la ciclo-ruta en anden,
el bici-carril representa mayor calidad hacia el usuario (velocidad y visibilidad) (Ministerio de
Transporte, 2016).
Con respecto al transporte público, se encontraron varios hallazgos dignos de resaltar. El primero, es
que la presencia de AITR y de troncales de Transmilenio en las inmediaciones del viaje fomenta el
uso de este medio como transporte principal- 20 puntos porcentuales y 37 puntos porcentuales
relativos a caminar respectivamente. Esto va en línea con autores como Boulange y otros (2017)
quienes encuentran que para el caso australiano (Melbourne), tener acceso a infraestructura de
transporte público como paradas y conexiones aumenta la probabilidad de usar dichos medios de
transporte. En relación a quienes usan el TPC para movilizarse en el día a día, se encuentra que contar
con una infraestructura peatonal como lo es el andén incentiva el uso de dicho transporte como medio
principal. Específicamente, incrementa la probabilidad de uso en 39 puntos porcentuales, relativo a
caminar. Esto concuerda con múltiples autores (Chakour & Elurua, 2013; Ewing & Cervero, 2010;
Suna, Ermagun & Dan, 2017) que han encontrado que contar con espacio de tránsito peatonal
aumenta la probabilidad de usar transporte público como buses. Por otro lado, se encuentra un efecto
negativo de la presencia de un bici carril en las inmediaciones del viaje para usuarios de transporte
público. Esto podría estar explicado como un efecto indirecto, pues el bici carril al ser un tipo de
infraestructura en vía, le resta espacio de operación a otros medios de transporte.
35
Conclusiones
En el presente trabajo de investigación, se analizó cómo la elección modal de transporte en Bogotá
se ve afectada por el stock de bienes públicos de transporte. Este equipamiento representa barreras
(en caso de congestión o déficit) o incentivos directos al uso de medios de transporte dado que tiene
como fin fomentar el acceso del usuario al medio de transporte escogido. Dado el direccionamiento
que se le ha dado a la ciudad en términos de planeación urbana desde hace más de 15 años, es
importante examinar por qué la ciudad no ha migrado en gran medida hacia un progreso modal (uso
de medios de transporte activos y/o sostenibles).
Desde la literatura y en varias ciudades, se han planteado modelos de desarrollo urbano donde se le
ha dado importancia al papel del estado como proveedor de bienes públicos para encaminar la
demanda hacia medios de transporte sostenibles. De igual modo, se han realizado evaluaciones
juiciosas donde el stock de equipamiento es un determinante en la demanda por transportes
específicos (Strauss & Miranda-Moreno, 2013) (Aziz, y otros, 2017) (Suna, Ermagun, & Bo, 2017).
Motivado por estos estudios y panoramas de ciudades en el mundo, el trabajo adquiere valor en cuanto
a que articula el análisis econométrico riguroso con el estudio del transporte urbano, un tema no muy
explorado desde la economía y mucho menos en Colombia.
Se estimaron tres modelos, un Logit multinomial, un Mixed Logit y un modelo econométrico
espacial. El primero, con el objetivo de evidenciar cambios en los resultados bajo un modelo donde
se permite una correlación entre alternativas de elección y una heterogeneidad en las preferencias de
los individuos (parámetros para cada observación) y el segundo para dar cuenta de la auto correlación
espacial en la decisión de transporte. Sin embargo, dada la evidencia en la literatura (Strauss &
Miranda-Moreno, 2013) (Glass, Kenjegalieva, & Sickles, 2012) y dado el análisis espacial realizado
en el presente trabajo, se considera que un modelo que no incorpore la espacialidad presente en las
dinámicas de transporte de la ciudad y en la elección modal puede llegar a tener un sesgo por variable
omitida que opacaría considerablemente los resultados encontrados. Luego, el modelo a considerar
como eje fundamental del trabajo es el Modelo Espacial Generalizado estimado. De su estimación se
logra extraer varias conclusiones importantes para la formulación de políticas públicas.
Se encontró que hay equipamientos como la cicloruta que deben ser analizados con mayor
detenimiento pues en ciertos escenarios no representa un incentivo claro para el uso de la bicicleta
(efecto no significativo para el uso de bicicleta como principal medio de transporte bajo el modelo
36
espacial). Por el contrario, el bici-carril sí parece representar un componente importante de
accesibilidad pues un viaje que cuente con dicha infraestructura tiene una probabilidad mayor, 33
puntos porcentuales, de uso de la bicicleta relativo a caminar. Esto va en línea con autores como
Strauss & Miranda-Moreno (2013) quienes encuentran resultados importantes para ciclistas al incluir
el acceso y la calidad de equipamiento público (especificaciones técnicas de la infraestructura y
ubicación estratégica) para el uso del medio de transporte. Resultados como estos indican que debe
haber una revisión de la calidad de los bienes públicos ciclo-inclusivos y un re diseño urbano
encaminado a incentivar el uso de transportes activos y sostenibles.
Como resultados importantes, se encontró que ciertos bienes públicos de transporte pueden influir
sobre grupos poblacionales diferentes a los cuales pretenden servir en principio. Este es el caso de
infraestructura para peatones como el andén, que, si bien es concebido para incentivar la caminata
como medio predominante, se evidenció que es un factor importante en el uso de transporte público
como es el SITP o acceso a Transmilenio (aumento de la probabilidad de uso en 1.23 puntos
porcentuales y 2.87 puntos porcentuales). Así mismo, se reafirman varios postulados de la literatura
de la economía del transporte, donde a mayor distancia de viaje, la demanda se inclina hacia medios
de transporte cómodos y eficientes en términos de velocidad. Del modelo Logit mixto, se encuentra
una alta heterogeneidad de los efectos de las variables de bienes públicos sobre la población. Como
el modelo permite la estimación de parámetros por individuos, fue posible evidenciar que el efecto
que tiene el acceso a ciertos bienes públicos como el andén y la cicloruta es muy dispar entre
individuos. Esto confirma la hipótesis planteada de que hay niveles de servicio de los bienes públicos
muy dispares entre zonas de la ciudad, así como segmentos de población que, dada su espacialidad y
características, deben ser analizados focalmente para así poder implementar políticas de desarrollo
urbano más eficientes.
Del análisis espacial y estimación del modelo SARAR, se evidencia una alta dependencia espacial en
la demanda por transporte tanto en el término de error como en la variable dependiente. Al obtener
una medida de auto correlación espacial significativa en variables no observables (término de error),
se confirma la hipótesis de Quentin & Renaud (2014) para el caso bogotano. Existen factores no
observables en los datos que tienen efectos directos sobre variables importantes como la demanda
por transporte en la ciudad. En este caso, el estudio de perspectivas en barrios o localidades en temas
como patrones comunes de movilidad, seguridad o calidad del aire deben guiar la política pública
hacia un mejor uso de los espacios en pro de una reducción del uso de transportes no sostenibles. Por
37
otro lado, al obtener una medida negativa y significativa de auto correlación espacial en la variable
dependiente, se hace evidente el déficit de bienes públicos de transporte en la ciudad pues la
congestión de uso de espacios comunes está cambiando la elección modal.
Dicho lo anterior, es importante agregar que para poder llegar a realizar un análisis más profundo
resultaría valioso contar con información histórica de la provisión de bienes públicos en la ciudad.
Esto permitiría realizar el análisis con las demás encuestas de movilidad (2011, 2005 y 1996) y con
otro tipo de información socio económica recogida en el tiempo para poder identificar cambios en la
demanda por transporte, explicados por variaciones en intervenciones de planeación urbana a lo largo
del tiempo. Sin embargo, del presente trabajo se pueden extraer varias implicaciones de política
relevantes a pesar de haber realizado el ejercicio para un solo periodo de tiempo. Una de ellas es, que
al haber una dependencia espacial de la demanda por transporte y de sus determinantes, el diseño de
transporte urbano debe propender a tener un stock de información robusto a nivel zonal antes de
diseñar una política de transporte. De igual manera, es importante realizar una evaluación de la
calidad de los bienes públicos de transporte en Bogotá pues como se evidenció en el modelo Mix
Logit, los efectos de los diferentes equipamientos de transporte son altamente heterogéneos entre la
población, lo cual da indicios de que el nivel de servicio que brindan estos bienes públicos en distintas
zonas de la ciudad es desigual y por ende, no tienen en promedio el mismo efecto de accesibilidad a
medios de transporte para cada ciudadano. Finalmente, una última implicación del trabajo es un
llamado a la multimodalidad del transporte. Como se evidenció en las estimaciones, la presencia de
bienes públicos de transporte como la cicloruta tiene un efecto sobre usuarios distintos a quienes
utilizan la bicicleta, como quienes usan el SITP, la caminata o la moto. Esto indica que una
intervención en pro de ciertos usuarios va a tener efectos colaterales sobre los demás. Esto representa
un reto importante en cuanto a que las nuevas intervenciones de política en temas de movilidad deben
reconocer estos efectos de equilibrio general y tratar de incluirlos en el diseño de proyectos urbanos.
38
Anexo
Gráfico 2. Distribución socio económica por estrato de la muestra
Mapas 2, 3, 4, 5 y 6. Geo ubicación de Bienes Públicos para Transporte en Bogotá.
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
1 2 3 4 5 6
39
40
Tabla 10. Comparación Modelo Base: incluyendo Bienes Públicos vs. omitiendo Bienes Públicos
TPC Automóvil Moto Bicicleta
Modelo sin BP Modelo con BP Modelo sin BP
Modelo con BP
Modelo sin BP Modelo con BP Modelo sin BP
Modelo con BP
Sexo 0.0739621*** 0.076528*** -0.052889*** -0.054857*** -0.066073*** -0.06787*** -0.062926*** -0.062008***
Edad 0.0013526*** 0.0013211*** 0.001548*** 0.0016033*** -0.000621*** -0.000642*** -0.000194*** -0.000120***
Nivel educativo 0.0119989*** 0.0125362*** 0.012933*** 0.0134986*** 0.0043498*** 0.0045028*** -0.005059*** -0.003994***
Estrato del
hogar
-0.059882*** -0.067910*** 0.0485657*** 0.0497169*** -0.0110644*** -0.0118286*** -0.005162*** 0.0002375
Viaje en hora pico
-0.0106441** -0.012256*** 0.0001315 -0.0001704 0.0005558 0.000512 0.007516*** 0.007424***
Motivo de viaje:
Estudio
-0.0086217 -0.0145923** -0.041949*** -0.045267*** -0.0299467*** -0.0310649*** -0.027381*** -0.028617***
Motivo de viaje:
Trabajo
0.0730759*** 0.0752229*** 0.0104757*** 0.0085607*** 0.0290479*** 0.0295965*** 0.0312115*** 0.0203103***
Motivo de viaje:
Atención
médica
-0.138002*** -0.1267522*** 0.0214284*** 0.0165818** -0.0259985*** -0.0272957*** -0.044723*** -0.045521***
Distancia de viaje (km)
0.0100188*** 0.0099316*** 0.0037046*** 0.0036263*** 0.0014642*** 0.0014212*** -0.002252*** -0.001408***
Duración de
viaje (minutos)
0.0013489*** 0.0013377*** -0.000272*** -0.000238*** -0.000177*** -0.0001611*** -0.000299*** -0.000252***
Otro Caminata Transmilenio Taxi
Modelo sin BP Modelo con BP Modelo sin
BP Modelo con
BP Modelo sin BP Modelo con BP Modelo sin
BP Modelo con
BP
Sexo -0.0051422** -0.0057291*** - - 0.0045949*** 0.0050743*** 0.0073948*** 0.0077693***
Edad -0.001871*** -0.0018436*** - - 0.000505*** 0.0004453*** 0.0001766** 0.0001038**
Nivel educativo -0.010386*** -0.0099951*** - - 0.0027996*** 0.0023548*** 0.0156994*** 0.0120256***
Estrato del hogar 0.016336*** 0.0196001*** - - 0.0150719*** 0.0109252*** -0.007794*** -0.019115***
Viaje en hora
pico -0.026315*** -0.0263591*** - - -0.009885*** 0.009352*** -0.0050042** -0.0054601**
Motivo de viaje: Estudio 0.0373373*** 0.0322987*** - - -0.0141593*** 0.0122786*** 0.0353505*** 0.0676489***
Motivo de viaje: Trabajo
0.0298133*** 0.0229865*** - - -0.0019862 0.011282* 0.01548*** 0.0484959***
Motivo de viaje:
Atención
médica -0.039837*** -0.0426075*** - - 0.0602975*** 0.0611153*** 0.0786692*** 0.1163198***
Distancia de
viaje (km) 0.0020993*** 0.0020297*** - - 0.0006605*** 0.0005146*** 0.0046312*** 0.004164***
Duración de viaje (minutos) -0.000206*** -0.0001665*** - - -0.0001236*** -0.0001048*** 0.0013769*** 0.0011199***
Bibliografía
Agarwal, S., & Mo Koo, K. (2015). Impact of Electronic Road Pricing (ERP) changes on transport modal choice. SSRN.
Alcaldía de Bogotá, D. (2016). Plan de Desarrollo 2016-2020 Bogotá Mejor para todos. 604.
Anselin, L. (2002). Spatial Weights. Champaign,: University of Illinois, Urbana-Champaign. Retrieved from
http://www.dpi.inpe.br/gilberto/tutorials/software/geoda/tutorials/w8_weights.pdf
Anselin, L. (2003). Spatial Econometrics. A Companiion to Theoretical Econometrics, 21.
Banco Mundial, D. d. (2002). CIUDADES EN MOVIMIENTO: REVISION DE LA ESTRATEGIA DE TRANSPORTE URBANO DEL BANCO
MUNDIAL. Washington D.C.: Banco Mundial.
41
Belzer, D., & Aultier, G. (2002). Transit oriented development: moving from rhetoric to reality. Brookings Institutions Center on Urban Metropolitan
Policy; Discussion paper , 55.
Block, W. (1983). Public Goods and Externalities: the case of Roads. The Journal of Libertarian Studies, 34.
Bocarejo, J. P. (2009). La movilidad bogotana en el largo plazo y las políticas que garanticen su sostenibilidad. Bogotá: Uniandes, Revista de
Ingeniería.
Bocarejo, J. P., Velásquez, J. M., Díaz, C., & Tafur, L. E. (2012). Impact of Bus Rapid Transit Systems on Road Safety. Transportation Research
Board.
Bogotá Como Vamos, .. (2016). Informe de Calidad de Vida 2015. Bogotá: Bogotá Como Vamos.
Bonilla, J. A. (2016). The More Stringent, the Better? Rationing Car Use in Bogotá with Moderate and Drastic Restrictions. Policy Research Working
Paper, 43.
Briggs, R., & Henan. (2010). University of Texas at Dallas. Retrieved from University of Texas at Dallas:
www.utdallas.edu/~briggs/henan/10SAglobal.ppt
Calthorpe, P. (1993). The Next American metropolis: Ecology, community, and the American Dream. New Jersey: Princeton Architectural Press.
Center for Evidence-Based Crime Policy, C. (2015). Broken Windows Policy. Fairfax, Virginia: George Mason University.
Cervero, R. (2003). Road Expansion, Urban Growth and Induced Travel. Journal of the American Planning Association, 18.
Chen, D., Wang, Y., & Kockelman, K. (2014). WHERE ARE THE ELECTRIC VEHICLES? A SPATIAL MODEL FOR VEHICLE-CHOICE
COUNT DATA . Annual Meeting of the Transportation Research Board.
CID, C. d. (2012). Identificación, diagnóstico y caracterización de las concentraciones y aglomeraciones productivas, clúster, formas asociativas,
cadenas productivas, y otras forma productivas en el Distrito Capital. Bogotá: Universidad Nacional de Colombia.
Cohen, J. P. (2010). The broader effects of transportation infrastructure: Spatial econometrics and productivity approaches. Transportation Research
Part E: Logistics and Transportation Review, 9.
CONPES, C. N. (2017). CONPES 3882. Bogotá.
CONPES, D. (2010). CONPES DE MOVILIDAD INTEGRAL PARA LA REGIÓN CAPITAL BOGOTÁ -CUNDINAMARCA. Bogotá D.C.: DNP.
CONPES, D. (2013). IMPORTANCIA ESTRATÉGICA DE LA REHABILITACIÓN DE LOS CORREDORES FÉRREOS LA DORADA –
CHIRIGUANÁ Y BOGOTÁ – BELENCITO. Bogotá D.C.: DNP.
DANE, .., & SDP, S. d. (2014). Encuesta Multipropósito 2014.
De Jong, G., Kouwenhoen, M., Bucci, P., Tuinenga, J. G., Geurs, & Kars. (2009). The impact of fixed and variable costs on household car ownership.
Journal of Choice Modelling, 26.
Defensoría del Pueblo. (2016). Defensoría del Pueblo llama la atención por deplorable estado de ciclorrutas en Bogotá. Bogotá D.C.: Defensoría del
Pueblo.
Departamento Nacional de Planeación, D. (2014). Plan Nacional de Desarrollo 2014-2018: Todos por un Nuevo País. 783.
Díaz del Castillo, A., González, S. A., P., R. A., Johnattan, G., Bastidas, A., Lemoine, P., . . . Sarmiento, O. (2015). ¿Nos movemos hacia ciudades
más saludables? Evidencias sobre transporte activo en Bogotá y Colombia. Bogotá: Despacio & Universidad de los Andes.
DNP, D. N. (2014). Misión Sistema de Ciudades. Bogotá: Departamento.
Fageda, X., & Gonzalez-Aregall, M. (2014). The Spatial effects of transportation on industrial employment . Institut de Recerca en Economia
Aplicada Regional , 26.
Fujita, M. (1989). Urban Economic Theory. Cambridge University Press.
Gillen, D. W. (1977). Alternative Policy Variables to Influence Urban Transport Demand. Canadian Journal of Economics, 9.
Greene, W. H. (2012). Econometric Analysis, 7th Edition. New York: Pearson Education Limited.
Hackney, J., Bernard, M., Bindra, S., & Axhausen, K. W. (2007). Explaining road speeds with spatial lag and spatial error regression models . TRB
2007 Annual Meeting, 25.
Handy, S., & Mokhtarian, P. (2005). WHICH COMES FIRST: THE NEIGHBORHOOD OR THE WALKING? . Access Magazine, 6.
Hensher, D. A., & Greene, W. H. (2001). The Mixed Logit Model: The State of Practice and Warnings for the. NYU University Press, 39.
42
Hole, A. R. (2013). UK Stata Users Group meeting. Retrieved from Mixed logit modelling in Stata: An overview:
https://www.stata.com/meeting/uk13/abstracts/materials/uk13_hole.pdf
Horowitz, J., Kane, M., Bolduc, D., Divakar, S., Geweke, J., Gonul, F., . . . Ruud, P. (1994). Advances in Random Utility Models. Munich Personal
RePec Archive, 11.
IDU, I. d. (2015). Inventario malla vial. Bogotá D.C.: IDU, Instituto de Desarrollo Urbano de Bogotá.
Institute for Digital Research and Education, I. (2011, Octubre 20). IDRE, University of California, Los Angeles. Retrieved from
https://stats.idre.ucla.edu/other/mult-pkg/faq/general/faq-what-are-pseudo-r-squareds/
Kropko, J. (2008). Choosing Between Multinomial Logit and Multinomial Probit Models for Analysis of Unordered Choice Data. Chapel Hill
University, 50.
LeSage, J. P. (1999). The Theory and Practice of Spatial Econometrics . University of Toledo.
McFadden, D. (1973). Conditional logit analysis of qualitative choice behavior. In FRONTIERS IN ECONOMETRICS (p. 37). New York: Academic
Press.
Miskeen, M. A., Alhodair, A. M., & Rahmat, R. A. (2013). Modeling a Multinomial Logit Model of Intercity Travel Mode Choice Behavior for All
Trips in Libya . International Journal of Civil and Environmental Engineering, 10.
Mukala, P., & Chunchu, M. (2011). Mode choice modelling for intercity transportation in India: A case of Guwahati to five metro cities. International
Journal of Earth Sciences and Engineering, 10.
Negreiros, J. (2009). Spatial neighborhood matrix computation: Inverse distance weighted versus binary contiguity. Salzburg, Austria:
Geoinformatics Forum- NIMS: MagIC - Documentos de conferências internacionais.
Nicholson, W., & Snyder, C. (2008). Microeconomic Theory: Basic Principles and Extensions. Mason, Oh.: Thomson South-Western.
NZ Transport Agency. (2014). Guidelines for public transport infrastructure and facilities. Wellington: NZ Transport Agency.
Observatorio de Movilidad, O. (2015). Reporte Anual 2015. Bogotá: Cámara de Comercio de Bogotá y Universidad de los Andes.
Ortegón- Sánchez, A., & Oviedo, D. (2016). Assessment of the potential for modal shift to non-motorised transport in a developing context: Case of
Lima, Perú. Research in Transportation Economics, 11.
Paleti, R., Bhat, C. R., & Pendyala, R. M. (2009). The Modeling of Household Vehicle Type Choice Accommodating Spatial Dependence. Elsevier.
Pardo, C., Quiñones, L. M., López, J. S., & Prado, J. M. (2011). Análisis de la intervención de la carrera 11. Bogotá: Despacio.
Perdomo, J., Castañeda, H., & Mendieta, J. C. (2010). Evaluación de impacto de las fases I y II del sistema de transporte masivo TransMilenio sobre
el tiempo total de desplazamiento de los usuarios del transporte público tradicional en Bogotá . Uniandes.
Potoglou, D., & Kanaroglou, P. S. (2008). Modelling car ownership in urban areas: A case study of Hamilton, Canada. Centre for Spatial Analysis
(CSpA).
Queenslad Transport, .. (2006). Reducing conflict between bicycle riders and pedestrians. Brisbane: Queensland Government .
Quentin, D., & Renaud, F. (2014). Modal choice and optimal congestion. Regional Science and Urban Economics, volume 48, 20.
Rodriguez, G. (2007). Logit Models for Binary Data. In G. Rodriguez, Lecture Notes on Generalized Linear Models.
SAE International. (2017). Environmentally Sustainable Transportation Systems. Retrieved from Environmentally Sustainable Transportation
Systems: http://www.sae.org/about/government/environmentally-sustainable-transportation-systems/
Samuelson, P. (1954). The Pure Theory of Public Spenditure. The Review of Economics and Statistics, 2.
SDP, S. D. (2010). Bogotá Ciudad de Estadísticas: BOLETIN No. 22 Densidades Urbanas el caso de Bogotá. Bogotá: Alcaldía Mayor de Bogotá.
SDP, S. d. (2011). Documento Técnico de Soporte: Modificación al Plan de Ordenamiento Territorial de Bogotá . Bogotá: Alcaldía Mayor de
Bogotá.
SDP, S. d., & UN, U. N. (2013). Segregación Socioeconómica en el Espacio Urbano. CID- Universidad Nacional.
Secretaria de Movilidad, Transconsult, & Infometrika. (2015). CARTILLA FINAL ENCUESTA DE MOVILIDAD 2015. Bogotá D.C.: Secretaria de
Movilidad.
Secretaria Distrital de Movilidad. (2016). Los 10 mejores ciclo parqueaderos de Bogotá. Bogotá D.C.: Secretaria Distrital de Movilidad, Alcaldía
Mayor de Bogotá.
43
Secretaría Distrital de Planeación, A. M. (2017). Secretaría Distrital de Planeación de Bogotá. Retrieved from Proyecciones de población:
http://www.sdp.gov.co/portal/page/portal/PortalSDP/InformacionTomaDecisiones/Estadisticas/ProyeccionPoblacion:Proyecciones%20de
%20Poblaci%F3n
Strauss, J., & Miranda-Moreno, L. F. (2013). Spatial modeling of bicycle activity at signalized intersections. The Journal of Transport and Land use,
11.
The Institution of Highways & Transportation. (2000). Providing for Journeys on Foot. Londres: The Institution of Highways & Transportation.
Tiebout, C. M. (1956). A Pure Theory of Local Expenditures. The Journal of Political Economy, 8.
Tiwari, G., Jain, D., & Ramachandra-Rao, K. (2015). Impact of public transport and non-motorized transport infraestructure on modal share, energy,
emissions and safety. Transport Research Part D, Elsevier, 14.
Tobler, W. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 6.
Train, K. (2002). Discrete Choice Methods with Simulation. Berkeley, California: Cambridge University Press.
Transport for Greater Manchester. (2013). Transport for sustainable commnuties: a guide for developers. Manchester: Transport for Greater
Manchester.
Tyler, N., Ramírez, C., Ortegón, A., Acevedo, J., Bocarejo, J. P., & Velásquez, J. M. (2013). Cobros por congestión en ciudades colombianas.
Bogotá-Londres: University College London & Universidad de los Andes.
UNESCAP, U. N. (2015). Concept of Sustainable Transport: Planning and Designing for Sustainable and Inclusive Transportation Systems.
Colombo, Sri Lanka: UNESCAP Transport Division .
Uniandes Grupo SUR, U. d., & CCB, C. d. (2015). Como mejorar la movilidad de los bogotanos: 2016-2020. Bogotá: Cámara de Comercio de
Bogotá.
Viton, P. (2004). Will Mixed Logit Change Urban Transport Policies? Journal of Transport Economics and Policy, 20.
Wooldridge, J. M. (2012). Introductory Econometrics: A Modern Approach 5 ed. Cengage Learning.
Xu, W. (., Guthrie, A., Fan, Y., & Li, Y. (2017). Transit-oriented development in China: Literature review and evaluation of TOD potential across 50
Chinese cities. The Journal of Transport and Land Use, 20.
