Descripción y entendimiento de los datos
Con el fin de analizar los patrones de movilidad urbana en la ciudad
de Cali, a partir de los trayectos realizados por sus habitantes y su
relación con las comunas de origen y destino, se utilizaron dos
conjuntos de datos: la primera correspondiente a la base de datos
derivada de la Encuesta Origen-Destino realizada en la
ciudad de Cali, y por otro, los datos espaciales de comunas
disponibles en el sistema geoespacial oficial de la Alcaldía de Santiago
de Cali. La base de datos de la encuesta contiene información detallada
acerca de los trayectos realizados por los habitantes dentro de la
ciudad, registrando el origen y el destino de cada recorrido a nivel de
comuna, así como el medio de transporte utilizado. Las variables
principales de interés son comuna origen,
comuna destino y TIPO DE VEHÍCULO, esta última
con tres categorías específicas: bicicleta, moto y automóvil. Por su
parte, la base geoespacial está compuesta por polígonos que representan
las comunas del municipio y, si bien contenía atributos espaciales, no
incorporaba información asociada a la dinámica de movilidad urbana, lo
cual motivó su integración con la base de trayectos.
Proceso de integración de datos
# Cargar datos
dat <- read_excel("Data/EncuestaOrigenDestino.xlsx") %>%
filter(`TIPO DE VEHÍCULO` %in% c(1, 2, 3)) %>%
mutate(`TIPO DE VEHÍCULO` = recode_factor(as.character(`TIPO DE VEHÍCULO`),
`1` = "Bicicleta",
`2` = "Moto",
`3` = "Automóvil"))
comunas<- st_read("~/Workshop/Rproj/Nexus_databases/mc_comunas", layer = "mc_comunas")%>%
st_transform(crs = 4326) %>%
mutate(comuna = sprintf("%02d", as.integer(comuna))) %>%
select(comuna, geometry) %>%
rbind(
st_read("~/Workshop/Rproj/Nexus_databases/cov_base_clasificacion_suelo/") %>%
st_transform(crs = 4326) %>%
mutate(across(where(is.character), ~
iconv(., from = "", to = "UTF-8", sub = "byte"))) %>%
filter(nombre %in% c("Suelo Rural", "Suelo de Expansi<f3>n")) %>%
summarise(comuna = "Fuera de Cali")) %>%
left_join(dat %>%
group_by(comuna = `comuna origen`) %>%
summarise(total_origen = n(),
origen_bici = sum(`TIPO DE VEHÍCULO` == "Bicicleta", na.rm = TRUE),
origen_moto = sum(`TIPO DE VEHÍCULO` == "Moto", na.rm = TRUE),
origen_auto = sum(`TIPO DE VEHÍCULO` == "Automóvil", na.rm = TRUE)),
by = "comuna") %>%
left_join(dat %>%
group_by(comuna = `comuna destino`) %>%
summarise(total_destino = n(),
destino_bici = sum(`TIPO DE VEHÍCULO` == "Bicicleta", na.rm = TRUE),
destino_moto = sum(`TIPO DE VEHÍCULO` == "Moto", na.rm = TRUE),
destino_auto = sum(`TIPO DE VEHÍCULO` == "Automóvil", na.rm = TRUE)),
by = "comuna")
cicloruta<-
st_read("~/Workshop/Rproj/Nexus_databases/mt_tt_red_cicloinfraestructura//") %>%
st_transform(crs = 4326)
vias <-st_read("~/Workshop/Rproj/Nexus_databases/mov_jerarquizacion_vial/") %>%
st_transform(crs = 4326)
El análisis se inició con la carga y filtrado de la base de datos de
trayectos, conservando únicamente los viajes realizados en bicicleta,
moto y automóvil, para enfocarse en estos tipos específicos de
movilidad. Para ello, se utilizó la función filter() del
paquete dplyr, seleccionando únicamente los registros en
los que el campo TIPO DE VEHÍCULO tuviera los valores
1, 2 o 3. Posteriormente, se
transformó esta variable numérica en una variable categórica descriptiva
utilizando mutate() y recode_factor(),
asignando las etiquetas "Bicicleta", "Moto" y
"Automóvil" a sus respectivos valores. Esta transformación
permitió mejorar la legibilidad de los datos y facilitó los procesos
analíticos posteriores. Además, se verificó la consistencia de las
columnas de comuna origen y comuna destino,
asegurando que los códigos comunales estuvieran normalizados en formato
de dos dígitos, lo cual fue esencial para garantizar una unión correcta
con la base geoespacial. Posteriormente, se procedió a la integración de
esta información con la base espacial de comunas.
Resumen datos encuesta
| Variable |
Stats / Values |
Freqs (% of Valid) |
Graph |
Missing |
| TIPO DE VEHÍCULO
[factor] |
| 1. Bicicleta | | 2. Moto | | 3. Automóvil |
|
| 1731 | ( | 5.4% | ) | | 16077 | ( | 50.4% | ) | | 14100 | ( | 44.2% | ) |
|
 |
0
(0.0%) |
| comuna origen
[character] |
| 1. Fuera de Cali | | 2. 02 | | 3. 19 | | 4. 17 | | 5. 03 | | 6. 18 | | 7. 04 | | 8. 10 | | 9. 13 | | 10. 15 | | [ 14 others ] |
|
| 5779 | ( | 18.1% | ) | | 2694 | ( | 8.4% | ) | | 2586 | ( | 8.1% | ) | | 2176 | ( | 6.8% | ) | | 1923 | ( | 6.0% | ) | | 1416 | ( | 4.4% | ) | | 1345 | ( | 4.2% | ) | | 1286 | ( | 4.0% | ) | | 1116 | ( | 3.5% | ) | | 1062 | ( | 3.3% | ) | | 10525 | ( | 33.0% | ) |
|
 |
0
(0.0%) |
| comuna destino
[character] |
| 1. Fuera de Cali | | 2. 02 | | 3. 03 | | 4. 19 | | 5. 17 | | 6. 22 | | 7. 04 | | 8. 09 | | 9. 08 | | 10. 10 | | [ 14 others ] |
|
| 5791 | ( | 18.1% | ) | | 4401 | ( | 13.8% | ) | | 3480 | ( | 10.9% | ) | | 2870 | ( | 9.0% | ) | | 2001 | ( | 6.3% | ) | | 1705 | ( | 5.3% | ) | | 1688 | ( | 5.3% | ) | | 1162 | ( | 3.6% | ) | | 927 | ( | 2.9% | ) | | 846 | ( | 2.7% | ) | | 7037 | ( | 22.1% | ) |
|
 |
0
(0.0%) |
Para enriquecer los polígonos de comunas con información sobre
movilidad, se utilizaron operaciones de agregación que permitieron
cuantificar la cantidad total de recorridos originados y finalizados en
cada comuna, diferenciando adicionalmente por tipo de vehículo
utilizado. La integración de estos datos fue realizada mediante la
función left_join() del paquete dplyr,
asignando a cada polígono comunal sus correspondientes atributos
derivados de los trayectos registrados. Así, se generaron nuevas
variables espaciales que permiten visualizar patrones claros de
movilidad según comunas y modos de transporte.
Resumen datos geograficos integrados
| Variable |
Stats / Values |
Freqs (% of Valid) |
Graph |
Missing |
| comuna
[character] |
| 1. 01 | | 2. 02 | | 3. 03 | | 4. 04 | | 5. 05 | | 6. 06 | | 7. 07 | | 8. 08 | | 9. 09 | | 10. 10 | | [ 13 others ] |
|
| 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 1 | ( | 4.3% | ) | | 13 | ( | 56.5% | ) |
|
 |
0
(0.0%) |
| total_origen
[integer] |
| Mean (sd) : 1360.4 (1149.8) | | min ≤ med ≤ max: | | 313 ≤ 1024 ≤ 5779 | | IQR (CV) : 649.5 (0.8) |
|
23 distinct values |
 |
0
(0.0%) |
| origen_bici
[integer] |
| Mean (sd) : 73.4 (41.9) | | min ≤ med ≤ max: | | 14 ≤ 55 ≤ 159 | | IQR (CV) : 46.5 (0.6) |
|
20 distinct values |
 |
0
(0.0%) |
| origen_moto
[integer] |
| Mean (sd) : 687.7 (545.2) | | min ≤ med ≤ max: | | 176 ≤ 515 ≤ 2706 | | IQR (CV) : 356.5 (0.8) |
|
23 distinct values |
|
0
(0.0%) |
| origen_auto
[integer] |
| Mean (sd) : 599.3 (573.3) | | min ≤ med ≤ max: | | 123 ≤ 420 ≤ 2917 | | IQR (CV) : 240.5 (1) |
|
22 distinct values |
 |
0
(0.0%) |
| total_destino
[integer] |
| Mean (sd) : 1356.2 (1462.1) | | min ≤ med ≤ max: | | 210 ≤ 680 ≤ 5791 | | IQR (CV) : 1195 (1.1) |
|
23 distinct values |
 |
0
(0.0%) |
| destino_bici
[integer] |
| Mean (sd) : 73.3 (75.4) | | min ≤ med ≤ max: | | 12 ≤ 41 ≤ 305 | | IQR (CV) : 65 (1) |
|
22 distinct values |
 |
0
(0.0%) |
| destino_moto
[integer] |
| Mean (sd) : 682 (734.9) | | min ≤ med ≤ max: | | 112 ≤ 346 ≤ 2961 | | IQR (CV) : 630 (1.1) |
|
23 distinct values |
 |
0
(0.0%) |
| destino_auto
[integer] |
| Mean (sd) : 600.9 (653.2) | | min ≤ med ≤ max: | | 85 ≤ 286 ≤ 2525 | | IQR (CV) : 500 (1.1) |
|
23 distinct values |
 |
0
(0.0%) |
Análisis espacial de los recorridos totales
Los mapas de trayectos de origen y destino revelan patrones claros de
concentración de la movilidad urbana en la ciudad de Cali. Las
tonalidades más oscuras, que indican un mayor número de recorridos, se
concentran especialmente en las comunas 2, 17
y 19, las cuales registran más de 2.000 trayectos tanto de
origen como de destino. A esto se suma el caso de
“Fuera de Cali”, que destaca con 5.779 trayectos de origen
y 5.791 de destino, lo que refleja la magnitud de los desplazamientos
entre la ciudad y su periferia. Además, se observa un volumen
considerable de trayectos con destino en las comunas 2 y
3, con 4.401 y 3.480 viajes respectivamente, lo que podría
sugerir que estas áreas funcionan como zonas clave de empleo, servicios
o descanso dentro del sistema urbano, actuando como focos de atracción
dentro de la estructura urbana de Cali.
# Paleta
pal_mov <- colorNumeric(palette = as.character(paletteer_c("ggthemes::Blue-Teal", n = 30)),domain = c(210, 5791))
# Etiquetas emergentes para origen
labels_origen <- ~paste0(
"<div style='font-size:12px;'>",
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Total Origen:</strong> ", total_origen, "<br/>",
"<strong>Bicicleta:</strong> ", origen_bici, "<br/>",
"<strong>Moto:</strong> ", origen_moto, "<br/>",
"<strong>Automóvil:</strong> ", origen_auto, "</div>"
) %>% lapply(htmltools::HTML)
# Etiquetas emergentes para destino
labels_destino <- ~paste0(
"<div style='font-size:12px;'>",
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Total Destino:</strong> ", total_destino, "<br/>",
"<strong>Bicicleta:</strong> ", destino_bici, "<br/>",
"<strong>Moto:</strong> ", destino_moto, "<br/>",
"<strong>Automóvil:</strong> ", destino_auto, "</div>"
) %>% lapply(htmltools::HTML)
# Mapa de origen
map_origen <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(fillColor = ~pal_mov(total_origen),
weight = 1, color = "white", fillOpacity = 0.8,
label = labels_origen,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)) %>%
addLegend("bottomright", pal = pal_mov, values = ~total_origen, title = "Viajes de Origen")
# Mapa de destino
map_destino <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(fillColor = ~pal_mov(total_destino),
weight = 1, color = "white", fillOpacity = 0.8,
label = labels_destino,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)) %>%
addLegend("bottomright", pal = pal_mov, values = ~total_destino, title = "Viajes de Destino")
# Visualización
htmltools::browsable(tagList(
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_origen),
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_destino)
)
)
Análisis espacial de los recorridos en bicicleta
Los mapas de recorridos de origen y destino realizados en bicicleta
reflejan patrones similares a los observados en los trayectos totales,
destacándose las comunas 2, 3, 17
y 19 como las zonas con mayor volumen de desplazamientos.
La comuna 2 se posiciona como el principal destino, con 218
trayectos de destino en bicicleta, seguida por la comuna 3
con 189 y la comuna 19 con 147. En cuanto a trayectos de
origen, las comunas 2, 17 y 19
lideran también con 159, 141 y 141 registros respectivamente, lo que
indica una movilidad activa en bicicleta tanto de salida como de llegada
en estas zonas. Sin embargo, una diferencia significativa se evidencia
en los valores asociados a la categoría “Fuera de Cali”. A
pesar de que en los mapas generales esta zona concentraba el mayor
número de trayectos, en el caso de la bicicleta presenta una caída
notable, con solo 156 trayectos de origen y 305 de destino. Esta
disminución sugiere posibles limitaciones para el uso de la bicicleta en
trayectos desde o hacia zonas rurales o periféricas, probablemente
asociadas a la mayor distancia, condiciones topográficas o la ausencia
de infraestructura segura como ciclorutas que conecten con el área
urbana.
# Paleta
pal_bici <- colorNumeric(
palette = as.character(paletteer_c("ggthemes::Blue-Teal", n = 30)),
domain = c(12, 305)
)
# Etiquetas para comunas
label_origen_bici <- ~paste0(
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Origen bicicleta:</strong> ", origen_bici
) %>% lapply(htmltools::HTML)
label_destino_bici <- ~paste0(
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Destino bicicleta:</strong> ", destino_bici
) %>% lapply(htmltools::HTML)
# Mapa de origen en bicicleta
map_bici_origen <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(
fillColor = ~pal_bici(origen_bici),
weight = 1, color = "white", fillOpacity = 0.8,
label = label_origen_bici,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)
) %>%
addPolylines(
data = cicloruta,
color = "#f8bf50", weight = 2.5, opacity = 0.9,
group = "Ciclorutas",
label = ~lapply(paste0("Cicloruta: ", desredcic), htmltools::HTML)
) %>%
addLegend("bottomright", pal = pal_bici, values = c(12, 305), title = "Origen (Bicicleta)") %>%
addLegend("bottomleft", colors = "#f8bf50", labels = "Ciclorutas", opacity = 0.9, title = NULL)
# Mapa de destino en bicicleta
map_bici_destino <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(
fillColor = ~pal_bici(destino_bici),
weight = 1, color = "white", fillOpacity = 0.8,
label = label_destino_bici,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)
) %>%
addPolylines(
data = cicloruta,
color = "#f8bf50", weight = 2.5, opacity = 0.9,
group = "Ciclorutas",
label = ~lapply(paste0("Cicloruta: ", desredcic), htmltools::HTML)
) %>%
addLegend("bottomright", pal = pal_bici, values = c(12, 305), title = "Destino (Bicicleta)") %>%
addLegend("bottomleft", colors = "#f8bf50", labels = "Ciclorutas", opacity = 0.9, title = NULL)
# Visualización lado a lado
htmltools::browsable(tagList(
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_bici_origen),
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_bici_destino)
))
Análisis espacial de los recorridos en moto
Los mapas de trayectos en moto muestran una distribución muy similar
a la observada en los recorridos totales, con una concentración
significativa en las comunas 2, 3,
17 y 19. La comuna 2 registra el
mayor número de trayectos, con 1.414 viajes de origen y 2.177 de
destino, consolidándose como el principal nodo de atracción y generación
de movilidad en motocicleta. Le siguen la comuna 3, con 970
trayectos de origen y 1.734 de destino, y la comuna 19, con
1.280 y 1.421 respectivamente. Estas cifras reflejan la importancia de
estas zonas dentro de la red de desplazamientos motorizados individuales
de corta y media distancia, probablemente asociada a su conectividad
vial, concentración de empleo y servicios, y disponibilidad de
parqueaderos para motos.
En contraste con lo observado en los recorridos en bicicleta, la
categoría “Fuera de Cali” mantiene una alta participación
en la movilidad en moto, con 2.706 trayectos de origen y 2.961 de
destino. Esta continuidad sugiere que la moto es un medio de transporte
clave para conectar áreas rurales o de expansión con el centro urbano,
dada su mayor flexibilidad frente a la infraestructura vial limitada o
la cobertura del transporte público.
# Paleta
pal_moto <- colorNumeric(
palette = as.character(paletteer_c("ggthemes::Blue-Teal", n = 30)),
domain = c(112, 2961))
# Etiquetas
label_origen_moto <- ~paste0(
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Origen moto:</strong> ", origen_moto
) %>% lapply(htmltools::HTML)
label_destino_moto <- ~paste0(
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Destino moto:</strong> ", destino_moto
) %>% lapply(htmltools::HTML)
# Mapa de origen
map_moto_origen <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(
fillColor = ~pal_moto(origen_moto),
weight = 1, color = "white", fillOpacity = 0.8,
label = label_origen_moto,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)) %>%
addPolylines(
data = vias,
color = "#8c564b", weight = 2, opacity = 0.9,
group = "Vías principales") %>%
addLegend("bottomright", pal = pal_moto, values = c(112, 2961), title = "Origen (Moto)") %>%
addLegend("bottomleft", colors = "#8c564b", labels = "Vías principales", opacity = 0.9, title = NULL)
# Mapa de destino
map_moto_destino <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(
fillColor = ~pal_moto(destino_moto),
weight = 1, color = "white", fillOpacity = 0.8,
label = label_destino_moto,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)) %>%
addPolylines(
data = vias,
color = "#8c564b", weight = 2, opacity = 0.9,
group = "Vías principales") %>%
addLegend("bottomright", pal = pal_moto, values = c(112, 2961), title = "Destino (Moto)") %>%
addLegend("bottomleft", colors = "#8c564b", labels = "Vías principales", opacity = 0.9, title = NULL)
# Visualización lado a lado
htmltools::browsable(tagList(
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_moto_origen),
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_moto_destino)
))
Análisis espacial de los recorridos en automóvil
Los mapas de trayectos realizados en automóvil evidencian un patrón
de concentración muy similar al observado en los recorridos en moto y en
los trayectos totales. Las comunas 2, 3,
17 y 19 destacan como los principales focos
tanto de origen como de destino de los desplazamientos en vehículo
particular. En particular, la comuna 2 registra 1.289
trayectos de origen y 1.819 de destino; la comuna 3, 1.043
y 1.473 respectivamente; y la comuna 19, 1.248 y 1.311.
Estas cifras sugieren que estas zonas concentran un alto número de
residentes que utilizan el automóvil para desplazarse. La categoría
“Fuera de Cali” también mantiene una alta participación en
los desplazamientos motorizados en automóvil, con 2.917 trayectos de
origen y 2.525 de destino. Esto indica una fuerte dependencia del
automóvil para conectar las zonas rurales y de expansión con la ciudad,
lo cual puede estar asociado a una menor cobertura del transporte
público y a trayectos de mayor distancia que hacen menos viables otros
medios de transporte. La integración visual de la red vial principal
permite observar cómo estos patrones se alinean con los corredores
estructurantes de movilidad.
# Paleta
pal_auto <- colorNumeric(
palette = as.character(paletteer_c("ggthemes::Blue-Teal", n = 30)),
domain = c(85, 2917))
# Etiquetas
label_origen_auto <- ~paste0(
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Origen automóvil:</strong> ", origen_auto
) %>% lapply(htmltools::HTML)
label_destino_auto <- ~paste0(
"<strong>Comuna:</strong> ", comuna, "<br/>",
"<strong>Destino automóvil:</strong> ", destino_auto
) %>% lapply(htmltools::HTML)
# Mapa de origen
map_auto_origen <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(
fillColor = ~pal_auto(origen_auto),
weight = 1, color = "white", fillOpacity = 0.8,
label = label_origen_auto,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)) %>%
addPolylines(
data = vias,
color = "#8c564b", weight = 2, opacity = 0.9,
group = "Vías principales") %>%
addLegend("bottomright", pal = pal_auto, values = c(85, 2917), title = "Origen (Automóvil)") %>%
addLegend("bottomleft", colors = "#8c564b", labels = "Vías principales", opacity = 0.9, title = NULL)
# Mapa de destino
map_auto_destino <- leaflet(comunas) %>%
addTiles() %>%
addPolygons(
fillColor = ~pal_auto(destino_auto),
weight = 1, color = "white", fillOpacity = 0.8,
label = label_destino_auto,
highlight = highlightOptions(weight = 2, color = "#666", fillOpacity = 0.9, bringToFront = TRUE)) %>%
addPolylines(
data = vias,
color = "#8c564b", weight = 2, opacity = 0.9,
group = "Vías principales") %>%
addLegend("bottomright", pal = pal_auto, values = c(85, 2917), title = "Destino (Automóvil)") %>%
addLegend("bottomleft", colors = "#8c564b", labels = "Vías principales", opacity = 0.9, title = NULL)
# Visualización
htmltools::browsable(tagList(
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_auto_origen),
tags$div(style = "width: 49%; display: inline-block; vertical-align: top;", map_auto_destino)
))