Un nuevo modelo utiliza datos de smartphones para analizar la variación espacial de la actividad económica en el área metropolitana de Gran Tokio.
Tiene en cuenta tanto los desplazamientos al trabajo como los que no lo son, para comprender mejor esta variación.
Analizar únicamente los desplazamientos al trabajo ofrece una imagen engañosa de los patrones de viaje, sostienen los investigadores.
Comprender la concentración espacial de la actividad económica es uno de los desafíos más centrales de la economía. Las teorías tradicionales sobre las ciudades ponen el acento en las decisiones de producción y en los costes de los trabajadores que se desplazan entre su lugar de trabajo y su residencia. Sin embargo, gran parte de los desplazamientos que se producen dentro de las zonas urbanas no está relacionada con los desplazamientos al trabajo, sino con el consumo de servicios no comercializables, como los viajes a restaurantes, cafeterías y bares, centros comerciales, espacios culturales y otros servicios. Un artículo pionero que introdujo esta idea de la «ciudad de consumo» es el de Glaeser et al. (2001).
Dos desafíos clave para la investigación en este ámbito han sido la limitada capacidad para medir los desplazamientos que no son al trabajo y la ausencia de un modelo teórico de desplazamiento para el consumo ampliamente aceptado. En un nuevo artículo (Miyauchi et al. 2021), ofrecemos una nueva teoría y nuevas evidencias sobre el papel del consumo y del acceso al lugar de trabajo para comprender la distribución espacial de la actividad económica.
Combinamos datos de smartphones, incluida la información de localización de alta frecuencia, con datos censales desagregados espacialmente para medir los desplazamientos al trabajo y los que no lo son dentro del área metropolitana de Gran Tokio. Guiados por nuestros hallazgos empíricos, desarrollamos un modelo urbano cuantitativo que incorpora tanto el acceso al lugar de trabajo como el acceso al consumo. Utilizamos el modelo para evaluar el papel del acceso al consumo a la hora de explicar la variación espacial observada de la actividad económica. La incorporación del acceso al consumo es cuantitativamente relevante para evaluar el impacto observado de las mejoras en la infraestructura de transporte.
Primero utilizamos nuestros datos de smartphones para aportar evidencia de alta resolución sobre los desplazamientos dentro del área metropolitana de Gran Tokio. Nuestros datos proceden de una importante aplicación de mapas para smartphones en Japón (Docomo Chizu NAVI), que registra la ubicación GPS de cada dispositivo cada cinco minutos. En julio de 2019, los datos abarcaron unos 545.000 usuarios, con 1.400 millones de puntos de datos. Medimos cada ubicación visitada por un usuario mediante una «estancia», que corresponde a la ausencia de movimiento en un radio de 100 metros durante 15 minutos.
La figura 1 muestra las «estancias» registradas en nuestros datos en el ejemplo del santuario Meiji, en el municipio de Shibuya de Tokio, de diciembre de 2017 a febrero de 2018. Cada rectángulo sombreado en rojo corresponde a una celda de cuadrícula de 25 metros por 25 metros. Cuanto más oscuro es el sombreado rojo, mayor es el número de estancias en esa celda. Estas celdas de cuadrícula se han superpuesto sobre una fotografía satelital del barrio. En esta fotografía, el edificio situado hacia la parte superior izquierda de la imagen, rodeado de árboles, es el edificio principal del santuario Meiji.
Figura 1 Ejemplo de estancias alrededor del santuario Meiji en el municipio de Shibuya, Tokio
En esta imagen se aprecian varias características. En primer lugar, el movimiento dentro de la ciudad puede observarse con un nivel de resolución espacial extremadamente fino. En segundo lugar, existe una marcada discontinuidad en la densidad de estancias en la carretera que separa la zona boscosa que rodea el santuario (lado izquierdo) de la zona urbanizada (lado derecho), lo que sugiere que las estancias captan con precisión la densidad del movimiento. En tercer lugar, en el centro de esta zona boscosa, las estancias se concentran de forma muy ajustada a lo largo del camino que va desde la carretera hasta el edificio principal del santuario, lo que confirma de nuevo la capacidad de nuestros datos para captar las principales vías de movimiento por la ciudad.
Utilizando nuestros datos de smartphones, designamos la ubicación de residencia de cada usuario anonimizado como su ubicación más frecuente (definida por grupos de estancias geográficamente contiguas) y su ubicación de trabajo como su segunda ubicación más frecuente. Los desplazamientos que no son al trabajo hacia otras ubicaciones se clasifican en distintos tipos utilizando datos censales desagregados espacialmente sobre el empleo por sector. Validamos nuestras mediciones de desplazamientos al trabajo a partir de smartphones mostrando que están muy correlacionadas con las mediciones de los datos censales oficiales. También demostramos que presentan patrones acordes con los hallazgos de otros estudios que utilizan datos de desplazamientos al trabajo, entre ellos Ahlfeldt et al. (2015) y Heblich et al. (2020).
Una vez validados nuestros datos de smartphones con los datos censales de desplazamientos al trabajo, demostramos que centrarse únicamente en estos desplazamientos ofrece una imagen engañosa de los patrones de viaje. En primer lugar, los desplazamientos que no son al trabajo son más frecuentes que los desplazamientos al trabajo, como se ilustra en la figura 2. Por tanto, concentrarse solo en los desplazamientos al trabajo subestima sustancialmente la cantidad de viajes dentro de las zonas urbanas.
Figura 2 Frecuencia de estancias en el trabajo y en otras ubicaciones (excluidas las ubicaciones de residencia)
En segundo lugar, demostramos que estos desplazamientos que no son al trabajo están estrechamente relacionados con la disponibilidad de servicios no comercializables, lo que es coherente con nuestro modelo, que los considera desplazamientos para consumir servicios no comercializables.
En tercer lugar, observamos que los desplazamientos que no son al trabajo tienen destinos más cercanos al domicilio que los desplazamientos al trabajo, con respuestas de los flujos de viaje a los tiempos de desplazamiento que son mayores en valor absoluto que las de los desplazamientos al trabajo. Por tanto, los patrones espaciales de los desplazamientos que no son al trabajo no se aproximan bien a los de los desplazamientos al trabajo.
En cuarto lugar, demostramos que las cadenas de desplazamientos son una característica relevante de los datos: los desplazamientos que no son al trabajo se producen a lo largo del trayecto entre el domicilio y el lugar de trabajo, lo que pone de relieve la pertinencia de modelizar conjuntamente los desplazamientos al trabajo y los que no lo son.
Estos hallazgos procedentes de datos de smartphones, que muestran la importancia de los desplazamientos para el consumo, son coherentes con la evidencia procedente de nuevas fuentes de big data, como las transacciones con tarjetas de crédito (p. ej., Allen et al. 2020) y los datos de restaurantes de Yelp (p. ej., Glaeser et al. 2018 y Davis et al. 2019).
Para dar cuenta de los patrones observados en nuestros datos de smartphones, desarrollamos una teoría cuantitativa de la estructura interna de las ciudades que incorpora tanto los desplazamientos al trabajo como los desplazamientos para el consumo. Consideramos una ciudad compuesta por un conjunto discreto de manzanas con distinta productividad, amenidades, oferta de superficie y conexiones de transporte. Las preferencias de los consumidores se definen en función del consumo de un bien comercializable, de distintos tipos de servicios no comercializables y de superficie residencial. El bien comercializable y los servicios no comercializables se producen utilizando trabajo y superficie comercial. Suponemos que las decisiones de localización de los trabajadores están anidadas.
Los trabajadores observan factores idiosincrásicos:
preferencias por las amenidades de cada ubicación y eligen dónde vivir;productividades en cada lugar de trabajo y sector y eligen dónde trabajar;calidades de los servicios no comercializables que ofrece cada ubicación y eligen dónde consumir estos servicios; y perturbaciones de gusto para cada trayecto para consumir estos servicios no comercializables y eligen cuál de estos trayectos tomar (p. ej., domicilio-trabajo-consumo-domicilio frente a domicilio-consumo-domicilio).
Al tomar cada una de estas decisiones, los trabajadores tienen en cuenta su acceso esperado a las ubicaciones circundantes. La movilidad de la población implica que los trabajadores deben obtener la misma utilidad esperada en todas las ubicaciones pobladas.
El modelo implica ecuaciones gravitacionales ampliadas para los desplazamientos al trabajo y los que no lo son, que proporcionan buenas aproximaciones a los datos observados. Utilizamos estas ecuaciones gravitacionales ampliadas para estimar una medida teóricamente coherente del acceso a los desplazamientos. Intuitivamente, utilizamos los desplazamientos observados en los datos y la estructura del modelo para revelar el atractivo relativo de las ubicaciones para el empleo y el consumo. A partir de la condición de movilidad de la población del modelo, derivamos un estadístico suficiente para el atractivo relativo de las ubicaciones, que incorpora tanto la proporción de población residente como el precio de la superficie. Este estadístico suficiente para el atractivo relativo de las ubicaciones puede descomponerse en nuestra medida de acceso a los desplazamientos y en un residuo para las amenidades residenciales.
Al comparar nuestro modelo, que incorpora tanto el acceso al consumo como el acceso al lugar de trabajo, con un caso especial que solo recoge el acceso al lugar de trabajo, constatamos una contribución del acceso a los desplazamientos sustancialmente mayor cuando tenemos en cuenta el acceso al consumo (56 % frente a 37 %), y una contribución correspondientemente menor del residuo de las amenidades residenciales (44 % frente a 63 %).
En conjunto, este patrón es coherente con la idea de que gran parte de la actividad económica de las zonas urbanas se concentra en el sector servicios, y de que el acceso a las ubicaciones circundantes para consumir estos servicios es un determinante importante de la elección de residencia y de lugar de trabajo por parte de los trabajadores.
El modelo puede utilizarse para realizar un contrafactual de una mejora de la infraestructura de transporte, como la construcción de una nueva línea de metro. Además de las proporciones iniciales de los desplazamientos al trabajo, estos contrafactuales dependerían ahora también de las proporciones iniciales de los desplazamientos que no son al trabajo.
Los marcos que se centran únicamente en los desplazamientos al trabajo tienden a subestimar las ganancias de bienestar derivadas de las mejoras de la infraestructura de transporte, porque no contabilizan el número de desplazamientos de pasajeros que se benefician de la reducción de los costes de viaje. Además, estos marcos generan predicciones diferentes sobre el impacto de las nuevas infraestructuras de transporte en la distribución espacial de la actividad económica, debido a los distintos patrones bilaterales de los desplazamientos al trabajo y de los que no lo son.
Comparamos las predicciones contrafactuales del modelo para la apertura de una nueva línea de metro en la ciudad de Sendai con el impacto observado en los datos. La incorporación del acceso al consumo genera efectos estimados similares a los observados en los datos. Centrarse únicamente en los desplazamientos al trabajo subestima en torno a la mitad las ganancias de bienestar derivadas de la mejora del transporte, debido a la importante subestimación de los desplazamientos que no son al trabajo dentro de las zonas urbanas.
En conjunto, nuestros hallazgos sugieren que tanto el acceso a las oportunidades de consumo como el acceso a las oportunidades de empleo desempeñan un papel central para comprender la concentración espacial de la actividad económica.
Referencias
Ahlfeldt, G, S Redding, D Sturm y N Wolf (2015), “The economics of density: Evidence from the Berlin Wall”, Econometrica 83(6): 2127–89.
Allen, T, S Fuchs, S Ganapati, A Graziano, R Madera y J Montoriol-Garriga (2020), “Is tourism good for locals? Evidence from Barcelona”, Dartmouth College, mimeograph.
Davis, D R, J I Dingel, J Monras y E Morales (2019), “How segregated is urban consumption?”, Journal of Political Economy 127(4): 1684–738.
Glaeser, E L, J Kolko y A Saiz (2001), “Consumer city”, Journal of Economic Geography 1(1): 27–50.
Glaeser, E L, H Kim y M Luca (2018), “Using traditional and digital data sources together in economic research”, VoxEU.org, 17 de enero.
Heblich, S, S Redding y D Sturm (2020), “The making of the modern metropolis: Evidence from London”, Quarterly Journal of Economics 135(4): 2059–133.
Miyauchi, Y, K Nakajima y S J Redding (2021), “Consumption access and the spatial concentration of economic activity: Evidence from smartphone data”, CEPR Discussion Paper 15839.
