28 Segundos: La Medida Oculta de la Arquitectura Vertical

¿Por qué importa todo esto? Porque, al final, los elevadores no administran únicamente el flujo de personas; administran el tiempo que cada ocupante pierde o gana dentro del edificio.

En ese sentido, un experimento realizado en un edificio de oficinas encontró que el estrés de los usuarios se relaciona más con el tiempo que creen haber esperado que con el tiempo efectivamente transcurrido. A partir del modelo desarrollado, los autores estiman que la tensión percibida aumenta de forma importante cuando la espera ronda un minuto. El estudio también encontró que esperar genera más estrés que el propio recorrido y que la ocupación de la cabina incrementa la tensión percibida. En consecuencia, mejorar un sistema de elevadores también puede consistir en reducir la incertidumbre mediante información en tiempo real, indicadores del tiempo restante o incluso elementos tan simples como espejos.⁵

Los tiempos de espera no solo afectan a las personas. También tienen consecuencias económicas para los edificios. Un sistema de transporte vertical menos eficiente implica mayores costos de operación y mantenimiento, menor productividad de los ocupantes y, en última instancia, una menor capacidad del inmueble para generar valor. Parte de ese impacto se explica porque los elevadores normalmente representan entre el 2% y el 10% del consumo energético de un edificio, y hasta 40% durante los periodos de mayor demanda.⁶

En conjunto, estos hallazgos muestran que un elevador es mucho más que un medio de transporte dentro de un edificio. Es una infraestructura que condiciona simultáneamente la experiencia de los ocupantes, la eficiencia operativa y el desempeño económico del inmueble.

Para conocer más sobre el mercado de oficinas en México, visite SiiLA Market Analytics o escríbanos a contacto@siila.com.mx.

***

¹ Resultados obtenidos mediante un modelo lineal generalizado de Poisson con función de enlace logarítmica, estimado sobre una muestra de 157 edificios de oficinas de los mercados de Ciudad de México, Guadalajara, Monterrey y Querétaro, con información completa de área bruta rentable (ABR), número de pisos, año de entrega y número de elevadores. La utilización del modelo se justificó por la ausencia de sobredispersión relevante (índice de dispersión = 0.91). La especificación incluyó el logaritmo natural del ABR, el número de pisos, el año de entrega centrado en 2000 y la clase comercial del edificio (B como categoría de referencia). El ABR (p < 0.001) y el número de pisos (p < 0.001) mostraron asociaciones estadísticamente significativas con el número esperado de elevadores, mientras que la clasificación comercial no presentó coeficientes estadísticamente significativos (Clase A: p = 0.326; Clase A+: p = 0.300). Los errores estándar corresponden al estimador robusto HC3. Adicionalmente, se identificaron 14 observaciones potencialmente influyentes mediante la distancia de Cook (umbral = 4/n). La reestimación del modelo tras excluir dichas observaciones mantuvo las conclusiones principales, lo que respalda la robustez de los resultados.

² Liu, Dynamic Planning of Office Building Elevator Scheduling (2024); Choi, Cho y Bahn, An Energy-Efficient Elevator Operating System that Considers Sensor Information and Electricity Price Changes in Smart Green Buildings (2019); Pepyne y Cassandras, Optimal Dispatching Control for Elevator Systems During Uppeak Traffic (1997). Según estos estudios, la zonificación consiste en asignar grupos específicos de pisos a distintos elevadores; la anticipación de la demanda utiliza sensores para detectar la intención de uso antes de que el usuario presione el botón de llamada; y los algoritmos adaptativos de despacho ajustan continuamente la asignación de cabinas según el estado del sistema y el flujo de pasajeros para reducir los tiempos de espera y, en algunos casos, el consumo de energía.

³ Russell, Elevator Systems (2021).

⁴ Shi, Xu y Choi, Gaussian Analysis of the Elevator Traffic under the Typical Office Building (2024). Con base en datos monitoreados entre las 6:30 y las 18:30 horas, los autores identifican tres periodos principales de demanda (entrada, comida y salida), observando que el mayor volumen de tráfico ocurre durante el periodo de comida (136 pasajeros), por encima de la llegada matutina (113) y de la salida vespertina (108), debido a la coexistencia de flujos de salida y regreso. Asimismo, muestran que cada periodo está integrado por varios subpicos de corta duración y concluyen que la operación del sistema debe adaptarse continuamente al patrón de demanda predominante. El ajuste del modelo LS-SVM fue considerablemente mayor para el flujo de entrada (R² = 0.9786) que para el tráfico agregado del día (R² = 0.6345), lo que evidencia que los distintos tipos de demanda presentan grados de predictibilidad diferentes.

⁵ Shiomi, Kakio y Miyashita, How Long Is Too Long? Examining Waiting Times and Stress in Human-Elevator Interaction (2025).

⁶ Al-Kodmany, Tall Buildings and Elevators: A Review of Recent Technological Advances (2024).