Sanimobel cabecera

Movilidad


Un estudio de la UPM desvela los factores clave en la demanda de motos compartidas y su impacto

Analizaron más de 1,5 millones de viajes registrados en 2022, identificando patrones en el uso de estos servicios y factores sociodemográficos, urbanos y de transporte, para apoyar el diseño de políticas públicas

Un estudio de la UPM desvela los factores clave en la demanda de motos compartidas y su impacto
151

El auge de los servicios de movilidad compartida se ha convertido en un tema de gran interés en los estudios de transporte urbano en los últimos años. La aparición de nuevos modelos de movilidad, como los automóviles, bicicletas y motos compartidas, ha transformado la forma en que las personas se mueven por las ciudades. Dentro de estos sistemas alternativos de transporte, las motos compartidas, también conocidas como moped scooter-sharing, son cada vez más populares en las grandes ciudades.

De hecho, nuestro país es uno de los que cuenta con una mayor flota de este tipo de vehículos, con una cifra cercana a los 9.000. Pero, ¿cómo se comportan los usuarios a la hora de optar por este medio de transporte? ¿Cuáles son los factores que hacen que se escoja una moto compartida y qué tipo de uso se hace de ella? Esto es lo que ha analizado un equipo de investigadores de la Universidad Politécnica de Madrid que ha tomado como modelo el caso de la capital española.

“El uso compartido de motos ha ganado popularidad en muchas ciudades de todo el mundo. Estos servicios permiten a los usuarios alquilar y compartir motos para viajes cortos y tienen el potencial de ofrecer un modo de transporte alternativo que es más rápido y flexible que los sistemas tradicionales como el transporte público o los taxis”, explica Tulio Silveira, del Centro de Investigación del Transporte (TRANSyT-UPM) y uno de los coautores de este trabajo. “Comprender los patrones de demanda de viajes de los servicios de motos compartidas es crucial para garantizar su crecimiento sostenible y el uso eficiente de los recursos y para evaluar su papel dentro del sistema de transporte urbano”, añade.

Con esa realidad a la vista, el objetivo del estudio desarrollado por los investigadores de la UPM fue utilizar técnicas de aprendizaje automático (machine learning), también conocidas como Regresión Lineal y Random Forest, para pronosticar la demanda de viajes, proporcionando una comprensión matizada de los patrones de viaje que pueden resultar de utilidad para diseñar las políticas públicas. Para ello, se analizaron más de 1,5 millones de viajes registrados en 2022 y se identificaron patrones clave en el uso de estos servicios, incluyendo factores sociodemográficos, urbanos y relacionados con el transporte.

 

Trayectos cortos y entornos urbanos

“Los resultados revelaron que los puntos de interés como alojamientos turísticos, centros comerciales y estaciones de metro son clave para aumentar la demanda de motos compartidas. Otros factores como las zonas de bajas emisiones, una edad promedio elevada o tasas de desempleo también influyen, en este caso, negativamente, en el uso de este tipo de servicios”, explica Silveira.

En cuanto al tipo de desplazamientos realizados, los investigadores constataron que la distancia promedio de los viajes es de 2,89 km, y su duración media es de 13,52 minutos, confirmando así que los usuarios optan por este modelo de transporte para trayectos cortos en entornos urbanos.

Para los investigadores de la UPM, el trabajo, que se ha publicado recientemente en la revista internacional Sustainability, tiene implicaciones directas para la planificación urbana y la gestión de servicios de micromovilidad.

“Nuestro trabajo puede ser de aplicación directa para tres colectivos diferentes. Por un lado, para los urbanistas y legisladores que podrán diseñar políticas que promuevan el desarrollo sostenible e integren puntos clave identificados. También para las autoridades de transporte, quienes pueden utilizar estos datos para mejorar la conectividad multimodal priorizando inversiones en infraestructura estratégica. Finalmente, los datos también pueden ser utilizados por los operadores de motos compartidas que podrán optimizar la ubicación de flotas y planificar expansiones basadas en patrones de demanda identificados”, concluyen.

 


151

Noticias relacionadas


EN PORTADA