Plantilla POSTER Muestra Proyectos - STDTG - 2021

Comportamiento de la demanda de transporte público en la
pandemia COVID 19 en Colombia

Maycol A. Ortiz R. ([email protected])
Duvan F. Useche C. ([email protected])
Introducción. Resultados.
A partir del 6 de marzo de 2020, fecha correspondiente al primer caso de Los resultados del modelo lineal generalizado GLM que explican el número
COVID-19 (SARS-COV-2) en Colombia, el ministerio de salud junto con de pasajeros por día en cada una de las ciudades de estudio, Bogotá,
Medellín, y Cali, respectivamente.
entidades gubernamentales ha implementado medidas de prevención y
aislamiento en las diferentes regiones del país, bajo adopción de políticas  Caso 1 – Bogotá.
implementadas en cada municipio. Generando una reducción en el uso del
transporte público, que afecto directamente la demanda de este sistema, y Variables que inciden en el modelo.
representa una disminución de 75% aproximadamente en un conjunto de • Restricción horaria por día de la semana (Dia_sem*Rest_Hora).
ciudades de la región después de la implementación de las medidas de
• Restricción de Pico y Cedula (pico_cedu).
aislamiento social.
Afectación a la • Número de infectados por Covid-19 (Infectados).
Inversión
• Restricción de movilidad por horas determinadas (Rest_Hora).
Restricciones a la
Movilidad • Restricción de movilidad por zonas barrios, y localidades (Rest_zona).
Afectación a su
Emergencia Funcionamiento • Restricción de movilidad a vehículos particulares con número de placa impares (Pico_part1).
sanitaria Covid-
19
• Restricción de movilidad a vehículos particulares con número de placa pares (Pico_part0).
Aislamiento Afectación de la
Social Demanda del
Transporte Público
Ilustración 1. Problemática.
Ecuación 1. Ecuación explicativa del modelo para la ciudad de Bogotá.
 Caso 2 – Medellín.
Descripción Del Problema. Variables que inciden en el modelo.
• Identificación del día de la semana por numero (Dia_Sem).

En este trabajo, se tiene como objetivo la modelación de la variación de la
• Número de infectados por Covid-19 (Infectados).
demanda ante las restricciones a la movilidad, a causa de la pandemia,
específicamente, se estima los efectos de la prohibición de viajar que se • Restricción de movilidad por horas determinadas (Rest_Hora).
implementaron en las ciudades de Bogotá, Medellín y Cali, a mediados del
• Restricción de movilidad a vehículos particulares con número de placa pares (Pico_part0).
mes de marzo de 2020. Para modelar la variación de la demanda del
transporte masivo nacional a causa del brote de COVID-19, utilizamos el
modelo lineal generalizado (GLM).
Ecuación 1. Ecuación explicativa del modelo para la ciudad de Medellín.
Objetivos.  Caso 3. – Cali.
Variables que inciden en el modelo.

 Evaluar el comportamiento de la demanda de pasajeros de transporte • Identificación del día de la semana por número (Dia_Sem).
masivo para establecer la incidencia de las medidas sanitarias en las
• Número de personas fallecidas por Covid-19 (Muertes).
ciudades de Bogotá, Medellín, y Cali.
• Restricción de movilidad por horas determinadas (log(infectados)).
 Establecer una base de datos confiable que permita relacionar la
demanda que se presenta en el transporte masivo y los decretos • Número de personas fallecidas por Covid-19 por cada día de la semana (Dia_Sem*Muertes).
establecidos en cada una de las ciudades.
 Identificar y clasificar las diferentes variables que inciden en la Ecuación 1. Ecuación explicativa del modelo para la ciudad de Cali.
demanda de acuerdo con los decretos locales. Ecuación 1. Ecuación explicativa del modelo para la ciudad de Cali.
 Definir un modelo tipo lineal generalizado para caracterizar el

comportamiento de la demanda considerando las normativas
particulares de cada ciudad.
Conclusiones.
Metodología. Se encontró que las principales variables que permitían expresar la

variación de la demanda en el transporte masivo de las diferentes ciudades
se expresan mediante la cantidad de infectados, muertos, y restricciones
como pico y cedula, pico y placa para los vehículos particulares,
restricciones horarias y zonales, estando presentes en los modelos y
presentando significancia para las ciudades de Bogotá, Medellín y Cali, sin
embargo, para las variables como restricción por pico y género, tarifa, oferta
y pico y placas para vehículos de transporte público, taxis, vehículos
especiales como camperos y pico y placa ambiental no incidieron en la
variación del número de pasajeros.
Así mismo al tener un levantamiento de las restricciones de pico y placa

particular, en las ciudades en estudio durante las alertas naranja y roja, se
observa que esta restricción solo tiene incidencia hasta la segunda semana
del mes de abril, con respecto a la demanda de transporte masivo.
Ilustración 2. Flujograma de la Metodología utilizada.

Plantilla POSTER Muestra Proyectos - STDTG - 2021

Cargado por

Copyright:

Formatos disponibles

Plantilla POSTER Muestra Proyectos - STDTG - 2021

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Plantilla POSTER Muestra Proyectos - STDTG - 2021

Cargado por

Copyright:

Formatos disponibles

Comportamiento de la demanda de transporte público en la

pandemia COVID 19 en Colombia

• Identificación del día de la semana por numero (Dia_Sem).

Objetivos.  Caso 3. – Cali.

Variables que inciden en el modelo.

 Definir un modelo tipo lineal generalizado para caracterizar el

Metodología. Se encontró que las principales variables que permitían expresar la

Así mismo al tener un levantamiento de las restricciones de pico y placa

Ilustración 2. Flujograma de la Metodología utilizada.

También podría gustarte