La nueva España: Redibujando el país con los datos de movilidad

Uno de los campos más apasionantes que nos abre el uso de datos es el estudio de redes. Nuestras sociedades, comunicaciones, infraestructuras, negocios y muchos otros ámbitos de la vida pueden representarse como una serie de elementos interconectados o redes, alimentadas constantemente con datos.

El nacimiento de plataformas como Facebook, Twitter o Instagram ha convertido a las redes sociales en un elemento habitual en la vida diaria de todos los ciudadanos, con el consecuente crecimiento de los datos que se generan asociados a ellas, que son de gran interés. El análisis de estas redes nos permite establecer quienes son las personas más relevantes de la red, comunidades de usuarios, las personas que unen las diferentes agrupaciones…Por ejemplo, en la Figura 1 puede verse un análisis de mi red de actividad en Twitter.

Figura 1: Ejemplo de mi red de seguidores y seguidos en Twitter con la herramienta Gephi.

Pero estas técnicas no están reservadas solo a redes sociales. Cualquier red puede ser sujeto de este análisis, llegando a ejemplos tan diversos como una red de interacción de diferentes proteínas o una red que representa las interconexiones exactas de las neuronas del cerebro de un insecto. Con los datos que disponemos en LUCA, podemos realizar un estudio similar utilizando datos de movilidad real. Llevados por la curiosidad nos propusimos construir un mapa de comunidades basado en cómo nos movemos, obviando las divisiones administrativas de comunidades autónomas o provincias.

Obtención de datos

En LUCA y gracias a la plataforma Smart Steps disponemos de forma sencilla de los datos de movilidad que necesitamos. En el caso de este estudio, usamos datos de Enero de 2016 de España tanto a nivel de provincias como a nivel de municipios. A partir de aquí construimos una red en la que los vértices son las provincias o municipios y los arcos que los conectan se les atribuye un peso proporcional al número de personas que han viajado entre los dos puntos (Figura 2).

Figura 2: Red representativa de desplazamientos entre Madrid y Toledo (500 personas en sentido Madrid – Toledo y 200 personas en sentido inverso).

La representación visual de la red construida puede hacerse con herramientas de libre disposición como Gephi o igraph. Tras esto, decidimos aplicar un algoritmo de detección de comunidades. Estos algoritmos detectan grupos naturales de nodos (en nuestro caso provincias o municipios) basándose en la interconectividad de los mismos, de tal modo que nodos muy conectados entre sí tenderán a aparecer en la misma comunidad. Hemos usado el algoritmo “Infomap”. Lo interesante además, es que el algoritmo decide cuántas comunidades deben generarse. Con esta información ya podemos visualizar los datos, colocándolos en un mapa para que resulte más sencillo y natural su análisis.

Análisis

En primer lugar ejecutamos el algoritmo sobre una red de movilidad entre provincias. Las provincias están coloreadas por el color de la comunidad a la que han sido asignadas y la provincia resaltada de cada comunidad es la provincia con más movilidad. Los resultados del cálculo de comunidades es el siguiente:

Figura 3: Comunidades a nivel de provincias.

Lo primero que apreciamos es que el país queda representado en 7 comunidades compactas y con una estructura radial (quizás influenciado por la estructura de carreteras primarias), es decir, una comunidad central y luego comunidades que la rodean. Salvo en el caso de Extremadura, ninguna comunidad de movilidad coincide exactamente con los límites administrativos conocidos, dándose uniones (Aragón y Cataluña) y separaciones (Castilla La Mancha).

El siguiente paso es mejorar la resolución del mapa a un nivel mucho más local para obtener información sobre el comportamiento de los municipios. Los datos obtenidos nos permiten sin problemas esa precisión. Del mismo modo que en el mapa anterior, colorearemos los municipios según su comunidad y marcamos el municipio con más movilidad como el más importante.

Figura 4: Comunidades a nivel de municipio.

Podemos extraer varias conclusiones de este mapa. La primera es que muchas comunidades se forman en torno a grandes municipios, capitales de provincia en su mayoría. Se podría entender la comunidad como el área de influencia de dichos municipios principales. También podemos apreciar que la comunidades se ven fuertemente influenciadas por la red de carreteras. Los municipios más importantes de todas las regiones se encuentran en el cruce de carreteras principales (autovías y autopistas) y esta cualidad ayuda a que se desarrollen y tengan una importancia creciente en la zona.

También es curioso observar que estas comunidades respetan en su mayoría los límites de las provincias y comarcas, lo que nos indica que, pese a que puedan ir a una ciudad más cercana, la población suele moverse dentro de su provincia o comarca. No obstante, es habitual que una misma provincia quede fragmentada internamente en varias comunidades, principalmente debido a la existencia de varios núcleos importantes de población.

Aplicaciones

Los conocimientos extraídos del análisis pueden servir para un múltiples propósitos:

- Transporte e Infraestructuras: Ya que es un mapa obtenido con la información de la movilidad, es evidente que éste sea el primer punto. Conocer la distribución de estas comunidades puede permitirnos replanificar la red de carreteras. Por ejemplo, sería interesante tener buenas conexiones entre todos los municipios que son capitales de su región, o entre los municipios de una comunidad y su “capital”. Sería interesante también estudiar las fronteras de las comunidades: al indicarnos que dos municipios están separados el algoritmo nos indica que hay un bajo tráfico entre ambas lo que nos puede informar de pobres infraestructuras entre los municipios que fuerce a la población a utilizar otras rutas. También podemos usar el análisis para estudiar el impacto en movilidad antes y después de la construcción de una nueva carretera.

- Edificios institucionales: Estos mapas apunta a las capitales de las comunidades como localizaciones perfectas para albergar edificios institucionales, desde una delegación de Hacienda hasta policía. Esto tendría como resultado un mejor servicio al ciudadano, una reducción de la necesidad de tráfico y una descarga de la saturación de estos servicios en las capitales de provincia o comunidad autónoma.

- Servicios de Salud y Emergencias: Dentro de los edificios institucionales, destacamos el caso de los servicios médicos. Por su necesidad de acción rápida, una distribución geográfica es más que necesaria. Utilizar esta información puede ayudar a localizar estos servicios no solo en las zonas entorno a las que se organizan las poblaciones, sino que además estas zonas aportan varios beneficios a nivel de movilidad pues los usuarios no solo estarán más cerca de su hospital de referencia sino que además conocerán mejor la zona, al ser un municipio al que están más acostumbrados a visitar.

- Turismo: Se puede adoptar una estrategia de publicitar los municipios de la zona de influencia de una comunidad, sabiendo que a posteriori los turistas probablemente viajarán para hacer noche en la capital de la comunidad, mejorando los ingresos generales en la región pues los turistas tendrán más sitios que visitar y se quedarán más tiempo en la zona.

Comercio: La zona de influencia de un municipio nos informa de los municipios que potencialmente serán clientes de un nuevo comercio, permitiendo un estudio más preciso de su clientela.

En resumen, el análisis de datos de movilidad usando redes nos ofrece una novedosa visión sobre nuestro concepto de comunidades y provincias, dando una visión complementaria de las dinámicas de nuestra sociedad. Aparte de satisfacer nuestra curiosidad, nos ayuda a entender el comportamiento de la población, las agrupaciones de regiones que se forman con los desplazamientos, conocer la provincia y el municipio de referencia… Esto permite actuar de manera más inteligente, maximizando el beneficio para la población.

Y tú, ¿qué ves en los mapas?

Lo mejor de Changing the Game with Big Data Madrid¿Aún no has visto el último LUCA Talk?