Mapeo de zonas rojas: un estudio de la cobertura de delivery en la Región Metropolitana

Abstract

En este trabajo se presenta una herramienta georreferencial para analizar y visualizar las zonas de exclusión en la cobertura de servicios de delivery alimenticio en la Región Metropolitana de Santiago, con foco en la plataforma Uber Eats. La investigación surge de la necesidad de identificar zonas rojas, áreas donde la falta de cobertura limita el acceso a servicios esenciales y refleja inequidades en infraestructura tecnológica, logística y socioeconómica. El objetivo principal de este trabajo es desarrollar una herramienta georreferencial que identifique y visualice las áreas de cobertura y no cobertura de servicios de delivery de alimentación en la Región Metropolitana, proporcionando información valiosa para comprender la distribución de éstos. Para lograr este trabajo, la investigación se enfoca en los siguientes objetivos específicos: Recopilar y procesar datos censales y geográficos representativos de la Región Metropolitana. Implementar un sistema automatizado de extracción de datos de cobertura utilizando web scraping. Visualizar los datos recolectados en mapas interactivos para facilitar su análisis y comprensión. Validar los resultados obtenidos y analizar las áreas de exclusión detectadas. Para abordar este desafío, se propone una solución basada en diversas tecnologías y metodologías. Primero, se recopilaron datos censales utilizando archivos GeoJSON que delimitan zonas censales. Luego, mediante la API de geocodificación inversa de Google Maps, se obtuvieron coordenadas y direcciones representativas de estas zonas. Posteriormente, se implementó un bot automatizado utilizando Selenium en Python para realizar scraping de la plataforma Uber Eats y determinar la disponibilidad de cobertura. Los resultados obtenidos se visualizaron a través de mapas interactivos, desarrollados con tecnologías como React.js, FastAPI y Leaflet.js. La herramienta permite identificar con precisión las áreas cubiertas y excluidas, presentando estos resultados en un mapa accesible al usuario. El sistema es escalable y adaptable, con capacidad para analizar otras plataformas o regiones geográficas mediante ajustes mínimos. Los resultados evidencian patrones de exclusión principalmente en zonas periféricas y de baja densidad, donde factores como la infraestructura vial limitada y la baja demanda dificultan la operación de estos servicios.

This study presents a georeferencing tool designed to analyze and visualize exclusión zones in the coverage of food delivery services in the Metropolitan Region of Santiago, focusing on the Uber Eats platform. The research addresses the need to identify red zones, areas where the lack of coverage limits access to essential services and highlights inequalities in technological infrastructure, logistics, and socioeconomic factors. The main objective of this work is to develop a georeferencing tool that identifies and visualizes areas of coverage and non-coverage of food delivery services in the Metropolitan Region, providing valuable information to understand their distribution. To achieve this goal, the research focuses on the following specific objectives: Collect and process census and geographic data representative of the Metropolitan Region. Implement an automated data extraction system using web scraping. Visualize the collected data on interactive maps to facilitate analysis and understanding. Validate the results obtained and analyze the identified exclusion zones. The study proposes a solution based on various technologies and methodologies to address this challenge. First, census data was collected using GeoJSON files that delimit census zones. Subsequently, the Google Maps reverse geocoding API was used to obtain coordinates and representative addresses for these zones. An automated bot developed with Selenium in Python was then implemented to perform scraping on the Uber Eats platform to determine coverage availability. The results were visualized through interactive maps, developed using technologies such as React.js, FastAPI, and Leaflet.js. The tool enables precise identification of covered and excluded areas, presenting these results in a user-accessible map. The system is scalable and adaptable, capable of analyzing other platforms or geographic regions with minimal adjustments. The results reveal exclusion patterns primarily in peripheral and low-density areas, where factors such as limited road infrastructure and low demand hinder the operation of these services.