A spatio-functional logistics profile clustering analysis method for metropolitan areas

This paper proposes a framework to define a zoning procedure using clustering taking into account socio-economic, spatial and logistics intensity variables to support urban logistics planning and management decision making. The methodology is centered around comparing two dimension reduction algorithms (PCA and UMAP) and four clustering algorithms (-means, affinity propagation, HDBSCAN, and SOM). This comparison is based on combinations of dimension reduction and clustering techniques, assessing the results for geographic coherence, patterns that are captured and the statistical validity of the clustering results. The variables used in the clustering are defined from socio-economic, geographic and demographic data issued from standard sources, and a logistics intensity estimation via freight trip generation (FTG models). Within its application to Lima, Peru, results show that the choice of the FTG model, the main logistics intensity variable, has a strong impact on the final composition of the logistics profile and also on ensuring a geographical sense of the clustering results. Finally, research, policy, and practical implications are discussed, as well as future research stemming from these results.

Este artículo propone un marco para definir un procedimiento de zonificación utilizando la agrupación teniendo en cuenta variables socioeconómicas, espaciales y de intensidad logística para apoyar la planificación de la logística urbana y la toma de decisiones de gestión. La metodología se centra en comparar dos algoritmos de reducción de dimensiones (PCA y UMAP) y cuatro algoritmos de agrupamiento (-medias, propagación por afinidad, HDBSCAN y SOM). Esta comparación se basa en combinaciones de técnicas de agrupamiento y reducción de dimensiones, evaluando la coherencia geográfica de los resultados, los patrones que se capturan y la validez estadística de los resultados del agrupamiento. Las variables utilizadas en el clustering se definen a partir de datos socioeconómicos, geográficos y demográficos emitidos a partir de fuentes estándar, y una estimación de la intensidad logística mediante la generación de viajes de carga (modelos FTG). Dentro de su aplicación a Lima, Perú, los resultados muestran que la elección del modelo FTG, la principal variable de intensidad logística, tiene un fuerte impacto en la composición final del perfil logístico y también en garantizar un sentido geográfico de los resultados del clustering. Finalmente, se discuten las implicaciones prácticas, políticas y de investigación, así como las investigaciones futuras que surjan de estos resultados.