Accesibilidad y jerarquización de la movilidad: estudio de la Zona Metropolitana de Ciudad de México

Acessibilidade e Hierarquização da Mobilidade: Estudo da Zona Metropolitana da Cidade do México

Accessibility and Mobility Hierarchization: Study of the Metropolitan Zone of Mexico City

Resumen

El estudio examina la movilidad y accesibilidad en la Zona Metropolitana de Ciudad de México (ZMCM) en 2020, para medir los efectos del crecimiento urbano descontrolado sobre su distribución espacial y eficiencia. Mediante análisis estadísticos y espaciales, se identificaron tres clústeres de movilidad: Óptima, Media y Baja, con base en características socioeconómicas, datos de movilidad e imágenes de crecimiento urbano. Se encontró que las áreas periféricas tienen menor accesibilidad y movilidad baja, especialmente aquellas con reciente expansión urbana. Los escenarios de expansión urbana para el año 2040, también proyectan que, las áreas de mayor crecimiento urbano coinciden con aquellas de baja movilidad. Estos resultados sugieren la necesidad de políticas urbanas más equitativas y sostenibles en las áreas de reciente expansión, las cuales aborden las disparidades territoriales y promuevan una movilidad más eficiente y accesible para todos los habitantes de la ZMCM.

Palabras clave:
Movilidad; Accesibilidad; Crecimiento urbano; Jerarquización

Resumo

O estudo examina a mobilidade e acessibilidade na Zona Metropolitana da Cidade do México (ZMCM) em 2020, para medir os efeitos do crescimento urbano descontrolado sobre sua distribuição espacial e eficiência. Através de análises estatísticas e espaciais, foram identificados três clusters de mobilidade: Ótima, Média e Baixa, com base em características socioeconômicas, dados de mobilidade e imagens de crescimento urbano. Constatou-se que as áreas periféricas têm menor acessibilidade e baixa mobilidade, especialmente aquelas com recente expansão urbana. Os cenários de expansão urbana para o ano de 2040 também projetam que as áreas de maior crescimento urbano coincidem com aquelas de baixa mobilidade. Esses resultados sugerem a necessidade de políticas urbanas mais equitativas e sustentáveis nas áreas de recente expansão, abordando as disparidades territoriais e promovendo uma mobilidade mais eficiente e acessível para todos os habitantes da ZMCM.

Palavras-chave:
Mobilidade; Acessibilidade; Crescimento urbano; Hierarquização

Abstract

The study examines mobility and accessibility in the Metropolitan Area of Mexico City (ZMCM) in 2020 to measure the effects of uncontrolled urban growth on its spatial distribution and efficiency. Through statistical and spatial analyses, three mobility clusters were identified: Optimal, Medium, and Low, based on socioeconomic characteristics, mobility data, and urban growth images. It was found that peripheral areas have lower accessibility and low mobility, especially those with recent urban expansion. Urban expansion scenarios for the year 2040 also project that areas of greatest urban growth coincide with those of low mobility. These results suggest the need for more equitable and sustainable urban policies in recently expanded areas, addressing territorial disparities and promoting more efficient and accessible mobility for all ZMCM inhabitants.

Keywords:
Mobility; Accessibility; Urban growth; Hierarchization

Introducción

En las últimas décadas, las ciudades de América Latina, en especial Ciudad de México, han experimentado un crecimiento urbano y demográfico acelerado (Almanza, 2016; Sobrino, 2025). Este proceso transformó periferias rurales, agrícolas y naturales, así como reconfiguró actividades, medios de vida, infraestructura y desplazamientos cotidianos (Martner, 2016). Entender la movilidad cotidiana y la accesibilidad es clave para la planeación y el diseño de transporte, pues ofrecen diagnóstico de la estructura urbana (Susino & Martínez, 2010).

La movilidad urbana se entiende como un proceso social y espacial, que articula las dinámicas cotidianas de los desplazamientos de las personas con el funcionamiento de la ciudad. Implica movimiento físico entre puntos del territorio junto con las condiciones sociales, económicas y tecnológicas que posibilitan o restringen esos viajes (Anthony-Jnr, 2025; Derdouri & Osaragi, 2025; Forghani & Karimipour, 2018). Desde este enfoque, la movilidad refleja la capacidad de la población para integrarse a la dinámica urbana de producción, consumo y bienestar, lo que la convierte en un indicador clave de equidad y justicia espacial (Filiurin & Hananel, 2026; Brownrigg-Gleeson et al., 2025).

Por su parte, la accesibilidad se refiere a la capacidad de las personas para realizar desplazamientos que les permitan desarrollar sus actividades laborales, educativas o sociales, de acuerdo con la configuración territorial y las condiciones del transporte urbano (El-Sherif, 2021; Vieira et al., 2021; Zhu & Diao, 2020; Nalin et al., 2025). Un viaje eficaz es aquel que permite visitar distintos sitios de manera funcional (Handy, 1993). La accesibilidad representa el objetivo, mientras que la movilidad es el medio para alcanzarlo. Ambos conceptos están relacionados y deben analizarse de forma integrada, pues solo su articulación permite evaluar la capacidad real de las ciudades para garantizar inclusión, eficiencia y habitabilidad (Olivari et al., 2023; Arellana et al., 2021; Müller et al., 2024; Wang et al., 2022; Haxhija et al., 2024).

La accesibilidad es una de las principales determinantes de la movilidad y depende en gran medida de la configuración del sistema de transporte (Miralles, 2002; Suárez & Delgado, 2007; Ben-Akiva & Lerman, 2021). A partir del análisis espacial y temporal de la movilidad urbana, diversas investigaciones han evaluado sus efectos sobre la calidad de vida y la economía de los centros urbanos (Dadashpoor & Rostami, 2017; Mononen et al., 2017). Destaca que los tiempos y costos de viaje son los factores que más influyen en la accesibilidad, además del nivel socioeconómico de la población y su localización. Estos factores son clave en el desarrollo social, cultural, económico y político de cada territorio urbano (Urry & Grieco, 2011; Bocarejo & Oviedo, 2012).

El concepto de movilidad puede ser más complejo que el simple hecho de desplazarse. Cresswell (2010) sostiene que involucra movimiento físico, representaciones y prácticas. No se trata únicamente de flujos de personas, sino también de mercancías, bienes, mensajes, información e incluso capital. En esta dinámica de movilidad y accesibilidad, el transporte actúa como la herramienta que facilita los desplazamientos de personas y bienes, además de fortalecer las relaciones sociales que mantienen los nexos territoriales (Kaufmann, 2002; Urry, 2007; Kaufmann & Canzler, 2008; Urry & Grieco, 2011; Estrada et al., 2017; Jensen & Lanng, 2017; Jirón & Zunino, 2017).

La geografía económica enmarca a la movilidad cotidiana como un componente de articulación entre las áreas de empleo y de residencia, ya que permite comprender cómo los flujos laborales, de servicios y de información sostienen la reproducción del capital urbano. Bajo esta lógica, la movilidad refleja condiciones de desigualdad estructural originadas por la localización de la población trabajadora y los empleos. En este sentido, desde la geografía económica, la relación entre movilidad y expansión urbana se observa en la estructura de las ciudades. En los sistemas metropolitanos, la especialización funcional del uso del suelo tiende a concentrar las actividades económicas en sitios de alta accesibilidad y, por el contrario, desplaza a la población trabajadora a las zonas periféricas (Di Comité & Lecca, 2018; Garcia, 2019; Cabrera-Moya, 2022; Navarrete, 2022; German-Soto et al., 2023; Song et al., 2024; Huang et al., 2025a).

La evidencia muestra que la urbanización desigual y el crecimiento concentrado de las actividades económicas aumentan las distancias funcionales entre trabajadores y centros económicos. Esta configuración espacial limita la integración social y la eficiencia territorial. De este modo, la movilidad se convierte en un indicador económico y territorial que evalúa la forma en que las ciudades distribuyen sus recursos y, al mismo tiempo, identifica los patrones territoriales (Duarte et al., 2020; Arellana et al., 2021; Larrañaga et al., 2025; Wang et al., 2025).

En la actualidad, la forma en que las personas y los bienes se movilizan ha cambiado de manera significativa. La creciente digitalización de la economía urbana ha transformado la organización productiva y los flujos de información en el territorio. En las zonas metropolitanas, una parte importante de las actividades económicas se desarrolla en entornos virtuales o plataformas digitales, lo que modifica los patrones tradicionales de movilidad y los vínculos entre trabajo y localización (Qiao & Ao, 2024; Feng et al., 2025). Este proceso redefine la distribución espacial del empleo y reconfigura las dinámicas de accesibilidad, ya que algunos sectores reducen su dependencia del espacio físico, mientras otros intensifican la demanda de transporte (Huang et al., 2025b).

La movilidad urbana no puede entenderse únicamente como el desplazamiento físico de la población, sino como un conjunto de flujos interdependientes -materiales y digitales- que estructuran la productividad y el funcionamiento de las ciudades. La expansión del teletrabajo, la intermediación de plataformas y la automatización de servicios han desplazado el límite entre la movilidad de personas y la circulación de datos. En este contexto, la accesibilidad digital se incorpora al debate sobre equidad urbana, pues influye en la capacidad de los trabajadores para insertarse en la nueva dinámica económica y participar de los beneficios de la urbanización digital. Al mismo tiempo, genera nuevas formas de desigualdad territorial asociadas a la infraestructura tecnológica y los niveles de conectividad digital (Feng et al., 2025; Qiao & Ao, 2024; Haxhija et al., 2024; Du et al., 2025; Zhu & Diao, 2020).

En los últimos años, los estudios de movilidad urbana han evolucionado desde una perspectiva predominantemente técnica, centrada en los flujos y la eficiencia del transporte, hacia un enfoque que analiza la movilidad como una práctica social, donde intervienen experiencias, significados y desigualdades cotidianas (Anthony-Jnr, 2025; Müller et al., 2024). Este cambio metodológico, impulsado por los llamados nuevos estudios de movilidad, ha ampliado el análisis hacia las dimensiones culturales, económicas y simbólicas. Bajo este escenario, la movilidad se entiende no solo como un medio para acceder a bienes y servicios, sino como un componente estructural de la vida urbana y de la reproducción social en contextos desiguales (Olivari et al., 2023; Arellana et al., 2021).

La noción de accesibilidad también se ha reformulado, ya no se limita al cálculo de tiempos y distancias o al número de sitios visitados, sino que incorpora la capacidad de las personas para aprovechar las oportunidades que la ciudad ofrece. Este enfoque integra variables sociales como el género, la edad, la seguridad o el ingreso, que determinan la posibilidad de desplazarse. La accesibilidad se ha consolidado como un indicador de equidad espacial que evidencia cómo las condiciones urbanas y la estructura del transporte pueden reducir o aumentar las brechas territoriales. Analizar la movilidad, desde esta perspectiva, supone incorporar la experiencia vivida del desplazamiento y su papel en la inclusión o exclusión social (Vieira et al., 2021; El-Sherif, 2021; Wang et al., 2024; Du et al., 2025).

La agenda contemporánea de la movilidad urbana apunta a integrar la dimensión humana con la estructural, al analizar de manera conjunta la distribución espacial de las actividades económicas y las condiciones concretas que enfrenta las personas. La interacción entre economía y sociedad permite comprender cómo la infraestructura, las tecnologías y las políticas de transporte generan impactos diferenciados sobre los tiempos y las rutinas de la vida urbana. Esta dualidad plantea avanzar hacia un paradigma de movilidad justa, en el que la planeación urbana combine la eficiencia técnica con la autonomía y el derecho a la ciudad (Forghani & Karimipour, 2018; Cabrera-Moya, 2022; Castañeda-Olvera, 2023). Esta investigación parte de la hipótesis de que las áreas periféricas de la Zona Metropolitana de Ciudad de México (zmcm), en especial las de crecimiento reciente, presentan menor accesibilidad y movilidad que las áreas centrales. Además, las zonas con menor movilidad coinciden espacialmente con aquellas que han registrado mayor expansión urbana en las últimas dos décadas.

La metodología se estructuró en tres etapas. Primero, se calculó un índice de accesibilidad y uno de movilidad para 2020, mediante un Análisis de Componentes Principales (acp), con datos del Censo de Población y Vivienda 2020 (inegi, 2020) y la Encuesta Origen Destino 2017 (eod 2017) (inegi, 2017). Después, se clasificó la ZMCM en niveles de movilidad y accesibilidad (alto, medio y bajo) con un análisis de clústeres. Por último, se estimaron los cambios en la superficie urbana para el periodo 2000-2020 y se proyectaron tendencias hacia 2040, se realizó un análisis de cambios de uso del suelo y cadenas de Markov (Chang-Martínez et al., 2015).

Materiales y Métodos

Delimitación del área de estudio

El estudio se centró en las áreas urbanas de la Zona Metropolitana de Ciudad de México (zmcm), integrada por 16 alcaldías de Ciudad de México (cdmx), 56 municipios del Estado de México (EdoMex) y uno del Estado de Hidalgo (Figura 1). Debido a la disponibilidad de datos, la unidad de análisis son las Áreas Geoestadísticas Básicas (ageb) urbanas. La zmcm cuenta con 5,645 ageb¹ que abarcan aproximadamente 230 mil hectáreas y albergan a 21.8 millones de habitantes, con una densidad promedio de 95 habitantes por hectárea (inegi, 2020).

En la zm se realizan diariamente 34.5 millones de viajes. La distribución modal muestra que casi la mitad de los desplazamientos se efectúan en transporte público (15.5 millones), seguidos por caminatas (11.1 millones) y modos privados (7.2 millones). En promedio, la población realiza dos viajes diarios: uno hacia su centro de actividades y otro de regreso a casa. En cuanto a los propósitos de viaje, sin considerar el regreso a casa (casi 50%), 41% corresponde a viajes por trabajo, 23% a la escuela y 12% por compras (inegi, 2017).

La Zona Metropolitana cuenta con diversos modos de transporte público, aunque los más utilizados son el transporte público concesionado (camiones y microbuses) con 11.5 millones de tramos de viaje², y el Sistema de Transporte Colectivo Metro, con 4.5 millones. Respecto a los modos privados, 90% de los viajes se llevan a cabo en automóvil o camioneta (ibid.).

El tiempo promedio de traslado puede medirse de dos formas. Si se consideran todos los modos de transporte, es de 43 minutos; al excluir las caminatas, aumenta a 56 minutos (ibid.). Este último dato es comparable con los resultados de 2007, cuando los viajes duraban en promedio 53 minutos³ (inegi, 2007).

Metodología

Desarrollo de indicadores

Se seleccionaron las variables para calcular 12 indicadores que influyen en la accesibilidad y la movilidad. Las variables del censo de población fueron: población total por Área Geoestadística Básica (ageb), población total por municipio, población por tamaño de localidad en el municipio, número de localidades por municipio y viviendas con automóvil por ageb. De la Encuesta Origen-Destino (eod) se usaron el número de viajes, el tiempo de traslado y los modos utilizados en cada viaje. Los indicadores se estimaron directamente por ageb y, en algunos casos, se ajustaron desde la escala municipal o del distrito de tránsito.

Los siguientes indicadores se basaron en datos del censo de Población de 2020:

• 1) Nivel de urbanización: mide el grado de urbanización por municipio con base en la propuesta de Galindo (2007).

• 2) Densidad de población urbana: resulta de dividir la población urbana entre la superficie del ageb, expresada en habitantes por hectárea.

• 3) Índice de dispersión: estima el grado de dispersión poblacional en cada municipio mediante el índice de Demangeon (Galindo y Delgado, 2006; Gobierno de España, 2010).

• 4) Distancia a la vía primaria más cercana: mide la distancia euclidiana desde el centroide de cada ageb hacia la vía principal más cercana (en metros). La clasificación vial se basa en la propuesta de Reyes y Suárez (2022)⁴.

• 5) Distancia al centro de la ciudad: distancia euclidiana desde el centroide de cada ageb hacia el centro de la Zona Metropolitana. Según el Sistema Urbano Nacional 2018, el municipio central de la zmcm la alcaldía Cuauhtémoc (Segob y Sedatu, 2018).

• 6) Viviendas con automóvil: porcentaje de viviendas por ageb que cuentan con al menos un vehículo privado (automóvil, camioneta o pick up).

El segundo grupo de indicadores se construyó con los datos de la Encuesta Origen Destino (eod) 2017. Debido a que su unidad de análisis son los distritos de tránsito, fue necesario ajustar la información a escala ageb.

Previamente se depuraron los datos: se seleccionaron únicamente los viajes realizados entre semana (lunes a viernes); se excluyeron aquellos sin información de distrito de origen o destino, los viajes con duración superior a cuatro horas (240 minutos)⁵, los viajes de regreso a casa⁶ o sin propósito definido. Finalmente, se distinguió entre los viajes efectuados dentro del mismo distrito y los que tenían destino en otro distrito. El total de viajes considerados fue 16.6 millones.

Los siguientes indicadores se basan en el total de viajes, ponderados por ageb. Por ejemplo, si un distrito de tránsito tiene 500 viajes y está compuesto por tres ageb con poblaciones de 400, 500 y 100 habitantes, proporcionalmente el primero representa 0.4 de la población total, el segundo 0.5 y el tercero 0.1. En consecuencia, se estiman 200, 250 y 50 viajes, respectivamente. En otros casos se tuvo que asumir igualdad en las AGEB contenidas en cada distrito.

• 1) Viajes internos: promedio diario de viajes realizados dentro del mismo distrito de origen y destino.

• 2) Viajes externos: promedio diario de viajes con distritos de origen y destino diferentes.

• 3) Tiempo de traslado de viajes internos: promedio (en minutos) de los viajes realizados dentro del mismo distrito.

• 4) Tiempo de traslado de viajes externos: promedio (en minutos) de los viajes entre distritos distintos.

• 5) Modos utilizados en viajes internos: número promedio de modos de transporte empleados en los viajes dentro del mismo distrito.

• 6) Modos utilizados en viajes externos: número promedio de modos de transporte empleados en los viajes entre distritos de tránsito.

Análisis estadísticos

El Análisis de Componentes Principales (acp) es una técnica estadística que reduce las dimensiones de un conjunto de datos. Su resultado es una nueva base de información, con el mismo número de observaciones que la original, en la cual cada nueva variable se denomina componente. Para este estudio se consideraron los componentes con mayor poder explicativo, que sirvieron como base para la generación de pesos y el cálculo del Índice de Accesibilidad.

La Figura 1 muestra la correlación entre los indicadores y los componentes. Los resultados muestran que los primeros componentes tienen los coeficientes de correlación más altos. Los indicadores que más influyen en la accesibilidad son la distancia al centro de la ciudad y la distancia a vías primarias, elementos que favorecen la conectividad metropolitana y regional.

En cuanto a la movilidad, se observa una correlación negativa entre el índice y el tiempo de traslado, así como el número de modos utilizados en los viajes que salen del propio distrito de tránsito. En consecuencia, cuando en un ageb los tiempos de traslado y el número modos son bajo, la accesibilidad aumenta, reflejo de una movilidad eficiente.

Figura 1
Correlación entre componentes principales e indicadores.

Posterior al acp se aplicó un análisis de clústeres, que permitió agrupar, clasificar y jerarquizar las ageb según las características de los doce indicadores. Los componentes principales obtenidos en el paso previo sirvieron como datos de entrada para este análisis. Se eligieron los cinco primeros componentes, que en conjunto explican 78% de la varianza total. Si bien los algoritmos pueden determinar el número óptimo de agrupamientos, se utilizó el análisis de silueta (average silhouette width) para definir el punto de corte⁷. Este enfoque mide la calidad de los conglomerados, es decir, evalúa que tan bien representada está cada unidad de estudio (ageb).

La selección de variables para esta investigación respondió a criterios de pertinencia teórica y consistencia estadística. Se tomaron variables sociodemográficas y urbanas provenientes de fuentes oficiales que aseguran comparabilidad espacial y temporal. A partir de ellas se calcularon los indicadores, que constituyen uno de los principales aportes metodológicos del estudio y permiten medir la movilidad y la accesibilidad con datos actualizados.

Si bien existen otras variables disponibles -como edad, sexo o ingresos-, se dejan de lado en este trabajo porque no responden al objetivo del análisis ni aportan a la medición estructural de la movilidad a escala ageb. Este enfoque privilegia la dimensión territorial y la interacción entre urbanización, dispersión y accesibilidad, más que las características individuales de los viajeros. El trabajo reconoce las limitaciones inherentes al enfoque cuantitativo. No obstante, la combinación de técnicas estadísticas y análisis espacial brindan una aproximación robusta y verificable, con un alto nivel de precisión frente a la evidência disponible sobre desigualdades territoriales en la zmcm.

Finalmente, se cuantificó el crecimiento del área urbana de la zmcm y se generó un escenario de cambio hacia 2040. Para ello se consideraron como área urbana las superficies construidas destinadas a uso residencial, comercial e industrial dentro del contínuo de mapas de uso de suelo y cobertura vegetal de América del Norte (nalcms) correspondiente a 2000 y 2020. Los datos provienen de la CONABIO (http://www.conabio.gob.mx/informacion/gis/), con resolución espacial de 30 y 250 metros, respectivamente.

La clase zonas urbanas fue corregida manualmente sobre los mapas base Built-up Lands del conjunto Land Cover and Land Use Datasets, de 2000 y 2020 (Potapov et al., 2022). Estos mapas derivan de la interpretación de imágenes Landsat (GLAD Landsat Analysis Ready Data) con resolución espacial de 30 m. El análisis de cambios en el uso del suelo se realizó mediante matrices de tabulación cruzada y modelos de cadenas de Markov (Chang-Martínez et al., 2015), los cuales relacionan la variabilidad espacial de las clases de cobertura entre dos años distintos. En este modelo, el cambio de una clase específica en el tiempo t depende directamente de un estado anterior (t-1), y de los factores humanos y biofísicos que explican la ganancia, pérdida y persistencia de cada clase.

El escenario de cambio en el uso del suelo para 2040 se desarrolló en el software Terrset, mediante un análisis de redes neuronales en el módulo Land Change Modeler. Se asumió como un escenario tendencial que proyecta los patrones observados en el periodo 2000-2020.

Resultados

Índice de Accesibilidad

Los indicadores que no mostraron influencia significativa en la accesibilidad fueron el tiempo de traslado, el número de modos utilizados en los viajes internos y el porcentaje de viviendas con automóvil. La baja correlación observada en los viajes internos indica que estos se realizan de manera similar en toda la ciudad, lo cual se atribuye a la alta proporción de desplazamientos cortos asociados con actividades cotidianas, como compras o traslados a escuelas de nivel básico. En cuanto al porcentaje de viviendas con automóvil por ageb, el número de vehículos ha aumentado en toda la región a costa del transporte público, lo que explica la ausencia de diferencias espaciales relevantes (Figura 1).

La Figura 2 presenta la distribución del Índice de Accesibilidad. Los resultados evidencian que los ageb centrales -particularmente aquellos próximos al Centro Histórico- registraron los valores más altos, mientras que en la periferia predominan los niveles bajos. Destaca que algunos ageb del primer cuadro de la ciudad mostraron accesibilidad media, un comportamiento contrario a lo esperado. Esto se explica porque las zonas centrales, con marcada vocación comercial, tienen una estructura vial limitada a calles de dos carriles y con escasa conexión hacia vías de mayor jerarquía. Como resultado los tiempos de traslado tienden a incrementarse.

La accesibilidad media se distribuye en un segundo contorno alrededor de las alcaldías centrales de la zona metropolitana, con tendencia a localizarse en los municipios conurbados del Estado de México. En estos ageb, el aumento de distancia respecto al centro de la ciudad, -núcleo de negocios y empleos-reduce la accesibilidad. Estas áreas conforman una zona de transición entre los niveles altos y bajos (Figura 2).

Las áreas con menor accesibilidad se concentran principalmente en el Estado de México hacia el norte y oriente de la ciudad, así como en los pueblos y las comunidades más alejadas de Tláhuac y Xochimilco, al sur y el oriente de Ciudad de México. La barrera orográfica del sur y el poniente de la zmcm limita, en cierta medida, el crecimiento urbano y, por tanto, el incremento poblacional, situación que no se observa en el norte de la ciudad (Figura 2).

Figura 2
Índice de Accesibilidad en la Zona Metropolitana de Ciudad de México, 2020.

Clústeres de movilidad

El análisis de clústeres identificó tres grupos de movilidad: óptima, media y baja (Figura 3). Además de la jerarquización generada por el algoritmo, se realizó una caracterización a partir de los valores promedio de los indicadores en cada grupo y del promedio general, con el fin de establecer comparaciones (Cuadro 1). La significancia estadística de todos los indicadores es menor a 0.05 (nivel de error < 5%).

Los ageb con movilidad óptima se localizan principalmente en el poniente y norponiente de la ciudad. La Figura 3 destaca la relevancia de las vías regionales para conectar y facilitar la movilidad, así como la influencia que tiene la cercanía con el centro de la ciudad. La población de estas zonas se caracteriza por un alto porcentaje de uso del automóvil particular (53%), proporción que puede asociarse con niveles socioeconómicos e ingresos más altos (Cuadro 1, Figura 3).

El segundo clúster, movilidad media, presenta un patrón espacial concentrado en el oriente y norte de Ciudad de México, así como en los límites con el Estado de México, en lo que Delgado (1988) definió como el segundo y tercer contorno metropolitanos. Algunos ageb con movilidad media dentro de cdmx muestran condiciones específicas que explican su situación y merecen atención.

En la alcaldía Álvaro Obregón la disminución de movilidad se asocia con la geomorfología del área: un relieve accidentado, con pendientes prolongadas y presencia de barrancas que interrumpen la conexión directa entre vías. La única excepción es la Supervía Poniente⁸, una autopista de cuota. Otros puntos del segundo clúster se localizan en las alcaldías centrales de la ciudad, así como en Santo Domingo, en la alcaldía Coyoacán, y en los barrios centrales de Xochimilco (Figura 3). En estos casos, influyen la pérdida de estructura vial, el limitado acceso a vías primarias, el crecimiento urbano desordenado, la concentración de comercios y la escasez de estacionamientos.

Los indicadores podrían sugerir que el clúster dos tiene mejores condiciones de movilidad que el primero, sin embargo los resultados muestran lo contrario. Al compara el tiempo de traslado entre ambos grupos, la diferencia promedio es de ocho minutos (Cuadro 1). Esto equivale a 16 minutos adicionales por día, 80 a la semana, 320 al mes y 4,160 al año. En consecuencia, una persona viaja aproximadamente 69 horas adicionales al año si vive en el clúster dos.

El último conglomerado corresponde a las zonas con la movilidad más deficiente de la ciudad. Coincide con los ageb periféricos de la zona metropolitana, incluidas las partes altas del sur de Ciudad de México (Xochimilco, Milpa Alta y Tlalpan). Asimismo, coincide con áreas que en los últimos 20 años han experimentado un crecimiento de urbano desordenado. Por tanto, presentan densidades bajas - alrededor de 50 habitantes por hectárea -y niveles de urbanización inferiores al promedio de la ciudad (Cuadro 1, Figura 3, 4).

Además, los indicadores que más acentúan los problemas de movilidad en este clúster son el tiempo de traslado de los viajes externos, 16 minutos por encima del promedio, equivalente a 2.5 horas adicionales en una semana laboral. También el número de modos utilizados en estos desplazamientos alcanza un promedio de 2.3, es decir, 0.2 más que el promedio general y 0.5 más que el clúster con movilidad óptima (Cuadro 1).

En cuanto al total de viajes, tanto internos como externos, los indicadores muestran que la población de estos ageb realiza pocos desplazamientos: 590 externos y 1,122 internos. Las personas que habitan en estas zonas tienen una movilidad limitada y concentran la mayoría de sus actividades en el ámbito local (Cuadro 1).

La Figura 4 representa el escenario de expansión urbana en 2020 y la Figura 5 el correspondiente a 2040. Los resultados confirman la hipótesis: las áreas con mayor proyección de crecimiento urbano y poblacional se expandirán hacia el norte de la zona metropolitana y coinciden con el clúster de movilidad baja. Si la tendencia continúa, las nuevas áreas que se incorporen a la zona metropolitana tendrán problemas de movilidad, además de otras repercusiones urbanas que se sumen con el tiempo.

Cuadro 1
Promedio de los indicadores por clúster y promedio general

Indicador	Clúster 1 (Óptima)	Clúster 2 (Media)	Clúster 3 (Baja)	Promedio general
Densidad de población (hab/ha)	113	184	50	139
Distancia a vías primarias (metros)	851	1,312	3,932	1,642
Distancia al centro de la ciudad (metros)	13,632	17,113	37,888	19,784
Índice de dispersión	1	1	12	3
Nivel de urbanización	97	97	62	91
Número de modos al exterior	1.8	2.1	2.3	2.1
Número de modos al interior	1	1	1	1
Tiempo de traslado viajes externos (minutos)	50	58	74	58
Tiempo de traslado viajes internos (minutos)	21	17	20	19
Viajes dentro del distrito	855	1,508	1,122	1,244
Viajes fuera del distrito	1,475	2,209	590	1,701
Viviendas con auto (%)	53	34	31	39

• Fuente: elaboración propia con base en los cálculos de los autores.

Figura 3
Clúster de movilidad en la Zona Metropolitana de Ciudad de México, 2020.

Figura 4
Escenario de expansión urbana 2020 de la Zona Metropolitana de Ciudad de México.

Figura 5
Escenario de expansión urbana 2040 de la Zona Metropolitana de Ciudad de México.

Discusión y conclusiones

Conceptualmente, la movilidad se concibe como una práctica social estrechamente vinculada con la equidad territorial y la cohesión. Los desplazamientos cotidianos no solo reflejan las condiciones físicas del territorio, sino también las desigualdades en el acceso a servicios y recursos urbanos. De este modo, la movilidad se convierte en un componente esencial para la construcción de ciudades más inclusivas y sostenibles, donde las políticas públicas integren la justicia espacial con la eficiencia del sistema de transporte urbano (Anthony Jnr, 2025; Müller et al., 2024; Olivari et al., 2023; Arellana et al., 2021; Fernández-Fernández, 2021).

El Índice de Accesibilidad ofrece un primer panorama de las disparidades internas de la ciudad en términos de movilidad, urbanización y dispersión. Estas dimensiones se articulan en un círculo vicioso que condiciona las actividades cotidianas: para acceder a mejores niveles de movilidad es necesario habitar en zonas cercanas al centro, con alta urbanización y donde la morfología no interfiera tus desplazamientos. A ello se suma el incremento del uso del automóvil, que profundiza las diferencias espaciales en la zona metropolitana. De acuerdo con datos del INEGI (s.f.), en 2022 existían 192 autos/motos por cada unidad de transporte público en Ciudad de México, mientras que en 2012 la proporción era de 144 y en 2002 de 128.

Las áreas con accesibilidad baja se concentran con la periferia metropolitana. Este patrón sugiere la necesidad de analizar la escala regional para determinar si la dinámica de esos municipios se relaciona con otras metrópolis cercanas, como Pachuca al norte o Toluca al poniente, en una configuración que recuerda la red de ciudades planteada por Christaller (1966) y (Lösch) 1944.

La baja accesibilidad también se asocia con áreas de reciente expansión urbana y alta dispersión. Los resultados coinciden con el escenario descrito por Ramírez (2020). Además, en estas zonas, los tiempos de traslado son mayores respecto a otros ageb de la ciudad. En consecuencia, la expansión desordenada y la dispersión del crecimiento explican los mayores tiempos de desplazamiento observados en la periferia metropolitana.

Otro aspecto para considerar es la conectividad entre entidades, principalmente entre Ciudad de México y el Estado de México. Los límites estatales marcan el uso de dos o más modos de transporte y, en algunos casos, enfrentar restricciones de circulación para el transporte público (inegi, 2017). Los transbordos y los tiempos de espera prolongan los recorridos y elevan el costo, un aspecto no incluido en esta investigación por la escala de medición, aunque decisivo para comprender la desigualdad en la movilidad metropolitana.

La accesibilidad y la movilidad mantienen una relación directa con las condiciones sociales del territorio. Los clústeres identificados reflejan esta correspondencia: las áreas con mejor movilidad coinciden con colonias de marginación muy baja o baja, y algunas de nivel medio. En contraste, la movilidad y la accesibilidad baja se localizan en zonas de marginación alta y estrato social bajo (Conapo, 2020).

Ahora bien, en el caso del clúster de movilidad óptima, los indicadores más relevantes son el porcentaje de viviendas que cuentan con automóvil y el tiempo de traslado. Ambos guardan una relación directa con los ingresos y el grado de marginación: la población con mayor nivel socioeconómico y menor marginación tienen la opción de elegir al automóvil como modo de transporte principal. Según datos de la eod 2017, los tiempos de traslado promedio en automóvil son más bajos (52 minutos) en comparación con el resto de los modos (75 minutos) (inegi, 2017). Suárez y Delgado (2015) señalan que existe un sector de la población que en ninguna circunstancia dejaría de usar el automóvil (20%), por lo que no recurrirían a otros modos de transporte.

El segundo clúster, movilidad media, está definido por indicadores urbanos. La densidad de población y el nivel de urbanización son los más altos de la zm, junto con la cantidad de viajes que salen del propio distrito de tránsito. Este grupo, aunque es el que más viajes genera -tanto internos como externos -, no necesariamente presenta la mejor movilidad. El tamaño de su población tiene repercusiones directas, ya que coincide con la alcaldía Iztapalapa y el municipio de Ecatepec, los dos más poblados del país.

Dentro de este clúster existen casos específicos que ilustran las condiciones de movilidad media en distintos contextos. En la Alcaldía Álvaro Obregón, al poniente de cdmx, el terreno es accidentado y carece de vías adecuadas para el transporte público; los viajes que se realizan en automóvil son por calles secundarias. La excepción es la Supervía poniente, una autopista de cuota que no forma parte de los programas de movilidad o desarrollo urbano, por lo que atiende solo a una parte limitada de la población (Alfie, 2013).

Otro caso representativo, que puede replicarse en muchas zonas de la ciudad, es la colonia Santo Domingo, en la alcaldía Coyoacán. Flores (2016) documenta problemas urbanos asociados a la saturación de vías por el uso indebido de espacios de estacionamiento, lo que genera congestión de automóviles particulares y de transporte público. De manera similar, Reyes et al. (2019) identifican en el área de mercados de La Merced la pérdida de la estructura vial, lo que agrava los problemas de movilidad y accesibilidad en la zona.

El grupo de movilidad baja destaca por estar alejado de las vías primarias y del centro de la ciudad, en ambos casos se localiza al doble de distancia que el promedio general. Además, presenta la dispersión más alta, en gran medida por su distancia y porque se trata de áreas de nueva urbanización. Los resultados muestran que las zonas con expansión ya sea reciente o proyectada coinciden con las ageb de movilidad baja.

Este fenómeno de crecimiento urbano no puede considerarse como reciente. Sobrino (2007) señaló que desde los años sesenta en México se consolidó un modelo urbano de expansión y fragmentación. La dispersión y la expansión se distinguen por ser procesos no planificados y desiguales, con degradación física y social y, como muestran estos resultados, por una movilidad deficiente (Palomares y Puebla, 2006; García, 2008; Bhatta, 2010). La forma urbana se manifiesta de distintas maneras en las ciudades, pero, como establece Mignot et al., (2010), una estructura monocéntrica no garantiza viajes cortos, mientras que una ciudad policéntrica no necesariamente implica viajes largos.

A manera de estimación, se calculó el impacto económico del tiempo perdido en los viajes cotidianos, entendido como una aproximación al costo social de la deficiencia en movilidad. Primero se obtuvo el tiempo de traslado adicional para cada clúster: el conglomerado dos tiene ocho minutos más respecto al primero y los tres 24 minutos adicionales. Estos valores se multiplicaron por el total de Población Económicamente Activa Ocupada (peao) en cada clúster, es decir, las personas que trabajan en cada ageb. Para el cálculo se consideraron dos viajes por persona: uno hacia el trabajo y otro de regreso a casa. Solo se incluyeron los trabajadores asalariados, ya que la estimación se basó en las percepciones expresada en salarios mínimos.

Se tomó como base el salario mínimo de 2024 y una jornada laboral de ocho horas diarias durante cinco días a la semana. La estimación se expresa de la siguiente manera:

$ctt=\left(\frac{sm}{hl}\right)\times tet$

donde:

ctt = costo total por tiempo de traslado

sm = salario mínimo en México (249 pesos)

hl = horas laborables por día (8 horas)

tet = tiempo extra de traslado

Los datos base para el cálculo corresponden al clúster de movilidad óptima, aunque ello no implique necesariamente que representan las mejores condiciones. En términos de tiempo, el conglomerado dos acumula 1.8 millones de horas adicionales diarias en viajes, mientras que el clúster tres suma 900 mil horas. En valor monetario con estimaciones conservadores, estas pérdidas equivalen a casi 90 millones de pesos diarios en mano de obra (Cuadro 2).

A modo de comparación, el Instituto Mexicano para la Competitividad calcula que las pérdidas derivadas del congestionamiento vial en el Valle de México ascienden a 47 mil millones de pesos (imco, 2018). Por su parte, la organización Política y Legislación Ambiental estima que, a nivel nacional, las pérdidas superan los 94 mil millones de pesos al año (Polea, 2019).

Cuadro 2
Población, tiempo de traslado extra y estimación de pérdidas económicas

Clúster	Población	PEA Ocupada	Viviendas	Tiempo de traslado extra (horas al día)	Pesos por día (millones)
Óptima	4,764,146	2,583,925	1,690,629	0	0
Media	13,709,202	7,029,431	4,241,589	1,874,515	58.3
Baja	2,312,592	1,128,180	772,050	902,544	28.0

• Fuente: elaboración propia con base en los cálculos de los autores.

Para concluir, la investigación tiene tres limitantes cruciales. La primera es el desfase temporal entre las fuentes. Los datos estadísticos presentan una diferencia de tres años entre encuestas. En el caso de las imágenes satelitales para los escenarios de expansión, su actualización resulta más factible por la disponibilidad de nuevas capturas.

La segunda limitante está relacionada con la escala espacial de los datos. Fue necesario hacer ajustes y asumir igualdad en ciertos indicadores de movilidad para generalizar la información y llevar a cabo el análisis a escala de ageb. Este procedimiento introduce un sesgo en los resultados, aunque las estimaciones obtenidas se consideran robustas y consistentes.

En tercer lugar, el tema de movilidad puede abordarse desde diversos enfoques, por lo tanto, es posible utilizar diferentes variables e indicadores. En este estudio se construyeron indicadores adaptados a la Zona Metropolitana de Ciudad de México. En futuras investigaciones podrían incorporarse datos más específicos, como caminatas en viajes internos, gasto en el transporte, distribución modal, viajes según el sexo, entre otros. Esto con la finalidad de mejorar el entendimiento de cómo el crecimiento de las ciudades modifica los hábitos de movilidad y dificulta la accesibilidad en las zonas urbanas.

Bibliografía

• Alfie, M. (2013). Supervía Poniente: conflicto social y visión urbano-ambiental. Estudios demográficos y urbanos 28 (3): 735-768. https://doi.org/10.24201/edu.v28i3.1452
  » https://doi.org/10.24201/edu.v28i3.1452
• Anthony Jnr, B. (2025). Exploring mobility equity, equality, and accessibility for older people in the local environment: a systematic literature review. Local Environment, 30(1), 16-36. https://doi.org/10.1080/13549839.2024.2424437
  » https://doi.org/10.1080/13549839.2024.2424437
• Arellana, J., Alvarez, V., Oviedo, D., & Guzman, L. A. (2021). Walk this way: Pedestrian accessibility and equity in Barranquilla and Soledad, Colombia. Research in Transportation Economics, 86, 101024. https://doi.org/10.1016/j.retrec.2020.101024
  » https://doi.org/10.1016/j.retrec.2020.101024
• Ben-Akiva, M. y Lerman, S. (2021). Disaggregate travel and mobility choice models and measures of accessibility. En: Behavioural travel modelling Routledge. pp. 654-679.
• Bhatta, B. (2010). Analysis of urban growth and sprawl from remote sensing data. Springer Science & Business Media.
• Bocarejo, J. y Oviedo, D. (2012). Transport accessibility and social inequities: a tool for identification of mobility needs and evaluation of transport investments. Journal of transport geography 24: 142-154. https://doi.org/10.1016/j.jtrangeo.2011.12.004
  » https://doi.org/10.1016/j.jtrangeo.2011.12.004
• Boschmann, E. y Kwan, M. (2008). Toward socially sustainable urban transportation: Progress and potentials. International journal of sustainable transportation 2 (3): 138-157. https://doi.org/10.1080/15568310701517265
  » https://doi.org/10.1080/15568310701517265
• Brownrigg-Gleeson, M. L., Lopez-Carreiro, I., Lopez-Lambas, M. E., & Kunnasvirta, A. (2025). Challenges for smart mobility: A study of governance in three European metropolitan areas. Cities, 157, 105577. https://doi.org/10.1016/j.cities.2024.105577
  » https://doi.org/10.1016/j.cities.2024.105577
• Buhaug, H. y H. Urdal. (2013). An urbanization bomb? Population growth and social disorder in cities. Global environmental change 23 (1): 1-10. https://doi.org/10.1016/j.gloenvcha.2012.10.016
  » https://doi.org/10.1016/j.gloenvcha.2012.10.016
• Cabrera-Moya, D. R. R. (2022). Factores determinantes de la relación entre la localización de las empresas, la dinámica del transporte público tipo BRT y el desarrollo urbano. Estudios demográficos y urbanos, 37(3), 839-887. https://doi.org/10.24201/edu.v37i3.2048
  » https://doi.org/10.24201/edu.v37i3.2048
• Castañeda-Olvera, D. (2020). Movilidad, experiencia urbana y desigualdad social. Quivera Revista De Estudios Territoriales, 22(2), 85-103.
• Chang-Martínez, L. A., Mas, J. F., Torrescano Valle, N., Urquijo Torres, P. S., & Folan, W. J. (2015). Modeling historical land cover and land use: a review from contemporary modeling. ISPRS International Journal of Geo-Information 4 (4): 1791-1812. https://doi.org/10.3390/ijgi4041791.
  » https://doi.org/10.3390/ijgi4041791.
• Christaller, W. (1966). Central places in southern Germany (C. W. Baskin, Trad.). Englewood Cliffs, NJ: Prentice-Hall. (Obra original publicada en 1933).
• Conapo (Consejo Nacional de Población). (2020). Índice de marginación urbana 2020. Conapo, México.
• Cresswell, T. (2010). Towards a politics of mobility. Environment and planning D: society and space 28 (1): 17-31. https://doi.org/10.1068/d11407
  » https://doi.org/10.1068/d11407
• Dadashpoor, H. y F. Rostami. (2017). Measuring spatial proportionality between service availability, accessibility, and mobility: Empirical evidence using spatial equity approach in Iran. Journal of Transport Geography 65: 44-55. https://doi.org/10.1016/j.jtrangeo.2017.10.002
  » https://doi.org/10.1016/j.jtrangeo.2017.10.002
• Delgado, J. (1988). El patrón de ocupación territorial de la Ciudad de México al año 2000. En Terrazas y Preciat (Eds.). Estructura territorial de la Ciudad de México Plaza y Valdés, México.
• Derdouri, A., & Osaragi, T. (2025). A complex network analysis of urban human mobility in Tokyo. Travel Behaviour and Society, 40, 101020. https://doi.org/10.1016/j.tbs.2025.101020
  » https://doi.org/10.1016/j.tbs.2025.101020
• Di Comite, F., Kancs, D. A., & Lecca, P. (2018). Modeling agglomeration and dispersion in space: The role of labor migration, capital mobility and vertical linkages. Review of International Economics, 26(3), 555-577. https://doi.org/10.1111/roie.12313
  » https://doi.org/10.1111/roie.12313
• Du, Y., Aoki, T., & Fujiwara, N. (2025). A review of human mobility: Linking data, models, and real-world applications. Journal of Computational Social Science, 8(4), 90. https://doi.org/10.1007/s42001-025-00414-7
  » https://doi.org/10.1007/s42001-025-00414-7
• Duarte, N. V., Oviedo, D., & Pinto, A. M. A. (2020). Urban mobility and social equity: An introduction. In Urban Mobility and Social Equity in Latin America: Evidence, Concepts, Methods (pp. 1-10). Emerald Publishing Limited. https://doi.org/10.1108/S2044-994120200000012015
  » https://doi.org/10.1108/S2044-994120200000012015
• El-Sherif, D. M. (2021). Urban mobility systems components. In Solving Urban Infrastructure Problems Using Smart City Technologies (pp. 89-106). Elsevier.
• Estrada, K., Pérez, A., Vergara, A., y Perén, J. (2017). Desarrollo de una metodología para evaluar la movilidad urbana y el potencial de edificios con espacios de transición. Revista de Iniciación Científica 3: 32-37. https://revistas.utp.ac.pa/index.php/ric/article/view/1452
  » https://revistas.utp.ac.pa/index.php/ric/article/view/1452
• Feng, Y., Dai, J., & Zhang, L. (2025). Digital infrastructure and income disparities: A quasi-natural experiment based on the" Broadband China" strategy. International Review of Economics & Finance, 104350. https://doi.org/10.1016/j.iref.2025.104350
  » https://doi.org/10.1016/j.iref.2025.104350
• Fernández-Fernández, A.-M. (2021). Movilidad urbana de la población en la ciudad de Encarnación Paraguay. Desarrollo urbano y gestión ambiental. Revista de Arquitectura (Bogotá), 23(1), 34-42. https://doi.org/10.14718/ RevArq.2021.2286
  » https://doi.org/10.14718/ RevArq.2021.2286
• Filiurin, T., & Hananel, R. (2026). Walk the Walk: Can urban policy encourage walking? Travel Behaviour and Society, 42, 101137. https://doi.org/10.1016/j.tbs.2025.101137
  » https://doi.org/10.1016/j.tbs.2025.101137
• Flores, E. (2016). Densificación en el hábitat popular y problemas de salud: causas y consecuencia. El caso de la colonia Pedregal de Santo Domingo, Coyoacán. En: Rodríguez, R. y O. Mercado (Eds.). (2016). Ciudad y salud: el entorno urbano como promotor de calidad de vida Universidad de Guadalajara, Centro Universitario de Arte, Arquitectura y Diseño, México.
• Forghani, M., & Karimipour, F. (2018). Interplay between urban communities and human‐crowd mobility: A study using contributed geospatial data sources. Transactions in GIS, 22(4), 1008-1028. https://doi.org/10.1111/tgis.12465
  » https://doi.org/10.1111/tgis.12465
• Galindo, C. (2007). Urbanización difusa y reconfiguración rural - urbana en el centro de México (Maestría). UNAM, México.
• Galindo, C. y Delgado, J. (2006). Los espacios emergentes de la dinámica rural-urbana. Problemas del Desarrollo 37 (1476): 187-216.
• Garcia Schilardi, M. E. (2019). Aporte de la economía del transporte al ordenamiento territorial.
• García, J. (2008). Incidencia en la movilidad de los principales factores de un modelo metropolitano cambiante. EURE 34 (101): 5-23. http://dx.doi.org/10.4067/S0250-71612008000100001
  » http://dx.doi.org/10.4067/S0250-71612008000100001
• German-Soto, V., de la Peña Flores, A., & García Bermúdez, K. (2023). Desarrollo económico, inversión en transporte y urbanización en México: causalidad y efectos. Nóesis. Revista de ciencias sociales, 32(63), 67-88. https://doi.org/10.20983/noesis.2023.1.4
  » https://doi.org/10.20983/noesis.2023.1.4
• Gobierno de España. (2010). Sistema municipal de indicadores de sostenibilidad IV Reunión del Grupo de trabajo de Indicadores de Sostenibilidad de la Red de Redes de Desarrollo Local Sostenible Gobierno de España. Consultado en: https://www.transportes.gob.es/recursos_mfom/pdf/82B973EA-5970-46F0-8AE6-65370D40A1F5/111505/SIST_MUNI_INDI_SOSTE_tcm7177732.pdf
  » https://www.transportes.gob.es/recursos_mfom/pdf/82B973EA-5970-46F0-8AE6-65370D40A1F5/111505/SIST_MUNI_INDI_SOSTE_tcm7177732.pdf
• Gómez, R. y Kunz, I. (2020). Tipología de barrios para un aporte metodológico desde la segregación residencial en Zona Metropolitana del Valle de México (ZMVM). Revista de urbanismo (42): 72-87. http://dx.doi.org/10.5354/0717-5051.2020.54781
  » http://dx.doi.org/10.5354/0717-5051.2020.54781
• Handy, S. (1993). Regional versus local accessibility: implications for nonwork travel. University of California Transportation Center.
• Haxhija, S., Duran-Rodas, D., Larriva, M. T. B., & Wulfhorst, G. (2024). A Mobility Justice Framework to prioritize areas for mobility interventions. Research in Transportation Business & Management, 56, 101192. https://doi.org/10.1016/j.rtbm.2024.101192
  » https://doi.org/10.1016/j.rtbm.2024.101192
• Huang, J., Xiong, M., & Wang, J. (2025a). Understanding urban spatial structure through the lens of multiple modal accessibility. Travel Behaviour and Society, 40, 101043. https://doi.org/10.1016/j.tbs.2025.101043
  » https://doi.org/10.1016/j.tbs.2025.101043
• Huang, W., Huang, Y., & Huo, Q. (2025b). How does the urban digital economy affect labor mobility? An analysis from inflow and outflow perspectives. Telecommunications Policy, 103029. https://doi.org/10.1016/j.telpol.2025.103029
  » https://doi.org/10.1016/j.telpol.2025.103029
• imco (Instituto Mexicano para la Competitividad). (2018). 1er estudio nacional de costo de la congestión 2018. ¿Cuánto cuesta la congestión vehicular en México? imco/SinTráfico, México.
• inegi (Instituto Nacional de Estadística y Geografía). (2007). Encuesta Origen-Destino de los viajes de los residentes de la Zona Metropolitana del Valle de México (eod 2017). inegi - Gobierno del Distrito Federal - Gobierno del Estado de México. México.
• inegi (Instituto Nacional de Estadística y Geografía). (2017). Encuesta Origen-Destino en hogares de la Zona Metropolitana del Valle de México (eod 2017). inegi/ii-unam/cdmx/Gobierno del Estado de México. México.
• inegi (Instituto Nacional de Estadística y Geografía). (2020). Censo de población y vivienda 2020. inegi, México.
• inegi. (sf). Vehículos de motor registrados en circulación. inegi, México. https://www.inegi.org.mx/sistemas/olap/proyectos/bd/continuas/transporte/vehiculos.asp?s=est&c=13158&proy=vmrc_vehiculos
  » https://www.inegi.org.mx/sistemas/olap/proyectos/bd/continuas/transporte/vehiculos.asp?s=est&c=13158&proy=vmrc_vehiculos
• Jensen, O. y Lanng, D. (2017). Mobilities Design: Urban Designs for Mobile Situations. Routledge.
• Jirón, P. y Zunino, D. (2017). Dossier. Movilidad urbana y género: experiencias latinoamericanas. Revista transporte y territorio (16): 1-8. https://repositorio.uchile.cl/handle/2250/144582
  » https://repositorio.uchile.cl/handle/2250/144582
• Kaufmann, V. (2002). Re-thinking Mobility: Contemporary Sociology. Ashgate, Aldershot.
• Kaufmann, V. y Canzler, W. (2008). Tracing Mobilities: Towards Cosmopolitan Perspective. Routledge.
• Larrañaga, A. M., de Dios Ortúzar, J., Oviedo, D., & Ruiz-Padillo, A. (2025). Active mobility, equity and inclusion. Latin American Transport Studies, 3, 100040. https://doi.org/10.1016/j.latran.2025.100040
  » https://doi.org/10.1016/j.latran.2025.100040
• Lösch, A. (1944). The economics of location (W. H. Woglom & W. F. Stolper, Trads.). Yale University Press. (Obra original publicada en 1940).
• Martner, C. (2016). Expansión dispersa, ciudad difusa y transporte: el caso de Querétaro, México. EURE 42 (125): 31-60. http://dx.doi.org/10.4067/S0250-71612016000100002
  » http://dx.doi.org/10.4067/S0250-71612016000100002
• Mignot, D., Aguiléra, A., Bloy, D., Caubel, D., Madre, J. (2010). Formas urbanas, movilidad y segregación. Urban Public Economics Review 12: 73-104. https://www.redalyc.org/articulo.oa?id=50414006003
  » https://www.redalyc.org/articulo.oa?id=50414006003
• Miralles, C. (2002). Ciudad y transporte, el binomio perfecto. Ariel Geografía, España.
• Mononen, P., Leviäkangas, P. y Haapasalo, H. (2017). From internal efficiency to societal benefits-Multi modal transport safety agency's socio-economic impact analysis. Research in transportation economics 66: 78-90. https://doi.org/10.1016/j.retrec.2017.05.002
  » https://doi.org/10.1016/j.retrec.2017.05.002
• Müller, A. P. S., Dorneles, V. G., & Ruiz-Padillo, A. (2024). Fuzzy geostatistical evaluation of micro-scale attributes of sidewalk accessibility: A Brazilian case. Transportation Research Part D: Transport and Environment, 126, 104018. https://doi.org/10.1016/j.trd.2023.104018
  » https://doi.org/10.1016/j.trd.2023.104018
• Nalin, A., Fulman, N., Wilke, E. C., Ludwig, C., Zipf, A., Lantieri, C., ... & Simone, A. (2025). Evaluation of accessibility disparities in urban areas during disruptive events based on transit real data. Communications in Transportation Research, 5, 100160. https://doi.org/10.1016/j.commtr.2024.100160
  » https://doi.org/10.1016/j.commtr.2024.100160
• Navarrete, M. J. (2022). La relación movilidades y desigualdades, aportes desde las investigaciones en ciencias sociales y humanas. Transporte y Territorio, (26), 16.
• Olivari, B., Cipriano, P., Napolitano, M., & Giovannini, L. (2023). Are Italian cities already 15-minute? Presenting the Next Proximity Index: A novel and scalable way to measure it, based on open data. Journal of Urban Mobility, 4, 100057. https://doi.org/10.1016/j.urbmob.2023.100057
  » https://doi.org/10.1016/j.urbmob.2023.100057
• Palomares, J. y Puebla, J. (2006). Movilidad por motivo de trabajo en la comunidad de Madrid. Revista del Instituto de Estudios Económicos (1): 223-256.
• Polea (Política y Legislación Ambiental). (2019). La movilidad urbana sustentable en México; propuesta regulatoria y programática. México.
• Potapov, P., Hansen, M., Pickens, A., Hernández, A., Tyukavina, A., Turubanova, S., …y Kommareddy, A. (2022). The global 2000-2020 land cover and land use change dataset derived from the Landsat archive: first results. Frontiers in Remote Sensing, 3, 856903 https://doi.org/10.3389/frsen.2022.856903.
  » https://doi.org/10.3389/frsen.2022.856903.
• Qiao, Y., & Ao, X. (2024). Digital transformation and rural labour force occupational mobility. International Review of Economics & Finance, 93, 42-50. https://doi.org/10.1016/j.iref.2024.04.007
  » https://doi.org/10.1016/j.iref.2024.04.007
• Ramírez, R. (2020). Zona metropolitana de la Ciudad de México: crecimiento y expansión al 2040: prospectiva territorial usando modelos de simulación urbana. Coordinación de Humanidades-UNAM, México.
• Reyes, V. y Suárez, M. (2022). Firm survival and location preference: evidence from Mexico City. Heliyon 8 (4). https://doi.org/10.1016/j.heliyon.2022.e09219
  » https://doi.org/10.1016/j.heliyon.2022.e09219
• Reyes, V., Suárez, M. y Delgado, J. (2019). La Merced: movilidad y flujos de personas en un mercado popular antiguo. UNAM, México.
• Saif, M., Zefreh, M. y Torok, A. (2019). Public transport accessibility: A literature review. Periodica Polytechnica Transportation Engineering, 47(1): 36-43. https://doi.org/10.3311/PPtr.12072
  » https://doi.org/10.3311/PPtr.12072
• Segob y Sedatu. (2018). Sistema Urbano Nacional 2018. Segob/Sedatu, México.
• Sobrino, J. (2007). Patrones de dispersión intrametropolitana en México. Estudios Demográficos y Urbanos 22 (66): 584-617. https://doi.org/10.24201/edu.v22i3.1272
  » https://doi.org/10.24201/edu.v22i3.1272
• Song, W., Yang, W., Wang, N., Wang, C., Li, Z., Ou, Y., & Zhang, X. (2024). How does industrial transformative process shape the spatial dynamics of urban development? Land Use Policy, 138, 107015. https://doi.org/10.1016/j.landusepol.2023.107015
  » https://doi.org/10.1016/j.landusepol.2023.107015
• Suárez M., y J. Delgado. (2015). Entre mi casa y mi destino. Movilidad y transporte en México. Encuesta Nacional de Movilidad y Transporte. En: Flores, J. (Eds.). (2015). Los mexicanos vistos por sí mismos. Los grandes temas nacionales IIJ-UNAM, México.
• Suárez, M. y J. Delgado. (2007). Estructura y eficiencias urbanas. Accesibilidad a empleos, localización residencial e ingreso en la ZMCM 1990-2000. Economía, Sociedad y Territorio 6 (23): 693-724. https://doi.org/10.22136/est002007254
  » https://doi.org/10.22136/est002007254
• Susino, J. y Martínez, J. (2010). Movilidad cotidiana por trabajo en el análisis de la estructura territorial: Andalucía y centro de México. Papeles de población 16 (66): 137-176. https://www.scielo.org.mx/scielo.php?pid=S1405-74252010000400006&script=sci_arttext
  » https://www.scielo.org.mx/scielo.php?pid=S1405-74252010000400006&script=sci_arttext
• Urry, J. (2007). Mobilities. Polity, London.
• Urry, J. y M. Grieco. (2011). Mobilities: New Perspectives on Transport and Society. Routledge.
• Vieira, M. G. M., Moreira, T. G., Pereira, C. A., & de Freitas Oliveira, A. (2021). Reinterpreting of mobility in high traffic streets in the Anápolis-GO downtown. Case studies on transport policy, 9(2), 767-774. https://doi.org/10.1016/j.cstp.2021.03.013
  » https://doi.org/10.1016/j.cstp.2021.03.013
• Wang, H., Wang, H., & Guan, R. (2024). Digitalization of industries and labor mobility in China. China Economic Review, 87, 102248. https://doi.org/10.1016/j.chieco.2024.102248
  » https://doi.org/10.1016/j.chieco.2024.102248
• Wang, J., Kwan, M. P., Liu, D., Liu, Y., & Wang, Y. (2025). 15-minute city beyond the urban core: Lessons from the urban-suburban disparity in PCR accessibility within the X-minute framework. Transportation Research Part A: Policy and Practice, 198, 104546. https://doi.org/10.1016/j.tra.2025.104546
  » https://doi.org/10.1016/j.tra.2025.104546
• Wang, R., Zhang, X., & Li, N. (2022). Zooming into mobility to understand cities: A review of mobility-driven urban studies. Cities, 130, 103939. https://doi.org/10.1016/j.cities.2022.103939
  » https://doi.org/10.1016/j.cities.2022.103939
• Zhu, Y., & Diao, M. (2020). Crowdsourcing-data-based dynamic measures of accessibility to business establishments and individual destination choices. Transportation Research Part D: Transport and Environment, 87, 102382. https://doi.org/10.1016/j.trd.2020.102382
  » https://doi.org/10.1016/j.trd.2020.102382

• Cómo citar:
  Reyes, V., Mokondoko, P., & Salgado, C. (2026). Accesibilidad y jerarquización de la movilidad: estudio de la Zona Metropolitana de Ciudad de México. urbe. Revista Brasileira de Gestão Urbana, v. 18, e20250050, 2026. https://doi.org/10.1590/2175-3369.018.e20250050
• Declaración de disponibilidad de datos
  El conjunto de datos que respalda los resultados de este artículo está disponible en SciELO DATA y se puede acceder a él en https://doi.org/10.48331/SCIELODATA.USGJIA.
• 1
  Las ageb son áreas estadísticas de menor escala que los municipios, su delimitación facilita el manejo de información, sin que se tenga que recurrir a un área de escala media como los municipios. Sus límites se marcan, principalmente, con base en calles, avenidas o rasgos físicos del terreno.
• 2
  Debido a que las personas pueden utilizar más de un modo de transporte en su viaje, se contabilizan los tramos de viaje y el modo en el que se realizaron. Viajes totales y tramos son diferentes en cifras totales.
• 3
  Estos tiempos son comparables porque en la Encuesta Origen Destino de 2007 no se consideraban los viajes que se hicieron solo caminando (inegi, 2007).
• 4
  La propuesta se complementa con vías regionales que le dan sustento a la red vial de la zona metropolitana, principalmente a las que se localizan en el Estado de México y a las que tienen conectividad con Ciudad de México.
• 5
  En la mayoría de los casos se trata de datos atípicos que sesgan los resultados y son producto de errores en la captura o el levantamiento.
• 6
  En los estudios de movilidad se omiten los viajes de regreso a casa ya que representan casi la mitad de los viajes, esto porque las personas después de realizar sus actividades cotidianas regresan a casa.
• 7
  Consultado en: https://cran.r-project.org/web/packages/factoextra/factoextra.pdf
• 8
  https://www.supervia.mx/

• Editor(a) responsável:
  Carlos Moreno; Geisa Bugs; Maelle Lucas; Pablo Centeno

Disponibilidad de datos

El conjunto de datos que respalda los resultados de este artículo está disponible en SciELO DATA y se puede acceder a él en https://doi.org/10.48331/SCIELODATA.USGJIA.

Fechas de Publicación

• Publicación en esta colección
  27 Jul 2026
• Fecha del número
  2026

Histórico

• Recibido
  18 Feb 2025
• Acepto
  10 Mar 2026