Caso: Origen - Destino
Angela Nieto Gomez
2025-10-26
Planteamiento del Problema
A partir de la base de datos “EncuestaOrigenDestino.xlsx” que contiene información sobre los viajes de personas realizados en la ciudad de Cali durante los meses de mayo y junio de 2015, se deben realizar 8 mapas que corresponden a:
- Origen del viaje.
- Origen del viaje por tipo de vehículo bicicleta.
- Origen del viaje por tipo de vehículo moto.
- Origen del viaje por tipo de vehículo automóvil.
- Destino del viaje.
- Destino del viaje por tipo de vehículo bicicleta.
- Destino del viaje por tipo de vehículo moto.
- Destino del viaje por tipo de vehículo automóvil.
Análisis exploratorio y preparación de datos
Se realiza una verificación preliminar de la información, de acuerdo a los siguientes pasos: 1. Cargue y verificación del archivo shapefile. 2. Visualización de mapa de comunas, verificando su correcta georreferenciación. 3. Cargue y verificación del archivo excel. 4. Limpieza y recodificación de los nombres de las columnas 5. Verificación de datos faltantes
Cargue y visualización de Comunas en formato shapefile
#Importar shapefile comunas
library(sf)
require(raster)
require(rgdal)
require(leaflet)
comunas=st_read(("D:/MaestriaCienciaDatos/S2_AnalisisInfoGeografica/M1U1_Introduccion/Casos/cali/Comunas.shp"))## Reading layer `Comunas' from data source
## `D:\MaestriaCienciaDatos\S2_AnalisisInfoGeografica\M1U1_Introduccion\Casos\cali\Comunas.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 22 features and 4 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: 1053868 ymin: 860190.2 xmax: 1068492 ymax: 879441.5
## Projected CRS: MAGNA_Colombia_Calicomunas## Simple feature collection with 22 features and 4 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: 1053868 ymin: 860190.2 xmax: 1068492 ymax: 879441.5
## Projected CRS: MAGNA_Colombia_Cali
## First 10 features:
## OBJECTID gid comuna nombre geometry
## 1 1 107 2 Comuna 2 POLYGON ((1059648 874236.3,...
## 2 2 108 1 Comuna 1 POLYGON ((1054094 875172.8,...
## 3 3 109 3 Comuna 3 POLYGON ((1061757 874615.5,...
## 4 4 110 19 Comuna 19 POLYGON ((1057817 873269.4,...
## 5 5 103 15 Comuna 15 POLYGON ((1065485 869864.1,...
## 6 6 104 17 Comuna 17 POLYGON ((1061675 868320.9,...
## 7 7 105 18 Comuna 18 POLYGON ((1059061 867223.6,...
## 8 8 106 22 Comuna 22 POLYGON ((1059486 864976.4,...
## 9 9 89 6 Comuna 6 POLYGON ((1065143 879409.5,...
## 10 10 90 4 Comuna 4 POLYGON ((1063833 877507.1,...comunas <- st_transform(comunas, crs = 4326)
leaflet(comunas) %>%
addProviderTiles("OpenStreetMap") %>% # fondo básico
addPolygons(
color = "blue", weight = 1, fillColor = "lightblue", fillOpacity = 0.5,
popup = ~paste0(nombre)
)Cargue y limpieza de registros origen - destino en formato excel
library(readxl)
#Importar tabla excel de Origen-Destino
od=read_excel("D:/MaestriaCienciaDatos/S2_AnalisisInfoGeografica/M1U1_Introduccion/Casos/EncuestaOrigenDestino.xlsx",
sheet = "Hoja1",.name_repair = "minimal")
#Limpiar la codificación de los nombres de las columnas
names(od) <- gsub("\\s+", "_", names(od)) # reemplaza espacios por guion bajo
names(od) <- gsub("[^A-Za-z0-9_]", "", names(od)) # elimina símbolos no válidos
# hacer los nombres únicos automáticamente
names(od) <- make.names(names(od), unique = TRUE)
head(od)## # A tibble: 6 × 28
## FECHA ID_ESTACIN ESTACIN ACCESO MOVIMIENTO Hora_de_Encuesta
## <dttm> <dbl> <chr> <chr> <chr> <dttm>
## 1 2015-06-01 00:00:00 1 Avenida … NORTE MOV 1 1899-12-31 06:10:00
## 2 2015-06-01 00:00:00 1 Avenida … NORTE MOV 1 1899-12-31 06:11:00
## 3 2015-06-01 00:00:00 1 Avenida … NORTE MOV 1 1899-12-31 06:12:00
## 4 2015-06-01 00:00:00 1 Avenida … NORTE MOV 1 1899-12-31 06:13:00
## 5 2015-06-01 00:00:00 1 Avenida … NORTE MOV 1 1899-12-31 06:14:00
## 6 2015-06-01 00:00:00 1 Avenida … NORTE MOV 1 1899-12-31 06:15:00
## # ℹ 22 more variables: MUNICIPIO <chr>,
## # DEPARTAMENTO__LOCALIDAD__COMUNA__DISTRITO__BARRIO__VEREDA__HITO__DIRECCIN <chr>,
## # Codigo_Origen_SDG <chr>, QUE_ESTABA_HACIENDO_EN_ESE_LUGAR <dbl>,
## # MUNICIPIO.1 <chr>,
## # DEPARTAMENTO__LOCALIDAD__COMUNA__DISTRITO__BARRIO__VEREDA__HITO__DIRECCIN.1 <chr>,
## # Codigo_Destino_SDG <chr>, QUE_VA_HACER_A_ESE_LUGAR <dbl>,
## # ESTRATO_EN_SU_VIVIENDA <dbl>, …names(od)## [1] "FECHA"
## [2] "ID_ESTACIN"
## [3] "ESTACIN"
## [4] "ACCESO"
## [5] "MOVIMIENTO"
## [6] "Hora_de_Encuesta"
## [7] "MUNICIPIO"
## [8] "DEPARTAMENTO__LOCALIDAD__COMUNA__DISTRITO__BARRIO__VEREDA__HITO__DIRECCIN"
## [9] "Codigo_Origen_SDG"
## [10] "QUE_ESTABA_HACIENDO_EN_ESE_LUGAR"
## [11] "MUNICIPIO.1"
## [12] "DEPARTAMENTO__LOCALIDAD__COMUNA__DISTRITO__BARRIO__VEREDA__HITO__DIRECCIN.1"
## [13] "Codigo_Destino_SDG"
## [14] "QUE_VA_HACER_A_ESE_LUGAR"
## [15] "ESTRATO_EN_SU_VIVIENDA"
## [16] "DISPONIA_DE_UN_VEHCULO_PARA_REALIZAR_ESTE_DESPLAZAMIENTO"
## [17] "OTRO_CUL"
## [18] "ANTES"
## [19] "DESPUES"
## [20] "EDAD"
## [21] "SEXO"
## [22] "PERSONAS_EN_EL_VEHCULO"
## [23] "TIPO_DE_VEHCULO"
## [24] "OTRO_CUL.1"
## [25] "TIPO_DE_VIAJERO"
## [26] "comuna_origen"
## [27] "comuna_destino"
## [28] "Intracomuna"Cantidad de registros
nrow(od)## [1] 35054Verificación de datos faltantes
library(kableExtra)
#Calculando datos faltantes
Datos_faltantes <- data.frame(colnames(od), sapply(od, function(x) sum(is.na(x))))
Datos_faltantes <- Datos_faltantes[c(23, 26:27), ]
#Limpiando Dataframe
rownames(Datos_faltantes) <- NULL
colnames(Datos_faltantes) <- c("Variable", "Datos Faltantes")
#Presentando información en formato tabla
kable_classic(kbl(Datos_faltantes, caption = "<center><b>Tabla 1. Datos Faltantes por Variable</b></center>"), full_width = F)| Variable | Datos Faltantes |
|---|---|
| TIPO_DE_VEHCULO | 115 |
| comuna_origen | 0 |
| comuna_destino | 0 |
La única variable que presenta datos faltantes es Tipo de Vehículo, teniendo en cuenta que representan tan solo el 0,33% de los datos, no se realizará ninguna imputación.
Conteo por comuna según origen y tipo de vehículo
library(dplyr)
#Convertir las columnas comuna_origen y comuna_destino de character a integer
od <- od %>%
mutate(comuna_origen = as.integer(comuna_origen)) %>%
mutate(comuna_destino = as.integer(comuna_destino))
#Conteo por comuna según origen
cnt_origen <- od %>%
count(comuna_origen) #%>%
#filter(!is.na(comuna_origen)) #Se omiten NA equivalentes a fura de cali
#Conteo por comuna según origen y tipo de vehículo: bicicleta, moto o automovil.
cnt_vehiculo <- od %>%
filter(TIPO_DE_VEHCULO %in% c(1, 2, 3)) %>% # 👈 filtra solo los tipos 1, 2 y 3
group_by(comuna_origen, TIPO_DE_VEHCULO) %>%
summarise(total = n(), .groups = "drop") %>% # .groups = "drop" evita advertencias
tidyr::pivot_wider( #Convierte los tipos de vehículo en columnas.
names_from = TIPO_DE_VEHCULO,
values_from = total,
names_prefix = "vehiculo_"
) #%>%
#filter(!is.na(comuna_origen))#Se omiten NA equivalentes a fura de cali
cnt_origen %>%
knitr::kable() %>%
kable_classic(full_width = FALSE)| comuna_origen | n |
|---|---|
| 0 | 672 |
| 1 | 794 |
| 2 | 2968 |
| 3 | 2121 |
| 4 | 1493 |
| 5 | 664 |
| 6 | 998 |
| 7 | 734 |
| 8 | 1124 |
| 9 | 952 |
| 10 | 1401 |
| 11 | 925 |
| 12 | 348 |
| 13 | 1238 |
| 14 | 685 |
| 15 | 1171 |
| 16 | 993 |
| 17 | 2377 |
| 18 | 1536 |
| 19 | 2850 |
| 20 | 733 |
| 21 | 818 |
| 22 | 1153 |
| NA | 6306 |
cnt_vehiculo %>%
knitr::kable() %>%
kable_classic(full_width = FALSE)| comuna_origen | vehiculo_1 | vehiculo_2 | vehiculo_3 |
|---|---|---|---|
| 0 | 43 | 259 | 317 |
| 1 | 36 | 375 | 301 |
| 2 | 159 | 1414 | 1121 |
| 3 | 99 | 970 | 854 |
| 4 | 74 | 720 | 551 |
| 5 | 38 | 319 | 241 |
| 6 | 44 | 473 | 389 |
| 7 | 35 | 350 | 283 |
| 8 | 52 | 552 | 420 |
| 9 | 53 | 413 | 382 |
| 10 | 82 | 675 | 529 |
| 11 | 52 | 431 | 361 |
| 12 | 14 | 176 | 123 |
| 13 | 76 | 554 | 486 |
| 14 | 37 | 310 | 272 |
| 15 | 70 | 536 | 456 |
| 16 | 73 | 450 | 385 |
| 17 | 141 | 1136 | 899 |
| 18 | 111 | 746 | 559 |
| 19 | 141 | 1280 | 1165 |
| 20 | 46 | 339 | 272 |
| 21 | 44 | 378 | 328 |
| 22 | 55 | 515 | 489 |
| NA | 156 | 2706 | 2917 |
En el conteo por comuna se evidencian dos tipos de comuna que salen del análisis. Las que tienen valor de cero (0) y las que se presentan como NA. Teniendo en cuenta que se convirtió el tipo de datos de las comunas a entero para facilitar el join con el shapefile, los NA corresponden a los datos clasificados originalmente como Fuera de Cali y los ceros son registros sin información que si se imputaran por la moda quedarían clasificados como Fuera de Cali y saldrían del análisis. Por este motivo no se realiza ningún proceso y se trabaja únicamente con las 22 comunas válidas.
Integración en shapefile de conteos según origen
#Integración de datos
shape_joined <- comunas %>%
left_join(cnt_origen, by = c("comuna" = "comuna_origen")) %>%
left_join(cnt_vehiculo, by = c("comuna" = "comuna_origen"))#Renombrar columnas
shape_joined <- shape_joined %>%
rename(
origen = n,
origen_bici = vehiculo_1,
origen_moto = vehiculo_2,
origen_auto = vehiculo_3
)
head(shape_joined)## Simple feature collection with 6 features and 8 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -76.59284 ymin: 3.362385 xmax: -76.48289 ymax: 3.498517
## Geodetic CRS: WGS 84
## OBJECTID gid comuna nombre origen origen_bici origen_moto origen_auto
## 1 1 107 2 Comuna 2 2968 159 1414 1121
## 2 2 108 1 Comuna 1 794 36 375 301
## 3 3 109 3 Comuna 3 2121 99 970 854
## 4 4 110 19 Comuna 19 2850 141 1280 1165
## 5 5 103 15 Comuna 15 1171 70 536 456
## 6 6 104 17 Comuna 17 2377 141 1136 899
## geometry
## 1 POLYGON ((-76.54083 3.45880...
## 2 POLYGON ((-76.5908 3.467272...
## 3 POLYGON ((-76.52185 3.46223...
## 4 POLYGON ((-76.5573 3.450063...
## 5 POLYGON ((-76.48831 3.41927...
## 6 POLYGON ((-76.52258 3.40532...Conteo por comuna según destino y tipo de vehículo
#Conteo por comuna según destino
cnt_destino <- od %>%
count(comuna_destino)
#Conteo por comuna según destino y tipo de vehículo: bicicleta, moto o automovil.
cnt_vehiculod <- od %>%
filter(TIPO_DE_VEHCULO %in% c(1, 2, 3)) %>% # 👈 filtra solo los tipos 1, 2 y 3
group_by(comuna_destino, TIPO_DE_VEHCULO) %>%
summarise(total = n(), .groups = "drop") %>% # .groups = "drop" evita advertencias
tidyr::pivot_wider( #Convierte los tipos de vehículo en columnas.
names_from = TIPO_DE_VEHCULO,
values_from = total,
names_prefix = "vehiculo_"
)
cnt_destino %>%
knitr::kable() %>%
kable_classic(full_width = FALSE)| comuna_destino | n |
|---|---|
| 0 | 788 |
| 1 | 230 |
| 2 | 4810 |
| 3 | 3859 |
| 4 | 1856 |
| 5 | 522 |
| 6 | 716 |
| 7 | 748 |
| 8 | 1025 |
| 9 | 1279 |
| 10 | 927 |
| 11 | 564 |
| 12 | 246 |
| 13 | 673 |
| 14 | 379 |
| 15 | 579 |
| 16 | 743 |
| 17 | 2164 |
| 18 | 662 |
| 19 | 3158 |
| 20 | 351 |
| 21 | 515 |
| 22 | 1860 |
| NA | 6400 |
cnt_vehiculod %>%
knitr::kable() %>%
kable_classic(full_width = FALSE)| comuna_destino | vehiculo_1 | vehiculo_2 | vehiculo_3 |
|---|---|---|---|
| 0 | 46 | 390 | 280 |
| 1 | 12 | 112 | 86 |
| 2 | 218 | 2177 | 2006 |
| 3 | 189 | 1734 | 1557 |
| 4 | 85 | 846 | 757 |
| 5 | 41 | 215 | 225 |
| 6 | 34 | 323 | 275 |
| 7 | 41 | 353 | 286 |
| 8 | 54 | 470 | 403 |
| 9 | 65 | 608 | 489 |
| 10 | 43 | 419 | 384 |
| 11 | 29 | 254 | 239 |
| 12 | 15 | 128 | 85 |
| 13 | 33 | 346 | 226 |
| 14 | 22 | 188 | 138 |
| 15 | 20 | 271 | 245 |
| 16 | 35 | 327 | 321 |
| 17 | 115 | 927 | 959 |
| 18 | 31 | 302 | 276 |
| 19 | 147 | 1421 | 1302 |
| 20 | 25 | 151 | 144 |
| 21 | 26 | 243 | 198 |
| 22 | 100 | 911 | 694 |
| NA | 305 | 2961 | 2525 |
De igual forma que para el conteo desde el origen, en este caso tampoco se realiza ningún proceso de imputación y se trabaja únicamente con las 22 comunas válidas.
Integración en shapefile de conteos según destino
#Integración de datos
shape_joined2 <- shape_joined %>%
left_join(cnt_destino, by = c("comuna" = "comuna_destino")) %>%
left_join(cnt_vehiculod, by = c("comuna" = "comuna_destino"))
#Renombrar columnas
shape_joined2 <- shape_joined2 %>%
rename(
destino = n,
destino_bici = vehiculo_1,
destino_moto = vehiculo_2,
destino_auto = vehiculo_3
)
head(shape_joined2)## Simple feature collection with 6 features and 12 fields
## Geometry type: POLYGON
## Dimension: XY
## Bounding box: xmin: -76.59284 ymin: 3.362385 xmax: -76.48289 ymax: 3.498517
## Geodetic CRS: WGS 84
## OBJECTID gid comuna nombre origen origen_bici origen_moto origen_auto
## 1 1 107 2 Comuna 2 2968 159 1414 1121
## 2 2 108 1 Comuna 1 794 36 375 301
## 3 3 109 3 Comuna 3 2121 99 970 854
## 4 4 110 19 Comuna 19 2850 141 1280 1165
## 5 5 103 15 Comuna 15 1171 70 536 456
## 6 6 104 17 Comuna 17 2377 141 1136 899
## destino destino_bici destino_moto destino_auto geometry
## 1 4810 218 2177 2006 POLYGON ((-76.54083 3.45880...
## 2 230 12 112 86 POLYGON ((-76.5908 3.467272...
## 3 3859 189 1734 1557 POLYGON ((-76.52185 3.46223...
## 4 3158 147 1421 1302 POLYGON ((-76.5573 3.450063...
## 5 579 20 271 245 POLYGON ((-76.48831 3.41927...
## 6 2164 115 927 959 POLYGON ((-76.52258 3.40532...Mapeo de la movilidad de personas en la ciudad de Cali
Comparación de mapas Origen - Destino
library(tmap)
# Busqueda del centroide para localización de etiquetas. Crear puntos dentro de cada polígono
centros <- comunas %>%
st_point_on_surface()
# Activar modo de visualización interactiva o estática
tmap_mode("plot") # o "view" si quieres sobre Google Maps
# ---- Crear mapas por tipo de vehículo ----
# Origen-Destino
map_o <- tm_shape(shape_joined2) +
tm_polygons("origen",
palette = "Purples",
style = "quantile",
title = "Origen") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
map_d <- tm_shape(shape_joined2) +
tm_polygons("destino",
palette = "Purples",
style = "quantile",
title = "Destino") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
# Bicicleta
map_v1_origen <- tm_shape(shape_joined2) +
tm_polygons("origen_bici",
palette = "Greens",
style = "quantile",
title = "Bicicleta - Origen") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
map_v1_destino <- tm_shape(shape_joined2) +
tm_polygons("destino_bici",
palette = "Greens",
style = "quantile",
title = "Bicicleta - Destino") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
# Moto
map_v2_origen <- tm_shape(shape_joined2) +
tm_polygons("origen_moto",
palette = "Blues",
style = "quantile",
title = "Moto - Origen") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
map_v2_destino <- tm_shape(shape_joined2) +
tm_polygons("destino_moto",
palette = "Blues",
style = "quantile",
title = "Moto - Destino") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
# Vehículo 3
map_v3_origen <- tm_shape(shape_joined2) +
tm_polygons("origen_auto",
palette = "Oranges",
style = "quantile",
title = "Automovil - Origen") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
map_v3_destino <- tm_shape(shape_joined2) +
tm_polygons("destino_auto",
palette = "Oranges",
style = "quantile",
title = "Automovil - Destino") +
tm_shape(centros) +
tm_text("comuna", size = 1, col = "black", fontface = "bold") +
tm_layout(legend.outside = TRUE)
ajuste_leyenda <- tm_layout(
legend.outside = FALSE, # leyenda dentro del mapa
legend.position = c("right", "bottom"), # posición interna
legend.bg.color = "white",
legend.bg.alpha = 0.6,
legend.text.size = 1.2,
legend.title.size = 1.4
)
map_o <- map_o + ajuste_leyenda
map_d <- map_d + ajuste_leyenda
map_v1_origen <- map_v1_origen + ajuste_leyenda
map_v1_destino <- map_v1_destino + ajuste_leyenda
map_v2_origen <- map_v2_origen + ajuste_leyenda
map_v2_destino <- map_v2_destino + ajuste_leyenda
map_v3_origen <- map_v3_origen + ajuste_leyenda
map_v3_destino <- map_v3_destino + ajuste_leyenda
tmap_arrange(
map_o, map_d,
ncol = 2,
asp = 0.7
)
Comparación de mapas Origen - Destino - Tipo de vehículo: Bicicleta
tmap_arrange(
map_v1_origen, map_v1_destino,
ncol = 2,
asp = 0.7
)
Comparación de mapas Origen - Destino - Tipo de vehículo: Moto
tmap_arrange(
map_v2_origen, map_v2_destino,
ncol = 2,
asp = 0.7
)
Comparación de mapas Origen - Destino - Tipo de vehículo: Automovil
tmap_arrange(
map_v3_origen, map_v3_destino,
ncol = 2,
asp = 0.7
)
Interpretación de los resultados
- En el conteo por comuna se evidencian dos tipos de comuna que salen del análisis. Las que tienen valor de cero (0) y las que se presentan como NA. Teniendo en cuenta que se convirtió el tipo de datos de las comunas a entero para facilitar el join con el shapefile, los NA corresponden a los datos clasificados originalmente como Fuera de Cali y los ceros son registros sin información que si se imputaran por la moda quedarían clasificados como Fuera de Cali y saldrían del análisis. Por este motivo no se realiza ningún proceso y se trabaja únicamente con las 22 comunas válidas.
- Se establecen las categorías de los mapas por cuantiles, asegurando cantidad similar de comunas en todas las categorías.
- Las comunas de las que mas se originan los viajes de los habitantes de Cali son las 2, 3, 17, 18 y 19; de las que menos se originan viajes son las 5, 7, 12, 14 y 20. Así mismo, las comunas hacia las que más se desplazan los habitantes son las 2, 3, 17, 19 y 22; y las que reciben menos habitantes son las 1, 12, 14, 20 y 21.
- Al revisar las comunas de origen para los 3 tipos de vehículo considerados, se evidencia que las comunas de las que más se originan viajes mantienen la misma distribución que para el total casos. Mientras que en los destinos, si bien es muy similar, para el caso del Automovil aumenta la tendencia de desplazamientos hacia la comuna 4 y disminuye en la comuna 22.
- Al revisar las comunas de origen para los 3 tipos de vehículo considerados, se evidencia que las comunas de las que menos se originan viajes presenta una variación para el caso de las bicicletas, en dónde disminuyen los casos de origen en la comuna 1, aumentando para la comuna 20. Mientras que en los destinos, se mantiene la tendencia en el caso del automovil; en el caso de las bicicletas disminuyen los casos de destino en la comuna 15, aumentando para la comuna 2 y para el caso de las motos disminuyen en la comuna 5, aumentando para la comuna 21.
Conclusiones
Algunas hipoótesis que se podrían plantear de estos resultados son:
Las comunas más habitadas de Cali corresponden a las 2, 3, 17 y 19 al presentar una alta concurrencia en origen y destino.
Las comunas 1, 14, 20 y 21 al ser periféricas, puedes estar asociadas a zonas menos desarrolladas y por ende menos habitadas y con menor demanda de servicios.
Hacia la comuna 21, posiblemente por su limitada accesibilidad, las personas prefieren desplazarse en bicicleta o moto.
Se observa un corredor importante de movilidad de Sur a Norte que abarca las comunas 22, 17, 18, 19, 3 y 2. Sobre el cual se podrían enfocar planes de movilidad alternos que incluyan infraestructura de ciclorutas.
Se pueden desarrollar planes enfocados en mejorar la infraestructura hacia el oriente de la ciudad y así promover una mayor distribución de la población a lo largo de la misma desembotellando el corredor occidental.
El tipo de vehículo más utilizado en cali corresponde a la moto, seguida por el automovil y en menor medida la bicicleta. Para mejorar la movilidad se puede promover una cultura ciudadana enfocada en mejorar la seguridad vial y desarrollar una infraestructura de parqueaderos acorde a la demanda.