Análisis espacial de la habitabilidad saludable y la regla 3-30-300

Autor/a

Miguel Ferreiro García

Fecha de publicación

abril 2026

Resumen ejecutivo

¿Es Madrid una ciudad fácil para llevar una vida saludable? ¿Y lo es igual de fácil en todos sus barrios?

Este documento responde a esas preguntas combinando datos abiertos (OpenStreetMap, INE, Ayuntamiento de Madrid, ESA WorldCover) con análisis espacial en R. El resultado es un Healthy Living Index (HLI) por barrio y una evaluación del cumplimiento de la regla 3-30-300 de urbanismo verde de Cecil Konijnendijk.

131

barrios analizados

−0,26

correlación HLI ↔︎ renta (Pearson)

9 %

mediana de barrios que cumplen las tres reglas 3-30-300

Hallazgo central. El HLI v1 (densidad de equipamientos saludables, parques y fast food invertido) correlaciona negativamente con la renta: el sur obrero domina el ranking, el norte rico cae al fondo. La regla 3-30-300 combinada borra esa correlación (Pearson −0,04) — cada componente capta una dimensión distinta y se compensan.

1 · Marco metodológico

1.1 Pregunta de investigación

Cuantificar, a nivel de barrio, la facilidad para llevar un estilo de vida saludable en el municipio de Madrid, integrando:

  • Acceso a alimentación saludable (fruterías, mercados, tiendas especializadas).
  • Acceso a actividad física (gimnasios, instalaciones deportivas).
  • Cercanía a espacios verdes (parques mayores de 1 ha).
  • Penetración de comida rápida como factor inverso.
  • Cubierta arbórea y proximidad a verde urbano (regla 3-30-300).
  • Equidad: ¿se distribuye el índice de forma justa respecto a la renta?

1.2 Pipeline de análisis

Mostrar código
flowchart LR
  A[OSM<br/>Overpass + Geofabrik] --> B[Limpieza<br/>+ filtrado]
  C[Ayto Madrid<br/>distritos · barrios · arbolado] --> B
  D[INE<br/>renta + sec. censales] --> B
  E[ESA WorldCover<br/>2021 · 10 m] --> B
  B --> F[KDE proyectado<br/>EPSG:25830]
  B --> G[Isócronas peatonales<br/>dodgr]
  B --> R[Regla 3-30-300<br/>raster + focal]
  F --> H[HLI v1<br/>por barrio]
  G --> H
  R --> S[Score 3-30-300<br/>por barrio]
  H --> I[Cruce con renta<br/>+ scatter equidad]
  S --> I
  I --> J[Mapas interactivos<br/>+ dashboard shinylive]
flowchart LR
  A[OSM<br/>Overpass + Geofabrik] --> B[Limpieza<br/>+ filtrado]
  C[Ayto Madrid<br/>distritos · barrios · arbolado] --> B
  D[INE<br/>renta + sec. censales] --> B
  E[ESA WorldCover<br/>2021 · 10 m] --> B
  B --> F[KDE proyectado<br/>EPSG:25830]
  B --> G[Isócronas peatonales<br/>dodgr]
  B --> R[Regla 3-30-300<br/>raster + focal]
  F --> H[HLI v1<br/>por barrio]
  G --> H
  R --> S[Score 3-30-300<br/>por barrio]
  H --> I[Cruce con renta<br/>+ scatter equidad]
  S --> I
  I --> J[Mapas interactivos<br/>+ dashboard shinylive]
Figura 1: Pipeline de análisis del proyecto.

2 · Datos

2.1 Marco administrativo

El análisis se hace sobre el término municipal de Madrid (604 km²), desagregado en sus 21 distritos y 131 barrios oficiales.

Figura 2: Madrid municipio: 21 distritos y 131 barrios. Fuente: Ayuntamiento de Madrid · Geoportal IDEAM (CC BY 4.0).

Los datos administrativos se descargan automáticamente del Geoportal IDEAM y se almacenan localmente en data/processed/ como GeoPackage en CRS EPSG:25830 (ETRS89 / UTM 30N), el sistema oficial para España peninsular.

source("R/01_descargar_admin.R")  # descarga + limpieza
source("R/02_mapa_base.R")        # mapa estático + interactivo

El script descarga los shapefiles desde el geoportal, los reproyecta a EPSG:25830, valida la geometría y deriva el polígono del término municipal por unión de los 21 distritos.

2.2 Capas temáticas

Cuatro capas de equipamientos / espacios verdes desde OpenStreetMap (Overpass para queries selectivas y Geofabrik para queries voluminosas), más el inventario municipal de árboles del Ayto y la cubierta arbórea de ESA WorldCover 2021.

Capa Tags / fuente Total
Comida saludable shop=greengrocer/health_food/herbalist/deli/farm, amenity=marketplace 555
Actividad física leisure=fitness_centre/fitness_station/sports_centre 958
Comida rápida amenity=fast_food 1.073
Espacios verdes leisure=park (≥ 1 ha) + Casa de Campo manualmente 1.702 polígonos · 6.233 ha
Arbolado urbano datos.madrid.es · dataset 300761 (alineación + zonas verdes) 793 K árboles
Cubierta arbórea ESA WorldCover 2021 v200 (10 m, clase Tree cover) tile N39W006
Nota

Decisión metodológica. La capa “comida saludable” se construyó con whitelist explícita por tag tras verificar contra Taginfo: shop=organic y marketplace=farmers_market no se usan en Madrid; shop=supermarket es demasiado laxo (incluye Mercadona, Lidl). landuse=forest se descartó porque no separa El Pardo bosque del casco urbano — único rescate manual: Casa de Campo (1.373 ha), que en OSM no aparece como leisure=park.

3 · Densidades y distancias

3.1 KDE proyectado

La estimación de densidad por kernel se calcula sobre el sistema EPSG:25830 (metros) — corrigiendo el error metodológico de la versión original, que ejecutaba el KDE en grados geográficos. El bandwidth se obtiene con la regla de Scott vía spatstat::bw.scott().

Figura 3: Densidad de equipamientos por km² (KDE 100 m, recortado al municipio).

Las tres capas tienen estructuras espaciales diferentes:

  • Comida saludable muestra un núcleo intenso en Centro (mercados históricos) y picos secundarios en distritos residenciales acomodados (Salamanca, Chamberí).
  • Actividad física está distribuida de forma más homogénea, con concentraciones en distritos centrales y ensanches.
  • Comida rápida se concentra en el Centro (turismo) y en arterias comerciales periféricas.

3.2 Accesibilidad peatonal con dodgr

Sobre la red de calles del extracto Geofabrik (152 K segmentos, 605 K vértices) calculamos la distancia mínima al parque ≥ 1 ha más cercano y marcamos los nodos accesibles a 5 / 10 / 15 min andando (perfil peatonal a 4,8 km/h ≈ 80 m/min, equivalente a 400 / 800 / 1.200 m peatonales).

Figura 4: Accesibilidad peatonal a parques ≥ 1 ha. Cuanto más oscuro, más nodos del barrio cumplen el umbral.

El patrón es inverso al esperado: los barrios obreros del sur están mejor servidos por parques grandes que los barrios ricos del norte. Comillas (Carabanchel) cumple la regla 300 m en el 100 % de sus nodos a 15 min; Castellana (Salamanca) solo en el 47 %.

4 · Healthy Living Index

4.1 Construcción del índice

Por cada barrio (de los 131) calculamos:

  • densidad de comida saludable (POIs / km²)
  • densidad de gimnasios y deporte (POIs / km²)
  • densidad de fast food (POIs / km²) — factor inverso
  • cubierta de parques (% del barrio)

Cada indicador se normaliza al rango [0, 1] usando rango robusto (percentiles 5–95) para que un outlier no aplaste al resto. El fast food se invierte (1 − x). El HLI es la media simple de los 4 componentes.

Figura 5: Healthy Living Index por barrio. Aparecen rotulados los 5 barrios con mayor HLI (verdes oscuros — Comillas, Abrantes, Pradolongo, Zofío, San Isidro) y los 5 con menor HLI (rojos — Sol, Justicia, Universidad, Embajadores, Goya).

4.2 Cruce con renta · el hallazgo principal

Figura 6: HLI frente a renta neta por persona (€/año, INE ADRH 2023). Cada punto es un barrio. Línea de regresión en rojo.

El HLI correlaciona negativamente con la renta (Pearson −0,26, Spearman −0,25). Los barrios con mejor dotación pública para una vida saludable se concentran en el sur obrero (Carabanchel, Usera, Puente de Vallecas); los barrios de mayor renta del norte (Salamanca, Chamartín, Moncloa) caen al fondo del ranking.

Cruzando los 131 barrios por cuadrantes (HLI por encima/debajo de la mediana, renta neta por encima/debajo de la mediana):

alto HLI bajo HLI
renta alta 30 barrios 36 barrios
renta baja 36 barrios 29 barrios

Algunos barrios concretos para anclar la lectura:

  • Renta alta · alto HLI: Cuatro Caminos, Berruguete, Pacífico, Imperial.
  • Renta alta · bajo HLI: Valdemarín, Recoletos, Fuentelarreina, El Viso, Castellana.
  • Renta baja · alto HLI: Comillas, Abrantes, Pradolongo, Zofío, San Isidro.
  • Renta baja · bajo HLI: El Cañaveral, Las Águilas, Aluche, San Cristóbal.
  • Caso extremo: Sol — HLI 0,12, 123 fast food/km², 0 % cubierta verde, renta media.

5 · La regla 3-30-300

La regla 3-30-300 propuesta por Cecil Konijnendijk (2021) es un estándar simple y accionable de urbanismo verde:

3

árboles visibles desde cada vivienda

30 %

cubierta arbórea por barrio

300 m

al espacio verde más cercano

5.1 Implementación por nodo

Hemos evaluado las tres reglas sobre 605 K nodos del callejero de Madrid:

  • Regla 3: terra::rasterize de los 793 K árboles del inventario municipal a 10 m, focal sum con kernel circular de 50 m, extract puntual sobre los nodos. Cumple = ≥ 3 árboles a 50 m.
  • Regla 30: ESA WorldCover 2021 v200 (10 m, clase 10 = Tree cover), reproyectado a EPSG:25830, focal sum con kernel circular de 250 m. Cumple = ≥ 30 % canopy en el buffer.
  • Regla 300: equivale a acc_5min del paso 3.2 (parque ≥ 1 ha a ≤ 400 m peatonales).

5.2 Resultados por regla y score combinado

Figura 7: Las tres reglas y el score combinado por barrio. Madrid suspende: solo el 9 % mediano de los barrios cumple las tres a la vez.
Regla % nodos ciudad Mediana barrios Mejor Peor
3 — ≥3 árboles 50 m 64,0 % 87,7 % Castellana, Hellín, Lista (100 %) El Pardo (3,1 %), Aeropuerto (5,7 %)
30 — ≥30 % canopy 250 m 26,7 % 12,5 % Casa de Campo (90 %), Los Jerónimos (88 %) Centro, Salamanca, Retiro (0 %)
300 — parque ≥1 ha ≤5 min — — Comillas, Pradolongo (100 %) Castellana, Recoletos (≤1 %)
Score combinado — 9 % Atalaya 60 %, Marroquina 48 % Centro, Salamanca, Retiro (0 %)
Tip

Tensión Salamanca. Castellana, Goya y Lista alcanzan el 100 % en regla 3 (alineaciones viarias densas de árboles inventariados) pero 0 % en regla 30: los árboles individuales de viario no llegan al 30 % de cubierta continua según ESA WorldCover. El estándar 3-30-300 está diseñado precisamente para detectar esta diferencia entre “hay árboles” y “hay barrio verde”.

Nota

El caso opuesto: El Pardo. Aparece como casi suspenso en regla 3 (3,1 %) pero brilla en regla 30 (65,8 %). La explicación está en cómo “ve” cada regla la realidad: la regla 3 se apoya en el inventario municipal del Ayto, que cataloga los árboles bajo gestión y mantenimiento explícitos —arbolado viario, jardines, parques históricos—. El Pardo es un parque forestal y reserva real cuya masa boscosa no se inventaría árbol a árbol (no es viable ni tendría sentido catalogar individualmente cientos de miles de pinos y encinas en una superficie de 18.700 ha). En cambio, ESA WorldCover mide la cubierta arbórea directamente desde satélite y sí captura ese bosque continuo. La regla 30 es por tanto el indicador correcto en zonas no urbanizadas; la regla 3 funciona bien en trama urbana densa. Lo mismo ocurre, en menor medida, en Casa de Campo y El Goloso.

6 · Equidad

El score combinado 3-30-300 borra la correlación con renta (Pearson −0,04 vs −0,26 del HLI v1). La descomposición por componente muestra por qué:

Métrica Pearson vs renta neta
HLI v1 −0,26
Score 3-30-300 −0,04
Regla 3 (≥3 árboles 50 m) +0,05
Regla 30 (≥30 % canopy 250 m) +0,13
Regla 300 (parque ≥1 ha 5 min) −0,24

Cada componente capta una dimensión distinta y se compensan: la regla 3 (alineación viario) favorece a los barrios densos del centro; la regla 30 (canopy continuo) favorece zonas periféricas con grandes parques; la regla 300 reproduce el patrón sur-rico-mejor del HLI.

7 · Recursos interactivos

7.1 Mapas

Los cuatro mapas Leaflet reproducen las capas anteriores con popups y filtros:

Ranking HLI por barrio

Coroplético del HLI v1; popup con desglose de los 4 componentes.

HLI ↔︎ renta + residual

Tres capas: HLI, renta neta y residual del modelo HLI ~ renta.

Accesibilidad peatonal

% de nodos con parque ≥ 1 ha a 5 / 10 / 15 minutos andando.

Regla 3-30-300

Cuatro capas: regla 3, regla 30, regla 300 y score combinado.

7.2 Dashboard shinylive

Una app Shiny ejecutándose directamente en el navegador como WebAssembly (sin servidor). Permite explorar las 14 métricas barrio a barrio, comparar hasta 6 barrios en radar, ver scatters de equidad y descargar la tabla en CSV/Excel.

Atención: la primera carga del dashboard tarda 30–60 s: el navegador descarga R y los paquetes WASM. En recargas posteriores arranca al instante. Si el iframe falla, abre el dashboard en pantalla completa →

Abrir dashboard en pantalla completa

Apéndice · Reproducibilidad

El proyecto sigue una cadena de 18 scripts R numerados que se ejecutan en orden. El entorno completo se restaura con renv::restore().

# Restaurar el entorno exacto
renv::restore()

# Pipeline completo (los scripts son idempotentes)
for (s in sort(list.files("R", pattern = "^[0-9]{2}_.*\\.R$", full.names = TRUE))) {
  message("→ ", s)
  source(s)
}

# Renderizar este documento
quarto::quarto_render("index.qmd")
R version 4.5.2 (2025-10-31 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 11 x64 (build 26200)

Matrix products: default
  LAPACK version 3.12.1

locale:
[1] LC_COLLATE=Spanish_Spain.utf8  LC_CTYPE=Spanish_Spain.utf8   
[3] LC_MONETARY=Spanish_Spain.utf8 LC_NUMERIC=C                  
[5] LC_TIME=Spanish_Spain.utf8    

time zone: Europe/Madrid
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
[1] ggplot2_4.0.2 dplyr_1.1.4   sf_1.0-23    

loaded via a namespace (and not attached):
 [1] gtable_0.3.6       jsonlite_2.0.0     compiler_4.5.2     renv_1.2.2        
 [5] tidyselect_1.2.1   Rcpp_1.1.0         png_0.1-8          scales_1.4.0      
 [9] yaml_2.3.12        fastmap_1.2.0      R6_2.6.1           generics_0.1.4    
[13] classInt_0.4-11    knitr_1.51         htmlwidgets_1.6.4  tibble_3.3.0      
[17] units_1.0-0        DBI_1.2.3          pillar_1.11.1      RColorBrewer_1.1-3
[21] rlang_1.2.0        xfun_0.55          S7_0.2.1           otel_0.2.0        
[25] cli_3.6.6          withr_3.0.2        magrittr_2.0.4     class_7.3-23      
[29] digest_0.6.39      grid_4.5.2         lifecycle_1.0.5    vctrs_0.7.3       
[33] KernSmooth_2.23-26 proxy_0.4-28       evaluate_1.0.5     glue_1.8.0        
[37] farver_2.1.2       e1071_1.7-17       rmarkdown_2.30     tools_4.5.2       
[41] pkgconfig_2.0.3    htmltools_0.5.9