Eficiencia operativa de la movilidad urbana y su impacto en la predicción: caso Santa Rosa

Autores/as

  • Juan Carlos Medina-Jiménez Universidad Tecnica de Machala image/svg+xml
  • Franklin Alberto Noblecilla-Rivadeneira Universidad Tecnica de Machala image/svg+xml
  • Harry Alexander Vite-Cevallos Universidad Tecnica de Machala image/svg+xml
  • Javier Alejandro Bermeo-Pacheco Universidad Tecnica de Machala image/svg+xml

DOI:

https://doi.org/10.51247/nxj9p014

Palabras clave:

Eficiencia operativa, movilidad urbana, analítica predictiva, ciudades inteligentes, sistemas inteligentes de transporte

Resumen

Este estudio analiza cómo la eficiencia operativa de la movilidad urbana incide en la capacidad predictiva de los sistemas de gestión vial del cantón Santa Rosa, El Oro, Ecuador, con el fin de proponer un modelo de movilidad inteligente ajustado a su contexto institucional. Se adopta un diseño cuantitativo correlacional, no experimental y transversal, que combina una encuesta ciudadana (n = 374), observación sistemática en 20 intersecciones, entrevistas a 20 expertos, modelos de ecuaciones estructurales y una comparación de modelos predictivos con validación cruzada. La línea base muestra un índice de congestión vehicular de 1,65 y un tiempo de espera semafórica de 87,3 segundos. Los resultados proyectados indican que la eficiencia operativa incide en la capacidad predictiva (β = 0,62) y que el modelo GCN-LSTM alcanzaría el mayor ajuste (R² = 0,912) frente a ARIMA (R² = 0,621). Con ello se sustenta un modelo gradual en tres fases, que parte de XGBoost por su bajo costo y orienta las decisiones del Gobierno Autónomo Descentralizado Municipal y de la Comisión de Tránsito del Ecuador. El aporte es un protocolo replicable de medición y predicción para una ciudad intermedia de baja madurez digital, contexto poco documentado en la literatura sobre ciudades inteligentes.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Juan Carlos Medina-Jiménez, Universidad Tecnica de Machala

    Mgs. Juan Carlos Medina

    Maestrante de la Maestría en Administración de Empresa con mención en alta gerencia

  • Franklin Alberto Noblecilla-Rivadeneira, Universidad Tecnica de Machala

    Ing. Gestión Empresarial

    Maestrante en la Maestría de Administración de Empresa con mención en alta gerencia

  • Harry Alexander Vite-Cevallos, Universidad Tecnica de Machala

    Docente Universitario

  • Javier Alejandro Bermeo-Pacheco, Universidad Tecnica de Machala

    Docente Universitario

Referencias

Benevolo, C., Dameri, R. P., & D'Auria, B. (2016). Smart mobility in smart city: Action taxonomy, ICT intensity and public benefits. In T. Torre, A. M. Braccini, & R. Spinelli (Eds.), Empowering organizations (pp. 13–28). Springer. https://doi.org/10.1007/978-3-319-23784-8_2

Boukerche, A., & Wang, J. (2020). Machine learning-based traffic prediction models for intelligent transportation systems. Computer Networks, 181, Article 107530. https://doi.org/10.1016/j.comnet.2020.107530

Brimos, P., Karamanou, A., Kalampokis, E., & Tarabanis, K. (2023). Graph neural networks and open-government data to forecast traffic flow. Information, 14(4), Article 228. https://doi.org/10.3390/info14040228

Cochran, W. G. (1977). Sampling techniques (3rd ed.). John Wiley & Sons.

Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). SAGE Publications.

Flatten, T. C., Engelen, A., Zahra, S. A., & Brettel, M. (2011). A measure of absorptive capacity: Scale development and validation. European Management Journal, 29(2), 98–116. https://doi.org/10.1016/j.emj.2010.11.002

Goodall, N. J., Smith, B. L., & Park, B. (2013). Traffic signal control with connected vehicles. Transportation Research Record, 2381, 65–72. https://doi.org/10.3141/2381-08

Guerrero-Ibáñez, J., Zeadally, S., & Contreras-Castillo, J. (2018). Sensor technologies for intelligent transportation systems. Sensors, 18(4), Article 1212. https://doi.org/10.3390/s18041212

Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill.

Hollands, R. G. (2008). Will the real smart city please stand up? City, 12(3), 303–320. https://doi.org/10.1080/13604810802479126

Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

Instituto Nacional de Estadística y Censos. (2022). Censo de Población y Vivienda 2022: Resultados nacionales y provinciales. INEC.

Jiang, W., & Luo, J. (2022). Graph neural network for traffic forecasting: A survey. Expert Systems with Applications, 207, Article 117921. https://doi.org/10.1016/j.eswa.2022.117921

Kitchin, R. (2021). The data revolution: Big data, open data, data infrastructures and their consequences. SAGE Publications.

Ma, C., Hao, W., Wang, A., & Zhao, H. (2018). Developing a coordinated signal control system for urban ring road under the vehicle-infrastructure connected environment. IEEE Access, 6, 52471–52478. https://doi.org/10.1109/ACCESS.2018.2869890

Maadi, S., Stein, S., Hong, J., & Murray-Smith, R. (2022). Real-time adaptive traffic signal control in a connected and automated vehicle environment: Optimisation of signal planning with reinforcement learning under vehicle speed guidance. Sensors, 22(19), Article 7501. https://doi.org/10.3390/s22197501

Meijer, A., & Bolívar, M. P. R. (2016). Governing the smart city: A review of the literature on smart urban governance. International Review of Administrative Sciences, 82(2), 392–408. https://doi.org/10.1177/0020852314564308

Mergel, I., Edelmann, N., & Haug, N. (2019). Defining digital transformation: Results from expert interviews. Government Information Quarterly, 36(4), Article 101385. https://doi.org/10.1016/j.giq.2019.06.002

Ortúzar, J. D., & Willumsen, L. G. (2021). Modelling transport (5th ed.). John Wiley & Sons.

Rivera-Campoverde, N. D., Bermeo Naula, A. K., Arenas Ramírez, B. del V., & Ortega Rodas, D. I. (2026). Smart mobility analytics: Inferring transport modes and sustainability metrics from GPS data and machine learning. Atmosphere, 17(3), Article 246. https://doi.org/10.3390/atmos17030246

Shah, V., Pecheux, B., Kraemer, S., & Ledbetter, G. (2024). Predictive analytics for traffic management systems (Report No. FHWA-HRT-24-091). Federal Highway Administration. https://doi.org/10.21949/1521763

Xiao, F., Lu, J., Li, L., Tu, W., & Li, C. (2025). Advances in reinforcement learning for traffic signal control: A review of recent progress. Intelligent Transportation Infrastructure, 4, Article liaf009. https://doi.org/10.1093/iti/liaf009

Yin, R. K. (2018). Case study research and applications: Design and methods (6th ed.). SAGE Publications.

Zahra, S. A., & George, G. (2002). Absorptive capacity: A review, reconceptualization, and extension. Academy of Management Review, 27(2), 185–203. https://doi.org/10.5465/amr.2002.6587995

Descargas

Publicado

2026-11-10

Cómo citar

Eficiencia operativa de la movilidad urbana y su impacto en la predicción: caso Santa Rosa. (2026). Sociedad & Tecnología, 9(3), 1916-1927. https://doi.org/10.51247/nxj9p014

Artículos más leídos del mismo autor/a