El problema ferroviario de España

Analisis de las infraestructuras ferroviarias en Europa

trabajo BigData
trenes
Autores/as

Josep Gómez Corral (gocojo@alumni.uv.es)

Ferran Alemany Parets (apafe@alumni.uv.es)

Rubén Rodríguez Giménez (rurogi@alumni.uv.es)

Fecha de publicación

23 de diciembre de 2022

¿Porqué decidimos hacer este trabajo?

Todos hemos viajado alguna vez en tren. Bien sea en un Cercanías o en uno de los prestigiosos y rápidos AVES que componen nuestra flota de trenes nacional. Pero, ¿alguna vez te has planteado si la infraestructura de trenes es rentable? ¿Si no se está malgastando el presupuesto público para crear vías infrautilizadas para favorecer el transporte de ciertas ciudades? O, en todo caso, ¿qué diferencia nuestra red de la de nuestros vecinos que la hace tan ineficiente y cara? Bueno, pues hay ciertas personas que sí lo han hecho.

El año pasado para la asignatura de Política Económica II se nos instó a leer un libro de forma voluntaria, llamado España, capital París. ¿Por qué España construye tantas infraestructuras que no se usan? Una respuesta económica a un problema político. En este libro, en el cuál hemos basado y obtenido la idea para este trabajo, se realiza un análisis temporal y transversal de la evolución y tanto como de la construcción y diseño de las infraestructuras españolas, así como de las políticas las cuales configuraban estas. Es decir, se analiza desde un punto de vista económico como los diferentes gobernantes, desde reyes hasta los políticos más actuales, han llevado a cabo los planes para construir y como se han gestionado estas, desde la investigación de financiación hasta las implicaciones que han tenido.

Lo que pretende el autor es hacer una crítica sobre la ineficiencia observada al modelo de infraestructuras español, donde, especialmente los últimos años, se ha visto una política orientada a cumplir otros objetivos que no tienen que ver con los de eficiencia y aumento de la productividad del sistema. Mencionamos los años más próximos, que podríamos iniciar a mediados del siglo pasado, dado que a pesar de que sí se comprendía y poseía información sobre aquellas rutas con mayor tráfico comercial, no se podía acceder a la cantidad de datos actuales para poder calcular los aumentos de productividad que generan la construcción de nuevas infraestructuras.

Así pues, la información que aboca esta obra ayuda a iluminar y omprender los motivos que han comportado el diseño y construcción de una estructura de redes, tanto aéreas como terrestres, orientada a cumplir objetivos extraeconómicos y que más bien son políticos. Además, también se relacionan conceptos del pasado que ayudan a unir las piezas del puzle para poder comprender la dirección de estas políticas, así como una comparación con el ámbito europeo, especialmente con aquellos países que comparten rasgos demográficos y geográficos semblantes con nuestro país para hacernos saber que sí, las cosas se podrían haber hecho de otra forma.

Por tanto, lo que los autores de este trabajo, Ferran, Rubén y Josep, pretendemos hacer es analizar y sintetizar estos resultados a partir de una base de datos europea, sobre la cual obtendremos, modificaremos y compararemos estos datos mediante diferentes instrumentos como gráficos y mapas para dejar ver algunas de las principales ideas de las que se habla en este ensayo.

En definitiva, combinaremos las ideas de este libro con el poder de las herramientas de la programación en RStudio que hemos aprendido y desarrollado al largo del curso en la asignatura de Programación y manejo de datos en la era del Big Data, con la finalidad de ver si somos capaces de poner en práctica todo lo aprendido y que nuestro profesor nos apruebe (por favor). Así pues, vayamos a ello.


Paquetes y datos usados

Para descargar y manipular los datos hemos optado por la siguiente lista de paquetes, la mayoría usados en las clases de este curso:

Código

library(tidyverse) #install.packages("tidyverse")
library(sf) #install.packages("sf")
library(DT) #install.packages("DT")
library(countrycode) #install.packages("countrycode")
library(ggThemeAssist) #install.packages("ggThemeAssist")
library(patchwork) #install.packages("patchwork")
library(plotly) #-install.packages("plotly")
library(knitr) #install.packages("plotly")
library(tibble) #install.packages("tibble")
library(ggthemes) #install.packages("ggthemes)
library(patchwork) #install.packages("patchwork")
library(ggrepel) #install.packages("ggrepel")
library(ggspatial) #install.packages("ggspatial")
library(rnaturalearth) #install.packages("rnaturalearth")
library(rnaturalearthdata) #install.packages("rnaturalearthdata")
library(pjpv2020.01) #install.packages("pjpv2020.01")
library(gganimate) #install.packages("gganimate")
library(gifski) #install.packages("gifski")
library(gt) #install.packages("gt")
library(kableExtra) #install.packages("kableExtra")
library(leaflet) #install.packages("leaflet")
library(leafem) #install.packages("leafem")
library(tmap) #install.packages("tmap")
library(leaflet) #install.packages("leaflet")
library(vembedr) #devtools::install_github("ijlyttle/vembedr")
library(lubridate) #install.packages("lubridate")
library(WDI)  #install.packages('WDI')

Hemos decidido utilizar datos de la web EUROSTAT.

Los datos se pueden cargar gracias al paquete de eurostat, que se puede instalar de la siguiente manera:

Código
# install.packages("eurostat")
library(eurostat)

Vamos a usar los siguientes datasets.

rail_pa_speed <- Página web

rail_if_line_sp <- Página web

rail_go_total <- Página web

rail_if_line_na<- Página web

rail_go_typeall<- Página web

Los datastets contienen observaciones sobre la mayoría de paises de europa sobre los kilómetros de vias de trenes, los pasajeros, las mercancías.



Panorama europeo

Antes de analizar el verdadero problema de España, vamos a observar y analizar, en la medida de lo posible, lo que sucede afuera de nuestro país, con una serie de datos en un tema tras trasnversal como son las infraestructuras ferroviarias.

Pasajeros

Comenzamos cargando los datos “rail_pa_speed” con el paquete Eurostat, en este dataframe encontramos los números de pasajeros de los diferentes países de Europa dividido en los diferentes tipos de vías que hay en la actualidad, trenes de baja velocidad, media y alta.

Código
pasaj_via <- get_eurostat(id = "rail_pa_speed")

En un principio, pasamos los nombres de los países de la tabla, que estaban en código iso2c, al nombre del país.

pasaj_via$geo = countrycode(pasaj_via$geo, "iso2c", "country.name")

También, ponemos la siguiente función:

Options(scipen = 999)

Nos evitará problemas de notación científica después.

Código
pasaj_via$geo = countrycode(pasaj_via$geo, "iso2c", "country.name")

options(scipen = 999)

A continuación, limpiamos los datos

Código
pasaj_via <- pasaj_via %>%
  mutate(time = as.character(time)) %>%
  mutate(Unidad_medidad = 
           case_when(unit == "MIO_PKM" ~ "Pasajero x KM",
                     unit == "PAS" ~ "Pasajeros" 
                     )) %>%
  mutate(Tipo_de_tren = 
           case_when(vehicle == "TRN_CV" ~ "Tren Baja Velocidad",
                     vehicle == "TRN_HSPD" ~ "Tren Alta Velocidad", 
                     vehicle == "TRN_THSPD" ~ "Tren Media Velocidad",
                     vehicle == "TOTAL" ~ "Total"
                     ))

  
pasaj_via <- pasaj_via %>%
   mutate (Año = time) %>% 
   mutate(Valores_Tren = as.integer(round(values))) %>%
   arrange(geo) %>%
   filter(Valores_Tren > 1) %>%
   select("Unidad_medidad", "Tipo_de_tren", "geo", "Año", "Valores_Tren") 
 
 #Pasamos la columna "Año" como dato tipo "date"
 
pasaj_via$Año <- as.Date(pasaj_via$Año) 
 
 #Convertimos la fecha en año
 
pasaj_via$Año <- year(pasaj_via$Año)
 
 #Añadimos algunos datos a mano, ya que no nos los proporciona eurostat
 
pasaj_via1 <- pasaj_via %>% add_row(Unidad_medidad = "Pasajeros", Tipo_de_tren = "Tren Alta Velocidad", geo = "Spain", Año = 2018, Valores_Tren = 21333)
 
pasaj_via1 <- pasaj_via1 %>% add_row(Unidad_medidad = "Pasajeros", Tipo_de_tren = "Tren Alta Velocidad", geo = "Spain", Año = 2017, Valores_Tren = 20558)
 
pasaj_via1 <- pasaj_via1 %>% add_row(Unidad_medidad = "Pasajeros", Tipo_de_tren = "Tren Alta Velocidad", geo = "Spain", Año = 2016, Valores_Tren = 20353)
 
pasaj_via1 <- pasaj_via1 %>% add_row(Unidad_medidad = "Pasajeros", Tipo_de_tren = "Tren Alta Velocidad", geo = "Spain", Año = 2015, Valores_Tren = 19428)

#Para acabar quitamos los NA

pasaj_via1 <- pasaj_via1 %>%
  filter(!is.na(geo))

Con los datos ya limpios y listos para usarlos, lo guardamos en la carperta pruebas por si sufre alguna modificación durante la realización del trabajo

Código
#Guardamos los datos para tenerlos intactos ante cualquier modificacion
 
ruta_via <- here::here("datos", "pasaj_via1.rds")
rio::export(pasaj_via1, ruta_via)

# Si necesitamos cargar los datos al global environment:
# ruta_via <- here::here("datos", "pasaj_via1.rds")
# pasaj_via1 <-rio::import(ruta_via)

Antes de adentrarnos en el análisis de los datos, vamos a ver como son y en que se diferencian los distintos tipos de trenes que hay.

  • Los trenes de baja velocidad son aquellos que se caracterizan por tener una velocidad máxima relativamente baja en comparación con otros tipos de trenes, esto se debe a que están diseñados para realizar trayectos a corta o media distancia y para transportar principalmente a pasajeros.

    Los trenes de baja velocidad suelen utilizarse en áreas urbanas y suburbanas, y pueden ser una opción de transporte público eficiente y sostenible en estos entornos.

JuveYell

  • Los trenes de media velocidad son aquellos que se caracterizan por tener una velocidad máxima intermedia en comparación con otros tipos de y están diseñados para realizar trayectos a media y larga distancia y para transportar principalmente a pasajeros.

    Los trenes de media velocidad ofrecen una serie de ventajas, como una mayor velocidad que los trenes de baja velocidad y una mayor capacidad de carga que los trenes de alta velocidad. Además, pueden ser una opción de transporte más sostenible y menos contaminante que otros medios de transporte, como aviones o coches.

JuveYell

  • Los trenes de alta velocidad son aquellos que se caracterizan por tener una velocidad máxima relativamente alta en comparación con otros tipos de trenes, como los trenes de baja velocidad o los trenes de carga. Estos trenes están diseñados para realizar trayectos a larga distancia y para transportar principalmente a pasajeros.

    Los trenes de alta velocidad suelen tener una velocidad máxima de más de 250 km/h y pueden ser utilizados tanto en áreas urbanas como rurales. Y en algunos casos, los trenes de alta velocidad también pueden ser utilizados para el transporte de mercancías a larga distancia.

JuveYell

Para comenzar con los gráficos y el análisis, vamos a prepararnos distintos dataframes que nos facilitará la tarea de graficar, dividiendo la unidades de medida.

Código
#Como la tabla nos ofrece los pasajeros totales y el numero de pasajeros por km de via lo separamos
 
Tren_Pasaj <- pasaj_via1 %>%
  filter(Unidad_medidad == "Pasajeros")

Tren_Mxp <- pasaj_via1 %>%
  filter(Unidad_medidad == "Pasajero x KM")

#Filtramos por totales

Tren_Pasaj <- Tren_Pasaj %>%
  filter(Tipo_de_tren == "Total")

Tren_Mxp <- Tren_Mxp %>%
  filter(Tipo_de_tren == "Total")

El primer grafico que hacemos trata de presentar de forma visual la evolución de numero de pasajeros en los diferentes países europeos.

Código
Grafico_1a <- ggplot(Tren_Pasaj) +
  aes(x = Año, y = Valores_Tren, colour = geo) +
  geom_step(size = 0.5) +
  scale_color_hue(direction = 1) +
  labs(
    y = "Pasajeros (en miles)",
    title = "Evolución de pasajeros de tren en los diferentes paises de Europa"
  ) +
  ggthemes::theme_base()

Grafico_1a

Vemos como destacan países como Alemania y Francia pero no se logra observar todo ese cúmulo de líneas en la parte inferior. Por ello hacemos un facet_wrap y vemos los países de forma individual.

Código
Grafico_1b <- ggplot(Tren_Pasaj) +
  aes(x = Año, y = Valores_Tren) +
  geom_step(size = 0.5, colour = "#389CEF") +
  labs(
    y = "Pasajeros (en miles)",
    title = "Evolución de pasajeros de tren en los diferentes paises Europeos"
  ) +
  ggthemes::theme_base() +
  facet_wrap(vars(geo))

Grafico_1b

En este también observamos problemas, ya que por culpa de la escala no se puede apreciar la tendencia de los diferentes países en los últimos años, por lo que aplicamos escala libre al Eje Y

Código
Grafico_1c <- Tren_Pasaj %>%
  filter(Año >= 2007L & Año <= 2019L) %>%
  ggplot() +
  aes(x = Año, y = Valores_Tren, colour = Tipo_de_tren) +
  geom_step(size = 0.5) +
  scale_color_manual(values = c(Total = "#34A2F2")) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  facet_wrap(vars(geo), scales = "free_y") + theme(axis.text = element_text(size = 8)) +labs(title = "Evolución de los pasajeros de tren en los diferentes paises Europeos",
    x = NULL, y = "Pasajeros (en miles)")

Grafico_1c

Aquí ya se puede observar de forma mas precisa las tendencias de los diferentes países y los valores que rondan.

Existe mucha diversidad en los diferentes países de Europa, ya sea por su tamaño o por el uso que se le da al tren como medio de transporte. Hay países con claras tendencias como son el caso de Suiza (ascendente) o Eslovenia (descendente), aun que cabe destacar que la mayoría son ascendentes.

Kilometros por pasajero

Podemos replicar dicho análisis para los kilómetros de vía por pasajero de los diferentes paises, ya que el dataset nos proporciona la informacion.

Realizamos un gráfico general

Código
Grafico_2a <- ggplot(Tren_Mxp) +
  aes(x = Año, y = Valores_Tren, colour = geo) +
  geom_step(size = 0.5) +
  scale_color_hue(direction = 1) +
  labs(
    y = "Pasajeros por KM",
    title = "Evolución de pasajeros por KM de vía en los diferentes paises de Europa"
  ) +
  ggthemes::theme_base()

Grafico_2a

Nos surge el mismo problema, vemos paises que destacan, pero la aglomeración de datos se situa en la parte baja del gráfico, así que separamos los paises de manera individual.

Código

Grafico_2b <- ggplot(Tren_Mxp) +
  aes(x = Año, y = Valores_Tren) +
  geom_step(size = 0.5, colour = "#7CABFF") +
  labs(
    y = "Pasajeros por KM",
    title = "Evolución de pasajeros por KM de vía en los diferentes paises de Europa"
  ) +
  ggthemes::theme_base() +
  facet_wrap(vars(geo))

Grafico_2b

Y por último, ajustamos la escala del Eje Y

Código

Grafico_2C <- Tren_Mxp %>%
  filter(Año >= 2013L & Año <= 2019L) %>%
  ggplot() +
  aes(x = Año, y = Valores_Tren, colour = Tipo_de_tren) +
  geom_step(size = 0.5) +
  scale_color_manual(values = c(Total = "#34A2F2")) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  facet_wrap(vars(geo), scales = "free_y") + theme(axis.text = element_text(size = 8)) +labs(title = "Evolución de los pasajeros por KM de vía en los diferentes paises Europeos",
    x = NULL, y = "Pasajeros por KM")

Grafico_2C

Observamos el mismo problema de diversidad, podemos afrimar que algunos paises cada vez reportan menos pasajeros por kilómetro de via y a la inversa, como es el caso de España (ascendente) o el caso de Serbio o Dinamarca (descendente).

Para verlo de forma mas clara vamos a dividir los gráficos en los tipos de tren que hay para intentar sacar mas conclusiones. Para ello debemos volver a filtrar, esta vez por tipo de tren.

Código
Tren_Alta_Pasaj <- pasaj_via1 %>%
  filter(Tipo_de_tren == "Tren Alta Velocidad") %>%
  filter(Unidad_medidad == "Pasajeros")

Tren_Media_Pasaj <- pasaj_via1 %>%
  filter(Tipo_de_tren == "Tren Media Velocidad") %>%
  filter(Unidad_medidad == "Pasajeros")

Tren_Baja_Pasaj <- pasaj_via1 %>%
  filter(Tipo_de_tren == "Tren Baja Velocidad") %>%
  filter(Unidad_medidad == "Pasajeros")

Empezando por el de alta velocidad, los países que destacan son Francia, España y Turquía

Cabe destacar, que Alemania debería estar entre las tres que mas pasajeros transporta pero por desgracia, los datos no están disponibles.

Código

Grafico_3 <- Tren_Alta_Pasaj %>%
  filter(Año >= 2015L & Año <= 2019L) %>%
  ggplot() +
  aes(x = Año, y = Valores_Tren, colour = Tipo_de_tren) +
  geom_step(size = 0.5) +
  scale_color_manual(
    values = c(`Tren Alta Velocidad` = "#34A2F2")
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  facet_wrap(vars(geo), scales = "free_y") + theme(axis.text = element_text(size = 12)) +labs(title = "Evolución de los pasajeros del tren de alta velocidad en los paises seleccionados",
   x = NULL, y = "Pasajeros (en miles)") + theme(plot.title = element_text(size = 16))

Grafico_3

Los trenes de alta velocidad franceses son una opción de transporte muy popular en Francia debido a su alta velocidad y comodidad. Las compañías ofrecen descuentos y promociones especiales en algunos casos, como en trayectos fuera de horas punta o para pasajeros con discapacidad.

También la red de vías de alta velocidad turcas se está expandiendo rápida y actualmente se encuentra en pleno proceso de ampliación. En el futuro, se espera que las vías de alta velocidad turcas se conviertan en una opción de transporte aún más popular y conveniente para los pasajeros.

Y el caso de España lo veremos más adelante ya que es el tema principal.

Como conlsuion de esta parte se puede sacar que en los paises donde mas pasajeros en trenes de alta velocidad se transportan, están en tendencia positiva, cosa que puede significicar que esté cogiendo importancia con los años

En el caso de trenes de media velocidad ha estado mas complicado obtener datos que nos permita sacar conclusiones.

Código

Grafico_4 <- Tren_Media_Pasaj %>%
  filter(Año >= 2008L & Año <= 2019L) %>%
  ggplot() +
  aes(x = Año, y = Valores_Tren, colour = Tipo_de_tren) +
  geom_step(size = 0.5) +
  scale_color_manual(
    values = c(`Tren Media Velocidad` = "#34A2F2")
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  facet_wrap(vars(geo), scales = "free_y")+ theme(axis.text = element_text(size = 12)) + labs(title = "Evolución de los pasajeros del tren de media velocidad en los paises seleccionados",
    x = NULL, y = "Pasajeros (en miles)") + theme(plot.title = element_text(size = 16))

Grafico_4

Se observa como Finlandia y Noruega, países del norte de Europa son los que tenemos datos mas firmes y se ve como la tendencia es positiva, pero nos hace pensar que no es un medio muy utilizado.

JuveYellJuveYell

Mostramos estos dos mapas sacados de Wikipedia y se observa como en el caso de Finlandia, mapa de la parte izquierda, gran parte de las vías son de baja velocidad y el caso de Noruega, mapa derecho, no casi existen tramos de largas distancias.

De Suecia no disponemos de datos relevantes y España mas tarde será protagonista.

Por ultimo los trenes de baja velocidad.

Código
Grafico_5 <- Tren_Baja_Pasaj %>%
  filter(Año >= 2015L & Año <= 2019L) %>%
  ggplot() +
  aes(x = Año, y = Valores_Tren, colour = Tipo_de_tren) +
  geom_step(size = 0.5) +
  scale_color_manual(
    values = c(`Tren Baja Velocidad` = "#34A2F2")
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  facet_wrap(vars(geo), scales = "free_y") + theme(axis.text = element_text(size = 8)) + labs(title = "Evolución de los pasajeros del tren de baja velocidad en los paises seleccionados",
    x = NULL, y = "Pasajeros (en miles)") + theme(plot.title = element_text(size = 16))

Grafico_5

Se observa como la mayoría de los países son los que poseen menor territorio, es normal debido a que al no poseer de grandes distancias, no es necesario construir trenes de alta velocidad para pasajeros, como es el caso de los países del Norte de Europa, o países muy pequeños como Albania o Montenegro.

Para acabar con los pasajeros, vamos a observar particularmente a España, sin entrar en detalles de eficiencia.

Código
Pasajeros_España <- pasaj_via1 %>% filter(geo == "Spain") %>% filter(Unidad_medidad == "Pasajeros")

Grafico_España <- Pasajeros_España %>%
  filter(Año >= 2007L & Año <= 2019L) %>%
  ggplot() +
  aes(x = Año, y = Valores_Tren, colour = geo) +
  geom_step(size = 0.5) +
  scale_color_manual(values = c(Spain = "#34A2F2")) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  facet_wrap(vars(Tipo_de_tren), scales = "free_y") + theme(axis.text = element_text(size = 10)) + labs(title = "Evolución de los pasajeros por tipo de tren en España",x = NULL, y = "Pasajeros (en miles)") 

Grafico_España

Observamos que el uso va en el orden, baja, media y alta. Y aunque no dispongamos de datos completos, se observa como en el periodo de 2013, los trenes de baja velocidad pegan una caída bestial y los de media, comienzan a subir.

Es posible que el aumento del número de pasajeros en los trenes de media velocidad en España en torno a 2013 se deba a una serie de factores, entre ellos:

  • Mayor oferta de trenes de media velocidad: En 2013, se pusieron en servicio varias líneas de tren de alta velocidad en España, lo que aumentó la oferta de servicios de media velocidad y hizo que fuera más fácil para los pasajeros acceder a estos trenes.

  • Precios más asequibles: Al aumentar la oferta de trenes de media velocidad, también se produjo una mayor competencia entre las diferentes empresas de ferrocarriles, lo que puede haber llevado a precios más asequibles para los pasajeros.

  • Mayor conciencia ambiental: En los últimos años, ha habido un mayor interés en opciones de transporte sostenibles y menos contaminantes, lo que puede haber llevado a un aumento del uso de trenes de media velocidad.

  • Cambios en el panorama económico: Es posible que el aumento del número de pasajeros en los trenes de media velocidad en España en 2013 también se deba a cambios en el panorama económico del país, como un aumento del turismo o un crecimiento de la economía en general.

Es importante tener en cuenta que estos son solo algunos posibles factores que pueden haber contribuido al aumento del número de pasajeros en los trenes de media velocidad en España en 2013. Es posible que haya habido otros factores también.

Los trenes de alta velocidad no han parado de crecer, situándose por encima de los 21 millones de pasajeros transportados al año, pero, ¿le estamos sacando al rentabilidad que se le podría dar?, vamos a compararlo con las mercancías.

Mercancias

Código

#obtenemos los datos

my_table <- "rail_if_line_na"      

   
df <- get_eurostat(my_table, time_format = 'raw', keepFlags = TRUE) 
df_names <- names(df)
df <- label_eurostat(df, code = df_names, fix_duplicated = TRUE)
Código

rail_2 <- df %>%
  select (geo, time, values, tra_meas, tra_infr) %>% 
  filter (geo %in% c("Spain","France","Italy","Sweden","Germany (until 1990 former territory of the FRG)")) %>% 
  filter (time >=1995) %>% 
  filter (tra_infr == "Total") %>% 
  filter (tra_meas %in% c("Freight only", "Passengers and freight", "Passengers only")) %>%
  mutate(geo = 
           case_when(geo == "Spain" ~ "Spain",
                     geo == "France" ~ "France", 
                     geo == "Italy" ~ "Italy",
                     geo == "Sweden" ~ "Sweden",
                     geo == "Germany (until 1990 former territory of the FRG)" ~ "Germany"
                     
           ))


rail_2$time <- as.numeric(rail_2$time)


Grafico_ferran_1 <- ggplot(rail_2) +
  aes(x = time, y = values, colour = tra_meas)  + 
  geom_point()+
  labs(
    x = "Años",
    y = "Km de vías (en miles)",
    title = "Comparación de la evolución de los km de vías por el tipo de uso",
    subtitle = "Pueden ser de pasajeros,
    mixtas o exclusivamente de carga"
  ) +
  facet_wrap(vars(geo))+labs(colour = "Categoria de transporte") +
  ggthemes::theme_base() 



Grafico_ferran_1

Código
my_table_2 <- "rail_go_typeall"     #Goods transported   by rail

label_eurostat_tables(my_table_2)     
#> [1] "Goods transported by type of transport (2004-2016)"
df_3 <- get_eurostat(my_table_2, time_format = 'raw', keepFlags = TRUE)
df_names <- names(df_3)
df_3 <- label_eurostat(df_3, code = df_names, fix_duplicated = TRUE)

paises_3 <- df_3 %>% 
  select (geo, time, values, unit, tra_cov) %>%
  filter (geo %in% c("Spain","France","Italy","Sweden","Germany (until 1990 former territory of the FRG)")) %>% 
  filter (time >=1995) %>% 
  filter (unit == "Million tonne-kilometre (TKM)") %>% 
  filter (tra_cov == "Total transport") %>%
  mutate(geo = 
           case_when(geo == "Spain" ~ "Spain",
                     geo == "France" ~ "France", 
                     geo == "Italy" ~ "Italy",
                     geo == "Sweden" ~ "Sweden",
                     geo == "Germany (until 1990 former territory of the FRG)" ~ "Germany"
                     
           ))
  

paises_3$time <- as.numeric(paises_3$time)

p1 <-ggplot(paises_3) +
  aes(x = time, y = values, colour = geo) +
  geom_point(shape = "circle", size = 3) +
  scale_color_hue(direction = 1) +
  labs(
    x = "Años",
    y = "Millones de toneladas por km de vía",
    title = "Evolución del uso del tren para el transporte de mercancías"
  ) +
  ggthemes::theme_base()


p1

Código

my_table_4 <- "road_go_ta_tott"       

label_eurostat_tables(my_table_4)     
#> [1] "Summary of annual road freight transport by type of operation and type of transport (1 000 t, Mio Tkm, Mio Veh-km)"
df_5 <- get_eurostat(my_table_4, time_format = 'raw', keepFlags = TRUE)
df_names <- names(df_5)
df_5 <- label_eurostat(df_5, code = df_names, fix_duplicated = TRUE)

paises_5 <- df_5 %>% 
  select (geo, time, values, unit, carriage, tra_oper) %>%
  filter (geo %in% c("Spain","France","Italy","Sweden","Germany (until 1990 former territory of the FRG)")) %>% 
  filter (time >=1995) %>% 
  filter (unit == "Million tonne-kilometre (TKM)") %>% 
  filter (carriage == "Total") %>% 
  filter(tra_oper == "Total - total transport") %>%
  mutate(geo = 
           case_when(geo == "Spain" ~ "Spain",
                     geo == "France" ~ "France", 
                     geo == "Italy" ~ "Italy",
                     geo == "Sweden" ~ "Sweden",
                     geo == "Germany (until 1990 former territory of the FRG)" ~ "Germany"
                     
           ))

paises_5$time <- as.numeric(paises_5$time)

p3 <-ggplot(paises_5) +
  aes(x = time, y = values, colour = geo) +
  geom_point(shape = "circle", size = 3) +
  scale_color_hue(direction = 1) +
  theme_classic() +
  labs(
    x = "Años",
    y = "Millones de toneladas por km de carretera",
    title = "Evolución del uso del camión para el transporte de mercancías"
  ) +
  ggthemes::theme_base()

p3

Se observa que la mercancía transportada en España mediante el ferrocarril es más más baja que en Europa llegando a ser superado por Suecia. Esto viene determinado por la preferencia en españa por el transporte en camión, que es un medio de transporte más flexible y que permite el transporte “puerta a puerta”. Además este bajo uso del ferrocarril, también viene consicionado por el ancho de vía español (igual que el inglés) que difiere del del resto de Europa, lo que impide un tránsito fluido una vez se quiere cruzar la frontera.

Código
p4 <- p1 + p3

p4

El caso de España


Análisis de los tipos de vía por su velocidad máxima

En este apartado analizaremos las estadísticas que confieren a los diferentes tipos de vías clasificados por su velocidad, con la finalidad de ver qué países son aquellos que cuentan con mayor kilometraje de vía de cada tipo.

En primer lugar, obtenemos los datos, sacados de Eurostat, de los kilómetros de vías por país, tanto los totales como divididos por categoría. En este caso las categorías son 3, vías de baja velocidad, vías de media velocidad y vías de alta velocidad. Una vez obtenidos los datos, los hemos arreglado y dispuesto para obtener los gráficos que necesitamos para hacer más fácil nuestro análisis.


Código
#En primer lugar obtendremos la información para este apartado. Dado que ya sabemos que datos queremos, km de vía para la velocidad máxima de la misma, los indicamos. 
my_table<- "rail_if_line_sp"
# label_eurostat_tables(my_table) . Aquí podemos ver la descripción de los datos.

# Obtenemos los datos y sustituímos los códigos de los países por sus nombres
tipo_via <- get_eurostat(my_table, time_format = 'raw') 
df_names <- names(tipo_via)
tipo_via <- label_eurostat(tipo_via, code = df_names, fix_duplicated = TRUE)


# Modificamos y arreglamos un poco los datos
tipo_via_f <- tipo_via %>%
  select(time, values, tra_infr, geo) %>%
  mutate(time = as.numeric(time)) %>%
  pivot_wider(names_from = tra_infr, values_from = values) %>% 
  arrange(geo)

tipo_via_f <- tipo_via_f %>%
  rename(Baja_velocidad = "Conventional railway lines", Media_velocidad = "Upgraded high speed railway lines",     Alta_velocidad = "Dedicated high speed railway lines", Paises = "geo") %>%
  dplyr::relocate(Alta_velocidad, .after = Media_velocidad)

#Guardamos los datos por si acaso sufren alguna modificación. Además, ahora no necesitamos hacer todo el proceso anterior.
dir.create("datos")
ruta_via <- here::here("datos", "tipo_via_f.rds")
rio::export(tipo_via_f, ruta_via)

# Si necesitamos cargar los datos al global environment:
# ruta_via <- here::here("datos", "tipo_via_f.rds")
# tipo_via_f <-rio::import(ruta_via)


El primer gráfico que observamos es, de hecho, una agrupación de 4 gráficos diferentes, donde se puede observar la evolución histórica de los km de vía para cada país, tanto los totales como por categorías.

Código
# Empezamos con los gráficos. Primero veremos gráficos que ilustran los kilómetros totales de vía, tanto para el total como para las diferentes velocidades máximas por las que circulan los diferentes trenes. 

Grafico_Total_km <- tipo_via_f %>%
  filter(!is.na(Total)) %>%
  ggplot() +
  aes(x = time, y = Total, colour = Paises) +
  geom_step() +
  scale_color_hue(direction = 1) +
  labs(
    x = "Años",
    y = "Km de vía (en miles)",
    title = "Vías totales",
    subtitle = "Kilómetros de via"
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  ylim(0, 32000)



Grafico_bajav_km <- tipo_via_f %>%
  filter(!is.na(Baja_velocidad)) %>%
  ggplot() +
  aes(x = time, y = Baja_velocidad, colour = Paises) +
  geom_step() +
  scale_color_hue(direction = 1) +
  labs(
    x = "Años",
    y = "Km de vía (en miles)",
    title = "Baja velocidad",
    subtitle = "Kilómetros de via"
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  ylim(0, 22000)



Grafico_mediav_km <- tipo_via_f %>%
  filter(!is.na(Media_velocidad)) %>%
  filter(!(Paises %in% c("Italy", "Kosovo (under United Nations Security Council Resolution 1244/99)", 
                         "Latvia", "Lithuania", "Norway", "Serbia", "Türkiye", "United Kingdom", "Montenegro", "Greece", "Estonia"))) %>%
  ggplot() +
  aes(x = time, y = Media_velocidad, colour = Paises) +
  geom_step() +
  scale_color_hue(direction = 1) +
  labs(
    x = "Años",
    y = "Km de vía (en miles)",
    title = "Media velocidad",
    subtitle = "Kilómetros de via"
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  ylim(0, 15000)



Grafico_altav_km <- tipo_via_f %>%
  filter(!is.na(Alta_velocidad)) %>%
  filter(!(Paises %in% c("Czechia", "Estonia", "Finland", "Greece", "Kosovo (under United Nations Security Council Resolution 1244/99)", "Latvia", "Lithuania", "Montenegro", "Norway", "Portugal", "Serbia", "Sweden"))) %>%
  ggplot() +
  aes(x = time, y = Alta_velocidad, colour = Paises) +
  geom_step() +
  scale_color_hue(direction = 1) +
  labs(
    x = "Años",
    y = "Km de vía (en miles)",
    title = "Alta velocidad",
    subtitle = "Kilómetros de via"
  ) +
  ggthemes::theme_base() +
  theme(legend.position = "none") +
  ylim(0, 3000)


# Aquí vemos una combinación de los gráficos. oci <- (Grafico_Total_km | Grafico_bajav_km) / (Grafico_mediav_km | Grafico_altav_km)

Grafico_veloci <- (Grafico_Total_km | Grafico_bajav_km) / (Grafico_mediav_km | Grafico_altav_km)

Grafico_veloci_conjunto<- Grafico_veloci + plot_annotation(
  title = 'Resumen de las diferentes velocidades',
  subtitle = 'Estas 4 gráficas nos muestran los km por paises',
  )& theme(text = element_text('mono'))

Grafico_veloci_conjunto

No obstante, como se puede observar, no hemos dispuesto las leyendas para identificar cada país, dado que sería un ejercicio totalmente sinsentido, ya que hay países que, simplemente por su mayor superficie territorial cuentan con mayor kilometraje de vía. Y en nuestro caso lo que queremos contrastar es si realmente España tiene una proporción elevada de vías, tanto totales como por categorías (especialmente de alta velocidad), respecto a la superficie del país y comparado con otros países.

Por tanto, lo que haremos a continuación será obtener los datos de superficie en km2 del Banco Mundial. Una vez obtenidos estos datos, filtraremos para quedarnos solo con los de los países europeos, que son de los que tenemos datos, y uniremos las tablas.

Código
#Todo y que podríamos detenernos a observar las evoluciones y km de vía, es un ejercicio absurdo, dado que la simple grandaria de un país puede explicar la existencia de más kilometraje. Por tanto, intentaremos analizar las cuatro variables usando como unidad de medida kilómetros de via por kilómetro cuadrado del país. 

# Obtenemos los datos de superfície del banco mundial
library(WDI)  #install.packages('WDI')

km_superf <- WDI(indicator = "AG.SRF.TOTL.K2", start = 2020, end = 2020, country = c("AT","BE", "BG", "HR", "CY", "CZ", "DK", "EE", "FI", "FR", "DE", "GR", "HU", "IE", "IT", "LV", "LT", "LU", "MT", "NL", "PL", "PT", "RO", "SK", "SI", "ES", "SE", "GB"))

km_superf <- km_superf %>%
  select(country, AG.SRF.TOTL.K2) %>%
  rename(Km_2 = AG.SRF.TOTL.K2, Paises = "country")

# Una vez arreglados los datos, fusionamos las dos tablas
km_vias_superficie <- inner_join(tipo_via_f, km_superf, by = "Paises")

#Guardamos los datos
ruta_via <- here::here("datos", "km_vias_superficie.rds")
rio::export("km_vias_superficie", ruta_via)

# Si necesitamos cargar los datos al global environment:
# ruta_viasup <- here::here("datos", "km_vias_superficie.rds")
# km_vias_superficie <- rio::import(ruta_viasup)

Por último, dividiremos los datos en 4 tablas, las cuales contienen cada una los datos de superficie, y luego una de las categorías o los datos totales. Ahora creamos una nueva columna que resulta del cálculo del número de km de vía entre los km2 de superficie. A partir de estos datos hacemos gráficos de columnas, para ver los datos de una forma más clara y analizarlos a continuación.

El primer gráfico nos muestra el porcentaje de kilómetros totales de vías sobre superficie del territorio. También observamos un mapa que resume estas estadísticas de una forma más ilustrativa.

Código
# A continuación lo que haremos será calcular para cada dato los km de via sobre los km2

total_km <- km_vias_superficie %>%
  select(time, Paises, Total, Km_2) %>%
  filter(time == "2020") %>%
  mutate(Via_por_km2 = (Total/Km_2)*100) %>%
  arrange(Via_por_km2)

# En estos casos además también lo haremos sobre 
baja_km <- km_vias_superficie %>%
  select(time, Paises, Baja_velocidad, Km_2, Total) %>%
  filter(!is.na(Baja_velocidad)) %>%
  filter(time == "2020") %>%
  mutate(Via_por_km2 = (Baja_velocidad/Km_2)*100) %>%
  arrange(Via_por_km2) %>%
  mutate(Baja_por_total = (Baja_velocidad/Total)*100)


media_km <- km_vias_superficie %>%
  select(time, Paises, Media_velocidad, Km_2, Total) %>%
  filter(!is.na(Media_velocidad)) %>%
  filter(time == "2020") %>%
  mutate(Via_por_km2 = (Media_velocidad/Km_2)*100) %>%
  filter(Via_por_km2 > 0) %>%
  arrange(Via_por_km2) %>%
  mutate(Media_por_total = (Media_velocidad/Total)*100)


alta_km <- km_vias_superficie %>%
  select(time, Paises, Alta_velocidad, Km_2, Total) %>%
  filter(!is.na(Alta_velocidad)) %>%
  filter(time == "2020") %>%
  mutate(Via_por_km2 = (Alta_velocidad/Km_2)*100) %>% 
  filter(Via_por_km2 > 0) %>%
  arrange(Via_por_km2)  %>%
  mutate(Alta_por_total = (Alta_velocidad/Total)*100)

#A continuación haremos gráficos para ilustrar los resultados anteriores

graf_total_porc <- ggplot(total_km) +
  aes(x = Paises, y = Via_por_km2, colour = Paises) +
  geom_col(fill = "#000000") +
  scale_color_manual(
    values = c(Austria = "#F8766D",
               Bulgaria = "#E98043",
               Croatia = "#DB8B19",
               Czechia = "#C99500",
               Denmark = "#B19E00",
               Estonia = "#99A700",
               Finland = "#69AE0F",
               France = "#31B425",
               Greece = "#00BA3C",
               Hungary = "#00BC64",
               Italy = "#00BF8B",
               Latvia = "#00BFAB",
               Lithuania = "#00BCC5",
               Luxembourg = "#00B9DF",
               Netherlands = "#20AFEC",
               Poland = "#45A4F6",
               Portugal = "#6C98FE",
               Romania = "#9B88FD",
               Slovenia = "#C978FB",
               Spain = "#E36DED",
               Sweden = "#F167D8",
               `United Kingdom` = "#FF61C3")
  ) +
  labs(
    y = "Datos en porcentaje KmVias/Km2",
    title = "Porcentaje de kilómetros totales de vias sobre superfície del territorio"
  ) +
  theme_classic() +
  theme(legend.position = "none")

ggplotly (graf_total_porc)
Código


#También haremos un mapa europeo ilustrativo del total de vias.

data(World)
world <- World ; rm(World)
world <- world %>%
  rename(Paises = "name")
df_mapa <- full_join(world, total_km, by = "Paises")


mypalette <- colorNumeric( palette="Greys", domain=df_mapa$Via_por_km2,na.color="transparent")

mytext <- paste(
  "País: ", df_mapa$Paises,"<br/>", 
  "Superfície en km2: ",  df_mapa$Km_2, "<br/>", 
  "Kilómetros de vía por km2 (en %): ", df_mapa$Via_por_km2, 
  sep="") %>%
  lapply(htmltools::HTML)
mapa_kmvias_km2 <- leaflet(df_mapa) %>% 
  addTiles()  %>% 
  setView( lat=10, lng=0 , zoom=2) %>%
  addPolygons( 
    fillColor = ~mypalette(Via_por_km2), 
    stroke=TRUE, 
    fillOpacity = 0.9, 
    color="white", 
    weight=0.3,
    label = mytext,
    labelOptions = labelOptions( 
      style = list("font-weight" = "normal", padding = "3px 8px"), 
      textsize = "13px", 
      direction = "auto"
    )
  ) %>%
  addLegend( pal=mypalette, values=~Via_por_km2, opacity=0.9, title = "% de vias por Km2", position = "bottomleft" )


mapa_kmvias_km2


Como podemos observar, hay ciertos países que destacan por tener gran cantidad de vías respecto al tamaño del país, como son la República Checa, Luxemburgo, Holanda o Hungría, países que tienen territorios no muy extensos y en algunos casos son países de rentas elevadas.

En cambio, si nos fijamos en países que tengan superficie territorial parecida a la de nuestro país, como son Reino Unido o Francia vemos que tienen una proporción mucho más elevada que la nuestra. No obstante, si ahora nos fijamos en países con rentas e incluso se podría decir que culturas parecidas, mediterráneas, como Portugal, Grecia o Italia, no podemos extraer conclusiones claras, ya que en algunos casos es superior, en otros parecida y en otros tantos inferior.



Vías de baja velocidad

Ahora veremos gráficos por categorías de velocidad máxima de la vía, comparando los km de las vías tanto entre la superficie como por los km totales de vía. Empezamos por llas vías de más baja velocidad.


Código
#Ahora por velocidad máxima de la vía 

graf_baja_porc <- ggplot(baja_km) +
  aes(x = Paises, colour = Paises, weight = Via_por_km2) +
  geom_bar(fill = "#000000") +
  scale_color_hue(direction = 1) +
  labs(
    y = "Datos en porcentaje Km Vias/Km2",
    title = "Kilómetros de vias de baja velocidad sobre superfície del territorio"
  ) +
  theme_classic() +
  theme(legend.position = "none")

graf_baja_total <- ggplot(baja_km) +
  aes(x = Paises, colour = Paises, weight = Baja_por_total) +
  geom_bar(fill = "#000000") +
  scale_color_hue(direction = 1) +
  labs(
    y = "Datos en porcentaje Km Vias baja velocidad/Total km via",
    title = "Kilómetros de vias de baja velocidad sobre km totales de vía"
  ) +
  theme_classic() +
  theme(legend.position = "none")

graf_baja_doble <- graf_baja_porc + graf_baja_total 

graf_baja_doble <- graf_baja_doble + plot_annotation(
  title = 'Comparación entre vías de velocidad baja sobre km2 y sobre km de vía totales',
  subtitle = 'Proporciones en %',
)& theme(text = element_text('mono'))

ggplotly(graf_baja_doble)

En el caso de este tipo de vías podemos destacar dos cosas. La primera de ellas las observamos en el primer gráfico, que como podemos ver países como Reino Unido, Italia o Eslovenia tienen una alta cantidad de vías si la comparamos al resto de países. De mientras, España tiene la misma cantidad de vías de cercanías que otros como Francia o Grecia.

No obstante, lo que es peculiar es que la gran mayoría de los países de los que observamos datos únicamente cuentan con vías de este tipo. Las únicas naciones que poseen vías de superior velocidad son España, Finlandia, Francia, Italia y Reino Unido (aunque este muy poco de otros tipos). Por tanto, se este hecho explica las elevadas proporciones que observamos en el otro gráfico respecto a países como Reino Unido o Eslovenia.

Así, estos países ven limitada su infraestructura ferroviaria con vías de menor velocidad y que generalmente tienen líneas de menor recorrido, lo cual dificulta la movilidad tanto de pasajeros como de mercancías.



Vías de media velocidad

A continuación, analizamos los datos de vías de velocidad media.

Código
graf_media_porc <- ggplot(media_km) +
  aes(x = Paises, y = Via_por_km2, colour = Paises) +
  geom_col(fill = "#000000") +
  scale_color_hue(direction = 1) +
  labs(
    y = "Datos en porcentaje KmVias/Km2",
    title = "Porcentaje de kilómetros de vias de media velocidad sobre superfície del territorio"
  ) +
  theme_classic() +
  theme(legend.position = "none")

graf_media_total <- ggplot(media_km) +
  aes(x = Paises, y = Media_por_total, colour = Paises) +
  geom_col(fill = "#000000") +
  scale_color_hue(direction = 1) +
  labs(
    y = "Datos en porcentaje Km Vias de media velocidad /Km de vías totales",
    title = "Porcentaje de kilómetros de vias de media velocidad sobre km totales de vías"
  ) +
  theme_classic() +
  theme(legend.position = "none")


graf_media_doble <- graf_media_porc + graf_media_total 

graf_media_doble <- graf_media_doble + plot_annotation(
  title = 'Comparación entre vías de velocidad media sobre km2 y sobre km de vía totales',
  subtitle = 'Proporciones en %',
)& theme(text = element_text('mono'))

ggplotly(graf_media_doble)


Como vemos, contamos con pocos datos porque no todos los países tienen vías superiores a las de velocidad baja. En este caso, podemos ver como este tipo de vías escasean en España, mientras que en Finlandia la proporción sobre el total de vías roza el 20%. Francia supera el 30%, así como tener una proporción elevada respecto a la superficie del país, y con mucha diferencia respecto a los otros dos países.

Este es uno de los problemas que se plantean en el libro. Y es que son las vías de media velocidad la que permiten una combinación de transporte de pasajeros junto con el de mercancías. Así, todo y que Francia tiene un problema de infraestructura parecido al de España, con una estructura “radial” que tiene su foco en la capital, de donde salen o acaban la gran parte de las vías, sigue contando con un sistema de transporte mixto. A continuación, observaremos las vías de alta velocidad para acabar de comprender este tema.



Vías de alta velocidad

Por último, observamos un gráfico con las vías de alta velocidad.


Código
graf_alta_porc <- ggplot(alta_km) +
  aes(x = Paises, colour = Paises, weight = Via_por_km2) +
  geom_bar(fill = "#000000") +
  scale_color_hue(direction = 1) +
  labs(
    y = "Datos en porcentaje KmVias/Km2",
    title = "Porcentaje de kilómetros de vias de alta velocidad sobre superfície del territorio"
  ) +
  theme_classic() +
  theme(legend.position = "none")

graf_alta_total <- ggplot(alta_km) +
  aes(x = Paises, colour = Paises, weight = Alta_por_total) +
  geom_bar(fill = "#000000") +
  scale_color_hue(direction = 1) +
  labs(
    y = "Datos en porcentaje Km Vias de alta velocidad/Km de vías totales",
    title = "Porcentaje de kilómetros de vias de alta velocidad sobre km de vías totales"
  ) +
  theme_classic() +
  theme(legend.position = "none")


graf_alta_doble <- graf_alta_porc + graf_alta_total 

graf_alta_doble <- graf_alta_doble + plot_annotation(
  title = 'Comparación entre vías de velocidad alta sobre km2 y sobre km de vía totales',
  subtitle = 'Proporciones en %',
)& theme(text = element_text('mono'))

ggplotly(graf_alta_doble)

La historia en este caso es totalmente diferente, dado que ahora las estadísticas dan un giro respecto al caso de Francia y España. En estes caso, es España la que cuenta con mayor número de vías de alta velocidad respecto a superficie y también sobre el total, siendo este último un dato muy destacado respecto a los otros países.




Conclusion

Por tanto, continuando con la explicación anterior, lo que concreta el libro es que las vías de alta velocidad se ven limitadas al transporte de personas, siendo este el primer inconveniente. Por otro lado también se comenta el hecho de que esta gran oferta de vías de alta velocidad no responden a una demanda efectiva, sino que su construcción se ha debido a la voluntad de ciertas figuras políticas de conectar la capital con el resto de la península.

Como podemos observar en los gráficos de graf_media_doble graf_alta_doble comparado con Grafico_España podemos observar claramente como España, pese a ser el país europeo con más vías de alta velocidad respecto al total de km de Europa, los pasajeros siguen sin ser muy elevados. De hecho, es notablemente mayor la afluencia en baja velocidad, e incluso en media también lo es.

Así, vemos claramente un desuso de la infraestructura de alta velocidad, que a pesar de ser la más extensa es la menos utilizada. El motivo no se adhiere a toda la red, dado que este recae especialmente sobre algunos trayectos que unen la capital con algunas provincias (como por ejemplo Castilla y León, hasta llegar a A Coruña), que se hicieron por motivaciones políticas y no por unos estudios que concluyeran que esos tramos iban a ser rentables.

El hecho de construir tantas vías de alta velocidad ha provocado ha sido un desvío de capitales hacía esta causa sin justificación alguna, dado el infra uso de la gran parte de las vías construidas, y que no han permitido mejorar los otros servicios de media y baja velocidad, que cuentan con mayor afluencia de pasajeros.

Además, hablando del transporte de mercancías, p4 , observamos que España es un país que transporta muchas más mercancías por carretera que por tren en pesos relatives de km de vía. Así, España es la que menos rendimiento extrae de su extensa infraestructura.

El motivo es que las vías de alta velocidad son exclusivas para el transporte de pasajeros, mientras que las de media y baja velocidad pueden combinar ambos tipos de transporte sin ningún inconveniente, lo que permite aprovechar mejor la infraestructura combinando ambos usos.

En síntesis, España se presenta en Europa como el mayor poseedor de vías de alta velocidad, más que países con más superficie, y que además se debe a un “capricho” de unos pocos y que ahora supone un problema tanto de eficiencia como de gasto constante. Todavía estamos pagando la construcción de algunos tramos que ni ahora, ni probablemente nunca, lleguen a ser rentables por su afluencia de pasajeros.

De este modo vemos como un gobierno central que se ha centrado demasiado en dotar de posibilidades a unos pocos, han acabado por descuidar a la gran mayoría, que seguimos padeciendo todos los días problemas, retrasos, inconvenientes, largos tiempos de espera… por la baja inversión que se dedica, de hecho, a los tramos con más afluencia de pasajeros, como son especialmente los de cercanías.

En definitiva, debemos dar una buena revisión al modelo radial que presenta actualmente España, y revaluar toda la red estructural del país para dotarla de cambios (bien sea dejar de usar tramos no rentables, dedicar esta inversión a la creación de nuevos o mejorar los que sí lo son…) que supongan mejorar el bienestar del conjunto de los usuarios, y no, por decirlo claro, facilitar que los del centro (LOS MADRILEÑOS) se puedan ir de vacaciones a la playa cómodamente.

Bibliografía

Banco Mundial. (2022). Banco Mundial. Obtenido de https://datos.bancomundial.org/indicator/AG.SRF.TOTL.K2

Bel, G. (2012). España, Capital París.

Eurostat. (2022). Eurostat. Obtenido de https://ec.europa.eu/eurostat/databrowser/view/RAIL_PA_SPEED/default/table?lang=en&category=rail.rail_pa

Eurostat. (2022). Eurostat. Obtenido de https://ec.europa.eu/eurostat/databrowser/view/RAIL_IF_LINE_SP/default/table?lang=en&category=rail.rail_if

Eurostat. (2022). Eurostat. Obtenido de https://ec.europa.eu/eurostat/databrowser/view/RAIL_GO_TOTAL__custom_888427/bookmark/table?lang=en&bookmarkId=8a481de3-5c50-4562-8d9b-5e412a6c7b28

Eurostat. (2022). Eurostat. Obtenido de https://ec.europa.eu/eurostat/databrowser/product/page/rail_if_line_na

Open AI. (2022). Open AI. Obtenido de https://chat.openai.com/chat

Wikipedia. (2022). Wikipedia. Obtenido de https://es.wikipedia.org/wiki/Ferrocarril_en_Finlandia

Wikipedia. (2022). Wikipedia. Obtenido de https://es.wikipedia.org/wiki/Ferrocarril_en_Noruega

Información sobre la sesión

Abajo muestro mi entorno de trabajo y paquetes utilizados

current session info 

─ Session info ───────────────────────────────────────────────────────────────
 setting  value
 version  R version 4.2.1 (2022-06-23 ucrt)
 os       Windows 10 x64 (build 19044)
 system   x86_64, mingw32
 ui       RTerm
 language (EN)
 collate  Spanish_Spain.utf8
 ctype    Spanish_Spain.utf8
 tz       Europe/Paris
 date     2022-12-22
 pandoc   2.18 @ C:/Program Files/RStudio/bin/quarto/bin/tools/ (via rmarkdown)

─ Packages ───────────────────────────────────────────────────────────────────
 package           * version    date (UTC) lib source
 abind               1.4-5      2016-07-21 [1] CRAN (R 4.2.0)
 assertthat          0.2.1      2019-03-21 [1] CRAN (R 4.2.1)
 backports           1.4.1      2021-12-13 [1] CRAN (R 4.2.0)
 base64enc           0.1-3      2015-07-28 [1] CRAN (R 4.2.0)
 bit                 4.0.4      2020-08-04 [1] CRAN (R 4.2.1)
 bit64               4.0.5      2020-08-30 [1] CRAN (R 4.2.1)
 broom               1.0.1      2022-08-29 [1] CRAN (R 4.2.1)
 cellranger          1.1.0      2016-07-27 [1] CRAN (R 4.2.1)
 class               7.3-20     2022-01-16 [2] CRAN (R 4.2.1)
 classInt            0.4-7      2022-06-10 [1] CRAN (R 4.2.1)
 cli                 3.4.0      2022-09-08 [1] CRAN (R 4.2.1)
 clipr               0.8.0      2022-02-22 [1] CRAN (R 4.2.1)
 codetools           0.2-18     2020-11-04 [2] CRAN (R 4.2.1)
 colorspace          2.0-3      2022-02-21 [1] CRAN (R 4.2.1)
 countrycode       * 1.4.0      2022-05-04 [1] CRAN (R 4.2.1)
 crayon              1.5.1      2022-03-26 [1] CRAN (R 4.2.1)
 crosstalk           1.2.0      2021-11-04 [1] CRAN (R 4.2.1)
 curl                4.3.2      2021-06-23 [1] CRAN (R 4.2.1)
 data.table          1.14.2     2021-09-27 [1] CRAN (R 4.2.1)
 DBI                 1.1.3      2022-06-18 [1] CRAN (R 4.2.1)
 dbplyr              2.2.1      2022-06-27 [1] CRAN (R 4.2.1)
 desc                1.4.2      2022-09-08 [1] CRAN (R 4.2.1)
 details             0.3.0      2022-03-27 [1] CRAN (R 4.2.2)
 dichromat           2.0-0.1    2022-05-02 [1] CRAN (R 4.2.0)
 digest              0.6.29     2021-12-01 [1] CRAN (R 4.2.1)
 dplyr             * 1.0.10     2022-09-01 [1] CRAN (R 4.2.1)
 DT                * 0.25       2022-09-12 [1] CRAN (R 4.2.1)
 e1071               1.7-11     2022-06-07 [1] CRAN (R 4.2.1)
 ellipsis            0.3.2      2021-04-29 [1] CRAN (R 4.2.1)
 eurostat          * 3.7.10     2022-02-09 [1] CRAN (R 4.2.1)
 evaluate            0.16       2022-08-09 [1] CRAN (R 4.2.1)
 fansi               1.0.3      2022-03-24 [1] CRAN (R 4.2.1)
 farver              2.1.1      2022-07-06 [1] CRAN (R 4.2.1)
 fastmap             1.1.0      2021-01-25 [1] CRAN (R 4.2.1)
 forcats           * 0.5.2      2022-08-19 [1] CRAN (R 4.2.1)
 foreign             0.8-82     2022-01-16 [2] CRAN (R 4.2.1)
 formatR             1.12       2022-03-31 [1] CRAN (R 4.2.1)
 fs                  1.5.2      2021-12-08 [1] CRAN (R 4.2.1)
 gargle              1.2.1      2022-09-08 [1] CRAN (R 4.2.1)
 generics            0.1.3      2022-07-05 [1] CRAN (R 4.2.1)
 gganimate         * 1.0.8      2022-09-08 [1] CRAN (R 4.2.2)
 ggplot2           * 3.3.6      2022-05-03 [1] CRAN (R 4.2.1)
 ggrepel           * 0.9.1      2021-01-15 [1] CRAN (R 4.2.1)
 ggspatial         * 1.1.7      2022-11-24 [1] CRAN (R 4.2.2)
 ggThemeAssist     * 0.1.5      2016-08-13 [1] CRAN (R 4.2.1)
 ggthemes          * 4.2.4      2021-01-20 [1] CRAN (R 4.2.1)
 gifski            * 1.6.6-1    2022-04-05 [1] CRAN (R 4.2.1)
 glue                1.6.2      2022-02-24 [1] CRAN (R 4.2.1)
 googledrive         2.0.0      2021-07-08 [1] CRAN (R 4.2.1)
 googlesheets4       1.0.1      2022-08-13 [1] CRAN (R 4.2.1)
 gt                * 0.7.0      2022-08-25 [1] CRAN (R 4.2.1)
 gtable              0.3.1      2022-09-01 [1] CRAN (R 4.2.1)
 haven               2.5.1      2022-08-22 [1] CRAN (R 4.2.1)
 here                1.0.1      2020-12-13 [1] CRAN (R 4.2.1)
 hms                 1.1.2      2022-08-19 [1] CRAN (R 4.2.1)
 htmltools           0.5.3      2022-07-18 [1] CRAN (R 4.2.1)
 htmlwidgets         1.5.4      2021-09-08 [1] CRAN (R 4.2.1)
 httpuv              1.6.6      2022-09-08 [1] CRAN (R 4.2.1)
 httr                1.4.4      2022-08-17 [1] CRAN (R 4.2.1)
 jsonlite            1.8.0      2022-02-22 [1] CRAN (R 4.2.1)
 kableExtra        * 1.3.4      2021-02-20 [1] CRAN (R 4.2.1)
 KernSmooth          2.23-20    2021-05-03 [2] CRAN (R 4.2.1)
 knitr             * 1.40       2022-08-24 [1] CRAN (R 4.2.1)
 labeling            0.4.2      2020-10-20 [1] CRAN (R 4.2.0)
 later               1.3.0      2021-08-18 [1] CRAN (R 4.2.1)
 lattice             0.20-45    2021-09-22 [2] CRAN (R 4.2.1)
 lazyeval            0.2.2      2019-03-15 [1] CRAN (R 4.2.1)
 leafem            * 0.2.0      2022-04-16 [1] CRAN (R 4.2.1)
 leaflet           * 2.1.1      2022-03-23 [1] CRAN (R 4.2.1)
 leaflet.providers   1.9.0      2019-11-09 [1] CRAN (R 4.2.1)
 leafsync            0.1.0      2019-03-05 [1] CRAN (R 4.2.1)
 lifecycle           1.0.2      2022-09-09 [1] CRAN (R 4.2.1)
 lubridate         * 1.8.0      2021-10-07 [1] CRAN (R 4.2.1)
 lwgeom              0.2-8      2021-10-06 [1] CRAN (R 4.2.1)
 magrittr            2.0.3      2022-03-30 [1] CRAN (R 4.2.1)
 mime                0.12       2021-09-28 [1] CRAN (R 4.2.0)
 miniUI              0.1.1.1    2018-05-18 [1] CRAN (R 4.2.1)
 modelr              0.1.9      2022-08-19 [1] CRAN (R 4.2.1)
 munsell             0.5.0      2018-06-12 [1] CRAN (R 4.2.1)
 openxlsx            4.2.5      2021-12-14 [1] CRAN (R 4.2.1)
 patchwork         * 1.1.2      2022-08-19 [1] CRAN (R 4.2.1)
 pillar              1.8.1      2022-08-19 [1] CRAN (R 4.2.1)
 pjpv2020.01       * 0.0.0.9000 2022-09-14 [1] Github (perezp44/pjpv2020.01@0ea1f82)
 pkgconfig           2.0.3      2019-09-22 [1] CRAN (R 4.2.1)
 plotly            * 4.10.0     2021-10-09 [1] CRAN (R 4.2.1)
 plyr                1.8.7      2022-03-24 [1] CRAN (R 4.2.1)
 png                 0.1-7      2013-12-03 [1] CRAN (R 4.2.0)
 prettyunits         1.1.1      2020-01-24 [1] CRAN (R 4.2.1)
 progress            1.2.2      2019-05-16 [1] CRAN (R 4.2.1)
 promises            1.2.0.1    2021-02-11 [1] CRAN (R 4.2.1)
 proxy               0.4-27     2022-06-09 [1] CRAN (R 4.2.1)
 purrr             * 0.3.4      2020-04-17 [1] CRAN (R 4.2.1)
 R6                  2.5.1      2021-08-19 [1] CRAN (R 4.2.1)
 rappdirs            0.3.3      2021-01-31 [1] CRAN (R 4.2.1)
 raster              3.5-29     2022-08-14 [1] CRAN (R 4.2.1)
 RColorBrewer        1.1-3      2022-04-03 [1] CRAN (R 4.2.0)
 Rcpp                1.0.9      2022-07-08 [1] CRAN (R 4.2.1)
 readr             * 2.1.2      2022-01-30 [1] CRAN (R 4.2.1)
 readxl              1.4.1      2022-08-17 [1] CRAN (R 4.2.1)
 RefManageR          1.3.0      2020-11-13 [1] CRAN (R 4.2.1)
 regions             0.1.8      2021-06-21 [1] CRAN (R 4.2.1)
 reprex              2.0.2      2022-08-17 [1] CRAN (R 4.2.1)
 rio                 0.5.29     2021-11-22 [1] CRAN (R 4.2.1)
 rlang               1.0.6      2022-09-24 [1] CRAN (R 4.2.2)
 rmarkdown           2.16       2022-08-24 [1] CRAN (R 4.2.1)
 rnaturalearth     * 0.1.0      2017-03-21 [1] CRAN (R 4.2.2)
 rnaturalearthdata * 0.1.0      2017-02-21 [1] CRAN (R 4.2.2)
 rprojroot           2.0.3      2022-04-02 [1] CRAN (R 4.2.1)
 rstudioapi          0.14       2022-08-22 [1] CRAN (R 4.2.1)
 rvest               1.0.3      2022-08-19 [1] CRAN (R 4.2.1)
 scales              1.2.1      2022-08-20 [1] CRAN (R 4.2.1)
 sessioninfo         1.2.2      2021-12-06 [1] CRAN (R 4.2.1)
 sf                * 1.0-9      2022-11-08 [1] CRAN (R 4.2.2)
 shiny               1.7.2      2022-07-19 [1] CRAN (R 4.2.1)
 sp                  1.5-0      2022-06-05 [1] CRAN (R 4.2.1)
 stars               0.5-6      2022-07-21 [1] CRAN (R 4.2.1)
 stringi             1.7.8      2022-07-11 [1] CRAN (R 4.2.1)
 stringr           * 1.4.1      2022-08-20 [1] CRAN (R 4.2.1)
 svglite             2.1.0      2022-02-03 [1] CRAN (R 4.2.1)
 systemfonts         1.0.4      2022-02-11 [1] CRAN (R 4.2.1)
 terra               1.6-17     2022-09-10 [1] CRAN (R 4.2.1)
 tibble            * 3.1.8      2022-07-22 [1] CRAN (R 4.2.1)
 tidyr             * 1.2.1      2022-09-08 [1] CRAN (R 4.2.1)
 tidyselect          1.1.2      2022-02-21 [1] CRAN (R 4.2.1)
 tidyverse         * 1.3.2      2022-07-18 [1] CRAN (R 4.2.1)
 tmap              * 3.3-3      2022-03-02 [1] CRAN (R 4.2.1)
 tmaptools           3.1-1      2021-01-19 [1] CRAN (R 4.2.1)
 tweenr              2.0.2      2022-09-06 [1] CRAN (R 4.2.2)
 tzdb                0.3.0      2022-03-28 [1] CRAN (R 4.2.1)
 units               0.8-0      2022-02-05 [1] CRAN (R 4.2.1)
 usethis             2.1.6      2022-05-25 [1] CRAN (R 4.2.1)
 utf8                1.2.2      2021-07-24 [1] CRAN (R 4.2.1)
 vctrs               0.4.1      2022-04-13 [1] CRAN (R 4.2.1)
 vembedr           * 0.1.5      2021-12-11 [1] CRAN (R 4.2.2)
 viridisLite         0.4.1      2022-08-22 [1] CRAN (R 4.2.1)
 vroom               1.5.7      2021-11-30 [1] CRAN (R 4.2.1)
 WDI               * 2.7.8      2022-09-25 [1] CRAN (R 4.2.2)
 webshot             0.5.3      2022-04-14 [1] CRAN (R 4.2.1)
 withr               2.5.0      2022-03-03 [1] CRAN (R 4.2.1)
 xfun                0.33       2022-09-12 [1] CRAN (R 4.2.1)
 XML                 3.99-0.10  2022-06-09 [1] CRAN (R 4.2.1)
 xml2                1.3.3      2021-11-30 [1] CRAN (R 4.2.1)
 xtable              1.8-4      2019-04-21 [1] CRAN (R 4.2.1)
 yaml                2.3.5      2022-02-21 [1] CRAN (R 4.2.1)
 zip                 2.2.1      2022-09-08 [1] CRAN (R 4.2.1)

 [1] C:/Users/ruben/AppData/Local/R/win-library/4.2
 [2] C:/Program Files/R/R-4.2.1/library

──────────────────────────────────────────────────────────────────────────────