Casos prácticos | Simio

Simulación para predecir la exposición de los ciclistas a la contaminación atmosférica en los carriles bici

Escrito por Simio | 26-mar-2026 19:14:16

El desafío

por Daniela Azumendi Gongora, Juan José Dıaz Baquero, Juan Felipe Franco e Iván Mura (Universidad de los Andes).

Según lo presentado en la Conferencia de Simulación de Invierno 2018

Los ciclistas que circulan en entornos urbanos contaminados pueden estar expuestos a condiciones insalubres. Por lo tanto, el proceso de diseño de rutas de carriles bici debe tener en cuenta la exposición de los ciclistas a los contaminantes del aire. Ir en bicicleta es una forma común de desplazarse en Bogotá, una ciudad altamente contaminada. Quinto Centenario es un carril bici de 25 km que se construirá en los próximos años. El objetivo de este estudio es realizar estimaciones de la exposición de los usuarios de Quinto Centenario al material particulado. Simulamos el movimiento de los ciclistas a lo largo de la ruta prevista y utilizamos los datos de calidad del aire recogidos por una red de vigilancia para estimar la concentración de contaminación a la que estarán expuestos los ciclistas. Las estimaciones del tráfico en el carril bici se obtuvieron a partir de encuestas oficiales de la ciudad, que analizamos para determinar las matrices origen/destino de los desplazamientos en bicicleta y las distribuciones de la duración de los viajes. El resultado de la simulación se recoge en una hoja de cálculo que calcula la exposición de los ciclistas para cualquier trayecto a lo largo del carril bici.

Introducción

Bogotá, la capital de Colombia, es la ciudad latinoamericana con mayor infraestructura ciclista, ' que en 2017 contaba con más de 476 Km de ciclovías. El plan de desarrollo propuesto por la alcald'ıa de Bogot'a, para el periodo comprendido entre 2016 y 2019, contempla la construcci ' on de 120 km de nuevas ciclorrutas (Alcald'ıa Bogot'a 2016 ' ), con el objetivo de duplicar el porcentaje de viajes que utilizan la modalidad de bicicleta, pasando del 5% actual al 10%.

La ciclorruta Quinto Centenario (QC) es la ciclorruta de mayor longitud propuesta en el plan de desarrollo. Este proyecto, que está previsto que esté plenamente operativo para el 500 aniversario de Bogotá en 2038, personificará ' la visión de ciudad de la movilidad sostenible (C40 Cities 2016). QC atravesará la ciudad de norte a sur con una longitud aproximada de 25 km (C40 Cities 2016), e impactará hasta 10 zonas de la ciudad, dependiendo de la selección final de la ruta por parte del gobierno de la ciudad. Comenzará a funcionar gradualmente, y se espera que provoque una reducción acumulada esperada de 3 años en las emisiones de gases de efecto invernadero de 67.565 mtCO2e entre 2018 y 2030, al tiempo que mejora la calidad del aire a lo largo de la ruta. Su construcción es estratégica para fomentar el uso de la bicicleta en los desplazamientos al trabajo y para conectar a los ciudadanos de barrios de ingresos bajos, medios y altos con sus puestos de trabajo, escuelas y otras actividades (C40 Cities 2016).

Está previsto que el QC circule cerca de las calles más transitadas de la capital. Dado que la proporci'on de combustibles ecol'ogicos, en 2015, para la flota de veh'ıculos en Bogot'a fue de alrededor del 5,0% ( ' Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogot'a TPD Ingenier'ıa 2016), los ciclistas que utilicen la QC probablemente estar'an expuestos a altos niveles de material particulado (MP) entre otros contaminantes, como sucede para varias otras ciclov'ıas en la ciudad (Franco et al. 2016). Múltiples estudios en la literatura concluyen que la mezcla de aire con las emisiones de los motores de combustión interna es perjudicial para la salud, y que grandes dosis de PM están asociadas con varias enfermedades (Hoek et al. 2002). Los efectos adversos para la salud de la exposición a la contaminación atmosférica no se han atribuido a una contribución exacta de los diferentes compuestos o fracciones de PM (Int Panis et al. 2010). No obstante, se ha observado que las partículas del rango PM2,5 (es decir, de radio inferior a 2,5 µm) causan más daños a la salud (Pope et al. 2002) que las demás fracciones de PM.

Los ciclistas en QC estarían expuestos a una emisión permanente de contaminantes. Al realizar una actividad física, la frecuencia respiratoria puede aumentar de unas 15 veces hasta 40-60 veces por minuto (ELF 2017). Esto se traduce tanto en una mayor cantidad de PM que entra en el cuerpo como en una penetración más profunda de la PM en el sistema respiratorio (Hoek et al. 2002). Un mayor depósito de PM en los pulmones aumenta el riesgo de sufrir los efectos negativos de la contaminación (Int Panis et al. 2010), que entre otros incluyen, enfermedades cardiovasculares, respiratorias agudas, neumonía y cáncer de pulmón (OMS 2017). En consecuencia, a la hora de evaluar los riesgos para la salud de los modos de transporte (más concretamente las políticas ciclistas), las métricas que estiman la exposición, por ejemplo la tasa de ventilación (La tasa de ventilación se define como el volumen de gas inhalado en los pulmones de una persona, por minuto) también deben tenerse en cuenta junto con las concentraciones de contaminantes (Int Panis et al. 2010).

El objetivo de este estudio es determinar cuál sería la exposición a PM2,5 de los ciclistas que utilizan la ruta QC. Esta información será útil para los usuarios potenciales de la QC, sugiriendo si y cuándo es apropiado el uso de medios de protección (como mascarillas). Además, proporcionará al equipo de diseño del QC una predicción de la exposición a PM a lo largo de la ruta prevista del carril bici, indicando qué segmentos entrañan mayores riesgos para la salud y sugiriendo así opciones de mejora.

Para estimar la exposición, combinamos la simulación de los movimientos de los usuarios del QC con los datos oficiales de calidad del aire recogidos por la red de estaciones de control de Bogotá. Desarrollamos una interfaz fácil de usar que ' vincula la salida del modelo de simulación con los datos de calidad del aire para estimar la exposición.

El resto del documento está organizado como sigue. En la Sección 2 describimos el enfoque metodológico general y las principales fuentes de datos que utilizamos para evaluar la exposición. A continuación, en la Sección 3 presentamos el modelo de simulación que construimos para predecir el tiempo de permanencia de los ciclistas a lo largo del carril bici y detallamos el proceso de parametrización. En la Sección 4 proponemos una forma de evaluar la exposición, que se ajusta a las recomendaciones de los organismos internacionales, y en la Sección 5 presentamos los resultados de nuestros modelos. Las conclusiones se ofrecen en la Sección 6.

La solución

Metodología

Predecir la exposición de los ciclistas a lo largo del carril bici requiere combinar dos tipos distintos de información, es decir, la cantidad de tiempo que un ciclista pasa en cada uno de los segmentos del carril bici que utiliza, y la concentración de PM2,5 a la que estará expuesto. A la hora de unir estas dos informaciones también es esencial tener en cuenta aspectos específicos del usuario del carril bici, como el sexo y la edad, que afectan a la frecuencia respiratoria de referencia.

Para determinar el tiempo que pasan los ciclistas en los segmentos de carril bici, aplicamos la metodología de (Banks 2000) para construir un modelo de simulación que reproduzca sus movimientos. Georreferenciamos la ruta QC planificada y la dividimos en segmentos rectos que se aproximan al carril bici. El modelo de simulación se parametriza con datos oficiales de la Secretaría Distrital de Movilidad de Bogotá (SDM). La SDM realiz'o una encuesta aleatoria (Encuesta de Movilidad, EM, en adelante) sobre el uso de la bicicleta en Bogot'a, cubriendo m'as del 94% del 'area dentro del alcance del estudio (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogot'a TPD Ingenier'ıa 2016). A partir del ME, caracterizamos el proceso de llegada, direcci'on, distancia recorrida y velocidad de los usuarios del QC, que utilizamos para generar las caracter'ısticas de las entidades que se mueven por la ciclorruta simulada. La salida del modelo de simulación permite predecir el tiempo medio que los usuarios pasan en cada segmento del QC. Para validar el modelo, comparamos los tiempos de permanencia simulados previstos en el QC con el tiempo medio real que pasan los ciclistas en la red actual de carriles bici que rodea la ruta prevista del QC.

Para estimar la calidad del aire a lo largo de los segmentos del QC, utilizamos los datos oficiales proporcionados por la Secretaría Distrital de Ambiente de Bogotá, que desde 1998 ha estado operando una red de monitoreo de 13 estaciones fijas que reportan datos horarios sobre las condiciones meteorológicas y las concentraciones de contaminantes del aire (incluyendo PM2.5). Mediante un modelo de simulación de Kriging (Kleijnen 2009) desarrollado en una investigación previa (Rojas 2017), se interpolan los datos recolectados por las estaciones de monitoreo para obtener los valores de concentración en cualquier punto de Bogotá. Asumimos que la calidad del aire exterior no tendrá ningún cambio significativo hasta la construcción de ' QC.

La salida de la simulación y la concentración de PM2,5 permiten estimar la exposición de los usuarios de la ciclorruta, para lo cual nos basamos en la definición de dosis media diaria proporcionada por la Agencia de Protección Ambiental de los Estados Unidos (EPA) (US EPA 1992).

Modelo de simulación

Los modelos de simulación son reconocidos como herramientas eficaces para apoyar la planificación eficaz de los sistemas de transporte (Ziemke et al. 2017). En esta sección, describimos completamente el modelo de simulación que construimos para predecir el tiempo de permanencia de los ciclistas en el QC, en diferentes momentos del día. Enumeramos claramente los supuestos del modelado, luego detallamos sobre el proceso de parametrización, y finalmente sobre su verificación y validación.

Este trabajo utiliza el marco de modelado de simulación SIMIO R, que soporta el paradigma de modelado orientado a objetos, con disposiciones para la simulación dirigida por procesos y eventos (Pegden y Sturrock 2010). La selección de este software se justifica por su lenguaje de modelado de alto nivel que permitirá futuras modificaciones sin mucho esfuerzo.

Los supuestos en los que se basa nuestra modelización son los siguientes:

  • La demografía de los ciclistas estimada a partir de los datos de EM caracterizará correctamente a los usuarios de QC;\
  • El origen y el destino, así como la velocidad de los viajes estimados a partir de los datos EM no cambiarán cuando se introduzca el QC;
  • Los segmentos del QC entre los puntos de referencia utilizados en el modelo para dar forma al carril bici serán segmentos rectos.

El QC se modeló utilizando 119 coordenadas geográficas, que representan con precisión el trazado de la ruta. Los ciclistas son las entidades del modelo, y se definen por su origen, velocidad, dirección de destino y distancia recorrida. El horizonte temporal de la simulación fue un solo día, que seleccionamos para representar la jornada laboral media.

Parámetros de simulación

El modelo de simulación de tráfico de bicicletas, depende de tener una comprensión precisa del comportamiento del ciclista (Ma y Luo 2016). Así, los parámetros de simulación son determinados por los datos recolectados de los usuarios potenciales. La Secretaría Distrital de Movilidad de Bogotá (SDM) realizó la encuesta EM entre el 15 de marzo y el 30 de agosto de 2015, a 28.025 individuos de la ciudad y otros 17 municipios vecinos (los ciudadanos de Bogotá representaban alrededor del 87% de la zona de estudio). Los datos fueron recolectados para una región que ' cubre más del 94% del área de interés, e incluyen entrevistas realizadas en hogares y encuestas hechas a ciclistas. Los datos de la encuesta permiten concluir que los hombres usan la bicicleta 3 veces más que las mujeres, y entre quienes la usan, la mayor proporción de la población tiene entre 15 y 44 años (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogotá TPD Ingenier ' ıa 2016).

Entre las personas incluidas en el estudio EM se encontraron 3.649 usuarios de ciclorrutas, quienes reportaron hora, lugar de origen y destino de sus viajes (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogot' a TPD Ingenier'ıa 2016). De los 9.260 viajes originales en bicicleta registrados, alrededor del 13,81% (1.279 viajes) se originaron en la zona de influencia. A partir de esta informaci ' on seleccionada, se estim ' o una matriz origen-destino (ODM), basada en el supuesto de que los ciclistas que utilizan el sistema actual de carriles bici se desplazar ' an a la QC, ya que se trata de una avenida ciclista dedicada. Tampoco se estima un incremento del volumen de tráfico debido al crecimiento de la población o a cambios de modalidad. Los parámetros de entrada se dividen en 56 perfiles, según el origen del viaje. Los perfiles coinciden con las unidades de planificación zonal (UPZ), que son las divisiones territoriales utilizadas por el municipio.

Proceso de llegadas

Creamos las llegadas a QC de acuerdo con la distribución espacial y la demografía de la UPZ. Cuando una UPZ genera un ciclista, entonces el modelo generará una llegada en el punto a lo largo de la ruta de QC más cercano al centro geográfico de la UPZ.

La hora a la que los ciclistas inician su viaje se obtiene del ODM. A continuación, sumamos los flujos de llegadas parciales de todas las UPZ y calculamos las tasas horarias a lo largo del horizonte temporal (24 horas), como se muestra en la figura 1. Para verificar que las llegadas dentro de cada intervalo horario entre las distintas UPZ eran homogéneas, comprobamos la igualdad de medias y varianzas en cada hora entre las UPZ. Los resultados confirman la homogeneidad, pero como las distintas horas tienen tasas diferentes, modelamos el proceso global de llegada de ciclistas utilizando un proceso de Poisson no homogéneo (NHPP) que depende de la hora del día (Gallager 2013).

Figura 1: Tasas horarias de llegada de ciclistas, obtenidas a partir de los datos de EM

Dirección del viaje

En un día laboral típico, la mayoría de los ciudadanos de Bogotá viajan a sus trabajos temprano en la mañana, tienen un descanso a mitad del día y regresan a sus hogares en las horas de la tarde.

Para modelar estos patrones de movilidad, dividimos el horizonte temporal en rangos, en los que cambian la dirección del desplazamiento y las probabilidades de inicio. Tras evaluar los datos, decidimos que el comportamiento de movilidad de los ciclistas puede agruparse en tres rangos distintos: de medianoche a las 8 de la mañana, de 8 de la mañana a 3 de la tarde y de 3 de la tarde a medianoche. Bogotá presenta marcadas diferencias entre las zonas de la ciudad en cuanto a su uso: hay ' zonas que son claramente residenciales y otras que son predominantemente industriales. Por la mañana, la mayoría de la gente inicia los viajes en zonas residenciales y elige la dirección para llegar a una zona comercial o industrial. Estos patrones en la dirección de las entidades modelo pueden apreciarse en la matriz ODM.

Duración del viaje

A partir de las coordenadas geográficas de origen y destino del viaje, calculamos D, la distancia recorrida utilizando el conjunto de ecuaciones 1-3, que son las fórmulas haversine. En la ecuación 1, φi denota la latitud del punto i y ∆φ y ∆α las diferencias de latitud y longitud entre los dos puntos. En la ecuación 2, atan2(-,-) es la función tangente inversa multivaluada, y en la ecuación 3, R es el radio de la Tierra (6,371km).

Al realizar una prueba de ajuste de Kolmogorov-Smirnov, llegamos a la conclusión, con un nivel de confianza del 95%, de que la distribución de la distancia recorrida por las entidades puede modelizarse mediante una distribución de Weibull, con forma 1,1171 y escala 4,9120. Estos parámetros se ajustaron mediante estimación de máxima verosimilitud con la biblioteca fitdistrplus de R. La figura 2 muestra la distribución empírica de los datos recogidos sobre la distancia recorrida.

Figura 2: Distribución de la distancia de viaje de los ciclistas.

Velocidad de las entidades

La velocidad de los ciclistas se modelizó utilizando los datos de EM. Basándonos en los resultados publicados en la literatura (Gates et al. 2006), fijamos la velocidad mínima en 3,5 km/h. En cuanto a la velocidad máxima, tomamos como referencia la ley 1811 de 2016, que definió la velocidad máxima de las bicicletas en 25 km/h (MTC 2016). Todos los valores de velocidad en la encuesta EM que caen fuera de este rango se clasifican como atípicos y no se consideran para modelar la velocidad de los ciclistas. A partir de los datos válidos, obtenemos una distribución empírica de la velocidad, que utilizamos en el modelo de simulación para asignar una velocidad de viaje a cada ciclista.

Los resultados de las simulaciones preliminares indicaron que varios segmentos a lo largo de la ruta pueden tener un gran número de ciclistas compartiendo el mismo carril. Por lo tanto, a pesar de que la congestión a lo largo de los carriles bici es rara en comparación con la generada por el tráfico de vehículos (Dobler y Lammel 2016 ' ), decidimos modelar la influencia de la carga del segmento en la velocidad de los ciclistas.

Para dar cuenta del efecto de la congestión del tráfico ciclista en la velocidad, consideramos que, independientemente de si los ciclistas adelantarían o no a otros ciclistas, el efecto neto de la congestión sería una reducción de la velocidad. Analizando de nuevo los resultados de las simulaciones preliminares, estimamos el número de personas en cada segmento a lo largo del tiempo, y comprobamos que el 90% de las veces no se encontrarán más de 4 ciclistas compartiendo el mismo segmento de QC. Por lo tanto, decidimos que sólo cuando un ciclista entra en un segmento y ve a más de 4 usuarios su velocidad media para el segmento disminuiría. Asumimos en el modelo que por cada ciclista en un segmento de ruta que supere el máximo, un ciclista reducirá su velocidad en ese segmento en un 7,25%. Fijamos este valor basándonos en las recomendaciones de expertos en diseño de carriles bici.

Verificación y validación del modelo

Siguiendo los pasos de Banks en un estudio de simulación, realizamos la verificación y validación del modelo (Banks 2000). Para la verificación, nos preocupaba saber si el paso de tiempo discreto que utilizamos para comprobar si una entidad ha llegado a su destino final tiene un efecto significativo en la duración de su viaje. Para comprobar si la diferencia entre la distancia asignada y la verdadera distancia simulada recorrida es significativa, comparamos el resultado obtenido por el conjunto de datos ODM y los resultados del modelo, ambos con estimaciones al 95% de nivel de confianza. Comparando los intervalos de confianza, llegamos a la conclusión de que la hipótesis de tiempo discreto utilizada en la simulación para controlar los desplazamientos de los ciclistas no tiene implicaciones significativas.

El propósito de la validación, es determinar si el modelo conceptual es una representación exacta del sistema real (Banks 2000). Para llevar a cabo una validación del modelo, realizamos una comparación estadística del tiempo medio de viaje simulado y del tiempo medio de viaje, tal y como se extrae de los datos de la EM. Nótese que esta última información no se utilizó para parametrizar el modelo de simulación. El intervalo de confianza del 95% para el tiempo medio de viaje simulado calculado con los resultados de al menos 75 simulaciones está contenido en el intervalo de confianza del 95% para el tiempo medio de viaje obtenido a partir de los datos EM. Por lo tanto, concluimos que el modelo es válido.

Estimación de la exposición

Se han propuesto varias definiciones de exposición. Por ejemplo, la Agencia de Protección del Medio Ambiente de Estados Unidos (EPA), en su documento de directrices (US EPA 1992), define la exposición como la concentración química en el límite del cuerpo. Otros enfoques, por ejemplo el propuesto en el estudio de exposición de Fajardo y Rojas para el análisis espacial de la exposición a PM2.5 en Bogotá ( ' Fajardo y Rojas 2012), consideran la exposición como la dosis potencial de contaminante que se inhalaría. En línea con esta definición ampliada, y de acuerdo con las Herramientas de Evaluación de Exposición por Rutas - Inhalación de la EPA (US EPA 2017), utilizamos la siguiente ecuación para calcular AD, la dosis promedio que inhalaría un ciclista en un viaje en bicicleta por el QC que va del segmento s1 al segmento s2:

donde V R es la tasa de ventilación, medida en m 3min-1, Ci es la concentración media de contaminante en el segmento i del carril bici, medida en µgm-3, EDi es la duración media de la exposición, en minutos, y BW es la masa corporal del ciclista, medida en kg.

Obsérvese que la ecuación 4 depende de la edad y el sexo porque la RV varía en relación con esos parámetros: las mujeres respiran con mucha más frecuencia que los hombres cuando montan en bicicleta (Int Panis et al. 2010). Los datos utilizados en este estudio para los valores de RV son las tasas medias de ventilación, ajustadas al peso corporal mientras se realizan actividades, dentro de la actividad específica categorizada por sexo y por edad (US EPA 2011). Se supuso que el ciclismo en el carril QC exigirá un nivel moderado de actividad física, apoyado en los resultados presentados por la EPA de EE.UU. en 1985 (US EPA 2011).

Los factores Ci de la ecuación 4 se estiman a partir de los datos oficiales de calidad del aire de la ciudad de Bogotá. En 1998, el ' gobierno de la ciudad estableció la Red de Monitoreo de la Calidad del Aire de Bogotá (RMCAB). Esta red consta actualmente de 13 estaciones fijas automatizadas, distribuidas por toda la ciudad, más una estación de monitoreo móvil. Cada estación monitoriza un conjunto de variables meteorológicas y de concentraciones de contaminantes atmosféricos, incluidas las PM2,5. Los datos de la RMCAB son gestionados por la Secretaría Distrital de Ambiente de Bogotá, que los valida, almacena y pone a disposición del público. Utilizamos estos datos oficiales para predecir la concentración de contaminantes atmosféricos en toda la superficie de Bogotá, aplicando el ' método Kriging de interpolación espacial. La descripción completa de este trabajo, que está fuera del alcance de la investigación presentada en este trabajo, se puede encontrar en (Rojas 2017). La información de un día laboral aleatorio del trabajo antes mencionado se utiliza para estimar los Ci , las concentraciones promedio de PM2.5 para los segmentos modelados del CC, en los diferentes rangos de tiempo de interés.

En cuanto a los factores EDi de la ecuación 4, es decir, el tiempo medio de permanencia de un ciclista en cada segmento de la vía ciclista, los obtenemos de los resultados de la simulación.

El impacto empresarial

Esta sección presenta los resultados obtenidos de nuestro estudio, divididos en tres partes principales. En primer lugar, describimos las predicciones obtenidas a partir del modelo de simulación, a continuación las que obtenemos para la calidad del aire y, por último, la exposición a PM2,5 calculada mediante la combinación de las mediciones de la calidad del aire con los tiempos de viaje simulados, de acuerdo con la ecuación 4.

Resultados de la simulación

La Figura 3 muestra un mapa del área urbana de Bogotá dividida por UPZ, con la ruta QC actualmente planeada resaltada ' en naranja. La ruta está dividida en 119 segmentos, cada segmento modelando una porción recta de la ciclovía. Como notación, numeramos los segmentos consecutivamente, siendo el segmento 1 el más meridional y el segmento 119 el más septentrional. Además, etiquetamos con Norte y Sur los viajes de los ciclistas que van en esa dirección. Se agregaron múltiples ejecuciones de simulación para calcular los valores medios de las medidas de interés y los intervalos de confianza con un nivel de confianza del 95%.

Figura 3: Trazado previsto del carril bici QC y partición UPZ.

Los tiempos medios simulados que pasan los ciclistas en los segmentos de la ruta (los factores EDi de la ecuación 4) se muestran en la figura 4, en horas, para los viajes que van hacia el norte y hacia el sur, y para los tres intervalos de tiempo considerados. Este tiempo medio depende del número de ciclistas que comparten el segmento, de sus velocidades y de la longitud del segmento.

Tabla 1: Tiempo medio (en minutos) en todos los segmentos de carril bici, por intervalo de tiempo.

Figura 4: Tiempo medio empleado en los tramos de carril bici, en horas, por sentido del viaje y franja horaria.

En primer lugar, se observa sistemáticamente un pico en los primeros segmentos, los más meridionales. Esto se debe al elevado número de viajes que se originan en la zona del final del QC, la mayoría de los cuales se dirigen más al sur y, por tanto, quedan fuera del ámbito de nuestro estudio. Durante la hora punta de la ma'ana (rango horario 1, grafico izquierdo), se espera que ma's personas se dirijan hacia el norte de la ciudad (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogot'a TPD Ingenier'ıa 2016). Como lo indican los resultados de nuestra simulaci'on, los segmentos 80 a 115 presentan los tiempos promedio m'as altos. En el segundo rango de tiempo (gr'afico medio), los picos del tiempo empleado por el ciclista se encuentran en los segmentos del sur. Además, se reduce la variabilidad del tiempo entre segmentos. Los resultados de la simulación para la última franja horaria (gráfico de la derecha) muestran que en los segmentos centrales se puede emplear hasta el doble de tiempo que en otros segmentos de la ruta. Esto podría deberse a que la mayoría de los viajes en este intervalo de tiempo se originan en el sur y el norte de la ciudad, y terminan en el lado opuesto de la ciudad, acumulándose la gente en el centro de la ruta QC.

En todas las franjas horarias, las personas que se dirigen al sur pasan más tiempo en cada segmento que las que van en la otra dirección. Esto se debe a que el tráfico en dirección sur es de mayor intensidad, y los ciclistas tendrían que reducir la velocidad y permanecer más tiempo en un segmento. El tiempo medio de permanencia en todos los segmentos, que figura en el cuadro 1 para cada dirección de viaje y cada intervalo de tiempo, junto con la semiamplitud del intervalo de confianza, confirma estadísticamente la existencia de esta diferencia.

Resultados sobre la calidad del aire

A partir de los datos de calidad del aire interpolados por Kriging, estimamos la concentración media de PM2,5 para cada segmento en el QC (los factores Ci de la ecuación 4), que mostramos en la figura 5. Los intervalos de tiempo de mañana y noche son las horas punta. Las franjas horarias de mañana y noche son horas punta, y tienen un mayor flujo de vehículos en las calles. En consecuencia, la figura 5 muestra que en esas franjas horarias las concentraciones de PM2,5 son más elevadas que en la franja horaria del mediodía. En algunos segmentos de la parte sur del QC (parte izquierda de las curvas), la concentración en el intervalo horario 1 es 2,5 veces superior a la concentración en el intervalo horario 2.

En el intervalo temporal 1, las concentraciones de PM2,5 alcanzan sus niveles máximos. Observamos que las concentraciones más elevadas se estiman para los segmentos más meridionales del QC, donde se estiman los mayores tiempos de permanencia previstos (véase la figura 4). Aunque la intersección entre el conjunto de segmentos altamente contaminados y el conjunto de segmentos congestionados es de cardinalidad pequeña, debería suscitar preocupación por las implicaciones para la salud de la elevada exposición. Por el contrario, los niveles comparativamente más bajos de PM2,5 en los segmentos QC del norte compensarían en la evaluación de la exposición los largos tiempos de permanencia de los ciclistas en el intervalo temporal 1 (véase la figura 4.a).

En la segunda franja horaria, las concentraciones de PM2,5 son mínimas, ya que la intensidad del tráfico en la ciudad es mucho menor que por la mañana. Esto se explica en función del turno normal de trabajo de la gente. Por lo tanto, basándose únicamente en la variable de concentración, se podría concluir que el segundo intervalo de tiempo sería el mejor momento para utilizar el CC.

El último intervalo presenta valores medios menores que el primero. Aunque en la franja horaria 3 se produce un número de desplazamientos aproximadamente igual al de la franja horaria 1, dos factores distintos contribuyen a determinar medias más bajas de concentración de PM2,5: el primero es la mayor dispersión de las horas de inicio de los desplazamientos, y el segundo es la dispersión más eficaz de los contaminantes en la atmósfera a última hora del día.

Figura 5: Concentración de PM2,5 a lo largo de la QC en los tres intervalos de tiempo considerados.

Resultados de la exposición

La exposición, calculada según la ecuación 4, depende de las características de los ciclistas y de la ruta. Por lo tanto, el resultado sólo puede calcularse con referencia a viajes específicos de usuarios específicos. A continuación, para evaluar la exposición, generamos perfiles aleatorios de usuarios del carril bici que se desplazarían a lo largo de la ruta QC. La generación aleatoria de perfiles se basa en la información de la encuesta EM.

La exposición estimada por segmentos de la mezcla de ciclistas generada aleatoriamente a lo largo de la ruta se muestra en la figura 6). Como era de esperar, el comportamiento de la exposición a lo largo de la ruta es muy similar al tiempo medio en el segmento. Sin embargo, existen diferencias significativas entre perfiles, ya que las mujeres y los jóvenes tendrán una mayor exposición en casi todos los segmentos a lo largo de la ruta, debido a sus mayores tasas de ventilación (factor V R en la ecuación 4). Para proporcionar una caracterización más precisa de las diferencias en la exposición determinada por el perfil del ciclista, en la tabla 2 presentamos la EA estimada para un conjunto de perfiles muestreados, suponiendo que el viaje discurre a lo largo de todo el QC.

Figura 6: Exposición estimada a lo largo de la QC para perfiles de ciclistas elegidos aleatoriamente, por dirección y rango temporal

Los valores indicados en la tabla 2 ayudan a comprender la magnitud de la exposición de los ciclistas a lo largo de la ruta. Estudios en la literatura muestran que la exposición de 24 horas en ciudades pequeñas (Lee et al. 2017) puede estar alrededor de 4,6 µgm-3d -1 . Con los niveles de contaminación en Bogotá, un par de horas a lo largo de la ciclorruta ' resultarían en una cantidad similar de PM2,5 inhalado.

Tabla 2: Promedio de exposición PM2.5 para ciclistas viajando por QC en diferentes rangos de tiempo y dirección.

Conclusiones

En este estudio, describimos el uso combinado de un modelo de simulación de tráfico y datos de calidad del aire para generar predicciones sobre la exposición de los ciclistas a PM2.5 a lo largo del Quinto Centenario, una ciclovía de 25 km de longitud que será construida en Bogotá.

El objetivo del modelo de simulación es proporcionar estimaciones de los tiempos de viaje de los usuarios, desglosados en el tiempo empleado en los distintos segmentos que componen la ciclovía modelada. Una parte esencial de nuestro trabajo se centra en la parametrización del modelo de simulación, para asegurar que la demanda de viajes en bicicleta, sus características en términos de origen/destino y velocidad están capturando efectivamente el comportamiento real de los ciclistas en la ciudad. Se utilizan los datos oficiales de una encuesta exhaustiva recogida por las autoridades locales para determinar la zona de influencia del trazado previsto del carril bici, modelizar el proceso de llegada de los viajes, estimar un ODM y la velocidad de los viajes.

La información sobre la calidad del aire a lo largo del carril bici se obtiene mediante la interpolación espacial de los datos oficiales de la ciudad recogidos por una red de estaciones de control. Combinando la distribución espacial de las concentraciones de PM2,5 con el tiempo medio que los ciclistas pasarían a lo largo del carril bici, podemos obtener estimaciones de la exposición acumulada de los usuarios del carril bici según las métricas sugeridas por la EPA para la inhalación a lo largo de las rutas.

Conocer el sexo y la edad de una persona permite calcular la exposición en términos de la cantidad media prevista de PM2,5 que un ciclista inhalaría en un viaje en bicicleta a lo largo del Quinto Centenario. Esta información es valiosa tanto para las personas que trabajan en el diseño de la ruta como para sus usuarios. Los primeros pueden utilizarla para comparar el impacto sobre la salud de diferentes opciones de rutas, mientras que los segundos pueden tomar una decisión informada sobre la barrera física correcta que pueden utilizar para protegerse de los efectos de la exposición a largo plazo a los contaminantes. Los resultados preliminares de este trabajo han sido presentados a la autoridad de movilidad de Bogotá' Actualmente estamos trabajando en el desarrollo de un modelo de simulación mejorado que permita considerar una mejor caracterización de la exposición para ciudades de altura, así como en la evaluación del coste-beneficio global de realizar actividad física en entornos contaminados.

Biografías de los autores

DANIELA AZUMENDI GONGORA' es profesora asistente graduada de la Universidad de los Andes, donde apoya el curso de Simulación de Eventos Discretos. Terminó una especialización en ingeniería industrial y un doble programa en ingeniería mecánica en 2018, y actualmente es estudiante de la maestría en ingeniería industrial de la misma universidad. Está interesada en las aplicaciones de la investigación de operaciones a la protección del medio ambiente y el bienestar social. Su dirección de correo electrónico es d.azumendi10@uniandes.edu.co.

JUAN JOSE D' 'IAZ BAQUERO es magister en ingeniería industrial con doble programa de grado en ingeniería de software e ingeniería industrial de la Universidad de los Andes, con experiencia en consultoría TI, analítica de datos y analítica visual. Apasionado por la investigación de operaciones, modelación matemática, simulación, programación, cambio climático y salud pública. Su dirección de correo electrónico es jj.diaz1067@uniandes.edu.co.

JUAN FELIPE FRANCO es ingeniero químico de la Universidad Nacional de Colombia, magíster en ingeniería de la Universidad de los Andes y actualmente estudiante de doctorado en el programa de ingeniería de esa misma universidad. Tiene experiencia como docente, investigador y consultor en temas relacionados con el control de la contaminación atmosférica, la reducción de la emisión de gases de efecto invernadero, la gestión de la sostenibilidad urbana y la definición de políticas públicas. Su dirección de correo electrónico es jffranco@uniandes.edu.co.

IVAN MURAse licenció en Informática y se doctoró en Ingeniería Informática en la Universidad de Pisa (Italia), y obtuvo un máster en Gestión de Proyectos de Tecnologías de la Información en la Escuela de Negocios de la Universidad George Washington. Actualmente es profesor asociado del Departamento de Ingeniería Industrial de la Universidad de los Andes. Sus intereses de investigación incluyen la modelización matemática de sistemas artificiales y vivos, con técnicas basadas en estados continuos-deterministas y discretos-estocásticos. Su dirección de correo electrónico es i.mura@uniandes.edu.co.

Referencias

Alcald'ıa de Bogot' a, Gabinete Distrital Alcald ' ıa Mayor de Bogot' a D.C. 2016. "Proyecto del Plan de Desarrollo ' 2016-2020".

Banks, J. 2000. "Introducci ' on a la simulaci ' on". En Proceedings of the 2000 Winter Simulation Conference, 7-18, editado por A.Jones et al., Piscataway, New Jersey:IEEE.

C40 Ciudades, Mecanismo de financiación 2016. "Ciclismo para todos en la primera ciclovía resiliente de Bogotá". Consultado el ' 1 de diciembre de 2017. https://www.c40cff.org/projects/bogota-quinto-centenario

Dobler, C., y G. Lammel. 2016. "La contribución multimodal". ' The Multi-Agent Transport Simulation MATSim, Londres, Ubiquity Press:135-140.

ELF, Fundación Europea del Pulmón 2017. "Tus pulmones y el ejercicio". Consultado el 1 de diciembre de 2017. http: //www.europeanlung.org/assets/files/en/publications/lungs-and-exercise-en.pdf.

Fajardo, O., y N. Rojas. 2012. "Exposición a material particulado de usuarios de ciclovías en una ciudad de altura". Ambiente Atmosférico 46:675-679.

Franco, J., J. Segura, y I. Mura. 2016. "Contaminación del aire junto a ciclovías en Bogot-Colombia". Fronteras en Ciencias Ambientales 4:77.

Gallager, R. 2013. "Procesos de Poisson". Stochastic Processes: Theory for Applications, Nueva York, Cambridge University Press:72-104.

Gates, T., D. Noyce, A. Bill y N. Van Ee. 2006. "Recommended Walking Speeds for Pedestrian Clearance Timing Based on Pedestrian Characteristics". Transportation Research Board, 85th Annual Meeting, Washington, D.C

Hoek, G., B. Brunekreef, S. Goldbohm, P. Fischer y P. Van Den Brandt. 2002. "Association Between Mortality and Indicators of Traffic-related Air Pollution in the Netherlands: A Cohort Study". The Lancet 360(9341):1203-1209.

Int Panis, L., B. De Geus, G. Vandenbulcke, H. Willems, B. Degraeuwe, N. Bleux, V. Mishra, I. Thomas y R. Meeusen. 2010. "Exposure to Particulate Matter in Traffic: a Comparison of Cyclists and Car Passengers". Atmospheric Environment 44(19):2263-2270.

Kleijnen, J. 2009. "Kriging Metamodeling in Simulation: A Review". European Journal of Operational Research 192(3):707 - 716

Lee, S., S. Yu, y S. Kim. 2017. "Evaluation of Potential Average Daily Doses (ADDs) of PM2.5 for Homemakers Conducting Pan-Frying Inside Ordinary Homes under Four Ventilation Conditions". Salud Global 14(1):78-88.

Ma, X., y D. Luo. 2016. "Modeling Cyclist Acceleration Process for Bicycle Traffic Simulation using Naturalistic Data". Transportation Research Part F 40:130-144.

MTC, Ministerio de Transporte de Colombia 2016. "Ley 1811 del 21 de octubre de 2016". Bogotá: República ' de Colombia - Gobierno nacional.

Pegden, D., y D. Sturrock. 2010. "Introducción a Simio". En Proceedings of the 2010 Winter Simulation Conference, WSC '10, 1-10, editado por B.Johansson et al., Piscataway, Nueva Jersey:IEEE.

Pope, C., R. Burnett, M. Thun, E. Calle, K. Ito y G. Thurston. 2002. "Lung Cancer, cardiopulmonary Mortality, and Long-term Exposure to Fine Particulate Air Pollution" (Cáncer de pulmón, mortalidad cardiopulmonar y exposición a largo plazo a la contaminación atmosférica por partículas finas). JAMA 287(9):1132-1141.

Rojas, N. 2017. "Análisis espacial de la exposición a PM2,5 en el área urbana de Bogotá entre 2010 y ' 2016". Tesis de pregrado en Ingeniería Industrial, Universidad de los Andes.

Secretar'ıa de Movilidad - Alcald'ıa Mayor de Bogot'a TPD Ingenier'ıa, Consorcio Transconsult, Infometrika ' 2016. "Encuesta de Movilidad 2015". Secretar'ıa de Movilidad, Bogot'a.

US EPA, Agencia de protecci'on ambiental de los Estados Unidos 1992. "Directrices para la evaluaci'on de la exposici'on". Federal Register 57(104):22888-22938, Washington, DC.

US EPA, Agencia de Protección del Medio Ambiente de los Estados Unidos 2011. "Manual de factores de exposición Capítulo 6". EPA ExpoBox, Washington DC.

US EPA, Agencia de Protección Ambiental de los Estados Unidos 2017, nov. "Exposure Assessment Tools by Routes - Inhalation". Último acceso: 1 diciembre 2017. https://www.epa.gov/expobox/ exposure-assessment-tools-routes-inhalation

OMS, Organización Mundial de la Salud 2017. "Los Efectos Sobre la Salud". Departamento de Salud Pública, ' Medio Ambiente y Determinantes Sociales de la Salud. Consultado el 1 de diciembre de 2017. http://www.who. int/phe/health topics/outdoorair/databases/health impacts/es/.

Ziemke, D., S. Metzler, y K. Nagel. 2017. "Modelado del tráfico de bicicletas en una simulación de transporte basada en agentes". Procedia Computer Science, (109C):923-928.
Ver post completo