Tfm-1860 Herrera Carrasco, Josã - 2

Trabajo Fin de Máster
Ingeniería de Caminos, Canales y Puertos
Evaluación de Modelos de Transporte mediante

datos abiertos y técnicas de Aprendizaje Automático
Autor: José Herrera Carrasco

Tutor: Luis Miguel Romero Pérez
Equation Chapter 1 Section 1
Dpto. Ingeniería y Ciencia de los Materiales y

del Transporte
Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2020
Trabajo Fin de Máster
Ingeniería de Caminos, Canales y Puertos
Evaluación de Modelos de Transporte mediante

datos abiertos y técnicas de Aprendizaje
Automático
Autor:
José Herrera Carrasco
Tutor:
Luis Miguel Romero Pérez
Profesor titular
Dpto. de Ingeniería y Ciencia de los Materiales y del Transporte

Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2020
iii
Trabajo Fin de Máster: Evaluación de Modelos de Transporte mediante datos abiertos y técnicas de
Aprendizaje Automático
Autor: José Herrera Carrasco
Tutor: Luís Miguel Romero Pérez
El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros:
Presidente:
Vocales:
Secretario:
Acuerdan otorgarle la calificación de:
Sevilla, 2020
El Secretario del Tribunal
v
A mis profesores
“Ya terminamos el puente que empezasteis a construir”
– Team Perú, God Level 2019 –
Por enseñarnos a crear y ayudar desde la humildad y la generosidad, nuestra verdadera vocación
“El león y el tigre son más fuertes que el lobo,
Pero el lobo nunca trabajará para el circo”
– Galinier Messi, “Regresando a casa” –
Prometo, no dejar nunca problema sin solución

“El que es gallo de verdad canta en todos los corrales”
– Skone, God Level 2019 –
A mi familia, a mis amigos

“Mi patria es mi familia y tres amigos
La tierra solamente es el suelo que piso”
– Toteking, “Sota, Caballo y yo” –
Por ellos, aprendí a resucitar, para levantarme todas y cada una de esas veces que caí
“Cara B, todo tiene una Cara B”
– SFDK, “Cara B” –
A la vida
“Si siempre hubiéramos sido felices, aún seriamos primitivos
Porque nadie avanza sin tener motivos”
– Ozelot, “Señuelo” –
A la que venimos a vivir

“Tengo estudio y un colchón
Tengo amigos, un montón
Tengo vino y un melón”
– Wos, “Melón Vino” –
vii
Resumen
Se realiza una recopilación de información de fuentes variadas que puedan aportar datos sobre temas de
movilidad o relacionados con ella. Estas fuentes de información de acceso público son las siguientes: Censo de
Población y Viviendas 2011, Atlas de Distribución de Renta en los Hogares, Catastro y Distribución Espacial
de la Población en Andalucía.
El ámbito de estudio es la ciudad de Sevilla. Para la recopilación de los datos se divide Sevilla en Zonas de
Análisis de Transporte, definida dicha zonificación en el Plan de Movilidad Urbana Sostenible (PMUS) del
municipio de Sevilla con fecha de enero de 2017.
Los objetivos principales que se llevan a cabo en este proyecto serán:
- Recopilación de información de datos de acceso público sobre temas de movilidad o relacionados con
ello en una base de datos amplia repartiendo dicha información en las Zonas de Análisis de Transporte.
- A partir de esta información recogida, se realiza modelos de reparto modal y de distribución de viajes.
- Búsqueda de otro utilidades o aplicaciones usando la información recogida como, por ejemplo, la
definición de los centroides de las zonas de transporte.
Por último, como ya se ha comentado, usando la información de la base de datos que hemos creado se llevan a
cabo los siguientes dos modelos de transporte:
- Modelos de reparto modal con Técnicas de Aprendizaje Automático o Machine Learning.
- Calculo de las matrices de Origen-Destino a nivel de zona de transporte para los distintos modos de
transporte.
ix
Abstract
A collection of information is made from various sources that can provide data on mobility issues or related to
it. These sources of public access information are the following: Censo de Población y Viviendas 2011, Atlas de
Distribución de Renta en los Hogares, Catastro and Distribución Espacial de la Población en Andalucía.
The scope of study is the city of Seville. Fort he data collection, Seville is divided intro Transport Analysis Zones
(TAZ), said zoning in the Plan de Movilidad Urbana Sostenible (PMUS) of the municipality of Seville dated
January 2017.
The main objectives that are carried out in this Project will be:
- Compilation of public access data information on mobility issues or related to it in a wide database
distributing said informacion in the Transport Analysis Zones.
- From this information collected, models of modal distribution and travel distribution are made.
- Search for other utilities or applications that use the information collected, such as, for example, the
definition of the centroids of the transport zones.
Finally, as already mentioned, using the information from the database that we created, the following two
transport models are carried out:
- Models of modal distribution with techniques of Machine Learning.
- Calculation of Origin-Destination matrices at the transport zone level for the different modes of
transport.
... -translation by google-
xi
Índice
Resumen ix
Abstract xi
Índice xiii
Índice de Tablas xvii
Índice de Figuras xix
1 Introducción 11
1.1. Objetivos 11
1.2. Ámbito de Estudio 12
1.3. Contenido del Estudio 13
2 Modelos de Generación – Atracción de Viajes y Modelos de Elección y Reparto Modal 14
2.1. Introducción 14
2.2. Modelos de Distribución de Viajes 15
2.2.1. Definiciones previas 15
2.2.2. Enfoques de distribución 16
2.2.3. Tipos de modelos 17
2.3. Modelos de Reparto Modal 17
2.3.1. Marco Teórico de los Modelos de Elección 17
2.3.2. Modelos de Elección Aplicados al Reparto Modal 19
3 Censo de Población y Viviendas 2011 20
3.1.1. Elementos claves de la operación censal 20
3.1.2. Objetivos 20
3.1.3. Aspectos básicos 21
3.1.4. Ámbito de los Censos 21
3.2. Información que aporta el Censo 2011 22
3.2.1. Tablas predefinidas 22
3.2.2. Sistemas avanzados de consultas 23
3.2.3. Indicadores para secciones censales y cartografía digitalizada 24
3.2.4. Indicadores para las celdas de 1 km2 y cartografía digitalizada 24
3.2.5. Fichero de Microdatos 24
3.3. Indicadores Secciones Censales 28
3.3.1. Fuentes de información 28
3.3.2. Creación de base de datos con variables de secciones censales 30
3.3.3. Indicadores para las celdas de 1 km2 31
3.4. Microdatos del Censo 32
3.4.1. Filtrado de Microdatos del Censo 32
3.4.2. Estudio Estadístico 32
4 Atlas de Distribución de Renta en los Hogares 65
4.1. Introdución 65
4.2. Proyecto Técnico. Atlas de Distribución de la Renta de los Hogares 66
4.2.1. Ámbito del proyecto 66
4.2.2. Indicadores elaborados 66
4.3. Tratamiento de la información y creación de la base de datos 67
4.3.1. Variable Población en Zonas de Análisis de Transporte 68
4.3.2. Variable Hogares en Zonas de Análisis de Transporte 68
4.3.3. Variable Renta Media en Zonas de Análisis de Transporte 69
xiii
4.3.4. Variable Fuente de ingresos (%) en Zonas de Análisis de Transporte 70
4.3.5. Indicadores demográficos en Zonas de Análisis de Transporte 71
4.3.6. Variables de porcentaje de población con ingresos por debajo de un umbral en Zonas de
Análisis de Transporte 72
4.3.7. Variables de porcentaje de población con ingresos por debajo de determinados umbrales
relativos en Zonas de Análisis de Transporte 72
4.3.8. Cartografía vectorial de los indicadores de la renta en las Zonas de Análisis de Transporte 72
5 Catastro 74
5.2. Información alfanumérica (formato CAT) 74
5.3. Cartografía vectorial (formato Shapefile) 75
5.4. Cartografía vectorial capa Ejes. Complemento de otras fuentes de información 76
5.5. Usos de suelos de las Parcelas Catastrales 80
5.6. Usos de parcelas catastrales a Zonas de Análisis de Transporte 82
5.7. Definición de los centroides de las Zonas de Análisis de Transporte 84
5.8. Otras utilidades de movilidad 87
5.8.1. Otros tipos de Centroides 87
5.8.2. Rótulo de alturas construidas 88
5.8.3. Coordenadas de situación de parcelas 90
6 Distribución Espacial de la Población en Andalucía 91
6.2. Datos espaciales en malla estadística (.shp) 92
6.3. Información como hoja de cálculo (.xls) 93
6.4. Registro de las variables 93
6.5. Información de la Distribución Espacial de la Población en Andalucía a las Zonas de Análisis de
Transporte TAZ 95
7 Zonas de Análisis de Transporte o TAZ 98
7.2. Base de datos en las Zonas de Análisis de Transporte TAZ 100
7.3. Censo de Población y Vivienda 2011 100
7.4. Atlas de Distribución de la Renta en los Hogares 100
7.5. Catastro 100
7.6. Distribución Espacial de la Población en Andalucía 100
8 Plan de Movilidad Urbana Sostenible del Municipio de Sevilla 101
8.2. Zonificación 102
8.3. Tratamiento de la información y elaboración de la base de datos en las zonas del PMUS 105
8.4. Movilidad urbana 109
9 Elaboración de Matrices de Origen-Destino 115
9.2. Metodología para la obtención de la matriz Origen-Destino a nivel de zonas de transporte 115
9.3. Resultados de las matrices Origen-Destino 120
10 Modelos de Reparto Modal con Técnicas de Aprendizaje Automático 121
10.2. Técnicas de Aprendizaje Automático o Machine Learning 121
10.2.1. Introducción 121
10.2.2. Marco Teórico y Terminología 122
10.2.3. Tipos de aprendizaje en Machine Learning 122
10.2.4. Entrenamiento 123
10.2.5. Representación. Atributos 125
10.3. Modelo de Reparto Modal con Machine Learning 126
10.3.1. Introducción 126
10.3.2. Classification Learner en Matlab 126
10.3.3. Preprocesado de datos y elaboración del modelo 130
10.3.4. Aplicación del modelo creado con nuevos datos 133
11 Resumen y Conclusiones 139
11.1. Fuentes de Información y Elaboración de la Base de Datos 139
11.2. Zonas de Análisis de Transporte del PMUS 142
11.3. Modelos de Distribución de Viajes y Reparto Modal 143
11.4. Análisis de la Evolución de la Población en Sevilla a través de Fuentes de Información Distintas 144
11.5. Líneas Futuras con la Información de la Base de Datos 145
DOCUMENTOS ANEXOS
BIBLIOGRAFÍA Y REFERENCIAS
Glosario
xv
ÍNDICE DE TABLAS
Tabla 3-1. Reparto de las respuestas de las encuestas sobre el modo de desplazamiento principal (MDESP1).
Fuente: Elaboración propia 33
Tabla 3-2. Comparación del reparto de modos de transporte entre el Censo de 2011 y Ameneiro, 2019 , del
Diario de Sevilla. Fuente: Elaboración propia y datos del Diario de Sevilla 34
Tabla 3-3. Reparto de las respuestas de las encuestas sobre el modo de desplazamiento complementario
(MDESP2). Fuente: Elaboración propia 35
Tabla 3-4. Tabla resultados de conteo en Concejal Jiménez Becerril-Glorieta Olímpica. Fuente: Estudio del
Modo de Transporte en Bicicleta. Planificación del Transporte – Máster Ingeniería de Caminos, Canales y
Puertos 37
Tabla 3-5. Reparto de la combinación de las variables MDESP1 y MDESP2. Fuente: Elaboración propia
38
Tabla 3-6. Reparto de las respuestas de las encuestas sobre los modos de desplazamiento por categorías. Fuente:
Elaboración propia 39
Tabla 3-7. Número de veces que se va a cada uno de los destinos en la ciudad de Sevilla y municipios de la
provincia. Fuente: Elaboración propia 40
Tabla 3-8. Número de veces que se va a cada uno de los destinos en la ciudad de Córdoba y municipios de la
provincia. Fuente: Elaboración propia 40
Tabla 3-9. Número de veces que se va a cada uno de los destinos de municipios de la provincia de Cádiz. Fuente:
Tabla 3-10. Número de veces que se va a cada uno de los destinos en la provincia de Málaga. Fuente: Elaboración
propia 41
Tabla 3-11. - Número de veces que se va a cada uno de los destinos en la ciudad de Jaén. Fuente: Elaboración
propia 41
Tabla 3-12. Número de veces que se va a cada uno de los destinos en la ciudad de Madrid y municipios de la
comunidad. Fuente: Elaboración propia 42
Tabla 3-13. Número de veces que se va a cada uno de los destinos en la provincia de Barcelona. Fuente:
Tabla 3-14. Número de veces que se va a cada uno de los destinos en otras ciudades y municipios. Fuente:
Tabla 3-15. Número de veces que se va a cada uno de los destinos en municipios de menos de 20.000 habitantes.
Tabla 3-16. Reparto de las respuestas de las encuestas sobre los destinos de los viajes en la ciudad de Sevilla.
Tabla 3-17. Viajes generados y atraídos por macrozona en la ciudad de Sevilla. Fuente: Plan de Movilidad
Urbana Sostenible de la ciudad de Sevilla 47
Tabla 3-18. Reparto de los destinos de los encuestados que van a provincias fuera de Sevilla. Fuente: Elaboración
propia 48
Tabla 3-19. Modo de transporte predominante en cada uno de los intervalos de edades definidos. Fuente:
Tabla 3-20. Personas que más usan un modo de transporte según la edad. Fuente: Elaboración propia 50
Tabla 3-21. Género de encuestado predominante en cada modo de trasporte. Fuente: Elaboración propia 52
xvii
Tabla 3-22. Modo de transporte que se emplea según disponibilidad de segunda vivienda. Fuente: Elaboración
propia 52
Tabla 3-23. Modo de Transporte que emplea según su Estado Civil. Fuente: Elaboración propia 54
Tabla 3-24. Modo de Transporte que emplea según realice tareas benéficas o voluntariados. Fuente: Elaboración
propia 55
Tabla 3-25. Modo de Transporte mayoritario según el número de hijos. Fuente: Elaboración propia 55
Tabla 3-26. Modo de Transporte mayoritario según su relación con la actividad. Fuente: Elaboración propia
57
Tabla 3-27. Modo de Transporte mayoritario según su tipo de jornada de trabajo. Fuente: Elaboración propia
58
Tabla 3-28. Modo de Transporte mayoritario según su situación profesional. Fuente: Elaboración propia 59
Tabla 3-29. Modo de Transporte mayoritario según el número de viajes. Fuente: Elaboración propia 60
Tabla 3-30. Modo de Transporte mayoritario según tiempo de desplazamiento. Fuente: Elaboración propia
61
Tabla 3-31. Modo de Transporte mayoritario según el régimen de tenencia de vivienda. Fuente: Elaboración
propia 63
Tabla 5-1. Usos de suelo de los bienes inmuebles. Fuente: Elaboración propia 81
Tabla 5-2. Nomenclatura subparcelas. Fuente: Sede Electrónica del Catastro 90
Tabla 6-1. Registro de las variables. Fuente: Instituto de Estadística y Cartografía de Andalucía. Junta de
Andalucía 94
Tabla 8-1. Definición de macrozonas. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
Ayuntamiento de Sevilla 104
Tabla 8-2. Matriz de viajes Generados-Atraídos según macrozonas. Fuente: Plan de Movilidad Urbana
Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla 110
Tabla 8-3. Matriz de viajes Generados-Atraídos según macrozonas. Viajes A pie. Fuente: Plan de Movilidad
Urbana Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla 110
Tabla 8-4. Matriz de viajes Generados-Atraídos según macrozonas. Viajes en Transporte Público. Fuente: Plan
de Movilidad Urbana Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla 111
Tabla 8-5. - Matriz de viajes Generados-Atraídos según macrozonas. Viajes en Vehículo Privado. Fuente: Plan
de Movilidad Urbana Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla 111
Tabla 8-6. Reparto modal según hora de comienzo del viaje. Fuente: Plan de Movilidad Urbana Sostenible del
municipio de Sevilla. Ayuntamiento de Sevilla 112
Tabla 8-7. Matriz de viajes Generados-Atraídos según macrozonas. Viajes en Bicicleta. Fuente: Elaboración
propia 113
Tabla 8-8. Matriz de viajes Generados-Atraídos según macrozonas. Viajes en otros modos. Fuente: Elaboración
propia 113
Tabla 10-1. Resultados del modelo de Machine Learnig realizado con valores de atributos aleatorios. Fuente:
Tabla 10-2. Figura. Resultados del modelo de Machine Learnig realizado con la información de las encuestas
realizada. Fuente: Elaboración propia 138
ÍNDICE DE FIGURAS
Figura 1-1. Situación del municipio de Sevilla (Sevilla). Fuente: Wikipedia 12

Figura 2-1. Estructura del Modelo clásico de cuatro etapas. Fuente: Complementos de Transporte y Servicios
Urbanos – Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla 15
Figura 2-2. Matriz de Origen-Destino. Fuente: Complementos de Transporte y Servicios Urbanos – Máster de
Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla 16
Figura 2-3. Ejemplo de la paradoja de Simpson. Renta vs Número de Viajes. Fuente: Complementos de
Transporte y Servicios Urbanos – Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de
Sevilla 18
Figura 3-1. Información del Censo de 2011 en la página web del Instituto Nacional de Estadística (INE). Fuente:
INE 22
Figura 3-2. Información en formato de tabla de la población del municipio de Sevilla. Fuente: INE 23
Figura 3-3. Visor de mapa del Censo de 2011 en el que se muestra el municipio de Sevilla. Fuente: INE 24
Figura 3-4. Indicador t1_1: Población total. Secciones Censales. Fuente: Elaboración propia 29
Figura 3-5. Indicador t1_1: Población total. Zonas de Transporte TAZ. Fuente: Elaboración propia 31
Figura 3-6. Reparto en % de modos de desplazamiento principal (MDEPS1). Fuente: Elaboración propia
33
Figura 3-7. Reparto % de viajeros en 2012 según modo de transporte. Fuente: TFM “Estudio del estado de la
movilidad de Sevilla y propuesta de una hipotética implantación de un PPT en la futura sede laboral Torre Pelli
como ejemplo a seguir con el fin de mejorar el modelo de sostenibilidad vial de la ciudad” de Carapeto Díaz,
2018/19. 34
Figura 3-8. Reparto en % de modos de desplazamiento complementario (MDESP2). Fuente: Elaboración propia
35
Figura 3-9. Estación de bicicletas Sevici. Fuente: Wikipedia 36
Figura 3-10. Motos eléctricas de alquiler aparcadas en las calles de Sevilla. Fuente: ABC Sevilla 36
Figura 3-11. Patinetes eléctricos en el centro de Sevilla. Fuente: ABC Sevilla 37
Figura 3-12. Reparto en % de modos de desplazamiento por categorías. Fuente: Elaboración propia 39
Figura 3-13. Distribución de los destinos de los viajes totales del estudio estadístico. Fuente: Elaboración propia
44
Figura 3-14. Reparto en % de los destinos de los viajes en la ciudad de Sevilla. Fuente: Elaboración propia
45
Figura 3-15. Los datos de la Encuesta de Movilidad de Sevilla / DEPARTAMENTO DE INFOGRAFÍA
(Sevilla). Fuente: Diario de Sevilla 46
Figura 3-16. Reparto en % de los destinos de los viajes entre las provincias fuera de Sevilla. Fuente: Elaboración
propia 48
Figura 3-17. Reparto en % de los modos de transporte que usan los encuestados según la edad. Fuente:
Figura 3-18. Reparto en % de los rangos de edades que emplean cada transporte público. Fuente: Elaboración
propia 50
Figura 3-19. Reparto en % de los modos de transporte que usan los encuestados según el sexo. Fuente:
xix
Figura 3-20. Para cada modo de transporte como es el reparto de % de encuestados según el género. Fuente:
Figura 3-21. Reparto en % de los modos de transporte que usan los encuestados según la disponibilidad de
segunda vivienda. Fuente: Elaboración propia 52
Figura 3-22. Reparto en % de los modos de transporte que usan los encuestados según su Estado Civil. Fuente:
Figura 3-23. Reparto en % de los modos de transporte que usan las personas que realizan o no tareas benéficas
y voluntariados. Fuente: Elaboración propia 54
Figura 3-24. Reparto en % de los modos de transporte en función del número de hijos. Fuente: Elaboración
propia 55
Figura 3-25. Reparto en % de los modos de transporte en función de su relación con la actividad. Fuente:
Figura 3-26. Reparto en % de los modos de transporte en función del tipo de jornada de trabajo. Fuente:
Figura 3-27. Reparto en % de los modos de transporte en función de la situación profesional. Fuente: Elaboración
propia 58
Figura 3-28. Reparto en % de los modos de transporte en función del número de viaje que dan. Fuente:
Figura 3-29. Reparto en % de los modos de transporte en función del tiempo que tardan en un desplazamiento.
Figura 3-30. Reparto en % de los modos de transporte en función del régimen de tenencia de vivienda. Fuente:
Figura 4-1. Mapa de la renta de los españoles. Municipio de Sevilla. Fuente: El País 66
Figura 4-2. Ejemplo de intersección de secciones censales con el TAZ. Fuente: Elaboración propia 68
Figura 4-3. Renta media por persona. Zonas de Análisis de Transporte TAZ. Fuente: Elaboración propia 73
Figura 5-1. Capa Ejes en la ciudad de Sevilla. Fuente: Sede Electrónica del Catastro 77
Figura 5-2. Capa EJES con el campo DENOMINA. Fuente: Elaboración propia 78
Figura 5-3. Ejes lineales del CATASTRO y Red de Carreteras del DERA. Fuente: Elaboración propia 79
Figura 5-4. Ejes lineales del CATASTRO y Carriles bicis del DERA. Fuente: Elaboración propia 80
Figura 5-5. Convertir entidad poligonal a punto con herramientas GIS. Fuente: Elaboración propia 82
Figura 5-6. Uso prioritario. Zonas de Análisis de Transporte TAZ. Fuente: Elaboración propia 84
Figura 5-7. Zonas de Análisis de Transporte del PMUS y puntos de localización de las parcelas catastrales.
Figura 5-8. Centroides de las Zonas de Análisis de Transporte del PMUS. Fuente: Elaboración propia 86
Figura 5-9. Ejemplo de definición de centroide en la zona de transporte 131. Fuente: Elaboración propia 87
Figura 5-10. Centroides de suelo de naturaleza urbana. Fuente: Elaboración propia 88
Figura 6-1. Visor de mapa de Andalucía. Fuente: Instituto de Estadística y Cartografía de Andalucía. Junta de
Andalucía 91
Figura 6-2. Celdas 250 x 250 m en la ciudad de Sevilla. Fuente: Elaboración propia 92
Figura 6-3. Población Total. Celdas. Celdas de la Distribución Espacial de la Población en Andalucía. Fuente:
Figura 6-4. Población Total. Celdas. Zonas de transporte TAZ. Fuente: Elaboración propia 97
Figura 7-1. Zona de Análisis de Transporte o TAZ. Fuente: Tema de Complementos del Transporte y Servicios
Urbanos del Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla 98
Figura 7-2. Diferentes niveles de Zonas de Transporte. Fuente: “Evaluación de la accesibilidad al transporte
público en Sevilla mediante simulaciones macroscópicas”. Javier Fernández de Tejada. TFG Universidad de
Sevilla 99
Figura 7-3. Zonas de Transporte en el municipio de Sevilla. Fuente: Elaboración propia 99
Figura 8-1. Pirámide de la movilidad. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
Figura 8-2. Zonas de Transporte. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
Figura 8-3. Macrozonas. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla. Ayuntamiento
de Sevilla 104
Figura 8-4. Zonas y macrozonas del PMUS. Fuente: Elaboración propia 105
Figura 8-5. Indicador t1_1: Población total. Zonas de Transporte PMUS. Fuente: Elaboración propia 106
Figura 8-6. Renta media por persona. Zonas de transporte PMUS. Fuente: Elaboración propia 107
Figura 8-7. Uso prioritario. Zonas de Transporte PMUS. Fuente: Elaboración propia 108
Figura 8-8. Población total. Zonas de Transporte PMUS. Fuente: Elaboración propia 109
Figura 9-1. Matriz de Origen-Destino Tij de viajes a nivel de zonas de transporte. Fuente: Complementos del
Transporte y Servicios Urbanos. Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de
Sevilla 116
Figura 9-2. Matriz de Origen-Destino Sij de viajes a nivel de macrozonas. Fuente: Elaboración propia 116
Figura 9-3. Método de Furness. Fuente: Complementos del Transporte y Servicios Urbanos. Máster de
Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla 119
Figura 9-4. Transformación de la matriz Tij en formato matricial a formato de psuedovector. Fuente: Elaboración
propia 119
Figura 10-1. División de un único conjunto de datos en un conjunto de entrenamiento y uno de prueba. Fuente:
https://developers.google.com/machine-learning/crash-course/prereqs-and-prework 123
Figura 10-2. Flujo de trabajo posible en un modelo con dos particiones. Fuente:
Figura 10-3. División de un único conjunto de datos en tres subconjuntos. Fuente:
Figura 10-4. Flujo de trabajo empleando tres subconjuntos de datos. Fuente:
Figura 10-5. Diagrama de flujo de trabajo en Classication Learner de Matlab. Fuente: MathWorks 126
Figura 10-6. Pantalla New Session del Classication Learner. Fuente: Matlab 127
Figura 10-7. Entorno del Classication Learner tras el entrenamiento del conjunto de datos. Fuente: Matlab
129
Figura 10-8. Exportar modelo del Classification Learner. Fuente: Matlab 129
Figura 10-9. Matriz de confusión Ensemble Classifiers. Subspace Discriminant. Fuente: Elaboración propia en
Matlab 132
Figura 10-10. Matriz de confusión Decision Trees. Complex Tree. Fuente: Elaboración propia en Matlab
132
Figura 11-1. Evolución de la Población, Sevilla y el resto de aglomeración urbana periodo 1996-2017. Fuente:
Plan de Movilidad Urbana Sostenible del municipio de Sevilla 144
xxi
1 INTRODUCCIÓN
En este documento se describe toda la investigación sobre el Trabajo Fin de Máster con título “Evaluación de
Modelos de Transporte mediante datos abiertos y técnicas de Aprendizaje Automático”.
El objetivo que se propone con este trabajo es el siguiente: “El alumno analizará y evaluará distintas fuentes de
información de acceso público para la creación de una base de datos que pueda ser empleada para la creación
de modelos de transporte u otros campos que se estimen oportunos”.
Este proyecto ha sido tutelado por el profesor Luis Miguel Romero Pérez, del departamento de Ingeniería y
Ciencia de los Materiales y del Transporte de la Escuela Técnica Superior de Ingeniería.
1.1. Objetivos
En primer lugar, se hace una investigación en distintas fuentes de información para sacar la mayor información
posible que nos pueda servir para realizar estudios sobre movilidad. Se pretende buscar en encuestas a las
personas, censos donde se hagan recuentos de población de diversas variables e incluso acudir a artículos para
contrastar las distintas fuentes. Con esto se pretende estudiar las variables de movilidad que tengamos y
relacionarlas con otras variables si es posible.
Durante este proyecto se ha acudido a las siguientes fuentes y bases de datos:
 Estudios censales, concretamente el Censo de 2011, dónde encontramos una base de datos de
indicadores censales y ficheros de microdatos sobre encuestas a una determinada muestra de la
población.
 Sede Electrónica del Catastro, extrayendo información a diversos niveles, pero nos centraremos en las
parcelas catastrales.
 El Instituto Nacional de Estadística (INE) nos aporta también el Atlas de Distribución de Renta de los
Hogares.
 Del Instituto de Estadística y Cartografía de Andalucía (IECA) empleamos la información de los
mapas de Distribución Espacial de Andalucía, dónde tenemos distintas variables, pero a nivel de malla
de celdas de 250 metros de lado.
 También se emplea referencias gráficas de los Datos Espaciales de Referencia de Andalucía (DERA).
 Del Instituto Geográfico Nacional (IGN) se empleará alguna información gráfica, como por ejemplo
las ortofotos del PNOA de Máxima Actualidad.
 Por último, también se acude a artículos de investigación y periodísticos, a otros trabajos
universitarios y a diversos documentos, con el fin de contrastar toda esta información que se va a
recoger.
Por lo tanto, una vez recogida toda esta información se procede a realizar las siguientes operaciones con el fin
de llegar a conclusiones que sean de interés sobre temas de movilidad. Las acciones realizadas fueron las
siguientes:
 Formar una base de datos amplia, de unas fuentes de información variada para emplearla en los
diversos estudios que se llevarán a cabo.
 Estudiar las variables de movilidad que se disponga y buscar correlación con otras variables de
diversas temáticas. Para ello una opción será llevar a cabo estudios estadísticos.
 Completar unas fuentes de información que tengan carencias, con información de otras bases de
datos, para así hacerlas más completas.
 Traspasar información que tengamos a nivel de sección censal, códigos postales y parcelas catastrales
a nivel de zona de análisis de transporte. Este será el nivel de estudio que trabajaremos en los modelos
finales que realicemos.
12
Introducción
 Una vez se tenga toda la información, se concluirá el trabajo realizando algún Modelo de Reparto
Modal o de Distribución de Viajes, ya sea un modelo de Machine Learning (Aprendizaje Automático)
o crear unas matrices de Origen-Destino que sean de interés.
 Por último, se plasmará una lista con las conclusiones más importantes que se hayan sacado durante
esta investigación.
Durante la elaboración de este proyecto se produjo la publicación de un nuevo Plan de Movilidad Urbana
Sostenible (PMUS) por parte del Ayuntamiento de Sevilla. Este Plan realiza un cambio en las zonas de transporte
que eran distintas a las que ya teniámos al iniciar este estudio. Por lo que se vuelve a realizar todo el
procedimiento que se llevo a cabo con las zonas antiguas en estas nuevas zonas para así tener la misma
información en ellas. Este trabajo no ha sido laborioso debido a que las herramientas de programación empleadas
eras las mismas que para las otras zonas, pudiendo utilizarse para cualquier tipo de zonificación siempre y
cuando sea del municipio de Sevilla.
Además, de este plan también se extraerá otro tipo de información desde el punto de vista de la generación y
atracción de viajes y del reparto de modos de transporte para la creación de matrices de generación y atracción
de viajes como ya se explicará en este proyecto.
1.2. Ámbito de Estudio

Las variables que se investigan y los modelos que se van a realizar se analizarán a nivel del municipio de Sevilla
(Sevilla). Algunas veces tendremos algunas variables que incluya otras localizaciones, y también de vez en
cuando se incluirá las poblaciones del Aljarafe Sevillano para buscar alguna información de interés.
Figura 1-1. Situación del municipio de Sevilla (Sevilla). Fuente: Wikipedia

Posteriormente, para la realización de los modelos, las distintas bases de datos de información se repartieron
entre las zonas de análisis de transporte o TAZ en que se divide el municipio de Sevilla. Esta división fue
aportada por el tutor.
Como ya se ha comentado, con el nuevo PMUS, publicado en el transcurso de este trabajo, se cambió esta
zonificación, por lo que se realiza el mismo procedimiento de elaboración de base de datos para estas nuevas
zonas.
Anteriormente a esto, obviamente se recopiló toda la información de interés a nivel de sección censal, de código
postal, parcelas catastrales o celdas de diversa magnitud, con la cual se hizo el reparto al nivel de zonas de
transporte. Para ello se ha realizado funciones de programación con el software Matlab.
12
1.3. Contenido del Estudio
Los distintos apartados que se desarrollan seguidamente en este proyecto serán los siguientes:
 Descripción teórica de los modelos de elección y reparto modal y de distribución de viajes
 Censo de Población y Viviendas 2011
 Atlas de Distribución de la Renta en los Hogares
 Catastro
 Distribución Espacial de la Población en Andalucía
 Zonas de Análisis de Transporte o TAZ
 Plan de Movilidad Urbana Sostenible del municipio de Sevilla
 Elaboración de matrices de Generación y Atracción
 Modelos de Reparto Modal con Técnicas de Aprendizaje Automático
 Resumen y conclusiones del estudio llevado a cabo en este documento
13
14
Modelos de Generación – Atracción de Viajes y Modelos de Elección y Reparto
Modal
2 MODELOS DE GENERACIÓN – ATRACCIÓN DE

VIAJES Y MODELOS DE ELECCIÓN Y REPARTO
MODAL
2.1. Introducción
La planificación del transporte es el proceso por el que se realiza estudios y análisis de la demanda presente y
futura de movilidad de un territorio. Con este análisis se persigue identificar los problemas a los que se enfrenta
la movilidad en la región de análisis, así como diseñar y crear las soluciones que optimicen el sistema de
transporte y los recursos existentes para atender a la demanda de movilidad de una forma sostenible.
El transporte es un servicio y no un fin o mercancía que se pueda almacenar. Los usuarios utilizan el sistema de
transporte para alcanzar sus respectivos destinos y así satisfacer en ellos ciertas necesidades (estudio, trabajo,
compras, ocio, …), que suponen el motivo del viaje. El sistema de transporte lo constituyen los vehículos
(barcos, coches, autobuses, trenes, bicicletas…), las infraestructuras (carreteras, aparcamientos, vías de tren,
estaciones, carriles bici, aparca-bici…), los sistemas de control (semáforos, paneles de información variables…)
y de organización (tarifas y horarios).
Un buen sistema de transporte facilita la satisfacción de dichas necesidades, mientras que un sistema
congestionado limitará la movilidad y por tanto el desarrollo económico y social de la región. Para conseguir la
eficiencia del sistema de transporte se requiere de forma continua la toma de decisiones, para lo cual se necesita
un conocimiento de los posibles impactos de las decisiones consideradas.
Para la toma de estas decisiones del proceso de planificación de transporte los modelos de transporte constituirán
la herramienta fundamental para ello. Los modelos de transporte son usados en la definición y diseño de políticas
de transporte, cuantificando sus resultados y evaluando alternativas. También pueden servir como instrumentos
para obtener los diseños adecuados de ciertos parámetros del sistema para obtener un óptimo de eficiencia
atendiendo a algún criterio a definir.
Cuando se analiza un sistema de transporte hay que identificar los elementos que lo componen y las relaciones
entre ellos. Esto supone los siguientes pasos:
 Identificación de las dimensiones espaciales relevantes:
o Definición del área de estudio
o Zonificación
o Modelización de la red de transporte
 Identificación de las dimensiones temporales relevantes:
o Definición del horizonte de estudio
o Hipótesis y metodologías para la estimación de la evolución de las variables implicadas
o Estudio de variabilidad de los parámetros del sistema en el periodo de estudio
 Identificación de las componentes relevantes de la demanda de viajes
Por último, estos modelos de transporte tienen una estructura clásica denominada modelo de cuatro etapas.
Seguidamente se adjunta un esquema del mismo.
14
Figura 2-1. Estructura del Modelo clásico de cuatro etapas. Fuente: Complementos de Transporte y Servicios
Urbanos – Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla
En este estudio, a partir de la base de datos que se recopilará de las distintas fuentes de información, se creará
distintos modelos basados en la Distribución de viajes (Matrices Origen-Destino) y en el Reparto modal, dos de
las etapas que se muestran en la Figura 2-1.
2.2. Modelos de Distribución de Viajes

La etapa de Distribución permite estimar el número de viajes realizados durante un determinado período entre
las distintas zonas del sistema que se analice.
En el siguiente apartado se hace una breve descripción de esta etapa elegida.
2.2.1. Definiciones previas

Matriz Origen-Destino de viajes: Cada elemento de la matriz Tij indica el flujo de viajes entre el par Origen i /
Destino j. El sumatorio de los elementos de una fila genérica i indica los viajes originados en la zona i. El
sumatorio de los elementos de una columna genérica j indica el número de viajes que tienen como destino la
zona j.
15
16
Modal
Figura 2-2. Matriz de Origen-Destino. Fuente: Complementos de Transporte y Servicios Urbanos – Máster de
Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla
La etapa de distribución tiene como objetivo estimar una matriz Origen-Destino que reproduzca las estimaciones
de los modelos de Generación-Atracción. El problema así planteado no tiene solución única por lo que habría
que especificar algún criterio adicional. Usualmente se impone alguna propiedad relacionada con el coste
generalizado del transporte, que es el sumatorio de todos los costes (monetarios y no monetarios) de un viaje.
Los costes monetarios de un viaje son por ejemplo la tarifa del billete de trasnporte público y el peaje,
combustible, estacionamiento en transporte privado. Los costos no-monetarios hacen referencia al tiempo
gastado llevando a cabo el viaje, tanto el tiempo de viaje como los tiempos de acceso, espera y dispersión
asociados al modo de transporte. Tiempo y coste deben homogeneizarse para que estén expresados en las
mismas unidades, y suelen utilizarse el valor del tiempo para transformar los tiempos en dinero.
Una expresión típica para recoger los aspectos más usuales del costo generalizado del transporte en un
determinado modo sería:
viaje
Cij = a1 t ij + a2 t w t
ij + a 3 t ij + a 4 t nij + a 5 Fij + a 6 φj + δ
Donde aparecen las siguientes magnitudes:

𝑣𝑖𝑎𝑗𝑒
𝑡𝑖𝑗 tiempo de viaje a bordo del vehículo para ir de i a j
𝑤
𝑡𝑖𝑗 tiempo andando hacia y desde la parada o estacionamiento
𝑡
𝑡𝑖𝑗 tiempo de espera en la parada o búsqueda de aparcamiento
𝑡𝑛𝑖𝑗 tiempo transbordo
𝐹𝑖𝑗 tarifa para ir de i a j
𝜑𝑗 coste terminal por llegar a j (normalmente aparcamiento)
𝛿 coste de los demás conceptos no considerados: seguridad, confort…
2.2.2. Enfoques de distribución

Existen varios enfoques de modelación para estimar la matriz dentro de una determinada área de estudio.
 Encuestas de viajes: muchas celdas vacías y muy costosas.
 Métodos de Factor de Crecimiento: consideran que se dispone de una matriz de viajes obtenida de un
estudio previo.
o Factor Uniforme: todos los elementos de la matriz crecen a la misma tasa
o Factores de Crecimiento Acotado: cada celda de la matriz crece de acuerdo a información sobre
16
generación y atracción de viajes de la zona
 Método de Furness: Parte de una matriz previa conocida de un escenario base, pero también se conocen
del escenario futuro tanto el vector de viajes originados como el de viajes destinados.
 Método Gravitacional: Se define una función de impedancia o de Resistencia al viaje según la distancia
o coste.
 Modelo de Maximización de Entropía: El objetivo de la máxima entropía es generar distribuciones de
probabilidad con información dada. De forma más exacta, entre todas las distribuciones de probabilidad
que son factibles en un conjunto finito de estados bajo cierto tipo de información, se desea encontrar la
que soporte mayor nivel de incertidumbre.
La expresión de la entropía es la siguiente;
T! T!
N= =
t1 ! t 2 ! t 3 ! … ∏ j tj!
2.2.3. Tipos de modelos

Los modelos se diferencian según estas tres situaciones:
- Doblemente acotado (restricciones tanto en los origenes como en los destinos)
- Simplemente acotado en los origines
- Simplemente acotado en los destinos
2.3. Modelos de Reparto Modal

El reparto modal es el porcentaje de viajeros que usan un modo de transporte, o bien de la cantidad de viajes
realizada en este modo. En el transporte de mercancías, esto puede medirse con arreglo a la masa transportada.
Al igual que se hizo en el apartado anterior se aporta una breve descripción teórica de esta etapa.
2.3.1. Marco Teórico de los Modelos de Elección

En todo momento nos enfrentamos a situaciones en las que tenemos que decantarnos por una alternativa entre
un conjunto de posibilidades (de qué asignatura matricularse, dónde ir de vacaciones, etc.). Se podría hablar de
forma genérica de un agente que se enfrenta a un problema de seleccionar la mejor alternativa entre un conjunto
discreto de opciones.
En el ámbito del transporte esto también es así, y las decisiones que tiene que tomar continuamente el viajero
son, por ejemplo: a dónde ir, que ruta debe usar, cuál es el modo de transporte más conveniente para su viaje, a
qué hora del día debe iniciar su viaje, etc.
Es de gran utilidad tener un modelo que sea capaz de anticipar las decisiones de los agentes ante un escenario
de decisión hipotético o futuro. En el ámbito de la planificación del transporte estos modelos son de gran
importancia para la estimación del reparto de los viajes estimados para un escenario futuro entre los diferentes
modos de transporte.
En estos modelos de elección existe un conjunto de elección de alternativas disponibles que deberán reunir las
siguientes características para poder utilizarlos:
 Mutuamente excluyentes
 Exhaustivo
 Conjunto de elección finito
Cada individuo q asocia a cada alternativa j una utilidad percibida Ujq. Asigna dicha utilidad teniendo en cuenta
una serie de características tanto suyas propias como de la alternativa j. El comportamiento del individuo puede
resumirse en que trata de maximizar su utilidad, seleccionando aquella alternativa que más beneficios o utilidad
17
18
Modal
le reporte. El modelo de conducta supuesto implica que el individuo q escoge la alternativa i si y solo si Uiq >
Ujq para cualquier j ≠ i.
Sin embargo, el modelador, que es un observador del sistema y que no cuenta con toda la información que lleva
a cada individuo a realizar sus elecciones, tiene que procurar cuantificar dicha utilidad en términos objetivos.
Por ello considera que la utilidad de la alternativa j para un individuo q determinado, Ujq, está formada por dos
componentes, respondiendo a la siguiente expresión:
Ujq = Vjq + εjq
Siendo:
 𝑉𝑗𝑞 la parte medible por el observador y por tanto determinista, que se expresa en función de una serie
de atributos
 𝜀𝑗𝑞 una componente aleatoria que representa la idiosincrasia y/o gustos o preferencias de cada
individuo, incluyendo también los errores de medición y observación que pueda cometer el modelador
No se conocen los errores, pero sí se puede suponer que responden a una función de distribución de probabilidad
determinada y estimar probabilidades.
Los Modelos de elección discreta son modelos desagregados. Cada individuo representa una observación (un
punto en las gráficas). La aplicación del modelo sí puede dar lugar a resultados agregados.
Los Modelos desagregados están menos expuestos a distorsiones debidas a correlaciones entre unidades
agregadas. Cuando se agrega información puede ocultarse el comportamiento individual por características no
identificadas asociadas a las zonas. Este problema es conocido como falacia ecológica. La Figura 2-3 muestra
una gráfica con un ejemplo de la paradoja de Simpson. En las dos zonas, azul y naranja, se observa una tendencia
creciente a un mayor número de viajes en vehículo privado conforme aumenta el nivel de renta. Sin embargo,
esa tendencia es más acentuada en la zona azul, que tendrá unas características específicas que los promuevan.
Haciendo un modelo conjunto con los datos agregados por zonas se obtiene un resultado contrario al fenómeno
real, cuanto mayor es el nivel de renta, menor número de viajes.
Figura 2-3. Ejemplo de la paradoja de Simpson. Renta vs Número de Viajes. Fuente: Complementos de
Transporte y Servicios Urbanos – Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de
Sevilla
18
2.3.2. Modelos de Elección Aplicados al Reparto Modal
El objetivo de los modelos de reparto modal es expresar pi (la probabilidad de elegir la alternativa i) en función
de una serie de atributos o variables de los usuarios (variables endógenas) y de variables características de la
alternativa, o sea del modo de transporte (variables exógenas).
El resultado sería cuantificar el reparto modal en función de dichas variables y hacer análisis del mismo para
diferentes escenarios.
En principio la forma concreta en la cual la utilidad depende de los atributos deber ser también asumida como
hipótesis. La forma funcional más habitual en los modelos de elección es la que supone que la utilidad varía
linealmente con los atributos, entonces:
mi
Vi = ∑ θik X ik
k=1
Donde
 𝑚𝑖 = número de atributos o variables de la alternativa i
 𝜃𝑖𝑘 = coeficiente del atributo k de la alternativa i
 𝑋𝑖𝑘 = variable k de la alternativa i
19
20
Censo de Población y Viviendas 2011
3 CENSO DE POBLACIÓN Y VIVIENDAS 2011

3.1. Introducción
Los Censos Demográficos son el proyecto estadístico de mayor envergadura que periódicamente debe acometer
la oficina de estadística de cualquier país.
Bajo la denominación de Censos Demográficos se engloban en realidad tres censos diferentes: el Censo de
Población, el Censo de Viviendas y el Censo de Edificios. De los tres, el Censo de Población es el de mayor
repercusión y el de más amplia tradición.
El primer censo moderno de población, entendido como tal que utiliza a la persona como unidad de análisis, se
realizó en España en 1768 por el Conde de Aranda bajo el reinado de Carlos III. También son de destacar por
su interés el Censo efectuado en 1787 por Floridablanca y el realizado diez años más tarde por Godoy en tiempos
de Carlos IV.
No obstante, la serie de censos de la organización estadística oficial se inicia en 1857 con el primero de la
Comisión General de Estadísticas del Reino, al que siguió, en un lapso inusualmente corto, el de 1860. Después
vinieron los de 1877, 1887 y 1897. A partir de 1900 ha habido Censo de Población cada diez año sin excepción
alguna.
El Censo de Población de 2011 que se usa en este documento es el decimoséptimo de los Censos oficiales
realizados en España.
3.1.1. Elementos claves de la operación censal

El Censo de Población y Viviendas 2011 se plantea como una operación basada en la combinación de los
siguientes elementos:
 Un “fichero precensal” realizado a partir de un aprovechamiento máximo de los registros
administrativo disponibles, tomando al Padrón como elemento básico de su estructura.
 Un trabajo de campo que incluye dos grandes operaciones:
o Un Censo de Edificios exhaustivo que permita la georreferenciación de todos los edificios y
conocer sus características.
o Una gran encuesta por muestreo, dirigida a un porcentaje relativamente alto de la población
para conocer el resto de características de las personas y las viviendas. Esto último es lo que
va ser más de utilidad en el estudio que se pretende hacer sobre reparto modal.
3.1.2. Objetivos
Los principales objetivos de la operación censal son:
- Determinar con precisión la estructura básica de la población y su desagregación territorial para
comunidades autónomas, provincias y municipios.
- Aportar información de las variables sociales y demográficas suficientemente desagregadas
territorialmente, para así tener bien caracterizada la población, viviendas y edificios.
- Aportar un conjunto suficiente de información para todos los municipios con independencia de su
tamaño de población, con el objetivo de haber información disponible para municipios pequeños.
- Aportar suficiente información para colectivos de personas, viviendas o edificios que constituyen
subpoblaciones de municipios medianos o grandes.
- Georreferenciación de la información aportando coordenadas geográficas de los edificios.
- Potenciar el uso de información de registros administrativos para mejorar la calidad de la operación
censal y sentar las bases de su aprovechamiento como fuente de datos estadísticos.
20
- Disponer de un directorio territorial exhaustivo que extienda los ya disponibles en el INE hasta el
nivel de vivienda.
- Facilitar a los hogares la aportación de la información, abriendo varios canales (Internet, correo o
entrevista personal) para que puedan decidir por cual de los métodos disponibles desean proporcionar
los datos.
- Establecer una organización de recogida de datos suficiente para afrontar los trabajos previstos y
sostenible en términos de control de la calidad del trabajo.
- Potenciar la difusión censal añadiendo nuevas herramientas para el análisis de la información censal.
3.1.3. Aspectos básicos

El Censo de Población se define como el conjunto de operaciones que consisten en recopilar, resumir, valorar,
analizar y publicar los datos de carácter demográfico, cultural, económico y social de los habitantes del país y
sus divisiones político-administrativas referidos a un momento dado. Esta operación va dirigida a las personas
que residen en viviendas (ya sean viviendas familiares o alojamientos) o en establecimientos colectivos (hoteles,
residencias, asilos…).
El Censo de Viviendas es el conjunto de operaciones a recopilar, resumir, valorar, analizar y publicar los datos
relativos a los lugares destinados a habitación humana que han sido concebidos como tales (viviendas familiares
y colectivas) y a enumerar aquellos que, no habiendo sido concebidos para este fin, tiene sin embargo ese uso
(alojamientos).
3.1.4. Ámbito de los Censos

Ámbito poblacional de los Censos
En el Censo de Población se incluyen las personas, de cualquier nacionalidad, que tienen fijada su residencia
habitual en el territorio nacional.
Con el fin de hacer comparables las cifras españolas de población con las de otros países y de acuerdo con las
recomendaciones internacionales, se incluyen:
 El personal diplomático y otros funcionarios españoles y sus familiares, con destino oficial en el
extranjero.
 El personal español de la marina mercante, de los barcos de pesca y de la navegación aérea que se
encuentren fuera del territorio español en la fecha censal.
 Los españoles residentes que estén trabajando temporalmente en el extranjero.
 Los extranjeros residentes, aunque estén temporalmente en el extranjero.
Se estudia también a las personas sin hogar. La información relativa a las personas sin hogar se obtiene a partir
de las viviendas colectivas en las que estas personas se encuentren empadronadas o bien de los servicios sociales
que les atienden.
Por lo que se refiere al Censo de Viviendas, su ámbito poblacional abarca a las viviendas y a los establecimientos
colectivos. Se consideran viviendas a todos los recintos destinados a habitación humana, que son las viviendas
familiares, y aquellos otros que sin tener esa finalidad están efectivamente habitados en la fecha del Censo,
denominados alojamientos.
No se incluyen en este Censo las viviendas en construcción, a no ser que estén habitadas en el momento censal.
Sí se incluyen aquellas cuya terminación esté pendiente de ligeros detalles por lo que podrían ya ocuparse.
Tampoco se incluyen aquellas viviendas que se estén demoliendo o estén vacías por haber sido declaradas en
estado ruinoso.
Finalmente, el ámbito poblacional del Censo de Edificios está constituido por todos los edificios del territorio
nacional (con independencia de su uso principal) que estén terminados y contengan alguna vivienda, con
enumeración de los inmuebles situados en ellos.
21
22
Ámbito geográfico de los Censos

La investigación se extiende a todo el territorio español.
Ámbito temporal de los Censos
El recuento de los habitantes y de las viviendas se debe hacer con referencia a la fecha censal y las características
de los mismos se refieren, bien a ésta o bien a un período de tiempo perfectamente definido para cada una de
ellas. Los períodos de referencias censales son:
 Fecha de referencia y momento censal. La fecha de referencia es el día 1 de noviembre de 2011.
 La semana de referencia de las características relativas a la actividad económica es la inmediatamente
anterior a la fecha censal.
 Otros períodos de referencia. Para las características relativas a migraciones, población vinculada, etc.,
los datos se recogerán con referencia a determinados periodos de tiempo que se especifican en las
variables correspondientes.
3.2. Información que aporta el Censo 2011

En este apartado se va describir los productos de difusión del Censo que contiene los resultados del mismo. Nos
centraremos algo más en aquellos que se de especial interés para el objetivo de este proyecto, o para otros
estudios de movilidad.
Toda la información se encuentra recogida en el siguiente enlace:
https://www.ine.es/censos2011_datos/cen11_datos_resultados.htm
Figura 3-1. Información del Censo de 2011 en la página web del Instituto Nacional de Estadística (INE).
Fuente: INE
Seguidamente se va ir comentando el contenido de cada apartado.
3.2.1. Tablas predefinidas

Se difunden una serie de tablas ya calculadas para los distintos niveles geográficos (nacional, autonómico,
provincial y municipal) de los siguientes dominios:
- Personas
- Edificios
- Viviendas
- Hogares
- Parejas y núcleos
22
- Población residente en establecimientos colectivos
- Población vinculada
En cada uno de los dominios se aportan valores de número de habitantes, según variables como el sexo, la edad
o lugar de nacimiento
Como el ámbito de estudio será el municipio de Sevilla mencionar que según este censo hay 698.042 habitantes,
que la coloca como la capital de provincia más poblada de Andalucía y la cuarta de España por detrás de Madrid,
Barcelona y Valencia.
La extracción de la información se puede hacer de distintas formas y en distintos formatos. En la página web la
información se puede mostrar en forma de tablas, gráficos (líneas y barras verticales) y mapas.
Figura 3-2. Información en formato de tabla de la población del municipio de Sevilla. Fuente: INE
Por otro lado, las descargas se pueden hacer en distintos formatos: Pc-Axis (formato del INE), extensiones de
Excel (XLS y XLSx), en archivos de texto CSV y en extensión JavaScript (JSON).
3.2.2. Sistemas avanzados de consultas

Muchas veces el usuario no encuentra la información que necesita en las tablas predefinidas mencionadas
anteriormente. En esos casos, el usuario podrá realizar su consulta mediante las dos siguientes alternativas que
se muestran a continuación.
Consulta de tablas a medida
Aporta la posibilidad de seleccionar dentro de un nivel geográfico y un dominio las variables que interesen.
Permite crear tablas seleccionando las variables que se quieran consultar, y una vez elaborada la tabla, navegar
por la información para profundizar en más detalles, cambiar el territorio de partida, establecer filtro o
restricciones, etc. Además, se proporcionan herramientas para realizar gráficos y mapas temáticos a partir de la
información consultada.
Visor de mapas
Con esta opción se puede efectuar diferentes tipos de consulta:
- Delimitar una zona geográfica y consultar, para esa zona, los indicadores predefinidos.
- Delimitar una zona geográfica y transferir la selección al sistema de Consulta de tablas a medida.
- Mostrar mapas temáticos predefinidos para los siguientes indicadores: número de personas, número
de viviendas, número de hogares, edad media de las personas, porcentaje de población extranjera,
tamaño medio del hogar y porcentaje de viviendas no principales.
Según el grado de acercamiento o zoom en el mapa, la selección se realizará a nivel de comunidad autónoma,
provincia, municipio, distrito o sección censal. También se pueden definir consultas fuera de los límites
administrativos utilizando una rejilla de información estadística1.
1El territorio español se encuentra dividido en celdas de 1 km2. A su vez, las celdas que presentan al menos 40 unidades muestrales sin elevar
son nuevamente divididas en celdas más pequeñas.
23
24
Área personal
Para acceder a la consulta de tablas o al visor de mapas no se requiere de ningún registro previo. Sólo los usuarios
registrados pueden almacenar consultas de tablas, filtros, desagregaciones y zonas geográficas que previamente
hayan definido para utilizarlas en posteriores sesiones.
Figura 3-3. Visor de mapa del Censo de 2011 en el que se muestra el municipio de Sevilla. Fuente: INE
3.2.3. Indicadores para secciones censales y cartografía digitalizada

Se disponen de ficheros con información de los principales indicadores de personas, hogares y viviendas para
cada una de las secciones.
Además, se podrá obtener la cartografía digitalizada de las secciones censales a 1 de noviembre de 2011.
Indicadores para secciones censales
La información que se encuentra es la siguiente:
- Fichero con una relación de las tablas y los indicadores disponibles.
- Ficheros donde se encuentra los valores de los indicadores por comunidades autónomas.
- Tres ficheros en las que se definen los códigos indicadores de cada una de las comunidades
autónomas, provincias y municipios.
Estos datos los usaremos posteriormente para obtener una base de datos sobre número de habitantes y viviendas
de diversas variables de estudio, a nivel de sección censal. Esta información se transpondrá a otros niveles de
división territorial, como pueden ser las zonas de transporte.
Cartografía digitalizada
Contorno de las secciones censales a 1 de noviembre de 2011 en varios formatos gráficos.
3.2.4. Indicadores para las celdas de 1 km2 y cartografía digitalizada

Para las celdas de 1 km2 que contengan alguna vivienda (principal o no principal), se puede consultar de la
misma manera, la información de los principales indicadores y la cartografía digitalizada de cada una de ellas.
3.2.5. Fichero de Microdatos

Para profundizar más sobre un determinado conjunto de variables se difunden los siguientes ficheros de
microdatos:
 Fichero de microdatos de personas con:
o Datos individuales y de parentesco
o Datos del núcleo
24
o Datos del hogar
o Datos de la vivienda
o Datos del edificio
 Fichero de microdatos de viviendas con:
o Datos de la vivienda
o Datos del edificio
Estos ficheros tienen una información que nos será interesante para algún modelo sobre reparto modal de los
que se va a realizar en este estudio, como puede ser alguno sobre técnicas de Aprendizaje Automático.
Nos centraremos principalmente en aquella información a nivel de personas que incumba en temas de movilidad,
y haremos comparaciones de las demás variables con estas. La intención es tener una base de datos con toda la
información a nivel de municipio de Sevilla, realizando en este apartado un estudio estadístico sobre dicha
información. Esta base de datos se podrá usar en los modelos de reparto modal que se hagan a posteriori como
ya se ha comentado.
Los ficheros de microdatos contienen los datos individuales de una estadística, convenientemente anonimizados,
con el fin de preservar la confidencialidad de la información. Se trata de ficheros ASCII con estructura de campos
que recogen para cada registro individual de las encuestas los valores que toma cada variable. Los datos aparecen
sin agregar, por lo que para el estudio de los mismos se necesitan programas adecuados para el tratamiento de
datos estadísticos (se usará el software Matlab de programación).
Encuestas Censo de Población y Viviendas
Las encuestas para la obtención de esta información estadística fueron enviadas a partir de septiembre de 2011
a aproximadamente 2,2 millones de viviendas teóricamente ocupadas. En primer lugar, se le envió una carta de
presentación con las pautas para poder completarla por internet, pero si al cabo de cierto tiempo una vivienda no
había cumplimentado el cuestionario se le remitía en formato papel2.
La recogida por correo convencional fue ligeramente superior al 50% de los hogares, mientras que algo menos
del 40% de viviendas cumplimentaron el cuestionario electrónico.
El 10% restante de hogares fueron visitados por agentes entrevistadores para intentar la cumplimentación de
forma presencial (con dispositivos portátiles).
También hay que tener en cuenta las encuestas a los colectivos, que permite determinar el número de
establecimientos de referencia censal y su tipo, así como el número y las características demográficas básicas de
las personas que residen en ellos.
En el ANEXO A.1 se adjunta las encuestas que fueron pasadas (tanto para viviendas como para colectivos) y
de las que se obtiene parte la información de las variables de estudio.
Variables censales
En el Censo de 2011 se recogen una serie de variables como ya se ha comentado. Esta relación de variables que
se investigan ha sido construida tomando como punto de partida el Reglamento 763/2008 del Parlamento
Europeo y del Consejo de la Comisión Europea y con más nivel de detalle la definición de variables y sus
clasificaciones del Reglamento 120/2009 de la Comisión Europea.
Seguidamente se muestran todas esas variables por categorías.
2
La información del Censo de Población y Viviendas 2011 se podía obtener mediante los siguientes canales:
 Correo convencional
 Internet
 Teléfono (de manera excepcional)
 Dispositivos portátiles (los agentes visitaban una submuestra de lo no obtenido por los 3 canales anteriores)
25
26
 Grupo 1 – Características de las personas

1.A - Variables demográficas básicas
1. Sexo
2. Fecha de nacimiento
3. Edad
4. Estado civil
5. Lugar de nacimiento
6. Lugar de nacimiento del padre
7. Lugar de nacimiento de la madre
8. País de nacionalidad
9. Lugar de residencia
10. Población existente en función del tamaño de los núcleos
11. Número de hijos nacidos vivos
1.B - Variables relativas a migraciones
1. Año de llegada a España
2. Año de llegada a la comunidad autónoma
3. Año de llegada al municipio
4. Año de llegada a la vivienda
5. Lugar de residencia hace 1 año
6. Relación residencia actual y hace 1 año
7. Lugar de residencia hace 10 años
8. Relación residencia actual y hace 10 años
9. Lugar de residencia anterior
10. Relación residencia anterior y actual
1.C - Variables relativas a la educación
1. Nivel de estudios alcanzado
2. Tipo de estudios completados
3. Estudios en curso
4. Educación para menores
1.D - Características relativas a la actividad económica
1. Relación actual con la actividad
2. Ocupación
3. Actividad del establecimiento
4. Situación profesional
1.E - Variables relativas a movilidad
1. Lugar de trabajo o estudio
2. Medio más frecuente de desplazamiento al lugar de trabajo o estudio
3. Tiempo medio de cada desplazamiento al lugar de trabajo o estudio
4. Número de viajes diarios de ida y vuelta al lugar de trabajo o estudio
1.F – Variables relativas a población vinculada
1. Población vinculada
2. Estancia en otro municipio
3. Identificación del municipio o país de mayor estancia
4. Número de noches de estancia en ese municipio
5. Segunda vivienda en ese municipio
26
1.G – Variables relativas a tareas no remuneradas
1. Cuidar a un menor de 15 años
2. Cuidar a una persona con problemas importantes de salud
3. Otras tareas benéficas o de voluntariado social
4. Encargarse de la mayor parte de las tareas domésticas de su hogar
 Grupo 2 – Variables relacionadas con los núcleos familiares y la estructura del hogar
2.A – Variables individuales de parentesco
1. Convivencia con el padre
2. Convivencia con la madre
3. Convivencia con el cónyuge/pareja
4. Convivencia con otros parientes (hijos/hermanos…)
2.B – Características de las parejas
1. Convivencia en pareja
2.C – Características de los hogares
1. Condición de la persona dentro del núcleo familiar
2. Estructura del núcleo familiar
3. Tamaño del núcleo familiar
4. Condición de la persona dentro del hogar
5. Estructura del hogar (privado)
6. Tamaño del hogar (privado)
 Grupo 3 – Características de las viviendas
1. Tipo de vivienda donde se reside
2. Tipo de vivienda familiar convencional
3. Superficie útil
4. Superficie media por residente
5. Número de habitaciones
6. Número medio de habitaciones por residente
7. Tipo de calefacción
8. Disponibilidad de cuarto de aseo con inodoro
9. Disponibilidad de bañera o ducha
10. Disponibilidad de acceso a Internet
11. Sistema de suministro de agua
12. Propiedad de la vivienda
13. Personas según tipo de vivienda principal donde se reside
 Grupo 4 – Características de los edificios
4.A – Datos del edificio
1. Viviendas según tipo de edificio
2. Período de construcción del edificio
3. Número de plantas del edificio (sobre rasante)
4. Número de plantas bajo rasante
5. Número de inmuebles del edificio
6. Estado del edificio
7. Coordenadas del edificio
4.B – Instalaciones del edificio
1. Accesibilidad del edificio
2. Ascensor
3. Disponibilidad de garaje
27
28
4. Número de plazas de garaje

5. Gas
6. Conexión de teléfono
7. Agua caliente central
8. Tipo de sistema de evacuación de aguas residuales
En el ANEXO A.2 se adjunta una tabla con el nombre de cada campo y el nombre de variable que se le asigna,
la longitud del campo junto con su inicio y fin, y los valores válidos en cada uno.
De todas estas variables las que más interesan para este estudio son aquellas que pertenecen al Grupo – 1E:
- Lugar de trabajo o estudio.
- Medio más frecuente de desplazamiento al lugar de trabajo o estudio.
- Tiempo medio de cada desplazamiento al lugar de trabajo o estudio.
- Número de viajes diarios de ida y vuelta al lugar de trabajo o estudio.
La principal es la segunda, sobre el medio de desplazamiento ya que será útil para realizar modelos de reparto
modal. Entonces, en función de otras variables queremos estudiar que modo de transporte escogería cada
persona. Por ejemplo, en función del tiempo medio de desplazamiento que tarda una persona en llegar a su
destino qué modo de transporte elegiría.
Pero no solo pueden actuar estas variables de movilidad, también se puede analizar otras variables basadas en
otros factores para así ver qué tipo de modo escoge cada persona. Para aclarar, se va mencionar algunos ejemplos
a continuación:
- La disponibilidad de una segunda vivienda puede dar una visión del nivel económico de cada persona.
Se supone que aquellas personas que tienen mayor nivel económico puede disponer de una segunda
vivienda y, por ende, suelen usar como modo de transporte el privado. Por el contrario, a menor nivel
económico el transporte a emplear suele ser el público. Esto se puede extrapolar a aquellas variables
que dependan también de condiciones socioeconómicas.
- Una persona que realiza tareas benéficas suele estar más concienciada en cuidar el medio ambiente,
por ello se predispone a usar más el transporte el público o medios de transportes no contaminantes
como la bicicleta.
- Otra puede ser la disponibilidad de garaje si vive en un edificio. Esto te da la certeza de que dicha
persona dispone de vehículo privado y por lo tanto podría ser su modo transporte principal.
Esto son algunos ejemplos de relación de distintas variables con los modos de transporte. En un apartado
posterior se hace un estudio estadístico de esto, por lo que se indagará más en este tema.
3.3. Indicadores Secciones Censales

3.3.1. Fuentes de información
Se va recoger la información que sea necesario de la aportada por el INE sobre indicadores a nivel de secciones
censales. Tenemos dos fuentes de información distintas que son:
- Tenemos capas cartográficas que pueden ser visualizadas por ejemplo en programas GIS
(emplearemos el archivo en formato shapefile), en las que encontramos las zonas divididas en estas
secciones censales. Entre los atributos que contiene cada sección encontramos el código CUSEC, que
nos es más que el código identificativo de cada sección censal. Un ejemplo de este código sería:
41 091 07 049
PROVINCIA SECCIÓN
MUNICIPIO DISTRITO
28
Los cinco primeros dígitos, referidos a provincia y municipio, serán fijos para nuestros valores ya que se
refieren a la provincia y municipio de Sevilla que es nuestro ámbito del estudio.
- Ficheros Excel con la información de los principales indicadores de personas, hogares y viviendas
para cada una de las secciones. En el ANEXO A.3 se aporta la lista con todos estos indicadores. En
estos datos también encontramos el campo CUSEC, así que podemos relacionarlos con la información
cartográfica.
Por lo tanto, lo que vamos hacer es añadir a la información cartográfica todos los indicadores que tenemos en el
fichero de Excel, para así poder hacer representaciones gráficas con ellos.
Los pasos realizados son los siguientes:
1. Del shapefile con la información cartográfica sólo nos quedaremos con los datos que se refieran al
municipio de Sevilla. Exportamos de la tabla de atributos solo esos datos para así tener nuestro
archivo shapefile sólo de Sevilla.
2. Se hace lo mismo con los datos de los indicadores del archivo.
Para realizar las operaciones de estos dos primeros pasos tomamos como referencia el código CUSEC
que empiece por 41 091 que corresponde al municipio de Sevilla.
3. Finalmente, inserto los datos del fichero Excel con los indicadores en la tabla de atributos del
shapefile en el GIS. Lo que se hace es unir aquellos que tenga el mismo CUSEC.
4. Ya podremos realizar interpretaciones y representaciones con estos indicadores.
A continuación, vamos a adjuntar un ejemplo de estas representaciones. Concretamente sobre el indicador t1_1
sobre Población Total en cada sección censal.
Figura 3-4. Indicador t1_1: Población total. Secciones Censales. Fuente: Elaboración propia
29
30
3.3.2. Creación de base de datos con variables de secciones censales

Lo siguiente que se realiza es crear nuestra propia base de datos en hojas Excel, para poder trabajar con ella en
los modelos posteriores. En dichos modelos el ámbito geográfico de estudio se dividirá en zonas de análisis de
transporte (TAZ), por lo que vamos a pasar toda la información de los indicadores censales a nivel de TAZ a
través de una serie de operaciones.
El objetivo final es crear tres matrices, cada una en una hoja de Excel, que serán las siguientes:
- TABLA 1: Matriz con las secciones censales y la colección de todos los indicadores censales y demás
variables que se le pueda ir asignando.
- TABLA 2: Matriz con las zonas de análisis de transporte, dónde se añadirá con las operaciones que
explicaremos seguidamente toda la información de los indicadores censales que tengan asociados.
- TABLA 3: Para hacer el reparto de los datos de los indicadores censales a las TAZ, habrá que saber
que superficie de ocupación tiene cada sección censal dentro de cada zona de transporte. Entonces,
tendremos una tabla con los porcentajes ocupacionales de cada una de las secciones censales que
pertenecen a una determinada TAZ.
Vamos a explicar seguidamente como hemos asociado los valores de los indicadores de la TABLA 1, a las
zonas de análisis de transporte de la TABLA 2 con ayuda de las proporciones calculadas de la TABLA 3. Se
han seguido los siguientes pasos:
1. En primer lugar, se obtiene las superficies que ocupan tanto las secciones censales como las zonas de
análisis de transporte (TAZ). Para ello se emplea herramientas GIS.
2. Con herramientas GIS combinamos ambas capas, para así obtener la superficie de intersección de las
secciones censales dentro de cada zona de transporte. Aclarar que hay un menor número de TAZ que
de secciones censales, ya que estas primeras son mayores.
3. Una vez tenemos estas superficies habrá que calcular la proporción (xSC-TAZ) de una sección censal que
forma parte de cada TAZ. Bastará con dividir la superficie de intersección de la sección censal con el
TAZ, entre la superficie total de dicha sección:
Superficie Intersección
xSC−TAZ (% Intersección) = · 100
Superficie Total Sección Censal
4. Habrá zonas de transporte que no tenga incluida dentro ninguna sección censal, por lo que en las
matrices tendrán valores nulos. Esto ocurre porque hay zonas de transporte definidas en localizaciones
del aljarafe sevillano o alrededores, es decir, zonas que ya no se consideran como municipio de
Sevilla por lo que las secciones censales definidas no las recogerán como tal dentro de ellas.
5. Con esto ya tendríamos la TABLA 1 con todos los indicadores de las secciones censales, la TABLA
2 con las zonas de transporte todavía sin información y la TABLA 3 en la que tenemos cada sección
censal asociada a la TAZ que pertenecen y la proporción (xSC-TAZ) de ella dentro de la misma.
6. Con el software de programación de Matlab vamos asociar toda la información de los indicadores
censales de la TABLA 1 a las TAZ de la TABLA 2. Este software nos permite hacer este reparto de
forma rápida extrayendo la información que necesite de las hojas Excel.
Hacemos lo siguiente para cada uno de los indicadores de las secciones censales:
a) Para cada TAZ buscamos las secciones censales que tengan parte de su superficie o completa
dentro de esa zona.
b) Para cada una de estas secciones censales multiplicamos el valor del indicador por la
proporción xi para así asociarle al TAZ sólo el valor proporcional en función de la superficie
que ocupa la sección.
c) Sumamos todos los resultados de cada una de las secciones de esa zona y obtendríamos el
resultado buscado.
NSC−TAZ
ITAZ = ∑ ISC · xSC−TAZ

SC
30
Siendo:
𝐼𝑆𝐶 Valor del Indicador de la sección censal
𝑥𝑆𝐶−𝑇𝐴𝑍 Proporción de intersección de cada sección censal en la zona de transporte
𝑁𝑆𝐶−𝑇𝐴𝑍 Número de secciones censales dentro del TAZ que estamos calculando
𝐼𝑇𝐴𝑍 Valor del Indicador de la zona de transporte
7. Hacemos esto para todos los indicadores, y obtendremos finalmente la TABLA 2 con los valores que
se buscaban.
Por último, toda esta información será traspasada a la cartografía vectorial de las zonas de análisis de transporte
TAZ3 para poder hacer también representaciones gráficas de los indicadores. Como ejemplo se va a volver a
representar otra vez el indicador t1_1 sobre Población total como en la Figura 3-4, pero en este caso en cada
zona de análisis de transporte:
Figura 3-5. Indicador t1_1: Población total. Zonas de Transporte TAZ. Fuente: Elaboración propia
3.3.3. Indicadores para las celdas de 1 km2

Aquí tenemos la misma información que en las secciones censales (tanto en shapefile como en Excel) pero
repartida en unas superficies más pequeñas, concretamente en celdas de un 1 km2.
3 Las zonas de análisis de transporte que se describe aquí es la de la zonificación antigua ya que el primer procedimiento que se realizó de
recogida de datos se hizo con estas zonas, por lo que no se ha querido variar para no que quede en vano este trabajo realizado y para no llevar
a malinterprataciones en esta explicación. De todas formas, la metodología sería exactamente igual para cualquier otra zonificación de zonas,
es decir, para las zonas de transporte definidas por el nuevo PMUS.
En las demás fuentes de información se seguirá explicando esta agrupación de datos para las TAZ antiguas, pero recordar que en todas las
fuentes de información que analizaremos en este estudio la metodología a seguir es la misma para cualquier zonificación que se use.
31
32
Se puede llevar a cabo las mismas operaciones que anteriormente:

- Agregar la información del Excel a la capa de shapefile asociándola a través de un campo que
relacione ambas (en este caso se denomina GRD_NEWID).
- Asociar toda la información de las celdas a las zonas de transporte.
Realizar esta operación sería prácticamente repetir el trabajo, ya que estas celdas deben contener la misma
información que las secciones censales pero repartidas de otra manera, por lo tanto, al traspasar esta información
a la capa de zona de transporte los valores que se obtengan deberán ser los mismos.
3.4. Microdatos del Censo

3.4.1. Filtrado de Microdatos del Censo
Se descarga el Fichero de Microdatos del Censo de Personas y Viviendas, concretamente el fichero 1 que
corresponde a Andalucía, Aragón, Principado de Asturias e Islas Baleares. Lo que se va realizar es hacer un
filtrado para quedarnos con los datos que nos interese, y para ello se emplea el software de Matlab. Se explica
cada uno de las operaciones realizadas en los siguientes puntos:
 Lo primero es hacer un filtrado de la provincia de Sevilla. Es decir, se extrae en un fichero todos los
resultados de aquellos encuestados que pertenezcan a la ciudad de Sevilla. Para ello nos apoyamos en
la variable de Código de provincia (CPRO) y se extrae aquellas que tomen como valor el 41.
 Lo segundo, es hacer el filtrado por municipio. Entonces, en función de la variable Código o tamaño
de municipio (CMUN) se va extrayendo en ficheros distintos los resultados de cada uno de los
municipios. Aclarar que sólo se sabrá con certeza su localización aquellas personas cuyos municipios
sean mayores a 20.000 habitantes, los demás se agruparán todos juntos en ficheros que englobaran a
aquellos municipios que tengan entre 20.000 y 10.000 habitantes, entre 10.000 y 5.000, entre 5.000 y
2.000, y menor de 2.000.
Concretamente, como el ámbito de estudio es el municipio de Sevilla, nos quedamos con aquellas
encuestas en las que la variable CPRO es 41091.
 Lo último que se realiza es almacenar todas estas variables en formato de tabla en Matlab, para
facilitar su manejo posteriormente.
Una vez tengamos toda esta información se podrá emplear para realizar algún modelo de reparto modal o de
distribución de viajes. Seguidamente se lleva a cabo un estudio estadístico de dicho contenido.
3.4.2. Estudio Estadístico

En los microdatos se encuentra toda la información de las encuestas realizadas en el Censo del 2011. En este
apartado se va utilizar las encuestas de aquellos individuos que hayan aportado información sobre el medio de
desplazamiento que utilizan para moverse o simplemente aquellos que se muevan. Para ello a través de un
filtrado realizado se obtiene una muestra de 21.291 encuestas.
Con la información que aportan se va a llevar a cabo en este apartado un estudio estadístico, con el fin de sacar
información sobre la movilidad del Censo de 2011.
Primero se hará estudios generales sobre el global de algunas variables y luego se harán comparaciones entre las
distintas variables con las variables de movilidad, para sacar conclusiones desde el punto de vista del transporte
en la ciudad de Sevilla.
El procedimiento para analizar las distintas variables será aportar los resultados tanto gráficamente como en
tablas, para luego sacar conclusiones sobre ellos. En el ANEXO A.2 se muestran todas las variables recogidas
con su respectiva codificación.
Durante la redacción se hará menciones a distintos documentos y artículos para realizar comparaciones con los
datos obtenidos, por ejemplo [5] Ameneiro, 2019., un artículo publicado en el Diario de Sevilla en 2019 que se
32
referenciará cuando se estime oportuno, para comparar los cambios con respecto al año 2011 y ver cómo ha
cambiado la movilidad en Sevilla y algún otro dato de interés que se precise.
Reparto de modos de desplazamiento
Primeramente, nos centraremos en hacer un estudio sobre los modos de transporte que cogerán cada uno de los
individuos encuestados y sacar conclusiones sobre ello. Las variables empleadas son MDESP1 y MDESP2 del
estudio Microdatos, que hacen referencia al medio de desplazamiento principal y al opcional respectivamente.
 MDESP1
De esta primera variable, sobre el modo de transporte principal de cada individuo se obtienen las siguientes
conclusiones, aportadas tanto en un gráfico circular como en tabla con los resultados exactos.
Figura 3-6. Reparto en % de modos de desplazamiento principal (MDEPS1). Fuente: Elaboración propia
MDESP1
Coche Coche
Bus Metro Moto Andando Tren Bicicleta Otros
conductor pasajero
7218 1417 1989 5679 463 4094 91 245 95
34% 7% 9% 27% 2% 19% <1% 1% 1%
Tabla 3-1. Reparto de las respuestas de las encuestas sobre el modo de desplazamiento principal (MDESP1).
Fuente: Elaboración propia
El modo más empleado es el coche privado como conductor con un 34 %, seguido del metro con un 27 % y de
andando con un 19 %. Los menos empleados son el tren, la bicicleta y la categoría de modos restantes.
Resulta destacable la gran cantidad de personas que escogen el metro, muy por encima del bus que resulta ser
sólo un 9 %. Lo más lógico debería ser al contrario, debido al reconocido gran número de personas que usan el
bus en Sevilla ya que el metro sólo cuenta con una línea, así que posiblemente la muestra escogida para la
33
34
encuesta no está aportando una información representativa de la movilidad real.

Para contrastar esta información se recurre a [3] Carapeto, 2018/19, trabajo en el que se realiza un estudio sobre
el reparto de viajeros en el año 2012 según modo de transporte; y con respecto a la diferencia entre bus y metro
obtiene que el 14 % de las personas usan el bus y el 3% el metro. Por lo tanto, se llega a la conclusión que ya se
ha comentado, que los datos de las encuestas del Censo 2011 con respecto a estos dos modos de transporte no
es representativo.
Figura 3-7. Reparto % de viajeros en 2012 según modo de transporte. Fuente: TFM “Estudio del estado de la
movilidad de Sevilla y propuesta de una hipotética implantación de un PPT en la futura sede laboral Torre
Pelli como ejemplo a seguir con el fin de mejorar el modelo de sostenibilidad vial de la ciudad” de Carapeto
Díaz, 2018/19.
Al tratarse de un estudio desde el punto de vista académico no se pretende hacer una corrección de estos datos
ya que este no es el objetivo de este estudio. Se sigue adelante con esta muestra, la cual la seguiremos empleando
para los modelos que se realicen.
Por otro lado, el artículo [5] Ameneiro, 2019 del Diario de Sevilla ya mencionado, aporta unas cifras del reparto
modal muy diferentes a las anteriores, aunque se refieren a un estudio muy posterior en el tiempo, con toma de
datos en 2017. Según dicho estudio los viajes en la ciudad se distribuyen de la siguiente forma entre los diferentes
modos de transporte: 40% en vehículo privado, 28,6% a pie, 24,09% en transporte público, 3,4% en moto e
ídem en bici. Se adjunta seguidamente una tabla comparativa:
Modo de transporte Censo 2011 (%) Artículo 2019 (%)
Coche privado (conductor y

41 40
pasajero)
Transporte público (bus, metro y

37 24,09
tren)
Moto 2 3,4
Andando 19 28,7
Bici 1 3,4
Tabla 3-2. Comparación del reparto de modos de transporte entre el Censo de 2011 y Ameneiro, 2019 , del
Diario de Sevilla. Fuente: Elaboración propia y datos del Diario de Sevilla
34
Con respecto al coche, la moto y la bicicleta no hay grandes cambios. Lo más destacable es la disminución de
la gente que coge el transporte público y el aumento del desplazamiento a pie.
 MDESP2
El siguiente análisis es sobre los modos de transporte complementarios, que será la variable MDESP2. Hay
individuos que no aportan este modo complementario así que la muestra es menor a la total disponible.
Figura 3-8. Reparto en % de modos de desplazamiento complementario (MDESP2). Fuente: Elaboración

propia
MDESP2
Coche Coche
Bus Metro Moto Andando Tren Bicicleta Otros
conductor pasajero
0 36 177 112 133 367 53 198 16
0% 3% 16% 10% 12% 34% 5% 18% 2%
Tabla 3-3. Reparto de las respuestas de las encuestas sobre el modo de desplazamiento complementario
(MDESP2). Fuente: Elaboración propia
Para esta situación el modo más empleado es andando con un 34%, seguido de la bicicleta con un 18% y el bus
con un 16%. Los que menos son el coche como pasajero, el tren y el campo otros, y además el coche como
conductor no aparece en ningún caso.
Es lógico que la forma más empleada sea andando ya que por ejemplo es típico siempre combinar andar con
otro modo de transporte ya sea público como privado para desplazarse al destino.
Que el siguiente modo sea la bicicleta tiene su explicación en la gran oportunidad de carriles bici que existen en
la ciudad que ayudan al fomento del mismo, y sobre todo, gracias al sistema de bicis de alquiler Sevici de la
empresa JCDecaux implantado en el año 2007.
En los artículos periodísticos [6] Vázquez y Bono, 2019 y [7] Levante, 2019 se afirma que la ciudad española
donde más se utiliza este modo es Sevilla con un 21%. La cifra del reparto modal en bicicleta presenta una gran
varianza según la publicación consultada, siendo destacable la baja cifra de un 3% presentada en el último Plan
35
36
de Movilidad Sostenible de Sevilla, PMUS 2017
Figura 3-9. Estación de bicicletas Sevici. Fuente: Wikipedia

Por otro lado, en este caso el porcentaje de uso del bus si es mayor al metro, pero no supone una gran diferencia
si se observa los números exactos que aparecen en la Tabla 3-3.
Destacar también el uso de la moto que también es importante con un 12%. Uno de los motivos de que sea una
de las mejores alternativas de transporte es que uno de los modos más empleado en caso de desplazamientos por
motivos de ocio (por ejemplo, los días que juega el Real Betis, en la Avenida de la Palmera se puede apreciar
una cantidad muy elevada de estos vehículos), que suele ser a zonas donde aparcar resulta más complicado que
si se va en coche privado.
En la actualidad, posiblemente este porcentaje vaya en aumento, tanto como medio alternativo y como principal.
Esto es debido a la implantación en la ciudad del alquiler de Motos Eléctricas por parte de varias empresas:
- Muving, que es la empresa pionera en Sevilla, que lleva funcionando desde 2017.
- Acciona, que se encuentra operativa desde mayo de 2019.
- Yego, es la última empresa en aterrizar en la ciudad en octubre de 2020.
Figura 3-10. Motos eléctricas de alquiler aparcadas en las calles de Sevilla. Fuente: ABC Sevilla
36
Por último, comentar un nuevo modo de transporte muy novedoso que no se encuentra en los datos del Censo
de 2011, ya que se trata de algo muy actual y en pleno auge, como son los Patinetes Eléctricos. Se trata de un
patinete con motor eléctrico, en el que el individuo va de pie.
Aparte de los patinetes privados, durante un periodo pudo verse una gran cantidad de patinetes públicos con el
mismo funcionamiento que las motos eléctricas, operados por las empresas, Bird y Lime, que prestaban dicho
servicio de forma irregular. Durante el confinamiento debido a la pandemia del COVID19 el servicio dejó de
estar disponible y actualmente está pendiente de la concesión por el Ayuntamiento de licencias a dos empresas
a seleccionar entre las que así lo soliciten, con una regulación sobre el número de patinetes desplegados y una
limitación de su potencia.
Figura 3-11. Patinetes eléctricos en el centro de Sevilla. Fuente: ABC Sevilla

En el curso 2018/19 en la asignatura de Planificación del Transporte en el Máster de Ingeniería de Caminos,
Canales y Puertos realicé el siguiente trabajo junto con mis compañeros [2] Juan Francisco Muñoz Pereira y
Álvaro Marín Cansino: “Estudio del Modo de Transporte en Bicicleta”.
Una de las cosas que se hizo para este trabajo es llevar a cabo un conteo en la zona de la Glorieta Olímpica al
lado del Puente del Alamillo, en el que se contaba el número de bicicletas que pasaban en una hora, y además
se añadió también al conteo los patinetes eléctricos. Se obtuvieron los siguientes resultados:
Tabla 3-4. Tabla resultados de conteo en Concejal Jiménez Becerril-Glorieta Olímpica. Fuente: Estudio del
Modo de Transporte en Bicicleta. Planificación del Transporte – Máster Ingeniería de Caminos, Canales y
Puertos
Se observa que el número de patinetes eléctricos supone casi un 10%, afirmando de este modo lo que venimos
comentando, el auge de esta nueva forma de desplazarse.
 MDESP1-MDESP2
Se decide estudiar también estas variables, pero en conjunto. Por ejemplo, cuántas personas cogen el coche como
principal modo y andando como secundario; o cuantas cogen el bus como principal y la bici como secundario.
Por tanto, el tamaño de la muestra acoge sólo esos encuestados que han contestado tanto a MDESP1 como a
MDESP2. El motivo de hacer esto es para ver si hay alguna opción que tenga unos resultados de una magnitud
37
38
significativa, que haga que haya que tenerla en cuenta como una variable en sí, es decir, como un medio en el
conjunto de los nueves que ya se tienen en este estudio.
Los resultados se muestran en la siguiente matriz dónde cada casilla representa el modo de transporte de la fila
y el de su respectiva columna.
Coche Coche
MODOS DE Otros
como como Autobús Metro Moto Andando Tren Bicicleta
TRANSPORTE medios
conductor pasajero
Coche como
0 36 90 17 103 67 21 66 3
conductor
Coche como
- 0 87 14 5 85 6 6 0
pasajero
Autobús - - 0 81 17 149 16 61 2
Metro - - - 0 8 47 3 8 0
Moto - - - - 0 19 1 10 0
Andando - - - - - 0 6 43 9
Tren - - - - - - 0 4 0
Bicicleta - - - - - - - 0 2
Otros medios - - - - - - - - 0
Tabla 3-5. Reparto de la combinación de las variables MDESP1 y MDESP2. Fuente: Elaboración propia
Las combinaciones más elegidas son Autobús y andando o coche y moto y coche y autobús. Pero el número de
veces que la eligen en las encuestas es demasiado pequeño como para considerarlos como una variable. Por ello
se llega a la conclusión que para el estudio estadístico que sigue se usará sólo los resultados del medio principal
(MDESP1).
 AGRUPACIÓN DE MODOS
Por último, se va agrupar los distintos modos de desplazamiento en tres grupos, uno que incluya los modos de
transporte privado motorizado, otros los transportes públicos motorizados y un tercero que incluya el modo
andando y el de la bicicleta (dentro de este se incluye pública y privada) que se denominará ecológico. Se
agrupan de la siguiente forma:
- Privado motorizado: Coche como conductor y pasajero y moto.
- Público motorizado: Bus, metro y tren.
- Ecológico: Andando y bicicleta.
Se excluye el campo Otros ya que no se conoce a ciencia cierta qué tipo de vehículos o formas de
desplazamientos incluye, ya que podría referirse a un medio motorizado como un taxi o a un no motorizado
como por ejemplo un monopatín. Además, su contribución es escasa (menos de 1% del global) así que no influirá
en la representación de los resultados.
Estos tres grupos que se acaban de formar se empleará en los siguientes estudios estadísticos que se irán
haciendo, y por simplicidad en la mención nos dirigiremos a ellos como privado, público y ecológico.
En la siguiente gráfica se observa el porcentaje de elección de cada modo ya agrupado en estos tres grupos,
estando muy parejos los modos privado y público, aunque como ya hemos analizado el transporte privado es el
más usado. Después está el transporte ecológico que con un 20% supone una cifra alta en este caso, siendo un
valor muy esperanzador si lo miramos desde el punto vista del bienestar del medio ambiente y reducción de los
niveles de contaminación.
38
Figura 3-12. Reparto en % de modos de desplazamiento por categorías. Fuente: Elaboración propia
CATEGORÍA DE MODO DE DESPLAZAMIENTO

Privado motorizado Público motorizado Ecológico
9098 7759 4339
43% 37% 20%
Tabla 3-6. Reparto de las respuestas de las encuestas sobre los modos de desplazamiento por categorías.
Destino de los viajes
La variable que se va estudiar ahora es la referente a los destinos de los viajes de cada uno de los encuestados,
que serán por motivos de trabajo o estudios. La codificación de esta variable en el registro es CODTRABA, y
lo que aporta son los códigos postales de dichos destinos, y esto en ciudades como en Sevilla dónde existe varios
códigos postales puede dar información de mucho interés sobre zonas específicas
En este fichero de microdatos sólo tenemos esta información sobre destinos, y obviamente se echa en falta
conocer el origen de los viajes de cada persona, que se presupone que no se aporta por temas de privacidad de
los encuentados. Esta será uno de los principales puntos negativos que encontraremos en esta fuente de
información.
Se analizará todos los destinos que se disponen, primero centrándonos a grandes rasgos más global y después
sólo a nivel de la ciudad de Sevilla.
 Todos los destinos disponibles
Se extrae todos los destinos de viajes de las encuestas, y el número de veces que se nombra cada uno de ellos.
Seguidamente se va ir adjuntando unas tablas con dicha información, y como ya se ha comentado en las grandes
ciudades dichos destinos se dividen por zonas.
Sólo se va poner datos concretos por cada código postal en los destinos de la ciudad de Sevilla ya que los
resultados que se obtiene de la muestra son muy elevados. En las otras provincias y ciudades se hará el listado
de los códigos postales de destinos en ellas, pero el conteo de veces que se va a dichos destinos no se pondrá
individualizado, sino que se aportará el número total de viajes de dicha provincia. La razón por lo que se hace
39
40
esto último así es por temas de privacidad para los encuestados.

En primer lugar, con respecto a Andalucía se tiene:
- Sevilla ciudad y municipios de los alrededores:
SEVILLA
Casco Antiguo Suroeste 41001 1024
Casco Antiguo Noreste 41003 982
Macarena Norte Este 41020 1755
Macarena Norte Oeste 41015 1020
Macarena Este 41008 1195
Macarena Oeste 41009 784
Cerro Amate 41006 1426
Ciudad Triana 41010 959
Triana Cartuja 41092 749
Nervión Este 41005 1121
Nervión Oeste 41018 777
Los Remedios 41011 946
Palmera Bellavista 41012 840
Sur 41013 1613
San Pablo 41007 1126
Municipios Alcalá de Guadaira 41500 331
Tabla 3-7. Número de veces que se va a cada uno de los destinos en la ciudad de Sevilla y municipios de la
provincia. Fuente: Elaboración propia
- Córdoba ciudad y municipio de los alrededores:
CÓRDOBA
Norte Centro 14001
Ciudad Levante 14014
17
Poniente Sur 14004
Municipios Lucena 14900
Tabla 3-8. Número de veces que se va a cada uno de los destinos en la ciudad de Córdoba y municipios de la
provincia. Fuente: Elaboración propia
40
- Municipios de la provincia de Cádiz:
CÁDIZ
Puerto de Santa María 11500
Puerto Real 11510
Municipios San Fernando 11100 29
Sanlúcar de Barrameda 11540
La Línea 11300
Tabla 3-9. Número de veces que se va a cada uno de los destinos de municipios de la provincia de Cádiz.
- Provincia de Málaga:
MÁLAGA
Málaga 29004
3
Estepona 29680
Tabla 3-10. Número de veces que se va a cada uno de los destinos en la provincia de Málaga. Fuente:
Elaboración propia
- Ciudad de Jaén:
JAÉN
Jaén 23009 1
Tabla 3-11. - Número de veces que se va a cada uno de los destinos en la ciudad de Jaén. Fuente: Elaboración
propia
41
42
En segundo lugar, en lo que respecta a las dos provincias y ciudades más pobladas del país se tiene:
- Madrid ciudad y municipios de los alrededores:
MADRID
Aravaca 28023
Chamberi 28003
Barajas 28042
Casa de Campo 28011
Villaverde 28021
Chamartín Sur 28002
Chamartín Norte 28016
Ciudad
Puente Vallecas 28038
38
Tetuán 28020
Centro 28004
Salamanca 28006
Arganzuela 28045
Latina 28047
Ciudad Universitaria 28040
Pozuelo de Alarcón 28233
Municipios
Otros de la periferia 28000
Tabla 3-12. Número de veces que se va a cada uno de los destinos en la ciudad de Madrid y municipios de la
comunidad. Fuente: Elaboración propia
- Provincia de Barcelona:
BARCELONA
Barcelona 08002
7
Cerdanyola del Vallès 08290
Tabla 3-13. Número de veces que se va a cada uno de los destinos en la provincia de Barcelona. Fuente:
Elaboración propia
42
En tercer lugar, se adjunta seguidamente otras localizaciones no tan importantes como las anteriores, pero que
también aparecen en los datos recogidos por las encuestas:
OTRAS LOCALIZACIONES
Ceuta 51001
San Vicente del Raspeig (Alicante) 03690
Elche (Alicante) 03302
Alcantarilla (Murcia) 30820
Puertollano (Ciudad Real) 13500 12
Mérida 06800
Zaragoza 50018
Valencia 46021
Santa Eulalia del Río (Islas Baleares) 07800
Tabla 3-14. Número de veces que se va a cada uno de los destinos en otras ciudades y municipios. Fuente:
Elaboración propia
Por último, para aquellos destinos que sean municipios de menos de 20.000 habitantes no se registra su código
postal en la encuesta, si no que se les da un valor de 99.999. Se recoge a continuación el número que son como
destinos este tipo de municipios:
MUNICIPIOS DE MENOS DE 2000 HABITANTES 4536

Tabla 3-15. Número de veces que se va a cada uno de los destinos en municipios de menos de 20.000
habitantes. Fuente: Elaboración propia
Obviamente, al tratarse de un análisis de registros de la ciudad de Sevilla la mayor parte de los destinos se
refieren a zonas dentro de la propia ciudad. Aunque esto no quita que también una parte de los destinos de los
viajes se hagan fuera de la ciudad, recogiendo la mayor parte de estos destinos externos dos provincias
colindantes, como son Córdoba y Cádiz.
También destacar que hay desplazamientos a las grandes ciudades del país como son Madrid y Barcelona,
concentrándose más en la primera por su cercanía.
La variable que acoge mayor número de desplazamientos es la que engloba a todos esos municipios de menos
de 20.000 habitantes con 4.536 transportes.
Por último, cabe destacar que el único municipio cercano a la ciudad de Sevilla es Alcalá de Guadaíra con 331
desplazamiento al mismo. En lo que respecta a los municipios del Aljarafe sevillano se podría intuir que se
engloban dentro de la variable de municipios de menos de 20.000 habitantes. Podría ser que municipios como
Camas, Tomares, Bormujos o San Juan de Aznalfarache que tienen entre 20.000 y 30.000 habitantes se incluyan
dentro de este grupo o que en el año 2011 no superaban dicha cifra, pero por el contrario se echa en falta que no
haya como destino el municipio de Dos Hermanas y sí lo haga Alcalá de Guadaíra.
Se añade una gráfica representativa, para tener una visión de lo que acabamos de describir, de la distribución de
viajes a la ciudad de Sevilla con respecto los viajes fuera de ella. Se añadirá como como campo los municipios
de menos de 20.000 habitantes que, aunque se presupone que la mayor parte de esos municipios pertenecerán a
la provincia de Sevilla, puede haber también municipios de otras provincias.
43
44
Figura 3-13. Distribución de los destinos de los viajes totales del estudio estadístico. Fuente: Elaboración
propia
 Ciudad de Sevilla
Los siguiente será centrarse al ámbito de estudio que interesa, que es el de la ciudad de Sevilla. Para diferenciar
entre los distintos códigos postales que como se observó arriba se ha denominado según nombre de los distritos
de la zona dónde se encuentran.
Además, algunas zonas se dividen en dos ya que dentro de las mismas se encuentran dos códigos postales, así
que para este estudio se considerarán como una sola.
En el siguiente gráfico se observa el resultado:
44
Figura 3-14. Reparto en % de los destinos de los viajes en la ciudad de Sevilla. Fuente: Elaboración propia
DESTINOS DE LOS VIAJES EN LA CIUDAD DE SEVILLA

Macarena Norte 2775 17%
Casco Antiguo 2006 12%
Macarena 1979 12%
Nervión 1898 12%
Sur 1613 10%
Cerro Amate 1426 9%
San Pablo 1126 7%
Triana 959 6%
Los Remedios 946 6%
Palmera Bellavista 840 5%
Isla Cartuja 749 5%
Tabla 3-16. Reparto de las respuestas de las encuestas sobre los destinos de los viajes en la ciudad de Sevilla.
El destino con mayor número de viajes acogido en la encuesta es Macarena Norte con un 17%, seguido de Casco
Antiguo, Macarena y Nervión con un 12%. Los destinos menos transitados son Palmera-Bellavista e Isla de la
Cartuja.
Comparando estos resultados con el artículo [5] ya empleado del Diario de Sevilla, que dice que la zona que
más atrae es el Casco Antiguo, los exteriores y Nervión, se observa que no hay variaciones tan reseñables que
aclarar o sacar alguna conclusión. Nervión y Casco Antiguo coinciden ambas que son las que más atraen, y con
respecto a las zonas que menos también hay ciertas coincidencias y en ambas la zona con menos destinos de
45
46
viajes es la Isla de la Cartuja.

Quizás lo que cabe reseñar son los casos de las zonas de la Macarena y Norte que en nuestro estudio están en
los primeros puestos y en el artículo es al contrario. Esto último podría ser porque parte del desplazamiento que
el artículo considera como zona exterior puede estar englobado dentro de Macarena Norte en nuestro análisis, y
es por ello que nos sale en los puestos superiores.
Aclarar que las zonas de ambos estudios no tienen por qué coincidir, ya que el caso de nuestro estudio son zonas
de los códigos postales que no coinciden del todo con los distritos y que se le han denominado dependiendo de
cuál es el distrito que con mayor superficie ocupan.
Figura 3-15. Los datos de la Encuesta de Movilidad de Sevilla / DEPARTAMENTO DE INFOGRAFÍA

(Sevilla). Fuente: Diario de Sevilla
46
También podemos comparar los resultados obtenidos con la información que aporta el nuevo [16] Plan de
Movilidad de Sevilla que contiene datos de viajes atraídos a fecha de 1 de enero de 2017. Este plan divide Sevilla
en 12 macrozonas de transporte que tienen el nombre del distrito dónde se localizan. Sobre este plan se hablará
más adelante en este documento, por lo que no entraremos en más detalle.
Se adjunta seguidamente una tabla extraída del documento del PMUS dónde se observa el reparto de viajes
generados y atraídos por cada una de las zonas, centrándonos en este caso sólo en la columna de viajes atraídos:
Tabla 3-17. Viajes generados y atraídos por macrozona en la ciudad de Sevilla. Fuente: Plan de Movilidad
Urbana Sostenible de la ciudad de Sevilla
Las macrozonas que mayor número de viajes atrae es el Casco Antiguo (18,9%) y Nervión (12,8%). En la tabla
aparece una zona 99 denominada Exterior, que se refiere a los viajes con destinos fuera del municipio, la cuál
no se tendrá en cuenta para este análisis ya que se sale del ámbito que estamos estudiando.
Por otro lado, las macrozonas que menos viajes atráen son Triana (3,7%), Los Remedios (3,6%) y PCT Cartuja
(2,4%).
Comparándalo con los resultados obtenidos del Censo, coinciden como zonas con mayor número de atracción
de viajes el Casco Antiguo, Nervión y Sur. Vuelve a ocurrir lo mismo con la zona de la Macarena que ocurría
al compararlo con el artículo del Diario analizado antes, que en el Censo se encuentra en los primeros puestos,
pero en el PMUS es al revés.
La conclusión que podemos sacar de esto último es que quizás los resultados obtenidos en el Censo sobre viajes
atraídos en la zona de la Macarena no son muy fiables o la delimitación de dicha zona varía de unos estudios a
otro de tal manera que se distorsiona un poco estos resultados.
Por último, en lo que respecta a las zonas con poca afluencia de viajes atraídos coinciden los resultados de ambos
estudios.
 Viajes fuera de Sevilla
En este apartado se estudia el reparto de los destinos fuera de Sevilla, para ello se han agrupado todos en
provincias. Se adjunta seguidamente el gráfico pertinente.
47
48
Figura 3-16. Reparto en % de los destinos de los viajes entre las provincias fuera de Sevilla. Fuente:
Elaboración propia
DESTINOS DE VIAJES A LAS PROVINCIAS FUERA DE SEVILLA

Madrid 38 35%
Cádiz 29 26%
Córdoba 17 16%
Barcelona 7 7%
Málaga 3 3%
Badajoz 3 3%
Ceuta 2 2%
Alicante 2 2%
Jaén 1 1%
Murcia 1 1%
Ciudad Real 1 1%
Zaragoza 1 1%
Valencia 1 1%
Islas Baleares 1 1%
Tabla 3-18. Reparto de los destinos de los encuestados que van a provincias fuera de Sevilla. Fuente:
Elaboración propia
48
La provincia que más número de viajes acoge sería Madrid con un 36% de los viajes interprovinciales, seguida
por Cádiz y Córdoba con un 27% y 16% respectivamente. Los resultados son razonables ya que se tratan de la
capital española (centro de un gran número de puestos de trabajos y estudios de todo tipo) y las dos provincias
andaluzas que son colindantes a Sevilla.
Si se considera por comunidades autónomas, lógicamente la que mayor porcentaje de viajes tiene es Andalucía
con casi la mitad de ellos. También cabe destacar que Barcelona pese a su lejanía tiene un 7% de los destinos de
viaje.
Los demás destinos que tienen porcentajes bajos no son representativos, ya que hay unos pocos que en las
encuestas sólo son nombrados una vez.
Modos de transporte según la edad
En este apartado se estudia que modos de transporte emplean las personas encuestadas en función de la edad
que tienen, recogida la información en la variable EDAD. Para ello se agrupan las edades en seis intervalos
(menos de 18, entre 18 y 25, entre 26 y 35, entre 36 y 50, entre 51 y 65 y con más de 65 años) y los modos de
transporte se juntan en las tres categorías que se definieron en el apartado inicial de este estudio estadístico
(privado, público y ecológico).
A continuación, se adjuntan los seis gráficos correspondientes de cada uno de los intervalos y una tabla resumen
con el modo que más abunda en cada uno de ellos.
Figura 3-17. Reparto en % de los modos de transporte que usan los encuestados según la edad. Fuente:
Elaboración propia
49
50
MODO DE TRANSPORTE SEGÚN LA EDAD

<18 18-25 26-35 36-50 51-65 >65
Público Privado Privado Privado Privado Privado
Tabla 3-19. Modo de transporte predominante en cada uno de los intervalos de edades definidos. Fuente:
Elaboración propia
En primer lugar, respecto a los menores de 18 años como es lógico el transporte privado es el más escaso, ya
que al no poder tener carnet del coche las opciones son la moto, y para ello hay que tener una edad cercana a los
18 años, o ir de pasajero con otra persona. Los modos que más emplean son tanto el transporte público como el
ecológico. El porcentaje del transporte ecológico es muy elevado comparándolo con los demás rangos de edades.
En segundo lugar, en el intervalo de los 18 a los 25 años están muy parejos el transporte privado y el público,
siendo un poco mayor el primero. Con esta edad ya pueden disponer de documentación para circular con estos
vehículos. Destacar que el transporte público sigue siendo alto, y eso confirma que los jóvenes son más
propensos a su uso.
Los siguientes cuatro intervalos, que van de los 26 años en adelante son más o menos similares. En ambos el
transporte andando o en bicicleta (denominado ecológico) supone una décima parte, el transporte público suelen
rondar el 30% y el privado es la principal opción rondando el 50% en todos los casos. Aquí ya se empieza a
observar que conforme avanza la edad, las personas prefieren la comodidad de usar su propio vehículo, y
también porque tienen más posibilidades de disponer de vehículo privado que los jóvenes.
Por último, como visión general analizar que Sevilla es una ciudad con grandes alternativas y combinaciones
para usar el transporte público y es por ello que el porcentaje en las encuestas se puede considerar alto si se
compara con otras ciudades. En lo que respecta al transporte eclógico se presupone que también debe ir
aumentando con los años, por la gran longitud de carril bici que dispone como ya se ha comentado en este
documento.
También se ha querido analizar que personas según la edad son las que utilizan mayormente cada tipo de
transporte. Este análisis no es del todo representativo ya que las muestras de cada uno de los rangos de edades
son distintas unas de otras. Posiblemente, los rangos de personas dónde las muestras son mayores sean los de
menos de 18 años y más de 65 años. De todas formas, se puede sacar algunas conclusiones lógicas de este
análisis.
Figura 3-18. Reparto en % de los rangos de edades que emplean cada transporte público. Fuente: Elaboración
propia
MODOS DE TRASNPORTE SEGÚN LA EDAD

Público Privado Ecológico
> 65 años > 65 años < 18 años
Tabla 3-20. Personas que más usan un modo de transporte según la edad. Fuente: Elaboración propia
50
Las conclusiones que pueden extraerse son las siguientes:
- El transporte privado los que lo utilizan más son las personas de 36 años en adelante, obviamente
porque disponen de suficientes recursos para poder tener un vehículo privado.
- En lo que respecta al transporte público está muy repartido entre personas de menor edad y las de
mayor edad. Sevilla es una ciudad que te ofrece muchas disponibilidades de transportes públicos, y
con múltiples trayectos.
Destacar que el porcentaje de personas mayores de 65 años vuelve a ser muy elevado en este caso.
- Por último, en lo que respecta al transporte ecológico lógicamente las personas que más lo emplean
son las más jóvenes.
Modos de transporte según el sexo
En primer lugar, se analiza qué modo de transporte son los que más emplean según el encuestado sea hombre o
mujer. Se encuentra recogido esto dentro de la variable SEXO.
Figura 3-19. Reparto en % de los modos de transporte que usan los encuestados según el sexo. Fuente:
Elaboración propia
Se observa que el reparto porcentual es similar en ambos géneros, siendo mayor el transporte privado. Los
resultados que se obtienen confirman lo que ya se vio en uno de los apartados iniciales de este estudio estadístico
de los modos de transporte por categorías (privado, público y ecológico).
En segundo lugar, se examina para cada uno de los modos de transporte quien lo usa más, si los hombres o las
mujeres. Aclarar que la muestra de encuestas para ambos géneros (10.838 encuestados son hombres y 10.358
son mujeres) es similar por lo que es desfase que se podría producir no es significativo.
Figura 3-20. Para cada modo de transporte como es el reparto de % de encuestados según el género. Fuente:
Elaboración propia
51
52
MODO DE TRANSPORTE SEGÚN EL SEXO

Privado Público Ecológico
Hombre Mujer Hombre
Tabla 3-21. Género de encuestado predominante en cada modo de trasporte. Fuente: Elaboración propia
En este caso también los resultados son similares, destacando un poco más el uso del transporte privado por
parte del hombre que de la mujer. En los otros dos modos el reparto es casi la mitad para cada uno (51% y 49%),
siendo más mujeres las que cogen el transporte público y más hombres los que optan por medios ecológicos.
La única conclusión en clave que se puede sacar es que el número de conductores de coche son mayormente
hombres.
Modo de transporte según disponibilidad de segunda vivienda
La variable que se estudia a continuación habla sobre la disponibilidad de segunda vivienda y es el código
SEG_DISP. En las encuestas se puede dar tres tipos de contestaciones:
 Si: Dispone una segunda vivienda en la que poder quedarse.
 No: No dispone de segunda vivienda, pero pasa más de catorce noches en otro alojamiento, como
puede ser un hotel o una casa de alquiler.
 Blanco: Ni dispone de segunda vivienda ni pasa más de catorce noches en otro alojamiento.
Se presupone que las respuestas son en función del nivel económico de cada persona, siendo las que contestan
sí la que dispone de mayor nivel y en blanco la que menos. Esto es una suposición que se ha hecho para este
estudio que no tiene por qué ser así en la mayoría de los casos.
Otra suposición sería que las persona que tengan mayor nivel económico pueden disponer de vehículo privado
para su desplazamiento, y las que menos usarán más el transporte público. De nuevo aclarar que se trata de una
hipótesis, ya que el uso del transporte depende de otros factores (como por ejemplo la disponibilidad de
aparcamiento en el destino lo que propicia elegir el transporte público o ecológico como opción).
Se adjunta las tres gráficas con los resultados:
Figura 3-21. Reparto en % de los modos de transporte que usan los encuestados según la disponibilidad de
segunda vivienda. Fuente: Elaboración propia
MODO DE TRANSPORTE SEGÚN DISPONIBILIDAD DE SEGUNDA VIVIENDA
Sí No No pasa más de 14 noches fuera
Privado Público Privado

Tabla 3-22. Modo de transporte que se emplea según disponibilidad de segunda vivienda. Fuente: Elaboración
propia
52
En la primera gráfica, como se ha dicho en la suposición, los encuestados que disponen de segunda vivienda su
transporte principal es el transporte privado. Aunque no hay gran diferencia con el transporte público y destaca
mucho el empleo del modo ecológico.
En el segundo caso, no dispone de segunda vivienda por lo tanto según la suposición el nivel económico es
menor. Entonces, como se ha obtenido en los resultados el transporte público es el modo más usado.
Por último, el tercer caso es el que se supone que el nivel económico es el menor de los tres, pero se da el caso
de que el transporte privado es el más usado con mayor diferencia respecto al público comparándolo con los
otros dos casos. Posiblemente esto sea así en realidad y la suposición fallaría en este caso. También hay que
tener en cuenta que esta muestra es la que mayores datos dispone, que son 12.396 frente a 4.048 y 4.752, por lo
que al ser el transporte privado en general el más usado es la causa de este resultado.
En conclusión, si la muestra no es tan grande posiblemente los resultados que se obtienen son los que se suponen
en la hipótesis inicial, pero al albergar un número de encuestados mayor este factor ya no es tan determinante y
se obtendrá que el privado es el más usado. Por lo tanto, la disponibilidad o no de segunda vivienda no es un
factor muy bueno para sacar conclusiones sobre movilidad.
Estado Civil
La siguiente variable a estudiar hace referencia al Estado Civil de una persona, teniendo dicha variable el código
ECIVIL en el fichero de microdatos. Las situaciones de estudio son las siguientes:
 Soltero
 Casado
 Viudo
 Separado/Divorciado
Adjunto seguidamente las gráficas y la tabla resumen con los resultados obtenidos.
Figura 3-22. Reparto en % de los modos de transporte que usan los encuestados según su Estado Civil. Fuente:
Elaboración propia
53
54
MODOS DE TRASNPORTE SEGÚN SU ESTADO CIVIL

Soltero Casado Viudo Separado/Divorciado
Público Privado Privado Privado
Tabla 3-23. Modo de Transporte que emplea según su Estado Civil. Fuente: Elaboración propia
En primer lugar, las personas solteras suele ser la población más joven e incluso menor de edad, es por ello que
el transporte prioritario es el público. Las personas jóvenes, como vimos en las encuestas de la edad son los que
se mueven más andando o en bicicleta, como también podemos observar ahora.
Con respecto a las personas casadas, se supone que son personas con una vida estable, es decir, que tienen los
suficientes recursos económicos como para disponer de vehículo privado. Es por ello, que el porcentaje de uso
del transporte privado muestra una gran diferencia con respecto a los otros transportes.
Por otro lado, las personas viudas son en la gran mayoría personas mayores, por lo que observamos que, aunque
predomine el privado, el transporte público también es alto en este caso.
Por último, en lo que respecta a la situación de personas separadas o divorciadas están casi en la misma situación
de personas casadas por motivos obvios. En algún momento estuvieron casados por lo que de nuevo el transporte
privado es el predominante, pero coge un poco mayor de fuerza el transporte ecológico lo que lleva a pensar que
la estabilidad es menor que cuando estaban casados.
En conclusión, cada estado civil se puede asociar a un tramo de edad (soltero es la población más joven, viudos
la más mayor y casados/separados/divorciados suelen ser la edad mediana o mayor), por lo que si relacionamos
estos resultados con los obtenidos en el estudio estadístico según edad vemos que hemos sacado conclusiones
parecidas.
Tareas benéficas o voluntariado social
La siguiente variable a estudiar es la TAREA3, que contesta a la pregunta si dicho encuestado realiza tareas
benéficas o voluntariado social.
La suposición que se hace es que las personas que suelen realizar estos actos sociales está ligado a personas que
miran más por el medio ambiente, por lo que para desplazarses priorizan la opción de ir andando o en bicicleta
por ser más ecológico o incluso usar el transporte público. Estas personas deberían tener un bajo porcentaje en
el uso del transporte privado.
Se plasma las gráficas con los resultados y su tabla resumen.
Figura 3-23. Reparto en % de los modos de transporte que usan las personas que realizan o no tareas benéficas
y voluntariados. Fuente: Elaboración propia
54
MODOS DE TRASNPORTE SEGÚN SI REALIZA TAREAS BENÉFICAS O VOLUNTARIADO
Sí No
Privado Privado
Tabla 3-24. Modo de Transporte que emplea según realice tareas benéficas o voluntariados. Fuente:
Elaboración propia
Una vez visto los resultados se observa que no se cumple la suposición que se hacía y nos sale que el 47% de
las personas que realizan voluntariados usan transporte privado. Obviamente, las que no realizan estas tareas los
resultados son muy lógicos.
La única conclusión positiva que se saca con respecto a la suposición, es que el porcentaje de transporte público
es mayor en las personas que realizan tareas benéficas.
Esta variable no se puede considerar representativa para determinar los modos de transporte de los encuestados.
Una de las razones será porque la muestra de personas que han contestado que si realizan voluntariados es muy
pequeña.
Número de hijos de la mujer
La siguiente variable a analizar es sobre el número de hijos que tiene una mujer, que se denomina en el registro
de microdatos como NHIJOS. Para este estudio solo vamos a coger la muestra de la población que sean mujeres
y tengan más de 16 años.
Las situaciones son las tres siguientes:
 No tiene hijos
 Tiene 1 o 2 hijos
 Tiene más de 3 hijos
Se presupone que el número de hijos va ligado al nivel económico de una unidad familiar, es decir, contra más
hijos tienen mayor es el nivel económico. Suponer esto es un poco relativo, se puede aplicar a los países más
ricos, ya que en los países pobres las familias de menor nivel económico suelen tener más hijos para que así
ayuden en los trabajos para ganar recursos para la familia.
Los resultados que se obtienen son los siguientes:
Figura 3-24. Reparto en % de los modos de transporte en función del número de hijos. Fuente: Elaboración
propia
MODOS DE TRASNPORTE SEGÚN EL NÚMERO DE HIJOS

Ningún hijo 1 o 2 hijos 3 hijos o más
Privado Privado Privado
Tabla 3-25. Modo de Transporte mayoritario según el número de hijos. Fuente: Elaboración propia
55
56
Viendo los resultados, se puede decir que no es muy representativo relacionar el número de hijos de una mujer
con el modo de transporte. Tanto si tiene uno o dos hijos, como más de dos, los resultados obtenidos son
prácticamente iguales.
La única conclusión acertada que se puede hacer es que aquellas personas que no tienen hijos tienen un mayor
porcentaje de uso del transporte público que en los otros dos casos. Esta muestra estará referida la mayor parte
a población de joven edad, por lo que en ésta la hipótesis si tendría mayor varacidad.
Relación con la actividad
La siguiente variable es RELA, y trata sobre la relación de cada encuestado con la actividad laboral. En esta
muestra no entran los menores de 16 años. Se estudian los siguientes casos:
 Ocupado
 Parado, que ha trabajado antes o buscando su primer empleo
 Persona con invalidez temporal permanente
 Jubilado, prejubilado, pensionista o rentista
Figura 3-25. Reparto en % de los modos de transporte en función de su relación con la actividad. Fuente:
Elaboración propia
56
MODOS DE TRASNPORTE SEGÚN LA RELACIÓN CON LA ACTIVIDAD
Ocupado Parado Persona con invalidez Jubilado
Privado Público Privado Público
Tabla 3-26. Modo de Transporte mayoritario según su relación con la actividad. Fuente: Elaboración propia
En primer lugar, las personas ocupadas son aquellas que ya tienen un trabajo por lo que tendrán suficientes
recursos económicos como para disponer de coche propio. Además, el tener trabajo también te hace necesario
el tener que desplazarte en vehículo privado, antes que depender de un transporte público.
Por otro lado, las personas en paro usan más el transporte público. Se puede suponer que su nivel económico es
menor, pero no tiene por qué ser así, o que pueden tratarse de personas jóvenes que están buscando su primer
empleo, y obviamente no disponen todavía de coche propio o están más predispuestas a usar el transporte
público.
La tercera clasificación es la de personas con invalidez, en la que se obtiene que el transporte privado es
mayoritario. Aquí no se puede sacar conclusiones ya que habría que concretar más que tipo de invalidez tiene
cada encuestado. Destacar que es la situación que mayor porcentaje tiene en transporte ecológico. La muestra
que se dispone sólo son 24 personas, por lo que no se puede considerar representativo.
Por último, las personas jubiladas son la población de mayor edad y es por ello que, de forma acertada, su
transporte mayoritario es el público.
Como conclusión, estará variable se puede considerar representativa, para relacionar los modos de transporte
con la situación laboral de cada persona.
Destacar también, que en las encuestas han salido unas 12.669 personas que están ocupadas, frente a las otras
tres situaciones que la muestra siempre es menor a 1000 personas.
Tipo de jornada de trabajo
La siguiente variable es sobre el tiempo de jornada de trabajo, en el que se distingue dos casos distintos, jornada
a tiempo completo y jornada a tiempo parcial. La variable en la base de microdatos se denomina JORNADA.
De esta muestra se descartan los menores de 16 años, y obviamente sólo se tiene en cuenta las personas que
están trabajando.
Los resultados que se obtienen son:
Figura 3-26. Reparto en % de los modos de transporte en función del tipo de jornada de trabajo. Fuente:
Elaboración propia
57
58
MODOS DE TRASNPORTE SEGÚN EL TIPO DE JORNADA DE TRABAJO
Tiempo Completo Tiempo Parcial

Privado Privado
Tabla 3-27. Modo de Transporte mayoritario según su tipo de jornada de trabajo. Fuente: Elaboración propia
Se puede observar que los resultados son prácticamente igual en ambos casos, por lo que esta variable no es
representativa para comparar con los modos de transporte. Tendríamos que juntar este factor con otro, también
relacionado con el trabajo, para así poder obtener conclusiones más características.
En la muestra sólo se tienen personas que están ocupadas, y como se vio en el estudio sobre la relación con la
actividad, el modo de transporte mayoritario es el transporte privado, que ha sido el resultado obtenido.
Situación profesional
Esta variable trata sobre la situación laboral de cada persona, cuya denominación es SITU en el archivo de
microdatos. Las cinco situaciones que plasmadas son:
 Empresario por cuenta propia que emplea personal
 Empresario por cuenta propia que no emplea personal
 Trabajador por cuenta ajena fijo o indefinido
 Trabajador por cuenta ajena eventual o temporal
 Otra situación: ayuda familiar o miembro de cooperativas
Estas variables se pueden relacionar de nuevo con el nivel económico, suponiendo que los empresarios por
cuenta propia tienen mucho más nivel económico que por ejemplo el trabajador por cuenta ajena, por lo que su
transporte prioritario debería ser el privado.
Se adjunta seguidamente la gráfica y una tabla resumen de los resultados obtenidos:
Figura 3-27. Reparto en % de los modos de transporte en función de la situación profesional. Fuente:
Elaboración propia
58
MODOS DE TRASNPORTE SEGÚN LA SITUACIÓN PROFESIONAL
Empresario
Empresario sin personal Trabajador fijo Trabajador temporal Otra situación
con personal
Privado Privado Privado Privado Público
Tabla 3-28. Modo de Transporte mayoritario según su situación profesional. Fuente: Elaboración propia
En primer lugar, se observa que los empresarios tienen obviamente como transporte mayoritario el privado, y
los resultados no varían en función de si contratan personal o no.
Con respecto a los trabajadores por cuenta ajena, vemos que también el transporte mayoritario es el privado, y
no muestra gran diferencia con los empresarios, por lo que aunque la hipótesis inicial no es del todo cierta
también se puede considerar real ya que una persona que trabaja dispone de un cierto nivel económico como
para disponer de transporte privado. Destacar que el porcentaje de transporte público es mayor, y sobre todo en
aquellos trabajadores temporales, que se supone que tienen que ser gente joven que están empezando a trabajar
y como ya se ha visto anteriormente en este estudio la gente joven suele usar mucho este modo (para este caso
de trabajadores eventuales la disponibilidad de vehículo privado debería ser menor que en el caso de un
trabajador fijo).
Del caso de otras situaciones se observa que el transporte mayoritario es el público. No se puede sacar ninguna
conclusión al respecto al no disponer de mucha más información sobre las características de este campo.
Número de viajes diarios
Esta variable está relacionada con los desplazamientos por lo que es muy importante en este estudio. En el
archivo microdatos se denomina NVIAJE. Se analizan dos situaciones, las personas que sólo dan un viaje y los
que dan dos viajes o más.
Se ha descartado la primera situación que era la de ningún viaje, ya que obviamente los que no dan viaje no usan
ningún medio de transporte por lo que el conteo sería cero.
Los resultados son los siguientes:
Figura 3-28. Reparto en % de los modos de transporte en función del número de viaje que dan. Fuente:
Elaboración propia
59
60
MODOS DE TRASNPORTE SEGÚN EL NÚMERO DE VIAJES

Un viaje Dos o más viajes
Privado Privado
Tabla 3-29. Modo de Transporte mayoritario según el número de viajes. Fuente: Elaboración propia
Se observa que ambas gráficas son prácticamente idénticas, siendo en las dos el transporte mayoritario el
privado, así que en realidad no se puede sacar grandes conclusiones, a pesar de ello se puede observar algunas
cosas.
En primer lugar, cuando una persona sólo realiza un viaje diario está más predispuesta a usar en ese trayecto el
transporte público, ya que resulta más cómodo. Es por ello que el porcentaje de transporte público en el caso de
un solo viaje es mayor que en la otra situación.
Por otro lado, una persona que da más de un viaje en la mayoría de los casos usa su transporte privado. Un
ejemplo es, una persona que trabaja de mañana y de tarde y va a su casa a almorzar, por lo que tiene un mínimo
tiempo para hacerlo y por rapidez escoge ir en su vehículo. El mismo ejemplo se puede suponer para un
estudiante que tiene clases por la mañana y por la tarde, y prefiere ir a su domicilio a comer antes que en la
facultad.
Por último, en lo que respecta al transporte ecológico es mayor en las personas que solo dan un viaje y
obviamente esto entra dentro de la lógica desde el punto de vista de la comodidad de una persona.
Habría que comparar esta variable con los destinos, y observar que por ejemplo aquellas personas que dan sólo
un viaje diario puede coincidir con los destinos que están más alejados. Por el contrario, si das más de un viaje
al día es porque su destino está más cerca.
Tiempo de desplazamiento
La variable TDESP es otra variable de movilidad muy importante para el estudio que nos incumbe. Hablamos
del tiempo que tarda una persona en ir a su lugar de trabajo o estudios, contando sólo el tiempo del viaje de ida.
Para su análisis la hemos dividido en cuatro intervalos:
 Menos de 10 min
 Entre 10 y 29 min
 Entre 30 y 59 min
 Más de 1 hora
60
Figura 3-29. Reparto en % de los modos de transporte en función del tiempo que tardan en un desplazamiento.
MODOS DE TRASNPORTE SEGÚN EL TIEMPO DE DESPLAZAMIENTO

Menos de 10 min Entre 10 y 29 min Entre 30 y 59 min Más de 1 hora
Ecológico Privado Público Público
Tabla 3-30. Modo de Transporte mayoritario según tiempo de desplazamiento. Fuente: Elaboración propia
En primer lugar, obviamente cuando tardas menos de 10 minutos es porque el destino está muy cerca. La
principal opción es transporte ecológico, es decir, son destinos en los que lo más cómodo es ir andando o en
bicicleta. La siguiente opción es el transporte público, por encima del transporte privado.
En segundo lugar, si tardan entre 10 o 29 min la principal opción es el transporte privado. Destacar que en este
caso el transporte ecológico es muy bajo.
En tercer lugar, cuando tardas entre 30 min o una hora vemos que el transporte ecológico es reducido, y el
número de respuestas de los encuestados la reparten entre el transporte privado y el público de manera casi
idéntica. En esta alternativa tiene que tener haber ya algunos destinos que sean localizaciones fuera del municipio
de Sevilla.
La última categoría, se trata de viajes de más de 1 hora, que se suponen que ya la mayoría de ellos serán a
municipios fuera de Sevilla. En esta última categoría obviamente el transporte ecológico es prácticamente nulo.
Luego de nuevo tanto el transporte privado como el público son muy parecidos, pero en este caso el público
destaca un poco más. Aquí posiblemente se incluya algunos destinos como son viajes largos en tren a otras
61
62
grandes ciudades, como las que hemos visto en el apartado que estudiamos los destinos.
En el caso de esta variable, si la queremos relacionar con los destinos el resultado sería obvio. Pero hay que tener
en cuenta, que por ejemplo para viajes largos se podría usar modos de transporte de mayor velocidad como
puede ser un tren frente a un coche, así que por factores como este analizar estar dos variables entre ellas no sería
del todo representativo.
Régimen de tenencia de una vivienda
Ahora vamos analizar una variable que trata sobre el tipo de tenencia de vivienda, asemejándolo al nivel
económico de cada persona e inclusive su edad, para comparar con los modos de transporte que cogería. En la
base de microdatos la denominan TENEN.
Se impone cuatro situaciones:
 Propia, por compra, totalmente pagada
 Propia, por compra, con pagos pendientes (hipotecas)
 Propia por herencia o donación
 Alquilada
Se adjuntan las gráficas con los resultados obtenidos:
Figura 3-30. Reparto en % de los modos de transporte en función del régimen de tenencia de vivienda. Fuente:
Elaboración propia
62
MODOS DE TRASNPORTE SEGÚN EL RÉGIMEN DE TENENCIA DE VIVIENDA
Propia totalmente Propia con pagos
Propia por herencia Alquilada
pagada pendientes
Privado Privado Privado Público
Tabla 3-31. Modo de Transporte mayoritario según el régimen de tenencia de vivienda. Fuente: Elaboración
propia
La primera situación son personas que tienen casa propia y ya totalmente pagada. Esto puede ser porque es una
persona mayor de edad o con un nivel económico alto. Es por ello que el transporte predominante es el privado,
y es la situación de las cuatro en las que hay mayor diferencia respecto a los otros modos.
Las personas que tienen casa propia pero todavía con pagos pendientes, se suponen que son personas de mediana
edad o quizás con el nivel económico menor a la anterior situación. En este caso de nuevo el predominante es el
privado, pero está más igualado con el transporte público.
La siguiente situación son personas que tienen casa propia, pero por herencia o donación. En este caso no se
puede hacer ninguna suposición con respecto al modo de desplazamiento, ya que haría falta tener en cuenta otro
tipo de factores. Aquí el privado vuelve a ser el predominante, y el ecológico tiene mayor importancia.
Por último, están las personas que tienen casa, pero alquilada, y estas suelen ser personas jóvenes que están
empezando a trabajar o son estudiantes. Se supone que está situación está relacionada con un listón económico
mucho menor. Es por ello, que el transporte mayoritario es el público, aunque solo se diferencia del privado un
uno por ciento, observando aquí el aumento del uso de bus, metro o tren como modo favorito.
Conclusiones del Estudio Estadístico
Para terminar, se enumera ahora algunas de las principales conclusiones que hemos sacado en este análisis
estadístico de aquellas variables que han resultado representativas desde el punto de vista de la movilidad. Estas
conclusiones son:
- Los modos de transporte que más se usan según los datos que tenemos son el coche, el metro y
andando. Resulta destacable que el modo metro este entre las más usadas, cuando al acudir a otras
fuentes de información esto no es así y como es lógico sea el modo de desplazamiento en bus el que
destaque por encima del metro.
- Todos los modos de transporte para este estudio se han agrupado en tres categorías: privado
motorizado (coche y moto), público motorizado (bus, metro y tren) y ecológico (andando y bicicleta).
El orden de uso en estas tres categorías tiene el mismo orden que en el que los acabamos de nombrar.
- Al estudiar los destinos de los viajes en el ámbito de la ciudad de Sevilla se obtuvo como resultados
que las zonas a las que más se dirigen los encuestados son Macarena Norte, Casco Antiguo, Macarena
y Nervión. Los destinos menos elegidos son Palmera-Bellavista e Isla de la Cartuja.
- Respecto a la edad, las personas de menos de 25 años son más propensas a coger el transporte público
y el ecológico, pero por otro lado, las mayores de 25 años optan más por el uso de vehículo privado.
- La variable de Estado Civil, que se puede relacionar con la de la edad, nos muestra que las personas
solteras (mayormente la población joven) usan más el transporte público, y las personas ya casadas o
divorciadas (personas de mayor edad) emplean más el transporte privado.
- Las personas con trabajo usan más el transporte privado (mayor edad y nivel económico), las paradas
optan más por el público (menor edad y nivel económico) y las jubiladas (personas de anciana edad)
suelen tener un alto porcentaje el transporte público.
- Haciendo referencia al número de viajes que realiza en un día, aquellas personas que sólo hacen un
viaje emplean transporte público y ecológico, y las que hacen más de uno prefieren la comodidad del
coche privado.
- Con respecto al tiempo de desplazamiento, en los viajes de menos de 10 minutos se opta por el
transporte ecológico, entre 10 y 29 minutos el principal es el privado y en viajes de más de 30 minutos
igualmente es el transporte privado, pero abunda también el transporte público que puede hacer
referencia a viajes de larga duración a otras grandes ciudades en medios como el tren o el bus.
63
64
- Muchas variables ligadas al nivel económico relacionan tener un alto nivel al uso de transporte
privado y los bajos niveles económicos están ligados al empleo del transporte público y el ecológico.
Por último, comentar que se han estudiado algunas variables que no han llegado a ser representativas desde el
punto de vista de los modos de transporte y la movilidad, ya sea por la calidad o cantidad de la muestra o por
otros factores. Algunas de estas variables han sido: sexo, disponibilidad de segunda vivienda, tipo de jornada de
trabajo, situación profesional, etc.
64
4 ATLAS DE DISTRIBUCIÓN DE RENTA EN LOS
HOGARES
4.1. Introdución
El INE ha publicado un servicio de datos, llamado “Atlas de Distribución de la Renta de los Hogares”, que
ofrece cifras de renta a nivel municipal e inframunicipal, a partir de datos de la Agencia Tributaria y las haciendas
forales.
El periódico EL PAÍS publica un artículo, [10] N. Rodrigo y E. Castillo, en septiembre de 2019, dónde hace un
resumen de toda la información que se ofrece en este servicio.
Las estadísticas, elaboradas con datos de renta de 2016, ofrecen información de renta media (por persona y por
hogar) para ámbitos geográficos de más de 100 habitantes, lo que implica disponer de datos para más del 99,8%
de la población residente. Además, para aquellas poblaciones de más de 2.500 habitantes, el INE permite hacer
un análisis mucho más pormenorizado al desagregar los datos por sexo, edad, nacionalidad (español o
extranjero) y hogares con ingresos inferiores a los 7.500 euros.
El servicio está acompañado de un sistema de visualización de mapas, con el cual se puede obtener la renta por
hogar o por individuo de cada sección censal, es decir, con datos de renta al detalle de cada mesa electoral. La
aplicación permite la búsqueda por calle o por ubicación. En algunas ubicaciones, en todo caso, los datos de
renta media no están disponibles por secreto estadístico, al no superarse los umbrales mínimos de población
(100 personas).
Igualmente, para la construcción de la tabla se han excluido de la muestra las rentas del 0,5% de los hogares más
ricos y del 0,5% más pobres para acotar los extremos y evitar distorsionar los resultados. Eso provoca que en
algunas ubicaciones de rentas muy altas donde la media se sitúa por encima de ese umbral del 99,5% más rico,
el INE proporcione el dato de la renta media, sino únicamente ese umbral máximo (89.015 euros por hogar y
29.364 euros por persona).
Estos servicios se enmarcan en una sección del INE, denominada Estadística Experimental en la que el
organismo estadístico “mostrará resultados de las investigaciones en nuevos métodos de estimación, en el
tratamiento de nuevas fuentes de datos o en nuevas formas de difusión”.
Otro artículo de interés, también del periódico El País, es el [11] B. Andrino, D. Grasso y K. Llaneras, septiembre
de 2019. En él nos comenta que con la información que aporta el INE, han creado un mapa para destacar las
diferencias entre regiones y dentro de una misma ciudad. También han calculado el percentil de cada sección
(dentro de España y dentro de su Comunidad Autónoma) para saber dónde se sitúa: entre los más ricos, entre
los más pobres o cerca del valor mediano.
En el mapa no reflejan ninguna renta por debajo de 2.897 € o por encima de 29.364 €. Tampoco publica datos
de zonas en las que vive menos de 100 personas ni datos de la provincia de Málaga.
65
66
Atlas de Distribución de Renta en los Hogares
Figura 4-1. Mapa de la renta de los españoles. Municipio de Sevilla. Fuente: El País
4.2. Proyecto Técnico. Atlas de Distribución de la Renta de los Hogares

4.2.1. Ámbito del proyecto
Población objeto de estudio
El ámbito poblacional está constituido por la población residente en viviendas familiares según el Fichero
Precensal de Población (FPC) a fecha de 1 de enero del año siguiente al periodo de referencia de los datos de
renta.
Ámbito geográfico
El ámbito está formado por el territorio nacional en su conjunto. No obstante, en la actualidad solo un
subconjunto menor de los indicadores está referido a todo el territorio, que son los datos de renta media.
Período de referencia de los datos
La población referida al 1-1-N, tendrá los datos de la renta percibida durante el año N-1. En la publicación
figurará el año del periodo de referencia de la renta (por ejemplo, el ADRH-2016 se refiere a la población del 1
de enero de 2017 con datos de ingresos percibidos durante 2016).
4.2.2. Indicadores elaborados

Los indicadores que han publicado son:
Indicadores de renta
- Renta media por persona
- Renta media por hogar
- Fuentes de ingreso (en %) para la sección censal. Se consideran cinco categorías: salario, pensiones,
prestaciones de desempleo, otras prestaciones, otros ingresos.
- Renta media y distribución de la renta por unidad de consumo:
o Porcentaje de población con ingresos por unidad de consumo por debajo de determinados
umbrales fijos (5.000, 7.500, 10.000).
o Porcentaje de población con ingresos por unidad de consumo por debajo de determinados
umbrales relativos expresados como porcentaje de la mediana (umbrales considerados,
obtenidos a partir de la propia distribución de los ingresos por unidad de consumo: 40%,
50%, 60%, 140%, 160% y 200% de la mediana).
Para los indicadores de distribución de renta por unidad de consumo se ofrecen también datos desagregados
66
según estas variables de clasificación:
- Sexo
- Tramos de edad (menores de 18 años, de 18 a 64 años, de 65 y más años)
- Nacionalidad (españoles, extranjeros)
El concepto de unidad de consumo se usa para una mejor comparación de los ingresos de distintos tipos de
hogar. Una persona viviendo sola constituye una unidad de consumo, dado que afronta por si sola todos los
gastos del hogar.
Para determinar el número de unidades de consumo equivalentes a los distintos hogares, se utiliza en todos los
países de la UE la llamada escala de la OCDE modificada, que asigna un peso de 1 al primer adulto de cada
hogar, 0,5 a los demás adultos y un peso de 0,3 a los menores de 14 años. Los ingresos por unidad de consumo
del hogar se obtienen dividiendo los ingresos totales del hogar entre el número de unidades de consumo que
componen ese hogar.
Indicadores demográficos
También se elaboran algunos indicadores demográficos a nivel de sección censal, que permiten caracterizar las
secciones y analizar mejor los niveles de renta. Se contempla los siguientes:
- Edad media de la población de la sección
- % de población menor de 18 años
- % de población mayor de 65 años
- Tamaño medio del hogar
- % de hogares unipersonales
Se proporciona también la población residente en viviendas familiares a 1 de enero de cada año según fichero
precensal de población (INE).
4.3. Tratamiento de la información y creación de la base de datos

Vamos a realizar con estos datos el mismo procedimiento que llevamos a cabo con los indicadores censales en
apartados anteriores. Es decir, crearemos una base de datos con toda la información que saquemos de los
indicadores de la renta y, además, como esta información se encuentra a nivel de sección censal la pasaremos a
nivel de zona de análisis de transporte TAZ.
Obviamente, la información que se manejará será la que se tenga a nivel del municipio de Sevilla.
Las tablas que vamos a tener, almacenadas en hojas de Excel, son las siguientes:
- TABLA 1: Renta media por persona y hogar para la sección censal.
- TABLA 2: Fuente de ingreso (en %) para la sección censal.
- TABLA 3: Indicadores demográficos para la sección censal.
- TABLA 4: Porcentaje de población con ingresos por unidad de consumo por debajo de determinados
umbrales fijos para la sección censal.
- TABLA 5: Porcentaje de población con ingresos por unidad de consumo por debajo de determinados
umbrales relativos expresados como porcentaje de la mediana.
- TABLA 6: Matriz con las zonas de análisis de transporte, dónde se añadirá con las operaciones que
explicaremos seguidamente toda la información de los indicadores de la renta que tenga asociada de
cada una de las secciones censales.
- TABLA 7: Para hacer el reparto de los datos de los indicadores de la renta para la sección censal a las
zonas de transporte, habrá que saber que superficie de ocupación tiene cada sección censal dentro de
cada zona de transporte. Entonces, tendremos una tabla con los porcentajes ocupacionales de cada una
de las secciones censales que pertenecen a una determinada zona de transporte.
La TABLA 7 ya se explicó cómo se obtiene en el apartado de los indicadores censales anterior, por lo que vamos
a emplear la misma.
67
68
Entonces, seguidamente vamos a ir describiendo cómo vamos pasando toda la información de las TABLAS 1,
2, 3, 4 y 5 para cada sección censal a nivel de zona de análisis de transporte.
4.3.1. Variable Población en Zonas de Análisis de Transporte

En primer lugar, vamos a pasar la variable de población en cada sección censal que nos aporta los indicadores
demográficos a nivel de zona de análisis transporte. Esto lo hacemos porque para realizar el correspondiente
reparto de las variables de renta poblacionales esta vez no lo vamos a hacer en función de las superficies de las
distintas zonas como hicimos con los indicadores censales, si no que el reparto se hará proporcional a la
población de cada zona.
Empleamos el software Matlab para realizar las operaciones pertinentes y trabajar sacando e introduciendo
información en las distintas hojas de Excel.
Suponiendo que dentro de una zona de transporte se encuentran una parte de la superficie de dos secciones
censales, la población de la zona de transporte se obtiene de la siguiente manera:
ATAZ∩1 ATAZ∩2
PTAZ = P1SC · + P2SC · = P1SC · x1 + P2SC · x2
A1 A2
Siendo:
PiSC Población de la sección censal i
ATAZ∩i Área de intersección entre la zona de transporte y la sección censal i
Ai Área de la sección censal i
xi Proporción de la superficie de la sección censal i que está dentro de la zona de transporte de cálculo
(Esta son las proporciones calculadas que se encuentran almacenadas en la TABLA 7)
PTAZ Población en la Zona de Transporte de cálculo
Este sumatorio que aquí se muestra como ejemplo se hará de todas las secciones censales que interfiera en la
zona de transporte de cálculo pertinente.
Figura 4-2. Ejemplo de intersección de secciones censales con el TAZ. Fuente: Elaboración propia
4.3.2. Variable Hogares en Zonas de Análisis de Transporte

Los indicadores de renta pueden ser poblacionales, los cuales los obtendremos operando con la población en
cada zona de transporte, pero también pueden estar referidos a los hogares, por lo que necesitaremos también el
número de hogares que hay en cada zona de transporte.
En los indicadores demográficos de la renta no nos aporta esta información, por lo que acudimos a la base de
datos de los indicadores censales que describimos en el apartado anterior, y extraemos esta información que
buscamos.
68
Para más detalle, la operación que se hizo es la misma que para la población en función de las superficies, y es
la siguiente:
ATAZ∩1 ATAZ∩2
HTAZ = H1SC · + H2SC · = H1SC · x1 + H2SC · x2
A1 A2
Siendo:
HiSC Número de hogares de la sección censal i
AZT∩i Área de intersección entre la zona de transporte y la sección censal i
Ai Área de la sección censal i
xi Proporción de la superficie de la sección censal i que está dentro de la zona de transporte de cálculo
HZ−T Número de hogares en la Zona de Transporte de cálculo
Este sumatorio que aquí se muestra como ejemplo se hará de todas las secciones censales que interfiera en la
zona de transporte de cálculo pertinente.
4.3.3. Variable Renta Media en Zonas de Análisis de Transporte

De la TABLA 1 tenemos los datos de la renta media por persona y por hogar para cada sección censal. De
nuevo, se muestra la operación que se hace para pasar esta información a nivel de zona de transporte. Se vuelve
a poner como ejemplo una zona de transporte en la que interfiere solo dos secciones censales para que se entienda
así con más claridad las operaciones que se realiza.
En primer lugar, nos centramos en la renta media por persona. Primero calculamos la renta total no per cápita
de la zona de análisis de transporte de cálculo:
STAZ = RSC 𝑆𝐶 SC 𝑆𝐶
1 · P1 · x1 + R 2 · P2 · x2
Siendo:
RSC
i Renta media por persona de la sección censal i
P𝑖𝑆𝐶 Población de la sección censal i
xi Proporción de la superficie de la sección censal i que está dentro de la zona de análisis de transporte
de cálculo
STAZ Renta total no per capita de la zona de transporte de cálculo
Por lo tanto, para obtener la renta media por persona en cada zona de transporte se hace la siguiente operación:
𝑆𝑇𝐴𝑍 RSC 𝑆𝐶 SC 𝑆𝐶
1 · P1 · x1 + R 2 · P2 · x2
𝑅𝑇𝐴𝑍 = = = 𝑅1𝑆𝐶 · 𝑦1 + 𝑅2𝑆𝐶 · 𝑦2
𝑃𝑇𝐴𝑍 𝑃𝑇𝐴𝑍
Siendo:
P𝑆𝐶
𝑖 ·xi
𝑦𝑖 Hace referencia a la proporción 𝑃𝑇𝐴𝑍
𝑅𝑇𝐴𝑍 Renta media por persona en la zona de análisis de transporte de cálculo

En segundo lugar, para obtener la renta media por hogar en cada zona de transporte se realizan las mismas
operaciones, pero intercambiando la variable de población por la de hogares. Las dos ecuaciones serían las
siguientes:
STAZ = RSC 𝑆𝐶 SC 𝑆𝐶
1 · H1 · x1 + R 2 · H2 · x2
Siendo:
RSC
i Renta media por hogar de la sección censal i
H𝑖𝑆𝐶 Número de hogares de la sección censal i
69
70
xi Proporción de la superficie de la sección censal i que está dentro de la zona de análisis transporte
de cálculo
STAZ Renta total por hogares de la zona de análisis transporte de cálculo
𝑆𝑇𝐴𝑍 RSC 𝑆𝐶 SC 𝑆𝐶
1 · H1 · x1 + R 2 · H2 · x2
𝑅𝑇𝐴𝑍 = = = 𝑅1𝑆𝐶 · 𝑧1 + 𝑅2𝑆𝐶 · 𝑧2
𝑃𝑇𝐴𝑍 𝐻𝑇𝐴𝑍
Siendo:
H𝑆𝐶
𝑖 ·xi
𝑧𝑖 Hace referencia a la proporción
𝐻𝑇𝐴𝑍
𝑅𝑇𝐴𝑍 Renta media por hogar en la zona de anális de transporte de cálculo
4.3.4. Variable Fuente de ingresos (%) en Zonas de Análisis de Transporte

En la TABLA 2 se recoge para cada sección censal el reparto de la fuente de ingresos en porcentaje, es decir,
que tanto por ciento de los ingresos provienen de: salarios, pensiones, prestaciones por desempleo, otras
prestaciones y otros ingresos. La suma de estos porcentajes en cada sección censal nos tiene que dar 100 %.
En esta ocasión tenemos dos fases, la primera es pasar estos datos de las secciones censales a nivel de zona de
transporte, y la segunda, como posiblemente la suma de estos valores en cada zona no nos de 100 %, se ajustarán
para conseguir que esto sí ocurra.
Por lo tanto, para cada una de las columnas de cada sección censal se realizan las siguientes operaciones:
- Salario total de la sección censal:
S1 = R1 · ys · P1
Siendo:
𝑅𝑖 Renta media por persona en la sección censal i
𝑦𝑠 Porcentaje de la fuente de ingreso determinada de la sección censal i
𝑃𝑖 Población de la sección censal i
- Salario total de la Zona de Análisis de Transporte
STAZ = R1 · ys · P1 · x1 + R 2 · ys · P2 · x2
Siendo:
xi Proporción de la superficie de la sección censal i que está dentro de la zona de análisis de transporte
de cálculo
- Porcentaje en salario de la renta de la zona de análisis de transporte:
STAZ
Ys =
R TAZ · PTAZ
Siendo:
𝑅𝑇𝐴𝑍 Renta media por persona en la zona de análisis de transporte de cálculo
𝑃𝑇𝐴𝑍 Población de la zona de análisis de transporte de cálculo
Con esto obtenemos los valores de cada una de las columnas de las fuentes de ingreso. El problema está que
ahora todas las columnas de una zona de transporte no suman el 100% por lo que habrá que realizar una serie
de operaciones para corregir este reparto.
Considerando que es una matriz dónde cada fila hace referencia a una zona de transporte, y cada columna es una
fuente de ingreso determinada, se hace la siguiente operación:
70
Ysj · 100
Ys−Corregida =
∑Ncolumnas
j=1 Ysj
Siendo:
𝑌𝑠𝑗 Fuente de ingreso de la columna j de la zona de análisis de transporte de cálculo
𝑌𝑠−𝐶𝑜𝑟𝑟𝑒𝑔𝑖𝑑𝑎 Fuente de ingreso de la columna j corregida
Realizando esta operación para todas las columnas de la matriz conseguimos que la fuente de ingreso de cada
zona de análisis de transporte sume el 100%, y ya tendríamos los valores que buscábamos.
4.3.5. Indicadores demográficos en Zonas de Análisis de Transporte

En esta fuente de información también ofrecen algunos valores de interés referidos a indicadores demográficos,
los cuales hemos almacenado en la TABLA 3. Anteriormente, ya hemos asignado la variable población a las
zonas de análisis de transporte, por lo que vamos a proceder a hacer lo mismo con las demás variables.
Vamos a usar las mismas ecuaciones que para las variables de la renta media, atendiendo en cada caso a si el
indicador se refiere a población o a hogares.
Indicadores demográficos de población
Entre estos encontramos los siguientes: Edad media de la población, porcentaje de población menor de 18 años
y porcentaje de población de 65 y más años.
Las operaciones son las siguientes:
VTOTAL−TAZ = V1SC · P1𝑆𝐶 · x1 + V2SC · P2𝑆𝐶 · x2
Siendo:
ViSC Variable de estudio de la sección censal i
P𝑖𝑆𝐶 Población de la sección censal i
xi Proporción de la superficie de la sección censal i que está dentro de la zona de análisis transporte
de cálculo
STOTAL−TAZ Variable suma total en la zona de análisis de transporte de cálculo
VTOTAL−TAZ V1SC · P1SC · x1 + V2SC · P2SC · x2
VTAZ = = = RSC SC
1 · y1 + R 2 · y2
PTAZ PTAZ
Siendo:
P𝑆𝐶
𝑖 ·xi
𝑉𝑇𝐴𝑍 Variable de estudio en la zona de análisis de transporte de cálculo

Indicadores demográficos del hogar
Tenemos los siguientes dos indicadores: Tamaño media del hogar y Porcentaje de hogares unipersonales.
Las operaciones serán las mismas, pero sustituyendo las variables de población por las de número de hogares.
VTOTAL−TAZ = V1SC · H1SC · x1 + V2SC · H2SC · x2
Siendo:
ViSC Variable de estudio de la sección censal i
H𝑖𝑆𝐶 Número de hogares de la sección censal i
xi Proporción de la superficie de la sección censal i que está dentro de la zona de análisis de
71
72
transporte de cálculo
STOTAL−TAZ Variable suma total en la zona de análisis de transporte de cálculo
VTOTAL−TAZ V1SC · H1SC · x1 + V2SC · H2SC · x2
VTAZ = = = RSC SC
1 · y1 + R 2 · y2
PTAZ PTAZ
Siendo:
H𝑆𝐶
𝑖 ·xi
𝑉𝑇𝐴𝑍 Variable de estudio en la zona de análisis transporte de cálculo
4.3.6. Variables de porcentaje de población con ingresos por debajo de un umbral en Zonas
de Análisis de Transporte
Vamos a pasar a zona de análisis de transporte los valores de las secciones censales de porcentaje de población
con ingresos por unidad de consumo por debajo de determinados umbrales fijos que almacenamos en la TABLA
4. Esta variable está referida a la población por lo que empleamos la misma ecuación que se usó en el apartado
anterior para los indicadores demográficos de población.
Tendremos valores para la población masculina, para la femenina y obviamente del total de la población, y se
reparten estos porcentajes en tres umbrales:
- Población con ingresos por unidad de consumo por debajo de 5.000 euros
4.3.7. Variables de porcentaje de población con ingresos por debajo de determinados

umbrales relativos en Zonas de Análisis de Transporte
Se trata del mismo caso que anteriormente, es decir, una información referida a la población, por lo que volvemos
a usar las mismas operaciones. La información que tenemos en esta TABLA 5 es el porcentaje de población
con ingresos por unidad de consumo por debajo de determinados umbrales relativos expresados como porcentaje
de la mediana.
El reparto se hace en los siguientes seis umbrales referidos a población total:
- Población con ingresos por unidad de consumo por debajo del 40% de la mediana
Con esto último ya tenemos toda la información que nos aporta el INE en estos indicadores de renta referidas a
las zonas de análisis de transporte TAZ de la ciudad de Sevilla.
4.3.8. Cartografía vectorial de los indicadores de la renta en las Zonas de Análisis de

Transporte
La base de datos que se ha creado se añadirá a la cartografía vectorial de las zonas de transporte TAZ para así
poder realizar representaciones gráficas sobre ello. Para añadir un ejemplo, se adjunta el mapa dónde se
representará la variable media por persona en las diferentes zonas de Sevilla.
72
Figura 4-3. Renta media por persona. Zonas de Análisis de Transporte TAZ. Fuente: Elaboración propia
73
74
Catastro
5 CATASTRO
5.1. Introducción
La Dirección General del Catastro (DGC) de España, comúnmente conocida como El Catastro, es el órgano
directivo de la Secretaría de Estado de Hacienda del Ministerio de Hacienda encargado de la planificación,
dirección, coordinación, control y ejecución del Catastro en España, un registro administrativo que contiene la
descripción de los bienes inmuebles rústicos, urbanos y de características especiales, cuya inscripción en el
mismo es obligatoria y gratuita, características que lo diferencia del Registro de la propiedad.
Toda la información del Catastro se recoge en su página web Sede Electrónica del Catastro, dónde puedes
acceder gratuitamente a toda la información o tener que registrarte para obtener otras informaciones más
específicas.
Concretamente en este estudio nos centraremos en la información recogida en el apartado de DIFUSIÓN DE
DATOS CATASTRALES, dónde se puede descargar información cartográfica y alfanumérica, servicios web,
formatos INSPIRE, datos estadísticos.
Se descargará información de datos y cartografía del municipio de Sevilla para el estudio que nos incumbe, en
los siguientes dos formatos:
- Información alfanumérica (formato CAT)
- Cartografía vectorial (formato Shapefile)
En los siguientes apartados se describe el contenido de cada una y la información que será de utilidad.
Con esta información lo que se pretende es ver que utilidades desde el punto de vista de la movilidad se le puede
dar, y que nos pueda servir en los modelos posteriores que se realizarán. Una vez más, como se ha realizado en
las otras fuentes de información, se traspasará la información que se vea oportuna al ámbito de zonas de análisis
de transporte TAZ.
Como se viene haciendo en todo el estudio, centraremos la información que vamos a utilizar meramente al
municipio de Sevilla.
5.2. Información alfanumérica (formato CAT)

El formato CAT refleja toda la información alfanumérica de Catastro no protegida. Incluye información de
inmuebles urbanos, rústicos y BICE. Se representan fincas, unidades constructivas, locales, cultivos e inmuebles.
Se proporciona en un fichero de texto con registros de 1000 caracteres. Para facilitar el trabajo, de tratar o
consultar este fichero, se han creado unas plantillas para MS Excel y OpenOffice para los principales tipos de
registros del fichero.
En el ANEXO B.1 se adjunta la descripción completa del fichero CAT, es decir, todas sus variables y sus
significados. De todas formas, seguidamente se hace un resumen del contenido de dicho fichero.
La descripción catastral de los bienes inmuebles comprenderá sus características físicas, económicas y jurídicas,
entre las que se encontraran la localización y la referencia catastral, la superficie, el uso o destino, la clase de
cultivo o aprovechamiento, la calidad de las construcciones, la representación gráfica, el valor catastral y el
titular catastral, si bien estos dos últimos tienen la consideración de datos protegidos.
Los elementos que componen la base de datos catastral, y que pueden encontrarse en el formato CAT, son los
siguientes:
- Tipo 01. Registro de cabecera. Existirá uno para todo el fichero independientemente de que el
fichero recoja la información correspondiente a un solo municipio o a varios.
74
- Tipo 11. Registro de Finca. Identifica y localiza a la parcela catastral. Existirá uno por cada parcela
catastral implicada.
- Tipo 13. Registro de Unidad Constructiva. Representa un edificio o un conjunto de construcciones
particularizadas dentro de un edificio. Existirá uno por cada unidad constructiva en cada parcela
catastral.
- Tipo 14. Registro de Construcción. Identifica cada uno de los locales existentes en un bien
inmueble, con su descripción física: superficie, antigüedad, tipología. Existirá uno por cada
construcción de cada unidad constructiva en cada parcela catastral.
- Tipo 15. Registro de Inmueble. Identifica cada uno de los bienes inmuebles dentro de una parcela
catastral. Existirá uno por cada bien inmueble en cada parcela catastral.
- Tipo 16. Registro de Reparto de elementos comunes. Identifica el elemento constructivo cuyo valor
se reparte entre los demás elementos de construcción. Existirá al menos uno por cada elemento común
que se reparte, siempre que sea necesario especificar repartos especiales.
- Tipo 17. Registro de Cultivos. Identifica cada subparcela de cultivo existente dentro de la parcela
catastral. Existirá uno por cada subparcela de cultivo existente dentro de la parcela catastral.
- Tipo 90. Registro de cola. Existirá uno para todo el fichero.
A los exclusivos efectos catastrales, el artículo 6 del texto refundido de la Ley del Catastro Inmobiliario (TRLCI)
RDL 1/2004 establece que, tiene la consideración de bien inmueble la parcela o porción de suelo de una misma
naturaleza, enclavada en un término municipal y cerrada por una línea poligonal que delimita, a tales efectos, el
ámbito espacial del derecho de propiedad de un propietario o de varios pro indiviso y, en su caso, las
construcciones emplazadas en dicho ámbito, cualquiera que sea su dueño, y con independencia de otros derechos
que recaigan sobre el inmueble. Igualmente el TRLCI considera Bienes Inmuebles los diferentes elementos
privativos de los edificios que sean susceptibles de aprovechamiento independiente, sometidos al régimen
especial de propiedad horizontal, así como el conjunto constituido por diferentes elementos privativos
mutuamente vinculados y adquiridos en unidad de acto y, en las condiciones que reglamentariamente se
determinen, los trasteros y las plazas de estacionamiento en “pro indiviso” adscritos al uso y disfrute exclusivo
y permanente de un titular. También tienen esta consideración los bienes inmuebles de características especiales
(BICE) y la constitución de derecho de superficie o concesión administrativa.
El carácter urbano o rústico de un inmueble dependerá de la naturaleza de su suelo. Según la Disposición
Transitoria 1ª del TRLCI, la clasificación de bienes inmuebles rústicos y urbanos establecida por esta Ley será
de aplicación a partir del primer procedimiento de valoración colectiva de carácter general que se realice con
posterioridad al 1 de enero de 2003, manteniendo hasta ese momento los inmuebles que figuren o se den de alta
en el Catastro la naturaleza que les correspondería conforme a la normativa anterior a la Ley 48/2002, de 23 de
diciembre, del Catastro Inmobiliario.
No obstante, lo dispuesto en el párrafo anterior, las construcciones ubicadas en suelo rústico que no resulten
indispensables para el desarrollo de las explotaciones agrícolas, ganaderas o forestales, mantendrán su naturaleza
urbana hasta la realización, con posterioridad al 1 de enero de 2006, de un procedimiento de valoración colectiva
de carácter general, cualquiera que sea la clase de inmuebles a los que éste se refiera.
5.3. Cartografía vectorial (formato Shapefile)

En esta información vamos a encontrar la cartografía vectorial de datos catastrales con sus respectivas tablas de
atributivos que contienen toda la información pertinente. Con este tipo de datos podemos hacer análisis y formar
bases de datos usando herramientas GIS, que nos permitirá visualizarlos sobre la cartografía del ámbito de
estudio.
En el ANEXO B.2 se adjuntará el manual descriptivo de toda la información contenida en esta cartografía
vectorial. En este apartado se hará un resumen de ello.
La estructura de campos en la que se organiza es copia de la estructura interna de información geográfica
catastral.
El parcelario catastral se representa mediante cuatro tablas: MASA, PARCELA, SUBPARCE y CONSTRU. El
75
76
Catastro
resto de tablas son auxiliares o contienen otros elementos cartográficos, como mobiliario urbano, límites
administrativos, rótulos con los nombres de las calles, etc.
La referencia catastral de un inmueble tiene 20 caracteres. De estos 20 caracteres, los 14 primeros identifican la
parcela cartográfica en la que se ubica y los 6 identifican el inmueble dentro de la parcela (4 caracteres) y dos
dígitos de control. Por ejemplo, en el caso de un edificio de apartamentos, las referencias catastrales de todos
ellos tendrán en común los 14 primeros caracteres y diferentes los 6 últimos. Por este motivo, el campo REFCAT
que aparece en la tabla PARCELA (y también en SUBPARCE, CONSTRU) tiene solo 14 caracteres.
Se expone a continuación el listado de las tablas con información geométrica que aporta el catastro en formato
vectorial:
- ALTIPUN. Puntos de altimetría con cota y puntos de las redes geodésicas y topográficas.
- CARVÍA. Descripción de los códigos de vías de comunicación e hidrografía.
- CONSTRU. Subparcelas urbanas que representan los volúmenes edificados dentro de una parcela.
- EJES. Ejes de elementos lineales (calles, carreteras).
- ELEMLIN. Elementos cartográficos lineales.
- ELEMPUN. Elementos cartográficos puntuales.
- ELEMTEX. Rótulos del mapa.
- ERRLIN. Tramos abiertos en el parcelario que se detectan en el momento de la carga. Son errores y
no deberían existir.
- HOJAS. Hojas de división de la cartografía urbana.
- LÍMITES. Límites administrativos (de municipio, de suelo de naturaleza urbana, etc.).
- MAPA. Identificación de cada una de las zonas con cartografía diferente. Normalmente en cada
municipio hay un mapa de urbana y otro mapa de rústica. Dentro de un mismo mapa hay coherencia
cartográfica, pero entre mapas puede haber pequeñas inconsistencias.
- MASA. Agrupaciones de parcelas (manzanas de urbana y polígonos de rústica).
- PARCELA. Parcelas catastrales.
- SUBPARCE. Subparcelas de cultivo (zonas de igual cultivo o aprovechamiento dentro de una
parcela).
Por otro lado, también se muestra el listado de tablas auxiliares sin información geométrica
- CARVÍA. Descripción de los códigos de vías de comunicación e hidrografía.
5.4. Cartografía vectorial capa Ejes. Complemento de otras fuentes de información

La capa shapefile contiene los principales ejes de elementos lineales como son las calles o las carreteras. A
continuación, ponemos una imagen con los ejes lineales en la ciudad de Sevilla.
76
Figura 5-1. Capa Ejes en la ciudad de Sevilla. Fuente: Sede Electrónica del Catastro
De la información que recoge esta capa en su tabla de atributos emplearemos el campo VIA. Aporta un código
a cada entidad lineal como, por ejemplo, el nombre de la calle o de la carretera. Con este código acudimos a la
capa sin información geométrica denominada CARVIA. Esta tiene también el campo VIA con el código de los
elementos lineales y está asociada al campo DENOMINA que nos aporta la denominación de la vía asociada a
dicho código. Por ejemplo, si seleccionamos la vía con el código 4.673 esta hace referencia a la Avenida CJ
Jiménez Becerril en el campo DENOMINA.
Por lo tanto, lo primero que vamos hacer es añadir a la tabla de atributos de la capa EJES este campo
DENOMINA. Para ello usaremos herramientas GIS con funciones de unión para realizar esta operación,
tomando como campo de unión entre las dos fuentes de información el campo VIA. Con esto ya podremos
añadirle la etiqueta con su denominación a todos los ejes.
77
78
Catastro
Figura 5-2. Capa EJES con el campo DENOMINA. Fuente: Elaboración propia
Lo que se pretende con esto es completar otras fuentes de información geométrica que estén incompletas sobre
el vial de la ciudad de Sevilla. Aportaría campos de información muy relevantes, como es el nombre de las calles
o el tipo de viario del que se trata.
Algunas de las utilidades, desde el punto de vista de la movilidad, son las siguientes:
- Como apoyo a algunas bases cartográficas.
- Para capas del Street View de Google por si estuvieran incompletas.
- Intercambio de información con Datos Espaciales de Referencia de Andalucía (DERA).
Nos centraremos en este último punto, y se estudia que información de una u otra puede servir para tener unas
capas con información más completa.
En primer lugar, en el DERA tenemos capas de viario dónde en el ámbito urbano solo aparecen las vías
principales como pueden ser las grandes avenidas de la ciudad. Algunas de estas vías no tienen información
sobre la denominación de la misma, por lo que podemos completar esta información con la capa que tenemos
en el Catastro.
Esta operación no se ha podido hacer de manera automática, ya que ambas capas no tienen un campo en común
para poder asociarlas. La única solución es realizarlo manualmente lo que sería un trabajo mucho más laborioso
que no vamos a llevar a cabo en este proyecto. Tampoco se puede hacer una intersección entre ellas o alguna
operación similar, ya que se trata de líneas y además no coinciden sus trayectorias en la mayoría de los casos.
78
Figura 5-3. Ejes lineales del CATASTRO y Red de Carreteras del DERA. Fuente: Elaboración propia
En segundo lugar, en los datos del DERA encontramos también una capa con las trayectorias de los carriles bicis
en grandes ciudades. Es una información referida a 2014, procede del Plan Andaluz de la Bicicleta y ha sido
facilitada por la Secretaría General Técnica de la Consejería de Fomento y Vivienda.
Esta información nos podría servir para añadir una nueva columna a la tabla de atributos de EJES del Catastro
en la que nos diga si por ese eje transcurre un carril bici o no. De nuevo encontramos el mismo problema que
antes, que no podemos hacerlo de forma automática ya que no tienen campos que las relacionen por lo que
habría que hacerlo manualmente, y es un trabajo muy laborioso que no vamos a llevar a cabo en este proyecto.
79
80
Catastro
Figura 5-4. Ejes lineales del CATASTRO y Carriles bicis del DERA. Fuente: Elaboración propia
5.5. Usos de suelos de las Parcelas Catastrales

En este caso vamos a trabajar con los datos en formato CAT. Lo que vamos hacer es asignarle a cada parcela
catastral los usos de los bienes inmuebles que se encuentran dentro de la misma, y determinar cuál es su uso
predominante.
La herramienta que usaremos para las operaciones a realizar será el Matlab, dónde se programará los ejecutables
y funciones que se estimen oportunos.
Del registro 11 Finca vamos a usar el campo de referencia catastral, que se le asignará un número ID a cada
referencia para que trabajar con los datos se puede hacer de forma más rápida. Por otro lado, del registro 15 de
Inmuebles se usará el campo de usos de los bienes inmuebles. Por facilidad también en la manipulación de datos
se le asignará un número ID a cada bien inmueble.
Cuando se habla de Bienes Inmuebles, se refiere a todos aquellos bienes considerados bienes raíces, por tener
en común que están ligados al suelo, unidos de modo inseparable, física o jurídicamente al terreno, tales como
las parcelas, casas, naves industriales, es decir, las llamadas fincas.
El resultado final que se pretende tener es crear una base de datos mediante tablas en Excel dónde para cada
parcela catastral se tenga la siguiente información:
- El número de bienes inmuebles que la forman.
- Los tipos de bienes inmuebles que tienen de cada uso.
- La superficie que ocupa cada tipo de uso de los bienes inmuebles.
80
- El reparto porcentual de los usos de los bienes inmuebles.
- Uso prioritario dentro de cada parcela catastral
A continuación, vamos a ir describiendo los pasos que hemos llevado a cabo.
1. Vamos a hacer una función en Matlab para crear una tabla que almacene el ID de cada bien inmueble,
el ID de la parcela catastral a la que pertenecen, el uso de cada bien inmueble y la superficie que
represente ese bien inmueble.
En primer lugar, para trabajar con los usos de los bienes inmuebles se le va asignar un número a cada
uno de ellos. Vamos a adjuntar seguidamente una tabla con todos los tipos de usos que hay y el código
numérico que se le designa:
CÓDIGO USO CÓDIGO NUMÉRICO
A Almacén-Estacionamiento 1
V Residencial 2
I Industrial 3
O Oficinas 4
C Comercial 5
K Deportivo 6
T Espectáculos 7
G Ocio y Hostelería 8
Y Sanidad y Beneficencia 9
E Cultural 10
R Religioso 11
M Obras de urbanización y jardinería, suelos sin edificar 12
P Edificio singular 13
B Almacén agrario 14
J Industrial agrario 15
Z Agrario 16
Tabla 5-1. Usos de suelo de los bienes inmuebles. Fuente: Elaboración propia
A cada bien inmueble se le asigna el ID de la parcela catastral a la que pertenecen. Una vez tengamos
esto, podemos traspasar campos de las parcelas a los bienes inmuebles, y viceversa. Pero como ya
hemos dicho la información que vamos aportar de los bienes inmuebles a las parcelas son los usos y la
superficie del bien.
Con respecto a las superficies, en el Registro 15 de Bien Inmueble, nos aporta dos superficies que son:
- Superficie del elemento o elementos constructivos asociados al inmueble en el caso de fincas
construidas (en metros cuadrados).
- Superficie asociada al inmueble, en el caso de solares, fincas construidas sin división horizontal o
parcelas rústicas (en metros cuadrados).
Para cada inmueble lo que se hace es almacenar la que sea mayor.
En conclusión, con esta función se almacenará una tabla que contendrán el ID de cada bien inmueble,
81
82
Catastro
el ID de la parcela catastral a la que pertenecen, el código numérico del uso de ese bien inmueble y la
superficie de ese bien inmueble.
2. Con la siguiente función, con los datos de la tabla anterior, se almacenará para cada parcela catastral
toda la información que se dijo anteriormente que se pretende tener como resultado final.
Tendremos entonces una matriz en la que cada fila son los resultados para una parcela catastral,
determinados los conteos de cada uso, el reparto porcentual y de superficies, y determinando finalmente
el uso prioritario de cada parcela a partir de las superficies que ocupan cada uno.
Todos los resultados se almacenarán en una tabla.
3. Por último, con una última función se almacena todos los resultados en una hoja de Excel y ya se
tendría una base de datos con la que poder trabajar, como ya se ha hecho en las demás fuentes de
información.
5.6. Usos de parcelas catastrales a Zonas de Análisis de Transporte

A continuación, se va a realizar lo que se viene haciendo en todos los apartados, traspasar las bases de
información del ámbito pertinente a las zonas de análisis de transporte TAZ.
Se irá describiendo seguidamente los pasos que se han seguido:
1. Acudimos a la cartografía vectorial en formato shapefile, concretamente a la capa parcela que
contiene todas las parcelas catastrales del municipio de Sevilla. Esta capa son polígonos, pero nuestra
intención es convertir esos polígonos en puntos. Esto se hace para después definir qué puntos de
parcelas están dentro de cada zona de transporte, y así asignarles a todas las parcelas su zona de
transporte.
Esto se hace con herramientas GIS que asigna a capa polígono como punto su centroide. En la
siguiente imagen vemos las parcelas y sus correspondientes centroides en una zona de Sevilla.
Figura 5-5. Convertir entidad poligonal a punto con herramientas GIS. Fuente: Elaboración propia
2. Una vez se tiene la capa shapefile de puntos de todas las parcelas, se le añade a la tabla de atributos
toda la base de datos sobre usos de las parcelas que se describió en el apartado anterior.
3. Con ayuda de herramientas GIS hago la intersección de la capa de puntos de las parcelas con las zonas
de transporte, y así tengo cuales son las parcelas que se incluye en cada zona.
82
4. Creamos nuestra base de datos en hojas Excel como ya hemos realizado en otros apartados. Las tablas
que tendremos son las siguientes:
- TABLA 1: Tabla de atributos de la capa shapefile de las parcelas catastrales.
- TABLA 2: Tabla que se describió en el apartado anterior, con toda la información sobre los usos de
las parcelas catastrales. Concretamente tenemos el conteo de los distintos usos que hay, las superficies
que ocupación y el tanto por ciento que representan, para finalmente definir cuál es el uso
predominante de cada parcela.
- TABLA 3: Tabla de atributos de la intersección de la capa de puntos de las parcelas con las zonas de
transporte. Con esto sabemos en qué zona de transporte se encuentra cada parcela.
- TABLA 4: Parcelas catastrales con la zona a la que pertenecen y con todas las variables del tipo de
uso de los inmuebles que ya se almacenó en la TABLA 2.
- TABLA 5: Esta es la tabla final que queremos conseguir, que contendrá las zonas de análisis de
transporte con toda la información referente de los usos de todas las parcelas catastrales que contenga.
Para ello se empleará el software Matlab.
5. Para realizar el traspaso de toda la información a las zonas de transporte TAZ, se emplea el programa
Matlab y se programa una función para ello.
A partir de las superficies de los bienes inmuebles que estén dentro de cada zona de transporte volvemos
a definir cuál es el uso predominante en cada zona, como ya se hizo con las parcelas catastrales.
6. Además, se hace la comparación entre la superficie de cada zona de transporte con la suma de las
superficies de todos los bienes inmuebles que la formen. Como es lógico la mayor parte de las veces
se obtiene que la superficie de bienes inmuebles es mayor que la de la zona de transporte, siendo la
explicación que en el caso de los inmuebles pueden ser varias alturas, al contrario que la superficie de
cada zona de transporte que es a nivel de terreno.
7. Por último, toda esta información de las zonas de análisis de transporte recogida en este apartado se
almacenará en la capa shapefile de dichas zonas. Con esto ya se puede hacer representaciones sobre
los usos a nivel de zona de transporte.
Se adjunta un mapa con un ejemplo de ello, concretamente se decide representar cuál es el uso más
predominante en cada una de las zonas de transporte.
83
84
Catastro
Figura 5-6. Uso prioritario. Zonas de Análisis de Transporte TAZ. Fuente: Elaboración propia
5.7. Definición de los centroides de las Zonas de Análisis de Transporte

Cuando hablamos de centroides de una zona de transporte, nos referimos al punto dónde se concentran los viajes
de dicha zona de transporte, es decir, aquella localización de la zona dónde se dará lugar la mayor generación y
atracción de viajes.
Sería de interés definir estos puntos, y para ello vamos a usar información recogida en esta fuente información
de Catastro. Estos centroides se definirán en este caso para las nuevas zonas definidas por el PMUS.
La hipótesis que se sigue como criterio para definir la localización de estos centroides es la siguiente: “Los
centroides de cada una de las Zonas de Análisis de Transporte se situarán en el rango de cada zona dónde se
sitúen un mayor número de inmuebles cuyos usos sean para viviendas. La situación de viviendas es directamente
proporcional al número de habitantes en esos rangos y, por ende, a un mayor número de generación y atracción
de viajes por parte de las personas que vivan allí.”
Se explica seguidamente paso a paso como se definen estos centroides:
1. Disponemos de una cartografía vectorial de las parcelas catastrales, pero no como polígonos sino
como puntos, como se describió en el apartado anterior, que es la que nos interesa ahora. Esta
cartografía tiene toda la información sobre usos de parcelas recogida.
De toda información que se dispone nos quedamos con la columna dónde aporta el número de
inmuebles de cada parcela catastral con uso sólo residencial. Recordar que esta información se extrajo
84
del Registro 15 del fichero CAT de Catastro, en un campo dónde distingue los distintos usos de los
bienes inmuebles a través de la codificación de la Tabla 5-1.
2. Lo siguiente sería definir que parcelas catastrales se encuentran dentro de cada zona de análisis de
transporte. Para ello, con ayuda de herramientas GIS se hace la intersección de la capa de puntos de
las parcelas con las zonas de transporte, en esta ocasión del PMUS, es decir, la nueva zonificación que
apareció durante la realización de este estudio.
Por lo tanto, tendremos conjuntos de puntos de parcelas característicos de cada zona de transporte,
sabiendo en cada parcela cuántos bienes inmuebles hay con fines residenciales.
3. Por último, se define los centroides buscados con las herramientos que se consideren oportunas,
teniendo en cuenta las siguientes pautas:
o Cada punto que define cada parcela tendrá un peso, que será mayor cuánto más bienes
inmuebles con uso de viviendas tenga cada una.
o El punto del centroide se colocará cercano a aquellos puntos de las parcelas que tengan mayor
peso dentro de cada zona de transporte.
En la siguiente imagen se muestra los puntos que hacen referencia a las parcelas catastrales y los polígonos
que definen las zonas de transporte, para asi observar que parcelas están dentro de cada zona. Se añade
también el número asignado a cada zona (esta zonificación se encuentra definida con más detalle en el
apartado 8 de este estudio).
Figura 5-7. Zonas de Análisis de Transporte del PMUS y puntos de localización de las parcelas catastrales.
85
86
Catastro
Para conocer las coordenadas de situación de cada uno de los centroides se harán una media ponderada en
función de los pesos (número de bienes inmuebles con uso residencial) con cada una de las parcelas catastrales
que contenga cada zona de transporte. Las fórmulas empleadas son las siguientes:
x1 · p1 + x2 · p2 +··· + · pi +··· +xn · pn
X centroide =
∑i=n
i=1 pi
y1 · p1 + y2 · p2 +··· +yi · pi +··· +yn · pn

Ycentroide =
∑i=n
i=1 pi
Siendo
X centroide Coordenada x del centroide de la zona de análisis de transporte
Ycentroide Coordenada y del centroide de la zona de análisis de transporte
xi Coordenada x del punto de situación de la parcela catastral i
xi Coordenada y del punto de situación de la parcela catastral i
pi Peso de la parcela catastral i, correspondiente al número de bienes inmuebles de uso residencial
Por lo tanto, aplicando estas dos fórmulas en cada zona de transporte obtendremos las coordenadas de todos los
centroides de las zonas de transporte. Seguidamente se adjunta una imagen dónde se marca en rojo los centroides
de cada zona:
Figura 5-8. Centroides de las Zonas de Análisis de Transporte del PMUS. Fuente: Elaboración propia
86
Para aportarlo como ejemplo se muestra la zona número 131 ampliada para observar las parcelas catastrales
señalando en cada punto el peso de cada una de ellas y la situación del centroide de la zona respecto a las parcelas.
Con esto vemos una situación concreta de la aplicación que acabamos de realizar.
Figura 5-9. Ejemplo de definición de centroide en la zona de transporte 131. Fuente: Elaboración propia
Se observa como el centroide se aproxima a las tres parcelas que tienen viviendas de las cinco que hay en esta
zona.
Como línea futura comentar que el siguiente paso sería conectar estos centroides a las redes de transporte a través
de los conectores. Esto no nos incumbe en nuestro proyecto ya que no disponemos de una red de transporte para
llevar a cabo esto.
5.8. Otras utilidades de movilidad

En este apartado se va describir otras utilidades que sean de interés para estudios de movilidad, pero que no se
han entrado en detalles con ellas. Las razones son porque suponía un trabajo demasiado laborioso o su utilidad
no es demasiado significativa.
5.8.1. Otros tipos de Centroides

Las distintas capas shapefile de la cartografía vectorial tiene una variable denominado TTGGSS que sirve para
identificar de qué tipo de elemento se trata a través de una codificación. La descripción es la siguiente: Tema,
grupo y subgrupo del elemento gráfico, según anexo de codificación de la información geográfica.
Todos los elementos recogidos en la fase de numeración, han de registrarse, de acuerdo a la codificación de la
información geográfica. La codificación es común tanto para la información rústica como la urbana. Su
estructura está compuesta por seis posiciones, contempla los tres niveles jerarquizados como ya hemos
nombrados: tema, grupo y subgrupo.
87
88
Catastro
Nos vamos a centrar en los subgrupos que se refieran a centroides, los cuales en el anexo nos muestra que hay
una gran cantidad, pero entre la información del municipio de Sevilla sólo encontramos un tipo: “Centroide de
suelo de naturaleza urbana”.
La conclusión que se saca de estos es que sólo hace referencia a centroides de grandes entidades urbanas, es
decir, superficies dentro de los límites administrativos. Por lo tanto, no nos será de utilidad para realizar algún
análisis de movilidad con ellos, ya que lo que se buscaba es tener unos centroides pero a menor escala.
Se adjunta una imagen para mostrar lo descrito. Estos centroides se marcan en color rojo en el plano.
Figura 5-10. Centroides de suelo de naturaleza urbana. Fuente: Elaboración propia
5.8.2. Rótulo de alturas construidas

De nuevo usando la información de la cartografía vectorial nos centramos en la capa CONSTRU. Estas son las
subparcelas urbanas que representan los volúmenes edificados dentro de una parcela.
Dentro de ella se emplea la variable CONSTRU que nos muestra el rótulo con sus alturas construidas. La
nomenclatura que se emplea se muestra en la siguiente tabla:
Nomenclatura Descripción
-I, -II… Volúmenes bajo rasante (1, 2 alturas)
I, II… Volúmenes sobre rasante (1, 2 alturas)
B Balcón
T Tribuna (balcón techado)
TZA Terraza
POR Porche
SOP Soportal
PJE Pasaje
MAR Marquesina
88
P Patio
CO Cobertizo
EPT Entreplanta
SS Semisótano
ALT Altillo
PI Piscina
TEN Pista de Tenis
ETQ Estanque
SILO Silo
SUELO Suelo vacante, sin construir. También se puede utilizar el sinónimo TERRENY.
PRG Pérgola
DEP Depósito
ESC Escalera
TRF Transformador
JD Jardín
YJD Jardín que se valora
FUT Campo de Fútbol
VOL Voladizo
ZD Zona Deportiva
RUINA Ruinas
CONS En construcción
PRESA Cuerpo de presa en embalses
ZBE Balsas y estanques que se valoran
ZPAV Obras de urbanización interior
GOLF Campo de GOLF
CAMPING Camping
TERRENY Sinónimo de SUELO
HORREO Hórreo, panera, cabazo
Pantalán (embarcadero de pequeño porte, soportado por pilotes y a veces

PTLAN móvil). Se utilizará este código particularmente para los puntos de amarre de
puertos deportivos. Un muelle se codificará con el código genérico ZPAV
89
90
Catastro
DARSENA Dársena, aguas resguardadas artificialmente por un puerto
Tabla 5-2. Nomenclatura subparcelas. Fuente: Sede Electrónica del Catastro

Para codificar un atributo de subparcela que esté compuesto por varios elementos de la nomenclatura anterior,
se hará uniendo estos códigos, en sentido ascendente, con signo (+).
Ejemplo: -II+IV+TZA
Para la definición de los centroides de las zonas de transporte, como se ha descrito en el apartado 5.7., se quería
usar como primera opción esta información de alturas construidas que representará el número de personas que
vivían en cada inmueble. Es decir, en función de las alturas que tenga los edificios se podrá suponer el número
de personas que viven en él adaptando un criterio fijo de número de personas por hogar.
No se encontró ninguna forma de realizarlo óptimamente y que no resultara un trabajo laborioso y de muchas
horas, es por ello que se optó por realizarlo de la otra forma que ya se ha explicado en el apartado 5.7. La principal
razón por la que resultaba trabajoso era la de transformar la red de caracteres que nos mostraba el número de
plantas de un edificio en un valor cuantitativo a través de programación.
5.8.3. Coordenadas de situación de parcelas

Pasamos ahora a la información en formato CAT, concretamente al Registro Finca que hace referencia a las
parcelas catastrales. Nos centramos en las siguientes tres variables sobre localización:
- Coordenada X (con dos decimales sin separador)
- Coordenada Y (con dos decimales sin separador)
- Huso geográfico SRS (Spatial Reference System), según nomenclatura definida en www.epsg.org.
o EPSG:32628 WGS 84 / UTM zone 28N
o EPSG:23029 ED50 / UTM zone 29N
o EPGS:23030 ED50 / UTM zone 30N
o EPSG:23031 ED50 / UTM zone 31N
o EPSG:25829 ETRS89 / UTM zone 29N
Estas coordenadas coinciden con las que aparece en la tabla de atributos de la capa PARCELA de la cartografía
vectorial, en sus campos COORX y COORY. Esto sirve para correlacionar CAT y shapefile, y así poder pasar
información de unos a otros.
Un problema que puede surgir es que en la base de información del CAT hay un mayor número de parcelas que
en la shapefile, ya que recogen más parcelas de la periferia o contorno de la ciudad de Sevilla. En la operación
de pasar información de unos a otros se debería barajar alguna de estas dos opciones:
- Suprimir estas parcelas que no estén en la shapefile, ya que se refieren al contorno de la ciudad y estas
no estarían dentro del ámbito de nuestro estudio.
- Crear nuevos polígonos en la capa shape con estas coordenadas. Quizás su contorno no sería
representativo de la realidad. Lo que podríamos hacer es añadir a la capa de parcelas que tenemos con
centroides en vez de polígonos.
90
6 DISTRIBUCIÓN ESPACIAL DE LA POBLACIÓN
EN ANDALUCÍA
6.1. Introducción
La siguiente información que se analiza se obtiene del Instituto de Estadística y Cartografía de Andalucía y se
trata de la Distribución Espacial de la Población en Andalucía para diversas variables informativas, similares a
las que se encuentran en los Indicadores Censales que ya se han estudiado en este proyecto. Esta información se
puede descargar en la página web de la Junta de Andalucía.
La información que se representan en los mapas proviene de la Base de Datos Longitudinal de Población de
Andalucía (BDLPA) a fecha de 1 de enero del año de referencia y ha sido georreferenciada partiendo de la
localización de la dirección postal donde reside cada uno de los habitantes de Andalucía.
Para facilitar la representación de la información y para preservar el secreto estadístico se ha trazado una malla
regular con celdas de 250 m de lado, donde ha quedado agregada toda la información que corresponde en cada
caso. La información que no se ha podido georreferenciar ha sido estimada utilizando técnicas de análisis
espacial.
Se ofrece información sobre Población (población total, por nacionalidad o grupos de edad), Afiliación a la
Seguridad Social (afiliación total, por sexo o relación laboral), Pensiones contributivas de la Seguridad Social
(perceptores de pensiones contributivas, por sexo, por tipo, así como ingresos por pensiones de jubilación,
viudedad, jubilación y viudedad, incapacidad u otro tipo de pensiones) y Demandantes de empleo del Servicio
Andaluz de Empleo (demandantes de empleo total, por sexo o paro registrado).
Figura 6-1. Visor de mapa de Andalucía. Fuente: Instituto de Estadística y Cartografía de Andalucía. Junta de
Andalucía
La información se puede descargar en los siguientes dos formatos:
- Datos espaciales (.shp)
- Hoja de cálculo (.xls)
Seguidamente se analiza el contenido y como se muestra la información en estos dos formatos. El objetivo será
el mismo que se viene haciendo en la mayoría de las bases de información que se han analizado en este
documento, traspasar la información recogida en estas celdas de 250 x 250 m a nivel de zona de análisis de
transporte TAZ. El ámbito de estudio obviamente volverá a ser la ciudad de Sevilla.
91
92
Distribución Espacial de la Población en Andalucía
6.2. Datos espaciales en malla estadística (.shp)

Este conjunto de datos espaciales está conformado por una serie de capas de información geográfica alusivas a
distintos aspectos de la realidad socio-demográfica de la Comunidad Autónoma de Andalucía. Para su
representación se toma como referencia una malla regular que permite relacionar el territorio con la población
que lo habita a través de la georreferenciación de los individuos y determinadas variables procedentes de
distintos registros administrativos. Dicha malla hace posible un análisis detallado de los patrones de distribución
territorial de distintos fenómenos a la vez que contribuye a proteger la confidencialidad de la información
estadística.
Se descarga la fuente más actual, que es la que se describe seguidamente:
La malla de población 250 m x 250 m a 1 de enero de 2018 (mep18_250m) elaborada por el Instituto de
Estadística y Cartografía de Andalucía, permite disponer de información minuciosa y actualizada de la
distribución de la población en Andalucía, al margen de las divisiones administrativas. Se trata de una malla de
celdillas habitadas de 250 m x 250 m a las que, mediante georreferenciación, se les ha asignado la población del
ámbito que ocupan tomando como referencia el número de residentes inscrito a 1 de enero de 2018 en la Base
de Datos Longitudinal de Población de Andalucía. Siempre y cuando el secreto estadístico no se vea
comprometido además del total de población, cada celdilla ofrece información sociodemográfica
permitiéndonos conocer la población residente según grandes grupos de edad, nacionalidad, lugar de nacimiento
en relación al lugar de residencia, tiempo de residencia, estado de afiliación, percepción de pensiones
contributivas de la Seguridad Social, ingresos medianos de cada tipología de pensión y demandantes de empleo
del Servicio Andaluz de Empleo. En la página también se ofrece un servicio de visualización, como se vio en la
figura anterior.
Esta información la trataremos con herramientas GIS. En la siguiente imagen se observa las celdas que
encontramos en el municipio de Sevilla sobre una fotografía satélite de la zona.
Figura 6-2. Celdas 250 x 250 m en la ciudad de Sevilla. Fuente: Elaboración propia
92
6.3. Información como hoja de cálculo (.xls)
La malla de población, elaborada por el Instituto de Estadística y Cartografía de Andalucía, permite disponer de
información de los efectivos de población residente en Andalucía distribuidos territorialmente en una malla
discontinua de celdillas de 250 m x 250 m. Junto al total de población, cada celdilla ofrece información
sociodemográfica relativa a la población según grandes grupos de edad, nacionalidad, afiliación, percepción de
pensiones contributivas de la Seguridad Social y demandantes de empleo del Servicio Andaluz de Empleo, entre
otros.
Además de la capa de información geográfica (.shp) descrita en el apartado anterior, se ofrece también estos
datos estadísticos de las celdillas de la malla de población en este formato en hoja de cálculo (.xls).
Cada registro de la hoja de cálculo se corresponde con una celdilla de la malla de población. Las celdillas están
identificadas con un código numérico que las enumera ordenadamente. En la medida de lo posible, la secuencia
de códigos es continua en cada uno de los términos municipales de la Comunidad Autónoma de Andalucía.
Cada hoja de cálculo contiene los datos correspondientes a la población residente en Andalucía, inscritos a 1 de
enero del año de referencia.
6.4. Registro de las variables

Se adjunta la tabla con todas las variables que se estudian en esta fuente de información. De cada una se aporta
un nombre, el tipo y su descripción.
El nombre es el código que se le asigna a cada variable y es el que se pone en las tablas como título de cada
columna tanto en la información geográfica como en la hoja de cálculo.
NOMBRE TIPO DESCRIPCIÓN

gidmp N Identificador único de la celda de población
municipio A Municipio o municipios en los que se encuentra la celda
cmun A Código de municipio o municipios en los que se encuentra la celda
csecc A Código de sección o secciones censales en los que se encuentra la celda1
En los casos en que el principio de secreto estadístico se ha visto comprometido, el valor
nota A
de los datos ha sido sustituido por el carácter “-1”
pob_tot N Población total de la celda
pob_m N Población de mujeres.
pob_h N Población de hombres.
edad0015 N Población menor de 16 años
edad1664 N Población con edad entre 16 y 64 años
edad65_ N Población mayor de 64 años
esp N Población con nacionalidad española
Población con nacionalidad de algunos de los estados miembros de la Unión Europea con
ue15 N
fecha de ingreso anterior a 2004. Se excluye España
mag N Población con nacionalidad de alguno de los países del Magreb
ams N Población con nacionalidad de alguno de los países de Sudamérica
otr N Población con nacionalidad de algún país no incluido en los cuatro campos anteriores
muni N Población por lugar de nacimiento en relación al lugar de residencia: mismo municipio1
Población por lugar de nacimiento en relación al lugar de residencia: distinto municipio y
mund N
misma provincia1
Población por lugar de nacimiento en relación al lugar de residencia: distinta provincia
provd N
dentro de Andalucía1
93
94
NOMBRE TIPO DESCRIPCIÓN

ccaad N Población por lugar de nacimiento en relación al lugar de residencia: resto de España1
paisd N Población por lugar de nacimiento en relación al lugar de residencia: extranjero1
afil_ss N Población total de afiliados a la Seguridad Social2
afil_ss_m N Población de mujeres afiliadas a la Seguridad Social2
afil_ss_h N Población de hombres afiliados a la Seguridad Social2
afil_ss_a N Población de afiliados a la Seguridad Social por cuenta ajena2
afil_ss_p N Población de afiliados a la Seguridad Social por cuenta propia2
penc N Población total de perceptores de pensiones contributivas de la Seguridad Social3
penc_m N Población de mujeres perceptoras de pensiones contributivas de la Seguridad Social3
penc_h N Población de hombres perceptores de pensiones contributivas de la Seguridad Social3
Población de perceptores de pensiones de jubilación (exclusivamente) de la Seguridad
pencjub N
Social3
Población de perceptores de pensiones de viudedad (exclusivamente) de la Seguridad
pencviu N
Social3
pencjyv N Población de perceptores de pensiones de jubilación y viudedad de la Seguridad Social3
Población de perceptores de pensiones de incapacidad (exclusivamente) de la Seguridad
pencinc N
Social3
Población de perceptores de otro tipos de pensiones contributivas de la Seguridad Social
pencotr N
(orfandad, en favor de familiares,…)3
Mediana de ingresos (€) de perceptores de pensiones de jubilación (exclusivamente) de
pencjub_mi N
la Seguridad Social3
Mediana de ingresos (€) de perceptores de pensiones de viudedad (exclusivamente) de
pencviu_mi N
la Seguridad Social3
Mediana de ingresos (€) de perceptores de pensiones de jubilación y viudedad de la
pencjyv_mi N
Seguridad Social3
Mediana de ingresos (€) de perceptores de pensiones de incapacidad (exclusivamente)
pencinc_mi N
de la Seguridad Social3
Mediana de ingresos (€) de perceptores de otro tipos de pensiones contributivas de la
pencotr_mi N
Seguridad Social (orfandad, en favor de familiares,…)3
demp N Población total demandante de empleo del Servicio Andaluz de Empleo4
demp_m N Población de mujeres demandante de empleo del Servicio Andaluz de Empleo4
demp_h N Población de hombres demandante de empleo del Servicio Andaluz de Empleo4
grd_fixid A Código de celda 250m (INSPIRE)
grd_floaid A Código de celda 250m (INSPIRE)
grd_inspir_1k A Código de celda 1km (INSPIRE)
Tabla 6-1. Registro de las variables. Fuente: Instituto de Estadística y Cartografía de Andalucía. Junta de
Andalucía
Como información, se va adjuntar un mapa con las celdas de esta fuente de información representando los
valores de la variable de población total, para tenerlo como ejemplo:
94
Figura 6-3. Población Total. Celdas. Celdas de la Distribución Espacial de la Población en Andalucía. Fuente:
Elaboración propia
6.5. Información de la Distribución Espacial de la Población en Andalucía a las Zonas

de Análisis de Transporte TAZ
Se hace lo mismo que con los Indicadores Censales, se pretende crear una base de datos que contenga la
información de la Distribución Espacial de la Población de Andalucía, y esta información traspasada a nivel de
zona de análisis de transporte TAZ.
Se creará tres matrices, empleando una hoja de Excel, que serán las siguientes:
- TABLA 1: Matriz con las celdas 250 x 250 m y todas las variables que aportan la base de datos de la
Distribución Espacial de la Población en Andalucía.
- TABLA 2: Matriz con las zonas de análisis de transporte TAZ, dónde se añadirá con las operaciones
que se explicarán seguidamente toda la información recogida en la Distribución Espacial de la
Población en Andalucía.
- TABLA 3: Para hacer el reparto de los datos de las celdas a las zonas de transporte TAZ, habrá que
saber que superficie de ocupación tiene cada celda dentro de cada zona de transporte TAZ. Entonces,
se tendrá una tabla con los porcentajes ocupacionales de cada una de las celdas que pertenecen a una
determinada zona de transporte TAZ.
Se explica a continuación como se ha asociado los valores de las celdas de la TABLA 1, a las TAZ de la TABLA
2 con ayuda de las proporciones calculadas que se almacenan en la TABLA 3. Se han seguido los siguientes
pasos:
1. En primer lugar, se obtiene las superficies de las TAZ y de las celdas. Para ello se vuelve a emplear
herramientas GIS.
95
96
2. Con estas herramientas GIS se combinan ambas capas, para así obtener la superficie de intersección
de las celdas dentro de cada TAZ. En este caso, el número de celdas es mayor que el de las TAZ.
3. Una vez se tenga estas superficies habrá que calcular la proporción (xCELDA-TAZ) de una celda que
forma parte de cada TAZ. Bastará con dividir la superficie de intersección de la celda con la TAZ,
entre la superficie total de dicha celda:
Superficie Intersección
xCELDA−TAZ (% Intersección) = · 100
Superficie Total Celda
4. Habrán TAZ que no tengan incluida dentro ninguna celda, por lo que en las matrices tendrán valores
nulos.
5. Con esto ya se tiene la TABLA 1 con todas las variables de las celdas, la TABLA 2 con las TAZ
todavía sin información y la TABLA 3 en la que se tiene cada celda asociada a la TAZ que
pertenecen y la proporción (xCELDA-TAZ) de ella dentro de la misma.
6. Con el software de programación de Matlab se va asociar toda la información de las celdas de la
TABLA 1 a las TAZ de la TABLA 2. Este software nos permite hacer este reparto de forma rápida
extrayendo la información que necesita de las hojas de Excel.
a. Para cada TAZ se busca las celdas que tengan parte de su superficie o completa dentro de esa
zona.
b. Para cada una de estas celdas se multiplica el valor de la variable por la proporción xi para así
asociarle al TAZ solo el valor proporcional en función de la superficie que ocupa la celda.
c. Se suma todos los resultados de cada una de las celdas de esa zona y se obtiene el resultado
buscado.
𝑁𝐶𝐸𝐿𝐷𝐴𝑆−𝑇𝐴𝑍
𝐼𝑇𝐴𝑍 = ∑ 𝐼𝐶𝐸𝐿𝐷𝐴 · 𝑥𝐶𝐸𝐿𝐷𝐴−𝑇𝐴𝑍

𝐶𝐸𝐿𝐷𝐴𝑆
Siendo:
𝐼𝐶𝐸𝐿𝐷𝐴 Valor del Indicador de la celda
𝑥𝐶𝐸𝐿𝐷𝐴−𝑇𝐴𝑍 Proporción de intersección de cada celda en la zona de transporte
𝑁𝐶𝐸𝐿𝐷𝐴−𝑇𝐴𝑍 Número de celdas dentro del TAZ que estamos calculando
𝐼𝑇𝐴𝑍 Valor del Indicador de la zona de transporte
7. Se hace esto para todas las celdas, y se obtiene la TABLA 2 con los resultados que se pretendían
almacenar. Toda esta información se traspasará también a la capa shapefile de las TAZ para así poder
hacer representaciones gráficas con ella en herramientas GIS.
Como ejemplo se va a volver a representar la variable de Población total como en la Figura 6-3, pero
en este caso en cada zona de análisis de transporte:
96
Figura 6-4. Población Total. Celdas. Zonas de transporte TAZ. Fuente: Elaboración propia
97
98
Zonas de Análisis de Transporte o TAZ
7 ZONAS DE ANÁLISIS DE TRANSPORTE O TAZ

7.1. Introducción
Es la unidad geográfica usada en los modelos de transporte, constituyendo los Orígenes / Destino de los viajes.
Según el tipo de análisis que se esté llevando a cabo, su tamaño puede variar desde una sección censal o distrito
postal (análisis de ámbito urbano) hasta una provincia o comunidad autónoma (análisis de ámbito nacional). La
complejidad de la mayoría de los modelos de demanda se incrementa conforme sube el número N de zonas,
siendo esto especialmente importante en los modelos de distribución, que tienen que predecir el flujo de viajes
entre los N2 pares de Origen/Destino de viajes.
Las zonas de transporte tienen que definirse de forma que sean relativamente homogéneas en cuanto a los usos
de suelo, densidad de población y actividades que se llevan a cabo. Las variables socioeconómicas de los
modelos estarán referidas a las zonas de transporte, por lo que deberán definirse teniendo en cuenta la
disponibilidad o no de valores actuales y de predicciones al horizonte de estudio para las variables a un nivel de
desagregación zonal.
Los viajes de la zona de transporte se concentran en un punto llamado centroide. Este centroide se une a la red
de transporte mediante unos arcos ficticios llamados conectores. Es importante ser consciente durante el proceso
de modelización de que los viajes intrazonales (Origen y Destino en la misma zona de transporte) no cargan el
modelo de red de transporte. Esta simplificación es una desviación de la realidad, en la que los tráficos dentro
de una misma zona también congestionan a la red de carreteras.
Figura 7-1. Zona de Análisis de Transporte o TAZ. Fuente: Tema de Complementos del Transporte y
Servicios Urbanos del Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla
98
Figura 7-2. Diferentes niveles de Zonas de Transporte. Fuente: “Evaluación de la accesibilidad al transporte
público en Sevilla mediante simulaciones macroscópicas”. Javier Fernández de Tejada. TFG Universidad de
Sevilla
El ámbito de estudio de este proyecto es el municipio de Sevilla, cuyas zonas de análisis de transporte que hemos
usado en primer lugar son las que se muestran en la siguiente imagen. Esta zonificación fue aportada por el tutor.
Figura 7-3. Zonas de Transporte en el municipio de Sevilla. Fuente: Elaboración propia
99
100
Zonas de Análisis de Transporte o TAZ
7.2. Base de datos en las Zonas de Análisis de Transporte TAZ

Durante este proyecto hemos ido traspasando la información de distintos niveles de estudio a las zonas de análisis
de transporte de Sevilla que acabamos de mostrar. Hemos conseguido recoger una gran base de datos con
información de fuentes muy distintas, las cuáles podemos analizar y realizar comparaciones con ellas.
Esta iba ser la información que se iba utilizar para los modelos de transporte que se iban hacer, pero como se
verá en el siguiente apartado durante la realización de este proyecto se publica el Plan de Movilidad Urbana
Sostenible de la ciudad de Sevilla dónde se aporta una nueva zonificación de zonas de análisis de transporte.
Estas nuevas zonas serán las que finalmente se usen como zonificación de estudio en los modelos de reparto
modal que se realizarán.
De todas maneras, vamos a seguir explicando que se hizo en su momento con esta zonificación TAZ ya que será
el mismo procedimiento que se realice con las zonas del PMUS.
Siguiendo con esto, la información recogida en las TAZ la hemo ido almacenando en dos formatos distintos:
- Formato hoja de Excel
- Formato vectorial en capas shapefile
Seguidamente se va nombrar las distintas informaciones que se ha ido recogiendo a lo largo de este documento
y una breve descripción recordativa de cada una de ellas.
7.3. Censo de Población y Vivienda 2011

Se emplea el “fichero precensal” realizado a partir de un aprovechamiento máximo de los registros
administrativos disponibles, tomando el Padrón como elemento básico de su estructura. En este fichero
encontramos la información de los principales indicadores de personas. Esta información es aportada por el INE.
7.4. Atlas de Distribución de la Renta en los Hogares

El INE ofrece cifras de renta a nivel municipal e inframunicipal, a partir de datos de la Agencia Tributaria y las
haciendas forales. Entre esta información encontramos: renta media por persona y por hogar, fuente de ingreso
(en %) para cada sección censal y renta media y distribución de la renta por unidad de consumo.
7.5. Catastro
De la página web de la Sede Electrónica del Catastro se coge la información recogida en el apartado de
DIFUSIÓN DE DATOS CATASTRALES. De este sitio se descarga información de datos y cartografía en los
siguientes dos formatos: información alfanumérica (formato CAT) y cartografía vectorial (formato shapefile).
Concretamente, nos centramos en información sobre usos de los bienes inmuebles de las parcelas catastrales.
7.6. Distribución Espacial de la Población en Andalucía

Esta información la aporta el Instituto de Estadística y Cartografía de Andalucía (IECA), y puede ser descargada
en la página web de la Junta de Andalucía. Se ofrece información sobre Población, Afiliación a la Seguridad
Social, Pensiones contributivas de la Seguridad Social y Demandantes de empleo del Servicio Andaluz de
Empleo.
100
8 PLAN DE MOVILIDAD URBANA SOSTENIBLE
DEL MUNICIPIO DE SEVILLA
8.1. Introducción
Un Plan de Movilidad Urbana Sostenible (PMUS) es una herramienta de planificación estratégica y un
instrumento de concienciación y sensibilización para los ciudadanos, administraciones públicas y el resto de
agentes implicados en la movilidad. En un PMUS, se analiza y reflexiona acerca de cómo es la movilidad, es
decir, como se desplazan los ciudadanos, permitiendo determinar qué medidas se considera necesario implantar
para conseguir formas de desplazamiento más sostenibles y seguras: modos de transporte que hagan compatibles
el crecimiento económico, cohesión social y defensa del medio ambiente; garantizando, de esta forma, una mejor
calidad de vida para los ciudadanos.
El Ayuntamiento de Sevilla considera el PMUS como uno de los instrumentos de planificación más eficaces
para definir un nuevo modelo de movilidad que permita avanzar hacia una ciudad energéticamente más eficiente
y sentar las bases de una nueva cultura donde se priorice la proximidad y la accesibilidad sobre la movilidad y
el transporte, propugnando un modelo más compacto que:
- Satisfaga las mismas necesidades con desplazamientos más cortos y autónomos.
- Discrimine positivamente a los modos más eficientes desde el punto de vista energético, ambiental,
social y económico.
- Dé un nuevo tratamiento al espacio público donde el peatón sea el protagonista.
- Contemple medidas de gestión de la demanda que complementen a la inversión en infraestructuras
para promover una mayor participación de los modos de transporte más sostenibles.
Figura 8-1. Pirámide de la movilidad. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
Ayuntamiento de Sevilla
101
102
Plan de Movilidad Urbana Sostenible del Municipio de Sevilla
De lo contenido en este Plan nos centraremos en la siguiente información:

- Nueva zonificación de zonas de análisis de transporte definida por el PMUS que varía en comparación
con las zonas TAZ que hemos ido empleando en este proyecto.
- Resultados de movilidad y reparto modal para generación de matriz de generación y atracción de
viajes.
Todo lo referente a este nuevo plan implantado por el Ayuntamiento de Sevilla se ha obtenido de la siguiente
dirección web: https://www.sevilla.org/actualidad/blog/plan-de-movilidad-urbana-sostenible-de-sevilla
8.2. Zonificación
Como ya se ha ido comentado, durante la elaboración de este proyecto se produjo la publicación de este PMUS
que suponía una variación en las zonas de transporte en la ciudad de Sevilla. Por lo que para adaptarnos a esta
nueva circunstancia se decidió traspasar toda la información recogida a nivel de estas zonas del PMUS, como
se hizo con las antiguas zonas de transporte. Por lo que esta nueva zonificación se convierte en las zonas de
referencia para los modelos que finalmente se lleven a cabo en este estudio.
Para la realización de estas zonas del PMUS, en el plan adoptaron en la mayor medida posible estos criterios:
- Compatibilidad con las unidades administrativas y estadística que sirven de base espacial de
referencia para los datos existentes sobre características socio territoriales, esto es: secciones censales,
barrios, distritos, municipios, etc.
La base para la definición de las zonas de transporte ha sido la zonificación de la población, capa de
secciones censales de 2016.
- Homogeneidad en características urbanísticas y socioeconómicas, al objeto de servir de unidad
espacial coherente para referenciar información sobre estos aspectos.
- Adecuación en virtud de la localización de las zonas respecto a ejes y nudos de transporte, tanto viario
como de transporte público.
Siguiendo estos criterios se optó por usar como base zonal las secciones censales de Sevilla del año 2016,
definiéndose un total de 136 zonas en el término municipal de Sevilla. Adicionalmente se definió 4 grandes
áreas externas, lo que supone un total de 140 zonas que constituyen la base de representación espacial para el
análisis del sistema de transportes.
Se adjunta una imagen con la zonificación descrita:
102
Figura 8-2. Zonas de Transporte. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
De cara una mejor compresión del modelo de transportes de Sevilla se realizó una clasificación o agrupación de
las zonas de transporte con características comunes en áreas de mayor tamaño denominadas macrozonas.
Se optó por respetar la definición de distritos de la ciudad, resultando finalmente 12 macrozonas pues se decidió
estudiar de forma separada la Isla de la Cartuja y Triana, debido a las diferencias urbanísticas y de usos de ambas
zonas.
Así, la macrozona 12 denominada PCT Cartuja supone un equipamiento en sí mismo y se trata de un centro
empresarial atractor de transporte bien diferenciado de la macrozona 6 denominada Triana, cuyo carácter es
mayoritariamente residencial.
Se adjunta una tabla con el listado de estas macrozonas y un mapa dónde se observa la situación de cada una.
103
104
Tabla 8-1. Definición de macrozonas. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
Figura 8-3. Macrozonas. Fuente: Plan de Movilidad Urbana Sostenible del municipio de Sevilla.
104
8.3. Tratamiento de la información y elaboración de la base de datos en las zonas del
PMUS
En el PMUS esta zonificación nos la muestra en su documento en una imagen, por lo que no disponemos de
ninguna cartografía vectorial de la misma. Entonces, lo que hacemos, empleando tanto herramientas GIS como
CAD, es elaborar una capa vectorial de estas zonas y macrozonas para así poder trabajar con ellas.
Para su trazado usamos como ayuda las cartografías de secciones censales y del viario de la ciudad extraído del
Street View de Google, para que así dicho trazado sea lo más exacto posible. Por lo tanto, realizaremos esta
cartografía de estas nuevas zonas y las tendremos tanto en formato Shapefile como en CAD para su empleo.
Se adjunta una imagen extraída de un GIS en el que representamos las zonas y macrozonas trazadas para usarlas
en este estudio. En diferentes colores se señalan las distintas macrozonas y luego las zonas se encuentran
numeradas:
Figura 8-4. Zonas y macrozonas del PMUS. Fuente: Elaboración propia

Por otra parte, se lleva a cabo la misma metodología de acumulación de información que se hizo con las
anteriores zonas de análisis de transporte, para así elaborar una base datos para estas nuevas zonas del PMUS
con todas las variables analizadas en este estudio.
La información también se almacenará en los siguientes dos formatos:
- Formato hoja de Excel
- Formato vectorial en capas shapefile
Las fuentes de información de las que se extrae los datos son:
- Censo de Población y Vivienda 2011
- Atlas de Distribución de la Renta en los Hogares
105
106
- Catastro
- Distribución Espacial de la Población en Andalucía
Esta base de datos será la que finalmente se emplee en los posteriores modelos de transporte que se realicen. No
se ha entrado en describir procedimientos de elaboración ya que son los mismos que se explicaron para las
anteriores zonas de transporte, ya que las herramientas de programación que se usaron fueron hechas para que
se puedan utilizar con cualquier nueva zonificación que se defina.
Por lo tanto, tenemos la misma base de datos que se obtuvo con las antiguas zonas que se estudió, es decir, toda
la información de las variables en archivos Excel y también añadidas a cartografía vectorial para su
representación, y todo esto para todas las fuentes de información disponibles.
Se va adjuntar seguidamente mapas de estas zonas del PMUS mostrando alguna variable de cada una de las
fuentes de información para añadirla como ejemplo en este estudio. Para que se pueda realizar alguna
comparación con las antiguas zonas de transporte TAZ se mostrarán las mismas variables que ya se pusieron
como ejemplo en este estudio para esas zonas, que se encuentran representadas en las Figuras 3-5, 4-3, 5-6 y 6-
4.
- Censo de Población y Vivienda 2011:
Figura 8-5. Indicador t1_1: Población total. Zonas de Transporte PMUS. Fuente: Elaboración propia
106
- Atlas de Distribución de la Renta en los Hogares:
Figura 8-6. Renta media por persona. Zonas de transporte PMUS. Fuente: Elaboración propia
107
108
- Catastro:
Figura 8-7. Uso prioritario. Zonas de Transporte PMUS. Fuente: Elaboración propia
108
- Distribución Espacial de la Población en Andalucía:
Figura 8-8. Población total. Zonas de Transporte PMUS. Fuente: Elaboración propia
8.4. Movilidad urbana

En el PMUS también se llevó a cabo una recogida de los resultados globales de movilidad de los residentes en
el municipio de Sevilla a nivel de macrozona. En nuestro estudio nos centraremos principalmente en la
distribución de los viajes, es decir, los orígenes y destinos de los mismos.
Lo que se pretende realizar es una matriz con los orígenes y destinos de los viajes entre todas las macrozonas,
tanto de viajes totales de todos los modos de transporte como de cada uno por separado.
Para ello emplearemos las distintas tablas que nos ofrece el PMUS y las iremos almacenando en un archivo
Excel para su posterior empleo en los modelos que se realicen. Concretamente usamos las matrices de viajes
generados-atraídos por macrozona obtenidas de la Encuesta Domiciliaria de Movilidad y representativa de un
día laborable medio.
Estas matrices son las siguientes:
109
110
- Viajes Generados-Atraídos según macrozonas:
Tabla 8-2. Matriz de viajes Generados-Atraídos según macrozonas. Fuente: Plan de Movilidad Urbana
Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla
- Viajes a pie Generados-Atraídos según macrozonas:
Tabla 8-3. Matriz de viajes Generados-Atraídos según macrozonas. Viajes A pie. Fuente: Plan de Movilidad
Urbana Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla
110
- Viajes en transporte público Generados-Atraídos según macrozonas:
Tabla 8-4. Matriz de viajes Generados-Atraídos según macrozonas. Viajes en Transporte Público. Fuente: Plan
de Movilidad Urbana Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla
- Viajes en vehículo privado Generados-Atraídos según macrozonas:
Tabla 8-5. - Matriz de viajes Generados-Atraídos según macrozonas. Viajes en Vehículo Privado. Fuente: Plan
de Movilidad Urbana Sostenible del municipio de Sevilla. Ayuntamiento de Sevilla
Por lo tanto, tenemos las matrices con los viajes totales de todos los modos, y aquellas correspondiente a tres
modos, a nivel macrozonal del municipio de Sevilla. En este documento del PMUS se suele analizar otras dos
categorías de modos de transporte, de las cuales no aportan matriz de viajes en este caso. El objetivo siguiente
que nos planteamos sería obtener la matriz de viajes lo más aproximada posible de estos dos modos que hemos
hablado, utilizando las otras matrices que tenemos y valores de estudios de reparto modal. Estas dos categorías
que faltan son el transporte en bicicleta y el campo otros.
En primer lugar, acudimos a la siguiente tabla sobre el reparto modal según hora de comienzo del viaje:
111
112
Tabla 8-6. Reparto modal según hora de comienzo del viaje. Fuente: Plan de Movilidad Urbana Sostenible del
municipio de Sevilla. Ayuntamiento de Sevilla
En esta tabla podemos observar la distribución de los viajes entre modos porcentualmente para las distintas horas
del día. Vamos a usar los valores de la hora punta más habitual en los estudios sobre transporte que suele ser de
8-9 horas. Los porcentajes para cada uno de los modos en esta hora punta son los siguientes:
- A pie: 20,1%
- Transporte público: 21,1%
- Bicicleta: 3,4%
- Vehículo privado: 50,9%
- Otros: 4,5%
En segundo lugar, ya tenemos la matriz con los viajes totales y la de tres modos de transporte, por lo que con
estos porcentajes de reparto podemos aproximar satisfactoriamente las otras dos matrices que estamos buscando.
La formulación que empleamos es la siguiente:
%Viajes · 100
%Viajes en Bicicleta + %Viajes otros
Viajes = [Viajes Total − (Viajes Transporte Público + Viajes Transporte Privado + Viajes a pie)] ·
100
Aplicando la formulación en cada una de las celdas de las matrices obtenemos las dos que estamos buscando.
Las mostramos seguidamente:
112
- Viajes en bicicleta Generados-Atraídos según macrozonas:
DESTINO
1 2 3 4 5 6 7 8 9 10 11 12 99 Total General
1 1.472 390 662 229 772 176 134 185 117 368 437 364 387 5.693
2 870 173 815 0 322 288 244 298 226 126 308 447 86 4.203
3 1.734 108 936 107 615 0 0 68 49 290 233 352 174 4.666
4 511 89 858 366 0 42 305 138 136 181 175 117 316 3.234
5 1.161 387 397 0 731 70 0 99 46 442 0 132 499 3.964
6 1.031 0 566 39 220 351 39 65 116 208 427 246 117 3.425
7 987 207 0 298 178 0 742 38 96 92 73 0 0 2.711

ORIGEN
8 1.148 0 911 0 173 114 175 231 112 331 0 220 337 3.752
9 641 0 197 158 184 0 118 88 528 0 80 128 202 2.324
10 1.298 104 68 117 555 139 0 100 37 497 102 104 129 3.250
11 483 77 83 0 122 180 0 39 0 243 114 0 188 1.529
12 0 0 37 0 0 0 0 0 0 0 0 0 0 37
99 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Total General 11.336 1.535 5.530 1.314 3.872 1.360 1.757 1.349 1.463 2.778 1.949 2.110 2.435 77.576
Tabla 8-7. Matriz de viajes Generados-Atraídos según macrozonas. Viajes en Bicicleta. Fuente: Elaboración
propia
- Viajes en otros modos Generados-Atraídos según macrozonas:
DESTINO
1 2 3 4 5 6 7 8 9 10 11 12 99 Total General
1 1.947 516 877 303 1021 233 177 245 154 486 579 482 512 7.532
2 1.151 228 1.079 0 425 381 324 394 298 167 407 592 114 5.560
3 2.295 143 1.238 142 814 0 0 91 66 383 308 465 230 6.175
4 676 118 1.136 485 0 56 403 182 181 240 232 156 418 4.283
5 1.537 512 525 0 968 92 0 132 62 585 0 174 660 5.247
6 1.364 0 749 51 292 465 52 85 154 275 565 325 155 4.532
7 1.307 273 0 394 236 0 982 51 128 122 97 0 0 3.590

ORIGEN
8 1.519 0 1.206 1 230 151 232 305 148 439 0 291 447 4.969
9 848 0 261 208 244 0 156 116 699 0 105 170 267 3.074
10 1.718 137 89 155 735 183 0 432 49 657 136 138 171 4.600
11 639 101 109 0 161 238 0 52 0 322 152 0 248 2.022
12 0 0 49 0 0 0 0 0 0 0 0 0 0 49
99 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Total General 15.001 2.028 7.318 1.739 5.126 1.799 2.326 2.085 1.939 3.676 2.581 2.793 3.222 103.266
Tabla 8-8. Matriz de viajes Generados-Atraídos según macrozonas. Viajes en otros modos. Fuente:
Elaboración propia
113
114
En conclusión, ya tenemos las matrices de viajes para todos los modos de transporte categorizados en el PMUS
y la de viajes totales, a nivel macrozonal del municipio de Sevilla. Esta información la podemos ver en una tabla
conjunta en el ANEXO C.
Esta información será también empleada en los modelos de transportes posteriores que se realizarán como
culmen de estos diversos estudios que estamos realizando, sobre distintas fuentes de información.
114
9 ELABORACIÓN DE MATRICES DE ORIGEN-
DESTINO
9.1. Introducción
Partimos de la zonificación a nivel de zonas de transporte definida en el Plan de Movilidad Urbana Sostenible
(PMUS) del municipio de Sevilla, el cual hemos analizado en el apartado anterior. El PMUS divide la ciudad
de Sevilla en 137 zonas de transporte, englobadas dentro de 12 macrozonas. Hemos descartado la macrozona
que engloba los viajes externos a las zonas definidas centrándonos solo en los viajes que tienen como orígenes
y destinos zonas de dentro de la ciudad.
Lo que pretendemos en la siguiente aplicación es obtener una posible matriz de generación y atracción de viajes
a nivel de zonas de transporte. El PMUS nos aporta esta matriz (Tabla 8.2. del apartado 8 de este documento)
pero a nivel macrozonal, por lo que sería de gran interés conocerla a una escala menor como son las zonas de
transporte. Para su cálculo nos basaremos en estas matrices Origen-Destino a nivel de macrozonas que aporta el
PMUS y en información de las bases de datos que hemos recogido hasta ahora.
En el PMUS esta matriz a nivel macrozonal también nos la muestra particularizada con cada modo de transporte,
es decir, tendremos una matriz Origen-Destino de viajes en vehículo privado (Tabla 8.5.), en transporte público
(Tabla 8.4.), en bicicleta (Tabla 8.7.), a pie (Tabla 8.3.) y en otros modos distintos a estos (Tabla 8.8.). Es por
ello, que además de obtener la matriz total de viajes a nivel zonal, también será interesante que se particularice
para cada uno de los modos de transporte como hicieron en el PMUS.
Toda esta información que disponemos del PMUS es a fecha de 1 de enero de 2017, es la más actual que se
dispone de variables de movilidad de la ciudad de Sevilla.
Por último, en lo que sigue estructuraremos este apartado de la siguiente forma:
- En primer lugar, se describe la metodología empleada para resolver el problema propuesto. Para ello
nos basaremos básicamente en toda la información sobre Matrices de Origen-Destino que disponemos
de las asignaturas de Complementos del Transporte y Servicios Urbanos y Planificación del
Transporte del Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla.
- En segundo lugar, mostraremos los resultados que se hayan obtenido y se sacará las pertinentes
conclusiones al respecto.
9.2. Metodología para la obtención de la matriz Origen-Destino a nivel de zonas de

transporte
El objetivo principal que se lleva a cabo es la obtención de la Matriz Origen-Destino a nivel de zonas de
transporte, la cual desconocemos. La denominaremos en lo que sigue como matriz Tij.
Cada elemento de la matriz Tij indica el flujo de viajes entre el par Origen i/ Destino j4. El sumatorio de los
elementos de una fila genérica i indica los viajes generados en la zona i. El sumatorio de los elementos de una
columna genérica j indica el número de viajes que tienen como destino la zona j.
4
Estos dos subíndices se escriben en minúscula cuando nos referimos a las zonas de transporte, ya que más
adelante también lo encontraremos escritos en mayúscula, refiriéndose en dicho caso a destinos y orígenes de
las macrozonas.
115
116
Elaboración de Matrices de Origen-Destino
Figura 9-1. Matriz de Origen-Destino Tij de viajes a nivel de zonas de transporte. Fuente: Complementos del
Transporte y Servicios Urbanos. Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad de
Sevilla
Por otro lado, para referirnos a la matriz de Origen-Destino de viajes total a nivel de macrozonas, que es la que
conocemos del PMUS, lo haremos en este caso como SIJ. La estructura de esta matriz sería:
Figura 9-2. Matriz de Origen-Destino Sij de viajes a nivel de macrozonas. Fuente: Elaboración propia
Para terminar con estos conceptos previos sobre nomenclatura, vamos a definir los siguientes tres conjuntos:
Z Conjunto de zonas de transporte
M Conjunto de macrozonas, dónde se agrupa las zonas Z
ZI Conjunto de zonas de la macrozona I
Volviendo al problema, vamos a explicar los métodos y ecuaciones que se van a emplear para obtener la
incógnita de nuestro problema, la matriz Tij. El número de elementos de esta matriz será N2, que serán los pares
Origen-Destino P.
Para esto hay que tener en cuenta una hipótesis que se plantea, y es que no se producen viajes intrazonales, es
decir, no se permite que haya viajes que salgan y vuelvan al mismo centroide de una zona. Por lo tanto, esto
quiero decir que la diagonal de la matriz Tij es cero, o escrito en forma de nomenclatura, que las componentes
Tii = 0 siendo i=j. Por el contrario, esto no ocurre a nivel macrozonal, ya que si puede haber viajes entre orígenes
y destinos de una misma macrozona.
En conclusión, el número de incógnitas de nuestro problema sería:
𝑁º 𝑑𝑒 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠 = 𝑁 2 − 𝑁 = 1372 − 137 = 18.632 𝑖𝑛𝑐ó𝑔𝑛𝑖𝑡𝑎𝑠
Lo siguiente será describir las ecuaciones y restricciones que se emplearán para conseguir resolver el problema.
Volviendo a la matriz SIJ conocida, sabemos perfectamente tanto el número de viajes originados en cada
116
macrozona como los viajes atraídos por cada una de ellas. Esto se expresa de la siguiente forma como ya se
reflejó en la Figura 9-2.:
∑ SIJ = OI (1)
J∈M
∑ SIJ = DJ (2)
I∈M
La ecuación (1) es la suma de las filas de la matriz y la ecuación (2) es la suma de las columnas.
El conjunto total de viajes entre pares de Origen-Destino P tiene que ser igual siempre entre las matrices T y S,
al contener las macrozonas M el conjunto de todas las zonas de transporte Z. Por consiguiente, la siguiente
expresión se tiene que cumplir en todo momento:
∑ ∑ Tij = SIJ (3)

i∈ZI j∈ZJ
Del mismo modo, se tiene que cumplir (introduciendo en (3) las ecuaciones (1) y (2)):
∑ ∑ Tij = OI (4)
i∈ZI j∈Z
∑ ∑ Tij = DJ (5)
i∈Z j∈ZJ
En realidad (4) y (5) no aportan nada nuevo, porque si se cumple (3) automáticamente se verifican estas dos
condiciones.
Lo que si podemos imponer es que los orígenes OI se repartan entre sus diferentes origines oi zonales por
población. Los datos de población por zonas pueden ser extraídos por ejemplo de la base de datos formada con
el Censo de Población y Viviendas 2011, descrito en el apartado 3 de este documento. Presentamos el siguiente
esquema explicativo:
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛1
·𝑆 → 𝑜1
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝐼 1𝐼
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝑖
𝑂𝐼 · 𝑆 → 𝑜𝑖 𝑐𝑜𝑛 𝑙𝑜𝑠 𝑖 ∈ 𝑍𝐼
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝐼 𝑖𝐼
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝑛
·𝑆 → 𝑜𝑛
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝐼 𝑛𝐼
Teniendo en cuenta la condición (1), se forma la siguiente ecuación con la que se podría calcular los viajes
originados oi de la zona i:
𝑜𝑖 = ·𝑂 (6)
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝐼 𝐼
Podría hacerse la misma restricción para las atracciones, pero imponer tantas restricciones puede acarrear
incompatibilidades en el sistema.
Hasta ahora se han definido dos restricciones principales para la resolución del problema propuesto, que son la
ecuación (3), que se tiene que cumplir siempre, y la ecuación (7), que conociendo la variable en cada zona
podemos conocer los viajes generados en cada una de ellas.
Para resolver el problema podemos definir la ecuación de resolución siguiendo las bases de los métodos
tradicionales de distribuciones de viajes. Estos métodos se basan en definir si fuera el caso, una matriz previa a
partir de datos ya conocidos, y multiplicarla por coeficientes de restricciones en los orígenes y en los destinos.
117
118
La ecuación tipo que se usa es la siguiente, y a partir de ella formaremos la nuestra adaptándola a los datos que
disponemos:
𝑜
𝑇𝑖𝑗 = 𝑎𝑖 · 𝑏𝑖 · 𝑡𝑖𝑗 (7)
Siendo
𝑎𝑖 coeficientes referidos a los orígenes
𝑏𝑖 coeficientes referidos a los destinos
𝑜
𝑡𝑖𝑗 matriz previa
Vamos ir explicando paso a paso como formaremos la expresión teórica de la solución de nuestro problema en
base a la ecuación (7) que acabamos de mostrar:
- 𝑏𝑖 será cero en este caso, ya que como se dijo anteriormente no se va imponer restricciones referidas a
los destinos.
- 𝑎𝑖 no será cero, ya que sí se han impuesto restricciones en los orígenes como se impuso en la ecuación
(6). Por lo tanto, tenemos que:
𝑎𝑖 = 𝑜𝑖 = ·𝑂 (8)
𝑜
- La matriz previa 𝑡𝑖𝑗 se va formar a partir de variables conocidas de los estudios realizados. Un
ejemplo de matriz previa, que será la que utilicemos, es la siguiente:
𝑜
𝑡𝑖𝑗 = 𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝑖 · 𝐸𝑐𝑜𝑛𝑗 (9)
Siendo
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝑖 Población en cada zona de origen i de viajes. Esta información se obtiene de la base
de datos del Censo de Población y Vivienda 2011
𝐸𝑐𝑜𝑛𝑗 Se trata de una variable económica impuesta en las zonas de destino j. Concretamente
hace referencia al número de bienes inmuebles que hay en cada una de esas zonas j, pero sólo teniendo
en cuenta en dicho conteo los bienes que no se usen como viviendas. Esta información se extrae de la
base de datos que se hizo con la información contenida en Catastro (esto fue descrito en el apartado 5
de este documento)
- Por último, a esta ecuación se le va añadir un coeficiente nuevo KIJ que se obtiene de imponer que
entre todas las zonas i y j se debe obtener la matriz SIJ de macrozonas.
Por lo tanto, una expresión teórica de la solución será la que se muestra seguidamente:
𝑜 𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝑖
𝑇𝑖𝑗 = 𝑎𝑖 · 𝑡𝑖𝑗 · 𝐾𝐼𝐽 = · 𝑂 · 𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛𝑖 · 𝐸𝑐𝑜𝑛𝑗 · 𝐾𝐼𝐽 (10)
Esta expresión es la que se usará para resolver el problema. Para ello se empleará el software informático
Wolfram Mathematica, que realizará un proceso de equilibrado iterativo biproporcional hasta encontrar la
solución en el momento que converja el sistema.
Un ejemplo de resolución de problemas mediante procesos iterativos en teoría de distribución de viajes de
transporte podría ser el Método de Furness. En este método parte de una matriz previa conocida, y multiplicando
dicha matriz por factor que depende de los origines y los destinos, a través de una serie de iteraciones se obtiene
la matriz buscada cuando se consigue su convergencia. Es por ello que este método se asemeja al proceso que
vamos a realizar.
En la siguiente imagen se explica esquemáticamente en que consiste este método:
118
Figura 9-3. Método de Furness. Fuente: Complementos del Transporte y Servicios Urbanos. Máster de
Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla
Las resoluciones mostradas hasta ahora son desde el punto de vista teórico, por lo que vamos a mostrar las
expresiones estructuradas desde una visión matemática para así ver más claramente cómo se resuelve este
sistema definido en (10).
A la pregunta de cómo se resuelve el sistema propuesto, se responde con la siguiente expresión:
⃗⃗
[Г𝑀−𝑃 ] · 𝑔⃗ = ℎ
Siendo:
[Г𝑀−𝑃 ] Matriz de incidencia cuyas dimensiones son número de macrozonas M por número de pares
Origen-Destino P, es decir, la dimensión es 12 x 18.632. Por lo tanto, esta matriz de incidencia muestra que
número de pares Origen-Destino P están dentro de cada macrozona.
Las celdas de esta matriz serán 1 si la macrozona I contiene al par Origen-Destino P correspondiente, y por el
contrario será cero si no lo contiene.
𝑔⃗ Esta es la matriz Tij en formato pseudovector.
𝑇12
𝑇13
⋮
𝑇1𝑁
𝑇21
𝑇23
𝑔⃗ =
⋮
𝑇2𝑁
𝑇𝑁1
𝑇𝑁2
⋮
[𝑇𝑁𝑁−1 ]
Figura 9-4. Transformación de la matriz Tij en formato matricial a formato de psuedovector. Fuente:
Elaboración propia
Esto sólo sería otra forma de escribir la matriz Tij de Orígenes-Destinos. En el vector 𝑔⃗ ya no se han añadido las
componentes de la diagonal que son cero como ya se comentó.
119
120
⃗⃗
ℎ Matriz de términos independientes, que este caso puede estar relacionada con orígenes y destinos a
nivel de macrozona.
Como ya se ha determinado, las restricciones sólo se han impuesto en los orígenes, por lo que el pseudovector
⃗⃗ será el vector de viajes originados en los orígenes a nivel macrozonal.
ℎ
⃗⃗ = 𝑂𝑀
ℎ
Por lo tanto, una vez explicado todos los componentes podemos escribir la ecuación ya de la siguiente manera:
[Г𝑀−𝑃 ] · 𝑔⃗ = 𝑂𝑀
Esto sería un tipo de restricción, y así se escribirían todas las demás y podríamos ir generando en Wolfram
Mathematica las ecuaciones para resolver el problema.
El funcionamiento que se sigue es imponer una serie de condiciones, se irán obteniendo unos coeficientes (en
nuestro caso los ai y KIJ), se impondrá en cada iteración nuevas restricciones con las que variaremos los
coeficientes para obtener nuevos valores. Esto continúa hasta que el modelo converge.
Con esto concluimos la explicación de la metodología que vamos a emplear para obtener la matriz Tij, y en el
siguiente apartado mostraremos los resultados.
9.3. Resultados de las matrices Origen-Destino

Llevando a cabo el procedimiento que acabamos de explicar obtenemos las matrices de origen y destinos para
los distintos modos de transporte de las zonas de análisis de transporte de estudio. Debido a la extensión de estas
matrices se adjuntarán en el ANEXO D, las cuáles serán las siguientes:
- Matriz de Origen-Destino del modo de transporte privado
- Matriz de Origen-Destino del modo de transporte público
- Matriz de Origen-Destino del modo de transporte a pie
- Matriz de Origen-Destino del modo de transporte en bicicleta
120
10 MODELOS DE REPARTO MODAL CON
TÉCNICAS DE APRENDIZAJE AUTOMÁTICO
10.1. Introducción
Este apartado tiene como objetivo realizar un modelo de reparto de modos de transporte a partir de la
información que hemos recogido. Para ello se desea emplear la metodología con técnicas de Machine Learning
o Aprendizaje Automático, es decir, crear un modelo a partir de una información registrada para posteriormente
poder conocer los modos de transporte que cogería un usuario conociendo ciertas variables características del
mismo en relación con temas de movilidad.
El software que se empleará será Matlab que dispone de un módulo sobre Machine Learning que nos será de
utilidad. Por otro lado, de toda la información que disponemos usaremos para realizar este modelo la contenida
en los microdatos del Censo 2011 de Población y Viviendas.
Seguidamente explicaremos de que trata las técnicas de Machine Learning, como se llevan a cabo en Matlab,
para finalmente crear el modelo que venimos buscando.
10.2. Técnicas de Aprendizaje Automático o Machine Learning

10.2.1. Introducción
Para la introducción a este concepto denominado Aprendizaje Automático vamos a aportar una definición del
mismo: “El aprendizaje automático se refiere al proceso por el cual los ordenadores desarrollan el
reconocimiento de patrones o la capacidad de aprender continuamente y hacer predicciones basadas en datos
tras lo cual realizan ajustes sin haber sido programados específicamente para ello. Como forma de inteligencia
artificial, el aprendizaje automático automatiza el proceso de creación de modelos analíticos y permite que las
máquinas se adapten a nuevas situaciones de manera independiente”.
El concepto de Machine Learning o aprendizaje de las máquinas es un tema de gran actualidad debido al impulso
de las grandes compañías tecnológicas como Google, Microsoft o Facebook. Actualmente disponemos de
grandes conjuntos de datos que hace tan solo unos años no teníamos ni siquiera la capacidad de almacenar, y
mucho menos de analizar, debido a los altos costes del almacenamiento y de la capacidad de cómputo, pero hoy
en día, estos datos se pueden almacenar y analizar de manera automática, ya que tanto el precio del
almacenamiento como de la capacidad de cómputo es muy barata. Debido a esto, el Machine Learning es una
tecnología en pleno auge.
Para empresas como Google, Microsoft, Facebook, Telefónica, etc., les supone unos costes mínimos en
infraestructura de computación y almacenamiento en relación con el beneficio obtenido con el análisis de los
datos, e incluso en alguna ocasión, almacenan datos que hoy en día no saben si serán útiles en el futuro, pero
que posiblemente pasados varios años, podrían ser útiles y ventajosos en las compañías. En el sector de la banca
o el de los seguros han sido los más atrevidos en utilizarlo para la mejora de sus procesos, y se están llevando a
cabo proyectos muy ambiciosos.
El mundo del Machine Learning es muy interesante ya que, junto a otras tecnologías como Big Data, IoT, etc.
abre una gran cantidad de aplicaciones que están cambiando múltiples áreas de nuestra vida. Ya no es el futuro,
es el presente, ya que se utiliza en multitud de sistemas y problemas. En este TFM vamos a tocar superficialmente
esta tecnología, ya que es muy amplia, pero esperemos usarla de la mejor forma posible y que sea interesante al
lector que sobre todo se adentre por primera vez en este mundo del aprendizaje automático.
121
122
Modelos de Reparto Modal con Técnicas de Aprendizaje Automático
10.2.2. Marco Teórico y Terminología

Los sistemas de Aprendizaje Automático aprenden como combinar entradas para producir predicciones útiles
sobre datos nunca antes vistos.
La terminología básica es la siguiente:
 Etiquetas
Una etiqueta es el valor que estamos prediciendo. En nuestro caso sería el modo de transporte que elegiría un
determinado usuario.
 Atributos
Un atributo es una variable de entrada. Un proyecto de aprendizaje automático simple podría usar un solo
atributo, mientras que otro más sofisticado podría usar millones de atributos. Los atributos para averiguar qué
tipo de transporte emplearía una persona podría ser el destino al que van, los números de viajes que tienen que
dar, la edad de dicha persona, su nivel socioeconómico, etc.
 Modelos
Un modelo define la relación entre los atributos y la etiqueta. Por ejemplo, el modelo de reparto modal podría
asociar a las personas que tienen una edad menor de 18 años el uso de transporte público.
Destacamos dos fases en el ciclo de un modelo:
 Entrenamiento significa crear o aprender el modelo. Es decir, le muestras ejemplos etiquetados al
modelo y permites que este aprenda gradualmente las relaciones entre los atributos y la etiqueta.
 Inferencia significa aplicar el modelo entrenado a ejemplos sin etiqueta. Es decir, usas el modelo
entrenado para realizar predicciones útiles.
10.2.3. Tipos de aprendizaje en Machine Learning

El campo que abarca el Machine Learning es muy amplio y debemos diferenciar sus tipologías, las cuales pueden
ser:
 Aprendizaje supervisado
Es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten
en pares de objetos, por un lado, los datos de entrada y por otro lado el resultado deseado. De esta forma,
podemos enseñar a la máquina que, con una serie de características, un cliente es de tipo A y que el que tiene
otra serie de características no es de tipo A. De esta forma, la máquina genera una estructura de información que
llega a esos resultados, siendo una especie de caja negra en la que no sabemos cómo hace la máquina para llegar
a ese resultado o al menos es bastante complicado seguir esas reglas creadas.
Dentro del aprendizaje supervisado, se puede dividir en:
 Clasificación: la salida del sistema debe ser asociada a una de entre un conjunto discreto de clases Ck
con k=1, 2, …, e.
 Regresión: cuando la salida del sistema representa a los valores de una variable continua.
En ambos casos para resolver el problema desde el punto de vista matemático, tanto el patrón de entrada como
el de salida, vienen definidos por un vector numérico.
 Aprendizaje no supervisado
Es una técnica en que los datos no han sido etiquetados previamente y solo se dispone de datos de entrada. Por
tanto, la máquina debe de ser capaz de encontrar la estructura existente de datos. Este tipo de aprendizaje es muy
útil para reducir la dimensionalidad de los datos reduciendo la pérdida de información. Un ejemplo es la
segmentación de clientes, en la que, a partir de toda una serie de características, el Machine Learning es capaz
de encontrar un número de grupos con características similares definido por el analista de datos humanos.
122
Mediante la reducción de la dimensionalidad a dos o tres componentes, podemos representar gráficamente estos
grupos para poder visualizarlos y tener así una mejor comprensión.
 Aprendizaje por refuerzo
Este tipo de aprendizaje funciona en base a premios, a través del ensayo y error. Los datos de entrada se obtienen
a través del feedback o retroalimentación del entorno. Si la máquina no lo hace bien se le da un premio igual a
0 o negativo. En cambio, si toma una acción acertada se le dan premios con valor positivo para que finalmente
encuentre una buena solución. De esta forma conseguimos que el sistema aprenda de forma inteligente cuando
toma decisiones acertadas, mejorando los procesos de decisión. El sistema será más capaz de tomar buenas
decisiones si se realiza un entrenamiento adecuado para trasladar la perspectiva subjetiva humana a un proceso
que mejorará continuamente su aprendizaje y su efectividad predictiva.
10.2.4. Entrenamiento
Entrenar un modelo simplemente significa aprender (determinar) valores correctos para todas las ponderaciones
y las ordenadas al origen de los ejemplos etiquetados. En un aprendizaje supervisado, el algoritmo de un
aprendizaje automático construye un modelo al examinar varios ejemplos e intentar encontrar un modelo que
minimice la pérdida. Este proceso se denomina minimización del riesgo empírico.
Para que el modelo sea lo más aproximado posible a la realidad buscada, el conjunto de datos que se tenga se
puede dividir en dos subconjuntos:
 Conjunto de entrenamiento: Un subconjunto para entrenar un modelo.
 Conjunto de prueba: Un subconjunto para probar el modelo entrenado.
Imagina dividir el único conjunto de datos de la siguiente manera:
Figura 10-1. División de un único conjunto de datos en un conjunto de entrenamiento y uno de prueba. Fuente:
https://developers.google.com/machine-learning/crash-course/prereqs-and-prework
El conjunto de prueba tiene que reunir las siguientes condiciones:
 Que sea lo suficientemente grande como para generar resultados significativos desde el punto de vista
estadístico.
 Que sea representativo de todo el conjunto de datos. En otras palabras, no elijas un conjunto de prueba
con características diferentes al del conjunto de entrenamiento.
 Nunca uses los datos de prueba para el entrenamiento. Si ves resultados sorpresivamente positivos en
tus métricas de evaluación, es posible que estés usando los datos de prueba para el entrenamiento.
Haciendo estas dos particiones del modelo, el flujo de trabajo que deberíamos seguir es el que mostramos en el
siguiente esquema:
123
124
Figura 10-2. Flujo de trabajo posible en un modelo con dos particiones. Fuente:
En la figura, “Ajustar el modelo” significa modificar cualquier aspecto del modelo, desde cambiar la tasa de
aprendizaje hasta agregar o quitar atributos, o diseñar un modelo completamente nuevo desde cero. Al final de
este flujo de trabajo, elijes el modelo que mejor se desempeñe con respecto al conjunto de prueba.
La división del conjunto de datos en dos conjuntos es una buena idea, pero no constituye una panacea. Puedes
reducir en gran medida las posibilidades de sobreajuste al particionar el conjunto de datos en los tres
subconjuntos que se muestran en la siguiente figura:
Figura 10-3. División de un único conjunto de datos en tres subconjuntos. Fuente:

Usa el conjunto de validación para evaluar los resultados del conjunto de entrenamiento. A continuación, usa el
conjunto de prueba para verificar la evaluación después de que el modelo haya “pasado” el conjunto de
validación. En la siguiente figura, se muestra el nuevo flujo de trabajo:
124
Figura 10-4. Flujo de trabajo empleando tres subconjuntos de datos. Fuente:
En este flujo de trabajo mejorado, realiza lo siguiente:
 Selecciona el modelo que mejor se desempeñe con el conjunto de validación.
 Verifica el modelo con respecto al conjunto de prueba.
Este flujo de trabajo es más eficaz porque crea menos exposiciones al conjunto de prueba.
10.2.5. Representación. Atributos

A diferencia de la programación tradicional, que se centra en el código, los proyectos de aprendizaje automático
se enfocan en la representación. Es decir, una forma para perfeccionar los modelos es que los desarrolladores
agreguen atributos y los mejore.
Es por ello que vamos a mostrar seguidamente unas pautas para saber que valores conformarían buenos atributos.
Serían las siguientes:
 Evita los valores de atributos discretos con poco uso
Los buenos valores de atributo deben aparecer más de 5 veces en un conjunto de datos. Esto permite que un
modelo aprenda cómo se relaciona este valor de atributo con la etiqueta.
Del mismo modo, si el valor de un atributo aparece solo una vez o muy de vez en cuando, el modelo no puede
realizar predicciones basadas en ese atributo.
 Busca los significados claros y evidentes
Cada atributo debe tener un significado claro y evidente para todas las personas que trabajan en el proyecto.
 No mezcla valores “mágicos” con datos reales
Los atributos de punto flotante válidos no contienen discontinuidades fuera de rango particulares ni valores
“mágicos”.
Para evitar valores mágicos, convierte el atributo en dos atributos, uno contiene solo calificaciones de calidad
(nunca valores mágicos) y otro contiene un valor booleano.
 La definición de un atributo no debe cambiar en el tiempo
Por otro lado, una vez se tenga el conjunto de valores de atributos que se va emplear habrá que hacer una limpieza
de los mismos para desechar los ejemplos malos y acondicionar los que sirven. Al igual que anteriormente, se
muestran las pautas que habría que seguir para ello:
125
126
- Descartar atributos o etiquetas que sean cero o valores NaN. Pero siempre y cuando no sean
representativos en el conjunto de datos.
- Los atributos siempre tienen que ser valores numéricos, por lo que si hay alguna variable con valores
categóricos se le asignará un valor numérico a cada categoría.
- Evitar los atributos de poco uso. Mínimo valores de atributos que hayan sido usado más de cinco
veces.
- Cada atributo puede tener su ajuste.
- Valores atípicos extremos, que puede ser eliminados asignando un tope o límite. Los valores que
superen esos topes se puede eliminar, o asignar a esos valores el valor correspondiente al tope.
- Eliminar datos no confiables: valores omitidos, valores duplicados, atributos o etiquetas incorrectas.
- Conocer los datos. Solo emplear en el modelo aquellos conjuntos de atributos que luego vamos a
emplear. No cargar el modelo.
- Si falta algún valor por el motivo que sea, se podría aplicar alguna interpolación o coger datos de otras
encuestas parecidas.
- Por último, siempre es importante lo que ya hemos comentado, dividir los datos en conjunto de
entrenamiento y prueba. Más que nada si queremos tener un conjunto de validación.
10.3. Modelo de Reparto Modal con Machine Learning

10.3.1. Introducción
El objetivo que venimos buscando en este apartado es obtener un modelo capaz de predecir el modo de transporte
que cogería una persona conociendo una determinada información de ella, siempre ligada a la movilidad. En
términos de Machine Learning, el modelo que se entrene tendrá que ser capaz de adivinar las etiquetas del
conjunto de datos nuevos de atributos que no tengan asignadas etiquetas.
Es por ello que necesitamos una base de datos consistente previa con la que entrenar el modelo. La base de datos
que emplearemos es la del fichero de microdatos del Censo de Población y Viviendas 2011, los cuales
describimos en el apartado 3 de este documento. Estos ficheros contienen los datos individuales de una
estadística elaborado a partir de encuestas realizadas a una muestra de la población.
El software que se emplea para ello es Matlab, concretamente su aplicación Classification Learner. Con esta
herramienta se entrena el modelo de aprendizaje automático, que será el que luego usaremos con muestras de
nuevos valores.
A continuación, explicaremos el funcionamiento de esta aplicación de Matlab, describiremos como hemos
entrenado y creado el modelo que buscamos, y probaremos la fiabilidad de dicho modelo con nuevos datos.
10.3.2. Classification Learner en Matlab

Esta aplicación del software Matlab tiene la función de entrenar, validar y ajustar de forma interactiva los
modelos de clasificación, siendo en nuestro caso un modelo de reparto modal.
Podremos elegir entre varios algoritmos para llevar a cabo el entrenamiento y validación de nuestro modelo de
clasificación. El procedimiento consiste en entrenar varios modelos, comparar los diferentes errores de
validación en paralelo y, a continuación, elegir el mejor de ellos que será con el que trabajaremos.
En el siguiente diagrama de flujo vemos una muestra de un flujo de trabajo común para los modelos de
clasificación de entrenamiento o clasificadores en la aplicación Classification Learner.
Figura 10-5. Diagrama de flujo de trabajo en Classication Learner de Matlab. Fuente: MathWorks
126
Previo a entrar en la herramienta habrá que hacer un preprocesado de los datos como ya se ha explicado
anteriormente en el apartado de atributos, y hay que almacenar toda esa información en formato tabla en Matlab
para poder ser usada.
Esta tabla contendrá todas las variables consideradas como atributos de la información que hemos usado, y la
respectiva variable que será definida como etiqueta que en nuestro estudio está relacionada con el modo de
desplazamiento.
Una vez dentro de la aplicación lo primero que tendremos que hacer es crear la nueva sesión en la que habrá que
realizar lo siguiente:
- Paso 1: Seleccionar la tabla con toda la información.
- Paso 2: Indicar que variables serán atributos (Predictor) y cuál será la etiqueta (Response).
- Paso 3: Definir el método de validación. La validación calcula el rendimiento del modelo en los
nuevos datos en comparación con los datos de entrenamiento, y le ayuda a elegir el mejor modelo
(protege contra el sobreajuste). Tenemos tres opciones:
o Cross-Validation (pequeños conjuntos de datos)
o Holdout Validation (grandes conjuntos de datos)
o No Validation
En nuestro caso, al tratarse de una gran cantidad de datos escogemos la Holdout Validation. Este método
coge un porcentaje de la muestra de datos que harán las funciones de conjunto de prueba para validar
el modelo realizado con el restante conjunto de datos, considerado como conjunto de entrenamiento.
En la siguiente imagen se adjunta la pantalla de la aplicación que acabamos de explicar:
Figura 10-6. Pantalla New Session del Classication Learner. Fuente: Matlab
Lo siguiente que se hace es decidir el tipo de clasificador, es decir, entrenamos el modelo con los clasificadores
que consideremos pertinentes y nos quedamos con el que aporte mayor porcentaje de fiablidad.
Vamos a describir todos los tipos de clasificadores de los que dispone Matlab:
 Árboles de decisión (Decision Trees): Los árboles de decisión son fáciles de interpretar, rápidos para
el ajuste y la predicción, y con poco uso de memoria, pero pueden tener una precisión predictiva baja.
Entre ellos se distinguen los siguientes:
o Complex Tree
o Medium Tree
o Simple Tree
127
128
 Análisis discriminante (Discriminant Analysis): El análisis discriminante es un algoritmo de

clasificación popular que se puede probar porque es rápido, preciso y fácil de interpretar. El análisis
discriminante es bueno para conjunto de datos amplios.
Este clasificador asume que diferentes clases generan datos basados en diferentes distribuciones
gaussianas. Para entrenar un clasificador, la función de ajuste estima los parámetros de una distribución
gaussiana para cada clase.
Distinguimos dentro de este los siguientes métodos:
o Linear Discriminant
o Quadratic Discriminant
 Máquina de vectores de soporte (Support Vector Machines): Se puede entrenar modelos SVM cuando
los datos tienen dos o más clases. Disponemos de los siguientes:
o Linear SVM
o Quadratic SVM
o Cubic SVM
o Fine Gaussiana
o Medium Gaussiana
o Coarse Gaussiana
 Clasificadores vecino más próximo (Nearest Neighbor Classifiers): Los clasificadores de vecinos más
próximos suelen tener una buena precisión predictiva en dimensiones bajas, pero es posible que no en
dimensiones altas. Tiene un alto uso de memoria y no son fáciles de interpretar. Encontramos los
siguientes:
o Fine KNN
o Medium KNN
o Coarse KNN
o Cosine KNN
o Cubic KNN
o Weighted KNN
 Clasificadores de conjuntos (Ensemble Classifiers): Los clasificadores de conjunto combinan los
resultados de muchos estudios débiles en un modelo conjunto de alta calidad. Las cualidades
dependen de la elección del algoritirmo. Estos algoritmos pueden ser los siguientes:
o Boosted Trees
o Bagged Trees
o Subspace Discriminant
o Subspace KNN
o RUSBoost Trees
Una vez que se decide con qué tipo de clasificadores entrenamos el modelo le damos a ejecutar cada uno de
ellos. Para cada uno de los modelos realizados tendremos un porcentaje que nos mostrará la fiabilidad de cada
uno, y Matlab nos marcará el modelo con el que hayamos conseguido el máximo porcentaje.
Además, podremos analizar la fiabilidad del modelo a través de gráficas dónde se compara distintos atributos
con los valores de la etiqueta, o matrices de confusión dónde en la diagonal no muestra el número de variables
que se han ido acertando por cada muestra, y en las otras casillas las que ha fallado el modelo. Todo esto es
comparando el conjunto de datos de entrenamiento con el de prueba.
Adjunto una imagen del entorno de Matlab con todo lo que acabamos de describir:
128
Figura 10-7. Entorno del Classication Learner tras el entrenamiento del conjunto de datos. Fuente: Matlab
Por último, una vez que hemos decidido qué modelo vamos a emplear podemos exportarlo para usarlo como
una función de Matlab e incluso podemos generar el código de dicho modelo. En la siguiente imagen se muestra
dónde se ordena estas funciones:
Figura 10-8. Exportar modelo del Classification Learner. Fuente: Matlab
129
130
10.3.3. Preprocesado de datos y elaboración del modelo

En este apartado describiremos como hemos entrenado y creado el modelo con el conjunto de datos que
empleamos. Como ya se ha comentado, la base de datos que usamos es la del fichero de microdatos del Censo
de Población y Viviendas 2011, proveniente de un filtrado de encuestas a una muestra de la población del
municipio de Sevilla.
La variable que definiremos como etiqueta del modelo es la variable MDESP1 correspondiente al modo de
desplazamiento que emplearía cada persona. Esta será la variable que con este modelo queremos averiguar
cuando se analice en un futuro datos nuevos.
Esta variable MDESP1 distingue nueve tipos distintos de medios de desplazamiento:
1. Coche como conductor
2. Coche como pasajero
3. Bus
4. Metro
5. Moto
6. Andando
7. Tren
8. Bicicleta
9. Otros
Lo primero a realizar será un preprocesado de toda la información que tenemos. Atendiendo a la información
de la etiqueta se hará las siguientes acciones en los datos:
- Eliminamos aquellos resultados de las encuestas dónde la etiqueta sea cero, que quiere decir que dicha
persona no usa ningún tipo de transporte por lo tanto la información que aporta es irrelevante para
nuestro estudio.
- Conteo de todos los modos para comprobar si alguno de ello supone ser una variable de contribución
escasa, aunque no llega a ser el caso en este estudio. Como información decir que la variable que
menos aparece en las encuestas es la del medio de desplazamiento Otros.
- Búsqueda de valores atípicos o valores extremos, los cuales serán eliminados de la muestra.
Por otro lado, teniendo en cuenta ahora la información de los atributos, habrá que realizar también un procesado
previo de los datos que hagan la función de atributos. Se lleva a cabo las siguientes acciones y sus conclusiones:
- De todas las variables que disponemos en la base de datos, nos quedaremos para este modelo sólo con
aquellas que sean los suficientemente representativas desde el punto de vista de la movilidad. Para
ellos hemos acudimos al Estudio Estadístico realizado en el apartado 3 sobre esta base de datos, y
basándonos en lo que analizamos en dicho estudio escogeremos los mejores atributos para nuestro
modelo.
Se usarán 10 variables, las cuales paso a nombrar a continuación (entre paréntesis pongo el código que
cada una tiene dentro del fichero de microdatos):
o Destinos de los viajes (CODTRABA)
o Edad (EDAD)
o Sexo (SEXO)
o Estado Civil (ECIVIL)
o Relación con la actividad (RELA)
o Tipo de jornada de trabajo (JORNADA)
o Situación profesional (SITU)
o Número de viajes diarios (NVIAJE)
o Tiempo de desplazamiento (TDESP)
o Régimen de tenencia de vivienda (TENEN)
- Una vez tengamos recogido el conjunto de datos de estos atributos, se vuelve hacer el mismo filtrado
que se hizo para los valores de la variable definida como etiqueta.
130
Finalmente, el modelo que vamos a entrenar estará formado obviamente por una variable que actúa como
etiqueta (MDESP1) y otras 10 variables que serán los atributos. Hemos preferido escoger este número reducido
de variables para los atributos, ya que así nos aseguramos que todas ellas son representativas desde el punto de
vista de la movilidad y no se escogen otras variables que pudieran contaminar el modelo.
Una vez tenemos ya la base de datos que emplearemos en una tabla en Matlab, procedemos a realizar el modelo
en el Classication Learner de Matlab. Realizamos las tres etapas previas: escoger la tabla con todos los datos
de las variables, asignar las variables que serán atributos y cuál será la etiqueta, y escoger el porcentaje que será
usado como conjunto de datos de validación, que para nuestro modelo usaremos un 20%.
Se entrena el modelo con todos los clasificadores que tenemos, pero la precisión de todos ellos ronda el 40% por
lo que sería prácticamente inviable usar este conjunto de datos como predictor de otros nuevos. Algunas de las
razones a las que llegamos para justificar esta escasez en la precisión son:
- Los valores de las distintas variables en las encuestas no siguen patrones de respuestas fijas, sino que
hay una gran variedad en las respuestas de los encuestados.
- Otra razón podría ser que el número de opciones en la variable seleccionada como etiqueta son
demasiadas, siendo nueve en este caso.
- Una de las variables considerada de atributos es la del destino. Quizás sería crucial también saber los
orgenes de los viajes de cada uno de los encuestados, pero como ya hemos comentado en este
documento no se dispone dicha información por posibles motivos de anonimato de los encuestados.
Lo que se decide hacer para intentar mejorar el modelo es englobar en este caso las opciones de las etiquetas en
tres categorías, como también se hizo en el Estudio Estadísticos, es decir, en transporte privado (coche como
conductor y pasajero y moto), transporte público (bus, metro y tren) y transporte ecológico (bicicleta y andando).
Se descarta la opción de otros al ser la más escasa y al no conocer concretamente que tipo de transporte engloba.
También, con respecto a valores de las variables de atributos, se elimina del conjunto de datos aquellas encuestas
que tengan muchas respuestas con valor cero.
Una vez realizado este otro procesado del conjunto de datos, se vuelve a entrenar el conjunto con todos los
clasificadores, escogiendo el 20% de nuevo como porcentaje para el conjunto de validación.
De nuevo la precisión de los distintos modelos es escasa, rondando entre en 40 y el 45%, siendo la mejora muy
pobre. Los clasificadores en los que han salido las precisiones más altas con un 43,2% son los siguientes:
- Support Vector Machines. Linear SVM
- Support Vector Machines. Coarse Gaussiana
- Ensemble Classifiers. Subspace Discriminant
Mostramos la matriz de confusión de alguno de ellos, como por ejemplo la del tercer clasificador nombrado:
131
132
Figura 10-9. Matriz de confusión Ensemble Classifiers. Subspace Discriminant. Fuente: Elaboración propia en
Matlab
Como ya se ha comentado, en la diagonal deben aparecer aquellos conjuntos de datos del conjunto de prueba
que han sido validados como acertados al comprobar el modelo. Se observa que este caso sólo hemos encontrado
aciertos en la clase del Transporte Privado, y no tenemos ningún resultado analizado en las demás clases. Lo
mismo ocurre con los resultados de los otros dos clasificadores, es por ello que consideramos descartarlos.
Aunque no sean representativos ninguno, queremos elegir aunque sea uno de ellos para demostrar en el siguiente
apartado como usar uno de estos modelos para predecir nuevos datos. Para ello hemos escogido el modelo
obtenido con el clasificador de árbol de decisión denominado Complex Tree. La precisión obtenida con este
modelo es de 42,6%, pero la diferencia que tiene con los anteriores es que en su matriz de confusión hemos
podido comprobar que ha habido aciertos en las tres clases de la variable de la etiqueta.
Se adjunta dicha matriz de confusión para observar esto:
Figura 10-10. Matriz de confusión Decision Trees. Complex Tree. Fuente: Elaboración propia en Matlab
132
En conclusión, este será el modelo que emplearemos en el siguiente apartado para ver como Matlab predice las
etiquetas aportándoles datos nuevos de los atributos.
10.3.4. Aplicación del modelo creado con nuevos datos

Para la predicción con nuevos valores usando los modelos creados hay que ejecutar la siguiente orden en el
software Matlab:
yfit = c. predictFcn(T)
Siendo
yfit Vector con los resultados de la predicción
c Nombre del modelo que se emplea, en nuestro caso el ComplexTree
T Tabla con los nuevos datos de los atributos que se quiere predecir
En primer lugar, para probar el modelo, se ha creado una tabla con nuevos datos de manera aleatorio con
funciones de Matlab, sin seguir ningún criterio. Esto se hizo más que nada para probar la funcionalidad del
modelo en las predicciones.
Adjunto la tabla dónde se observa en cada fila los valores de cada uno de los atributos, y en la última columna
el modo de transporte que a predicho el modelo a partir de esos atributos definidos. Los valores de los atributos
se definen por números, cuyos significados lo encontramos en el ANEXO A.2. Se ha analizado 50 situaciones
distintas.
ATRIBUTOS ETIQUETA
MDESP
ID MUESTRA PREDECIDO
CODTRABA EDAD SEXO ECIVIL RELA JORNADA SITU NVIAJE TDESP TENEN
POR EL
MODELO
1 41092 77 6 2 1 1 4 3 1 2 Privado
2 41003 84 1 4 5 1 3 2 5 5 Ecológico
3 41003 27 6 4 2 2 5 2 1 4 Privado
4 41011 84 1 1 4 2 4 1 1 4 Privado
5 41092 64 6 1 1 1 3 2 4 5 Privado
6 41011 25 1 3 4 1 6 2 1 4 Privado
7 99999 38 1 5 2 1 6 3 6 2 Privado
8 41013 57 1 2 4 2 4 2 6 1 Público
9 41009 87 1 3 5 1 4 2 6 6 Privado
10 41001 88 1 2 5 1 4 3 2 2 Privado
11 41011 29 1 4 3 2 2 1 5 1 Privado
12 99999 88 6 2 1 1 2 3 4 4 Privado
13 41001 87 1 3 2 1 3 3 7 6 Privado
14 41007 53 6 4 6 1 2 3 5 5 Público
15 41013 76 1 5 1 1 6 1 6 2 Privado
16 41012 28 1 5 5 1 2 1 4 3 Privado
17 41008 48 1 3 4 2 2 2 4 3 Ecológico
18 41003 84 6 1 6 2 2 3 6 6 Público
19 41018 75 1 1 1 2 2 1 1 1 Ecológico
133
134
ATRIBUTOS ETIQUETA
MDESP
CODTRABA EDAD SEXO ECIVIL RELA JORNADA SITU NVIAJE TDESP TENEN
POR EL
MODELO
20 41018 88 6 2 3 1 3 3 1 6 Privado
21 41092 65 1 5 1 1 2 1 2 4 Privado
22 41020 20 6 2 6 1 6 2 3 3 Privado
23 41012 79 1 5 1 2 3 2 6 2 Privado
24 41006 86 6 2 5 1 2 3 6 3 Privado
25 99999 67 1 5 5 1 6 3 1 3 Público
26 99999 73 1 2 6 1 6 3 3 1 Privado
27 41011 72 6 1 1 2 3 3 4 4 Ecológico
28 41092 46 6 2 3 2 1 2 3 2 Privado
29 11510 65 1 4 2 2 2 3 5 3 Público
30 41005 30 1 3 5 1 3 1 5 4 Privado
31 41003 69 6 2 3 2 4 1 3 2 Privado
32 41500 20 1 5 6 1 2 3 4 2 Privado
33 99999 38 1 3 2 2 4 2 1 4 Privado
34 41012 21 1 3 2 1 5 2 7 2 Privado
35 99999 25 1 5 1 2 2 3 2 5 Privado
36 99999 78 6 2 1 1 1 2 1 6 Privado
37 99999 68 1 4 6 1 2 2 3 5 Ecológico
38 41008 41 1 4 4 2 2 3 2 3 Público
39 99999 87 6 2 4 2 3 3 4 4 Privado
40 41007 20 1 3 1 1 4 2 3 1 Público
41 99999 50 6 1 6 2 1 1 7 6 Ecológico
42 41009 45 1 1 4 2 2 1 7 6 Ecológico
43 41015 73 6 3 3 1 5 3 1 5 Privado
44 99999 76 1 4 4 1 1 1 6 2 Ecológico
45 41001 31 6 5 3 1 6 2 2 4 Privado
46 41007 53 1 1 1 1 5 1 3 1 Privado
47 41009 50 6 3 2 2 3 3 4 3 Ecológico
48 41007 65 6 3 1 2 4 3 7 2 Privado
49 99999 69 1 1 2 2 2 2 3 1 Público
50 41007 73 1 2 2 2 3 2 7 2 Público
Tabla 10-1. Resultados del modelo de Machine Learnig realizado con valores de atributos aleatorios. Fuente:
Elaboración propia
En el modelo anterior no se comprueba la fiabilidad del mismo, al no tratarse de datos reales y no disponer de
valores de las etiquetas de los datos nuevos creados para poder compararlos con los resultados. Es por ello, que
se decide llevar a cabo seguidamente un modelo, pero esta vez con respuestas reales de personas para haber si
134
es capaz de adivinar el modo de transporte que escogería cada una de ellas.
Se ha pasado una encuesta a una muestra de 50 personas que vivan en Sevilla actualmente, y estén trabajando o
estudiando. En estas encuestas se le preguntará por las variables de los atributos y la etiqueta.
Dicha encuesta consistía en las siguientes preguntas:
A) Código Postal del lugar de destino de vuestro trabajo o centro de estudios.
B) Edad
C) Sexo:
1. Hombre
2. Mujer
D) Estado Civil
1. Soltero
2. Casado
3. Viudo
4. Separado
5. Divorciado
E) Relación con la actividad
1. Ocupado
2. Parado que ha trabajado antes
3. Parado buscando su primer empleo
4. Persona con invalidez laboral permanente
5. Jubilado, prejubilado, pensionista o rentista
6. Otra situación
F) Jornada trabajo/estudios
1. Tiempo completo
2. Tiempo parcial
G) Situación profesional
1. Empresario, profesional o trabajador por cuenta propia que emplea personal
2. Empresario, profesional o trabajador por cuenta propia que no emplea personal
3. Trabajador por cuenta ajena fijo o indefinido
4. Trabajador por cuenta ajena eventual o temporal
5. Otra situación: ayuda familiar
6. Otra situación: miembro de cooperativas
H) Número de viajes diarios
1. Ninguno
2. Uno diario
3. Dos o más
135
136
I) TDESP
1. Menos de 10 minutos
2. Entre 10 y 19 minutos
6. Entre 1 hora y hora y media
7. Más de hora y media
J) Régimen tenencia vivienda
1. Propia, por compra, totalmente pagada
2. Propia, por compra, con pagos pendientes (hipotecas)
3. Propia por herencia o donación
4. Alquilada
5. Cedida gratis o a bajo precio (por otro hogar, pagada por la empresa...)
6. Otra forma
PREGUNTA FINAL
¿QÚE MODO DE TRANSPORTE USAS PARA IR AL TRABAJO/LUGAR DE ESTUDIO?
- Privado: Coche conductor o pasajero, Moto
- Público: Bus, Metro, Tren
- Ecológico: Andando, Bicicleta
Por lo tanto, predecimos este nuevo conjunto de datos con nuestro modelo y obtuvimos sus respectivos
resultados. En la siguiente tabla, en las dos últimas columnas podemos ver tanto el modo de transporte real que
respondió cada encuestado y el modo de transporte que le ha predicho el modelo. Se marcará en verde si el
modelo acierta y en rojo si la respuesta que da es incorrecta.
ATRIBUTOS ETIQUETA
MDESP
CODTRABA EDAD SEXO ECIVIL RELA JORNADA SITU NVIAJE TDESP TENEN MDESP REAL
POR EL
MODELO
1 41092 26 1 1 6 1 5 3 9 4 Público Privado

2 41013 27 6 1 1 1 3 2 1 2 Público Público
3 41012 24 1 1 6 2 4 2 2 4 Privado Privado
4 41011 26 1 1 2 1 3 3 4 6 Privado Público
5 41018 26 1 1 1 2 4 2 2 4 Privado Privado
6 41092 28 1 1 3 2 4 3 3 4 Ecológico Privado
7 41092 29 1 1 6 2 5 2 3 6 Ecológico Público
8 41018 26 1 1 1 1 3 2 6 5 Privado Privado
9 99999 26 1 1 1 1 4 1 2 4 Privado Privado
10 41092 26 6 2 1 1 4 2 4 5 Privado Público
136
ATRIBUTOS ETIQUETA
MDESP
POR EL
MODELO

12 41019 21 1 1 1 2 4 2 2 6 Privado Público
14 41012 22 1 1 6 1 6 2 3 4 Privado Privado
15 11001 30 6 1 1 1 4 3 4 6 Privado Privado
16 99999 28 1 1 1 1 2 3 5 6 Privado Público
19 41013 26 1 1 1 1 4 3 7 4 Privado Privado
20 41018 26 1 1 1 1 4 2 3 4 Público Privado
23 41013 19 6 1 3 1 6 3 6 6 Público Privado
25 41092 19 1 1 6 1 6 2 4 4 Público Privado
26 41011 25 1 1 1 1 1 1 1 4 Privado Privado
27 28004 27 6 1 1 1 2 1 7 4 Público Privado
29 41020 59 1 2 1 1 3 2 5 1 Privado Privado
30 99999 59 6 2 1 1 1 3 3 1 Privado Privado
32 41003 26 6 1 1 2 4 3 6 2 Público Privado
33 41013 25 6 1 1 1 4 3 6 6 Público Público
35 99999 27 6 1 6 1 4 2 2 6 Privado Privado
36 99999 26 6 1 2 2 4 2 1 6 Privado Privado
37 41092 49 1 2 1 1 3 2 3 2 Privado Privado
39 41013 54 1 2 1 3 3 3 5 3 Público Privado
40 14001 52 6 2 1 1 3 2 6 3 Privado Público
41 99999 27 6 1 1 1 4 2 3 4 Privado Privado
43 41003 19 6 1 6 1 5 2 3 4 Público Público
45 41092 25 6 2 1 1 4 3 3 4 Público Público
137
138
ATRIBUTOS ETIQUETA
MDESP
POR EL
MODELO

48 41013 22 1 1 1 1 5 2 2 4 Privado Privado
49 28011 41 1 2 1 1 3 1 7 2 Público Público
50 41500 39 6 2 1 1 2 3 3 2 Privado Privado
Tabla 10-2. Figura. Resultados del modelo de Machine Learnig realizado con la información de las encuestas
realizada. Fuente: Elaboración propia
En los resultados vemos que el modelo ha acertado en 21 ocasiones y ha fallado en 29, por lo tanto, el porcentaje
de acierto ha sido del 42%. La fiabilidad de nuestro modelo era del 42,6%, por lo tanto, podemos concluir que
el modelo ha funcionado con la fiabilidad que se le atribuía.
138
11 RESUMEN Y CONCLUSIONES
El objetivo de este Trabajo Fin de Máster que hemos realizado ha sido el estudio de diversas fuentes de
información con dos fines principales:
- Recopilar toda la información que sea útil desde el punto de vista de la movilidad creando bases de
datos que luego puedan ser usadas para realizar modelos de reparto modal, de distirbución de viajes o
cualquier otro tipo de modelos relacionados con el transporte.
- Aparte de la creación de modelos, también se analizó otras posibles utilidades que se le pueda dar a la
información de cada fuente particularizada para cada una de ellas como, por ejemplo, completar otras
bases datos distintas que estén incompletas, la creación de los centroides de las zonas de transporte, etc.
Estas fuentes de información de acceso público a las que hemos acudido han sido las siguientes, cada una de
ellas repartiendo toda su información en su propia zonificación: Censo de Población y Viviendas 2011, Atlas de
Distribución de Renta en los Hogares, Catastro y Distribución Espacial de la Población en Andalucía.
Otro de los objetivos finales era integrar toda la información en una zonificación única, que será la que se usa
en los modelos de transporte que finalmente se hagan. Para ello en primer lugar se escogió unas zonas de análisis
de transporte TAZ del municipio de Sevilla, aportadas por el tutor, pero durante la elaboración de este trabajo
publicaron una nueva zonificación. Concretamente, se produce la publicación de un nuevo Plan de Movilidad
Urbana Sostenible de Sevilla que aportaba una nueva zonificación de zonas de transporte, por lo que finalmente
se decide usar ésta para el proyecto.
El procedimiento de recogida de la información y traspaso de la misma a las zonas de transporte se explica, pero
para almacenar esa información en las zonas TAZ antiguas. De todas formas, con las herramientas de
programación que se definieron, este mismo procedimiento puede ser realizado con cualquier otro tipo de
zonificación, por lo que no hubo problemas para realizarlo con las nuevas zonas de transporte definidas por el
PMUS.
Por lo tanto, toda esta información se recogió a través de diversos métodos y con ayudas de programas
informáticos como Excel o Matlab y se traspaso a esta nueva zonificación. Podemos decir que este sería el punto
fuerte de este trabajo (al que se le dedico más horas y se hizo más hincapié en él), el de recoger toda la
información de datos abiertos
en una base de datos usando como zonificación las zonas de transporte, para que pueda ser usada para cualquier
modelo relacionado con la movilidad o cualquier otro campo de estudio.
En este punto se va ir haciendo un resumen recorriendo todo lo tratado en este estudio, sacando las conclusiones
más importantes y planteando algunas líneas futuras que posiblemente se pudieran llevar a cabo con la base de
datos elaborada.
11.1. Fuentes de Información y Elaboración de la Base de Datos

En primer lugar, se hace un resumen de las distintas fuentes de información a las que hemos acudido, sacando
conclusiones tanto de su contenido como de algunas utilidades para las que se ha empleado.
Se dispone de ficheros con información de los principales indicadores de personas, hogares y viviendas para
cada una de las secciones censales del municipio de Sevilla. Esta información se tiene tanto en formato Excel
como en cartografía vectorial. Como hemos comentado se traspasará toda la información de los indicadores a
las zonas de análisis de transporte definidas por el PMUS (también se tendrá esta información en las zonas de
análisis de transporte TAZ antiguas que primeramente se emplearon en este proyecto).
Toda esta información es aportada por el Instituto Nacional de Estadística (INE).
Por lo tanto, se puede conocer los indicadores censales de número de habitantes, hogares y viviendas concretos
en cualquier zona de la ciudad de Sevilla, es decir, son datos meramente censales distribuidos en distintos
139
140
Resumen y Conclusiones
campos y situaciones de las distintas zonas de estudio. No encontramos digamos variables que representen temas
de movilidad concretos de forma directa, pero indirectamente sí se pueden usar para interpretar de forma
conjunta con otras variables circunstancias de movilidad o estudios de reparto modal.
El reparto de la información recogida a nivel de sección censal se traspasará a las zonas de transporte en función
de relaciones de proporcionalidad con las superficies de ambas zonificaciones e intersectándolas entre ellas. Pero
en otras fuentes de información tenemos variables, como puede ser la renta media por persona/hogares o reparto
de fuentes de ingresos (ambas variables recogidas en la base de datos del Atlas de Distribución de la Renta en
Hogares), en las que el traspaso de información es más lógico realizarlo a través de ponderaciones en función
del número de habitantes de cada zona en vez de con superficie, al ser los datos de variables poblaciones. Por
esta razón, estos indicadores censales, una de las utilidades para las que ha sido factible usarlos es para pasar
información de zonas de la fuente a las zonas de estudio, en aquellas variables poblaciones referibles a personas,
hogares o viviendas. Obviamente, esto también podría extrapolarse a cualquier otro tipo de situaciones dónde
encontremos variables de este tipo.
Por otra parte, tenemos los ficheros microdatos, que nos aporta una información interesante a simple vista, con
datos provenientes de un filtrado de encuestas a una muestra de la población del municipio de Sevilla. Con los
resultados de estas encuestas se realiza un estudio estadístico de aquellas variables relacionadas con la movilidad,
centrándonos primordialmente la que nos aporta el modo de desplazamiento predominante que suele usar el
encuestado. Entonces se irán relacionando las demás variables del fichero que se estime oportuna con esta sobre
el modo de desplazamiento.
Se consideró en principio que la información recogida en estos ficheros microdatos iban a ser de gran utilidad,
pero finalmente no llegaron a cumplir con todas las expectativas que se imaginaba. Esto se pudo comprobar en
el Modelo de Reparto Modal que se llevo a cabo con la metodología de Machine Learning dónde se comprobó
que con este conjunto de datos no se llego a realizar un modelo que tuviera la suficiente fiabilidad.
Una de las razones principales es que se echa en falta una variable referida a los orígenes de los viajes, que nos
sería de gran utilidad por ejemplo en otros tipos de modelos como los de la distribución de viajes y, por ende,
aumentaría la fiabilidad del modelo de reparto modal comentado.
Por otro lado, en lo que respecta al estudio estadístico elaborado se ha llegado a obtener conclusiones y
concepciones desde el punto de vista de la movilidad en Sevilla de gran interés. Se centra principalmente este
estudio en relacionar todas las variables con los modos de transporte, que se agruparon en tres tipos: transporte
privado, transporte público y transporte ecológico.
Se muestra seguidamente las conclusiones más relevantes que se obtuvieron:
- Los modos de transporte más empleados son el coche, el metro y andando. Resultó destacable que el
metro estuviera entre los modos más usados, ya que consultando otras fuentes distintas y por experiencia
propia de vivir en la ciudad, esto no es así. Lo normal sería que sea el bus el que estuviera por delante
del metro, incluso con un porcentaje mucho mayor. Esta se trato de una de las incongruencias que nos
encontramos durante este análisis estadístico.
- Las zonas de mayor generación de viajes dentro del municipio de Sevilla son Macarena, Norte, Casco
Antiguo y Nervión, y las que menos Palmera-Bellavista e Isla de la Cartuja.
- La edad es una de las variables de mayor interés y más representativas, que nos dice que las personas
de menor edad optan por el transporte público y ecológico, y las de mayor edad por el transporte privado.
Este razonamiento se puede extrapolar a otras variables relacionadas con la edad, como son el Estado
Civil (las personas casadas suelen ser personas de más edad y por ello usarán el transporte privado, y
las solteras suele ser la población jóven que por dicho motivo preferirán el transporte público y
ecológico) o la situación laboral (las personas que tienen trabajo suelen ser personas de mayor edad y
las que no tienen trabajo en el mayor de los casos son personas jóvenes, por lo que se aplica el mismo
razonamiento).
- Con respecto a las características de los viajes sacamos la siguiente información:
o Si una persona en un día da un solo viaje en el mayor de los casos usa transporte público o
ecológico, y si da más de dos viajes suele usar por comodidad transporte privado si dispone.
140
o El tiempo de ida de los viajes también es interesante, ya que para tiempos muy pequeños se usa
el transporte ecológico o público si no son tan cortos de duración y, por el contrario, para viajes
largos se usa el transporte privado, a excepción de que sean viajes con destinos muy lejanos
que para llegar antes a ellos se usan algún transporte público de alta velocidad.
- Por último, analizando algunas variables relacionados con el nivel económico de cada persona (por
ejemplo, la tenencia de vivienda propia o de segunda vivienda), se saca la conclusión de que las personas
con un mayor nivel económico o apto para vivir bien, suelen elegir el transporte privado y la de menos
nivel económico o personas jóvenes que depende de otras personas, mayormente eligen el transporte
público.
Para acabar, como conclusión final de toda la información que se ha recogido con esto Censo se dice que en un
principio parecía que iba a tener una gran potencia sobre todo para sacar datos de Orígenes-Destinos, y al final
resultó tener sólo información sobre destinos y repartidos en este caso por códigos postales (o si la población del
municipio es menos de 20.000 habitantes no aportan ni dichos códigos). Por este motivo, no resulta ser del todo
una fuente información muy completa para la creación de modelos de gran fiabilidad.
El INE ofrece también cifras de renta a nivel municipal e inframunicipal, a partir de datos de la Agencia
Tributaria y las haciendas forestales. En esta información encontramos: renta media por persona y por hogar,
fuente de ingreso (%) para cada sección censal y renta media y distribución de la renta por unidad de consumo.
Esta información se encuentra distribuida en secciones censales, y será traspasada también a las zonas de análisis
de transporte de estudio. Para este traspaso de información entre estas dos zonificaciones, al ser las variables de
la renta variables de tipo poblacional y de hogares, se emplearán algunos datos del Censo de 2011 para realizar
las operaciones pertinentes.
De esta fuente de datos se ha extraído una base de datos interesante desde el punto de vista económico de las
personas y hogares. Sobre todo, la información podrá ser usada para múltiples líneas futuras de proyectos que
se quieran llevar a cabo. En este estudio en concreto no se ha mostrado ninguna utilidad con estos datos, ya que
no se ha dado el caso de hacer algo que sea realmente interesante como para agregarlo al mismo y desarrollarlo.
Además, también dispone de datos demográficos con valores de población y viviendas (a la fecha de 2016) que
pueden compararse con los que encontramos en el Censo de 2011 o en otras fuentes más actualizadas.
Catastro
De la página web de la Sede Electrónica del Catastro se coge la información recogida en el apartado de
DIFUSIÓN DE DATOS CATASTRALES. De este sitio se descarga información de datos y cartografía en los
siguientes dos formatos: información alfanumérica (formato CAT) y cartografía vectorial (formato shapefile).
Una de las informaciones que se emplea es la de los usos de los distintos bienes inmuebles de las parcelas
catastrales. El resultado final que se obtuvo es una tabla de Excel con la siguiente información:
- El número de bienes inmuebles que la forman.
- Los tipos de bienes inmuebles que tienen de cada uso.
- La superficie que ocupa cada tipo de uso de los bienes inmuebles.
- El reparto porcentual de los usos de los bienes inmuebles.
- Uso prioritario dentro de cada parcela catastral
Esta información que se encuentra a nivel de parcela catastral se traspasa a nivel de zona de análisis de transporte.
Otras de las utilidades que se explican para las que puede ser usada esta fuente de información es como
complemento de otras fuentes, como por ejemplo la correlación de información entre la cartografía vectorial de
ejes del viario del Catastro con las de los Datos Espaciales de Referencia de Andalucía DERA o la definición de
los centroides de las zonas de transporte. También se explican otras aplicaciones con coordenadas, rótulos de
alturas construidas, etc…
Se podría concluir que para nuestro estudio esta ha sido quizás una de las fuentes de información más útil, y una
de las razones es porque nos aporta datos a un nivel muy reducido y singular como es a nivel de bien inmueble
y, además, nos aporta la localización exacta de estos inmuebles cosa que no nos da las demás fuentes de
141
142
información, es decir, los orígenes concretos de los datos que aportan.

Podríamos destacar las siguientes dos aplicaciones principales:
- De la base de datos creada se cogió variables para el cáculo de las matrices de Origen-Destino de las
zonas de transporte, que son descritas en el apartado 9 de este documento. Concretamente se uso el
número de bienes inmuebles de cada parcela catastral que no tuvieran función residencial para usarlo
como variable económica en la creación de una matriz previa.
- La definición de los centroides de todas las zonas de análisis de transporte tomando como referencia el
número de bienes inmuebles de uso residencial que tuviera cada parcela y realizando el cálculo de las
coordenadas de estos centroides con fórmulas de ponderación con pesos.
Esta información la aporta el Instituto de Estadística y Cartografía de Andalucía (IECA), y puede ser descargada
en la página web de la Junta de Andalucía. Se ofrece información sobre Población, Afiliación a la Seguridad
Social, Pensiones contributivas de la Seguridad Social y Demandantes de empleo del Servicio Andaluz de
Empleo.
De nuevo se traspasa toda esta información a nivel de zonas de análisis de transporte, almacenada como base de
datos tanto en formato Excel como cartografía vectorial.
Con esta información conseguimos tener otra fuente de datos sobre la población en temas demográficos, de renta
económica o de empleo, a fecha actualizada del año 2018. En este estudio no se ha realizado ninguna utilidad
con estos datos, pero esto no quiere decir que no puedan ser empleados en futuros proyectos.
Como hemos comentado la información está muy actualizada ya que es del año 2018, por que lo es muy
representativa actualmente. Se pueden realizar comparaciones por ejemplo de la evolución de la población con
otras fuentes de información. Esto último lo vamos a analizar en un apartado siguiente, ya que es interesante
para así observar la fiabilidad de cada una de las fuentes de información.
Por último, lo que resulta un punto negativo es que la distribución de las celdas en el municipio de Sevilla no
ocupa quizás la extensión completa del mismo, quedando ciertas zonas sin analizar. En la Figura 6-2 se muestra
esto distribución en un plano del ámbito de estudio.
11.2. Zonas de Análisis de Transporte del PMUS

Las nuevas zonas de análisis de transporte que al final se emplean han sido definidas por el Plan de Movilidad
Urbana Sostenible del municipio de Sevilla. Un Plan de Movilidad Urbana Sostenible (PMUS) es una
herramienta de planificación estratégica y un instrumento de concienciación y sensibilización para los
ciudadanos, administraciones públicas y el resto de agentes implicados en la movilidad. En un PMUS, se analiza
y reflexiona acerca de cómo es la movilidad, es decir, como se desplazan los ciudadanos, permitiendo determinar
qué medidas se considera necesario implantar para conseguir formas de desplazamiento más sostenibles y
seguras: modos de transporte que hagan compatibles el crecimiento económico, cohesión social y defensa del
medio ambiente; garantizando, de esta forma, una mejor calidad de vida para los ciudadanos.
Esta zonificación divide Sevilla en 136 zonas, repartida en 12 macrozonas que son: Casco Antiguo, Macarena,
Nervión, Cerro-Amate, Sur, Triana, Norte, San Pablo-Santa Justa, Este-Alcosa-Torreblanca, Palmera-
Bellavista, Los Remedios y PCT Cartuja.
Para definir esta nueva zonificación se encontró el inconveniente de que no se aportaba ninguna cartografía
vectorial de dichas zonas, si no que sólo teníamos meras imágenes extraídas del PDF del documento del PMUS.
Es por ello, que nosotros mismos, empleando herramientas CAD y GIS hemos dibujado las zonas para así poder
usarlas en la cartografía y trabajar con ellas. De todas formas, era comprensible encontrarnos con este obstáculo,
ya que las zonas de análisis de transporte no se suelen hacer públicas o dejar al alcance de cualquiera la descarga
de la cartografía de las mismas.
142
11.3. Modelos de Distribución de Viajes y Reparto Modal
Una vez se tuvo recogida toda la información se procede a realizar determinados modelos a partir de ellas, desde
el punto de vista de la movilidad.
Elaboración de matrices de generación y atracción en las zonas de análisis de transporte
En este modelo lo que se pretendió es obtener las matrices de orígenes y destinos de las zonas de análisis de
transporte de estudio. Para ello nos basamos en métodos tradicionales de distribución de viajes y el software
empleado fue el Wolfram Mathematica.
Se usó como información base las matrices de orígenes y destinos de las macronzas que nos aporta el PMUS
(información con fecha de 1 de enero de 2017) y otras variables de las bases de datos formadas que fueran de
interés (concretamente se usó la variable de número de inmuebles que no sean viviendas de la base de datos del
Catastro).
Por lo tanto, con esto se pretendía obtener un modelo de distribución actualizado de la ciudad de Sevilla. Será
de gran utilidad para líneas futuras y estudios de viajes que se quieran hacer más adelante sobre ello.
Las matrices de Origen-Destino que se obtuvieron son las de los siguientes modos de transporte:
- Matriz de Origen-Destino del modo de transporte privado
- Matriz de Origen-Destino del modo de transporte público
- Matriz de Origen-Destino del modo de transporte a pie
- Matriz de Origen-Destino del modo de transporte en bicicleta
Se realiza un modelo de reparto de modos de transporte utilizando técnicas de Aprendizaje Automático o
Machine Learning. Esta metodología crea un modelo a partir de una información registrada para posteriormente
poder conocer los modos de transporte que cogería un usuario conociendo ciertas variables características del
mismo en relación con temas de movilidad.
El software que se emplea es Matlab que dispone de un módulo sobre Machine Learning denominado
Classification Learner.
La información que se empleó de la base de datos fue la contenida en los microdatos del Censo 2011 de
Población y Viviendas.
El modelo se entrena para que nos aporte el modo de desplazamiento que escogería cada persona (transporte
privado, público o ecológico), es decir, la variable MDESP1 del fichero de microdatos. Para entrenar el modelo,
según los resultados obtenidos en el estudio estadístico, se elegió estas diez variables como atributos ya que se
considera que son las más representativas desde el punto de vista de la movilidad:
- Destinos de los viajes (CODTRABA)
- Edad (EDAD)
- Sexo (SEXO)
- Estado Civil (ECIVIL)
- Relación con la actividad (RELA)
- Tipo de jornada de trabajo (JORNADA)
- Situación profesional (SITU)
- Número de viajes diarios (NVIAJE)
- Tiempo de desplazamiento (TDESP)
- Régimen de tenencia de vivienda (TENEN)
El modelo que resultó de todo esto tenía una fiabilidad muy baja (concretamente un 42,6%) debido a que la
calidad de los datos no era suficientemente óptima, pero de todas formas se probó dicho modelo con nuevos
datos recogidos de una encuesta realizada a 50 personas. Los resultados reflejaron claramente la fiabilidad de
dicho modelo, pero de todas formas todo esto sirvió para mostrar como funciona este módulo de Matlab y así
tener una visión somera de esta nueva tecnología emergente del Machine Learning.
143
144
11.4. Análisis de la Evolución de la Población en Sevilla a través de Fuentes de

Información Distintas
Aprovechando la gran variedad de fuentes de información que disponemos vamos a analizar una variable común
que tienen como es la población del municipio de Sevilla, y además como los datos de dichas fuentes son de
fechas distintas podemos examinar la evolución de la población a lo largo de estos últimos años. Aparte de
analizar dicha variable, con estas comparaciones podemos también ver la veracidad de cada una de las fuentes
comprobando que los valores de población que aporten sean lógicos.
Las fuentes a las que vamos a acudir y el número de habitantes del municipio que da cada una son las siguientes:
- Censo de Población y Viviendas (2011): 698.042 habitantes
- Atlas de Distribución de Renta en los Hogares (2016): 761.540 habitantes
- Plan de Movilidad Urbana Sostenible (PMUS) (2017): 689.434 habitantes
- Distribución Espacial de la Población en Andalucía (DEA) (2018): 713.513
- Instituto Nacional de Estadística (INE) (2018): 688.811 habitantes
De todos los datos aportados posiblemente los que más fiabilidad tienen son los del Censo, el PMUS y
obviamente los del INE. En el conteo de las otras fuentes de información los resultados son un poco dispares en
algún caso, debiéndose estas incongruencias quizás a las zonificaciones y el reparto de esta variable en ellas, que
a lo mejor se están considerando habitantes de zonas externas que no están consideradas en el recuento del INE.
De todas formas, no hay diferencias tan disparatadas como para considerar el valor de alguna fuente totalmente
erróneo.
Fijándonos ahora en la evolución de la población a lo largo de los años, se observa que el número de habitantes
ha ido disminuyendo, posiblemente favoreciendo al aumento de dicha población en las zonas externas de la
ciudad (Aljarafe sevillano), denominada en el PMUS como el resto de la aglomeración urbana de la ciudad. Uno
de los motivos es el desplazamiento de la población más joven hacia esas zonas para vivir.
Con esto podemos reafirmar una observación que aparece en el PMUS sobre esto concretamente: “La evolución
de Sevilla y el resto de la aglomeración ha sido bien distinta en los últimos 20 años. Mientras que la población
de Sevilla se ha estancado en el entorno de los 700.000 habitantes, encadenando desde 2011 ligeras
disminuciones de población, el resto de la aglomeración urbana ha experimentado un cremiento global del 36%,
una tasa media anual del 1,5%”.
Esto lo podemos ver en la siguiente gráfica extraída del PMUS:
Figura 11-1. Evolución de la Población, Sevilla y el resto de aglomeración urbana periodo 1996-2017. Fuente:
Plan de Movilidad Urbana Sostenible del municipio de Sevilla
144
Por último, como información anecdótica comentar que Sevilla es la segunda capital andaluza más densa, que
sin embargo se sitúa por debajo de otras ciudades de similar población, por ejemplo, Valencia. Estas cifras de
población suponen el 35,5% de la población de la provincia.
11.5. Líneas Futuras con la Información de la Base de Datos

El punto fuerte de este proyecto ha sido construir una amplia base de datos, recogida de diversas fuentes de
información de acceso público, con el fin de posteriormente poder emplear todo lo recogido en dicha base para
desarrollar los modelos y diversas utilidades que sean pertinentes, desde el punto de vista de la movilidad u otros
campos.
En este trabajo se llevaron a cabo las utilidades de la información que se vieron más factibles y se realizarón
tanto un proyecto de reparto de modos como otro de distribución de viajes, para así mostrar diversas formas de
emplear la información.
Esto lleva a que existan muchas líneas futuras en las que se pueda emplear estos datos para el que los tenga a su
disposición. Por esto motivo, como culmen de este proyecto se ha querido nombrar algunas de líneas futuras
que pueden surgir, las cuáles nombramos seguidamente:
 Si en algún momento se pudiera completar la información del Censo con datos de orígenes de viajes,
tendríamos entonces esta fuente totalmente completa y su garantía para usarla en modelos aumentaría.
Con respecto al Modelo de Reparto Modal realizado con la metodología Machine Learning el
conocimiento de dicha variable haría que la fiabilidad del mismo aumentara también
considerablemente.
 Una de las acciones que se hizo con los datos de Catastro fue definir los centroides de las Zonas de
Análisis de Transporte delimitadas por el PMUS. El siguiente paso sería unir estos centroides a la red
de transporte de la ciudad a través de los conectores, pero en este estudio no lo hemos realizado porque
no disponemos de la cartografía vectorial de esta red de transporte.
Por lo tanto, si en un futuro alguien dispone de esta red de transporte podría terminar de completar la
zonificación de transporte que tenemos.
 Las matrices de Origen-Destino de las zonas de transporte del PMUS se elaboraron a partir de una
matriz previa que para su construcción se empleo datos de usos de parcelas extraidos de la información
recogida de Catastro. Para definir esta matriz previa se podría haber usado cualquier otra variable que
también fuera representativa de la base de datos que disponemos.
Entonces, para contrastar las matrices que se han obtenido en este estudio, se podría calcular otras
matrices de esas mismas zonas, pero partiendo de una matriz previa distinta elaborada con otra variable
de esta fuente de información, y poder así hacer una comparación entre ambas matrices.
Los resultados que se obtengan en cualquier matriz tienen que ser siempre los mismos o muy parecidos
al ser en todos los casos la misma zonificación y los mismos datos iniciales de generación y atracción
de viajes (matrices de Origen-Destino de nivel macrozonal aportadas por el PMUS), cambiando sólo la
matriz previa.
 Una vez definida la metodología adecuada para distribuir las matrices por modos de transporte, se
contaría con una base de datos con información agregada de las zonas de transporte, con variables
demográficas y económicas como rentas o metros cuadrados para cada uso de suelo, y las cuotas de
reparto modal para cada pareja Origen-Destino. Con esta información sería inmediato llevar a cabo un
modelo de variables acotadas propuesto en [1] Romero Pérez, L.M., del Castillo Granados, J.M.
«Complementos de Transporte y Servicios Urbanos» Documentación asignatura del Máster de
Ingeniería de Caminos, Canales y Puertos de la Universidad de Sevilla, Curso 2017/18
145
146
146
DOCUMENTOS
ANEXOS
Índice Anexos
A Censo de Población y Viviendas 2011

A.1. Cuestionarios de viviendas y colectivos
A.2. Fichero muestral de microdatos anonimizados. Personas-Hogares Censo 2011
A.3. Listado de indicadores censales
B Catastro
B.1. Fichero informático de remisión de catastro (Bienes inmuebles urbanos, rústicos y
de características especiales)
B.2. Manual del modelo de datos de cartografía vectorial (formato shapefile)
C Matrices de viajes generados según macrozonas
D Matrices de Origen-Destino de las Zonas de Análisis de Transporte

ANEXO A
CENSO DE POBLACIÓN Y
VIVIENDAS 2011
ANEXO A.1
Cuestionarios de viviendas y colectivos
Censos de Población
y Viviendas 2011
¿Qué son los Censos? ¿Cómo rellenar el cuestionario?
Los Censos de Población y Viviendas sirven para Si ha elegido responder por Internet no tiene que
conocer las características de la población y poder así
rellenar este cuestionario.
planificar y organizar servicios públicos (construcción
de hospitales, carreteras, políticas sociales...) y Para responder por correo siga estas instrucciones:
actividades privadas (instalación de supermercados, u
Compruebe que ha sacado del sobre todo el
entidades bancarias...). material.
Se realizan en cumplimiento del Reglamento CE
Nº 763/ 2008 del Parlamento Europeo y del Consejo de
u
Lea la carta de presentación si aún no lo ha hecho.
la Unión Europea. Comience contestando el Cuestionario de Vivien-
u
da que está a la vuelta de esta hoja.
Obligación de responder A continuación encontrará los Cuestionarios Indi-
u
R
viduales. Deberá rellenar uno por cada persona
Es obligatorio responder a los Censos de Población y que viva en esta vivienda.
Viviendas (Ley 13/1996). Si no responde o si se dan
premeditadamente datos falsos, se podrán aplicar las u
Si viven más de 6 personas en la vivienda llame
sanciones previstas en los artículos 50 y 51 de la Ley al teléfono 900 XXX XXX. La llamada es gratuita.
O
12/1989 de la Función Estadística Pública. Para las preguntas 15 y 16 necesitará las listas de
u
ocupaciones y actividades que figuran en el folleto.
Secreto estadístico u
Una vez haya rellenado los cuestionarios indivi-
La información que proporcione es D
confidencial y está protegida por el se-
creto estadístico (Ley 12/1989). En par-
ticular, no será publicada ninguna in-
duales para cada una de las personas, meta este
cuadernillo en el sobre de envío gratuito y envíe-
lo por correo.
A
formación de manera que se pueda sa-
ber a quién corresponde, ni siquiera in- Por favor, tenga en cuenta...
directamente.
Este cuestionario será leído por un escáner.
R
Le pedimos que :
¿Cómo hay que responder?
u
Para responder, marque con un aspa (X) el cua-
Por favor, rellene este cuestionario, en los 15 días dro que corresponda a su respuesta. Si se equi-
R
siguientes a su recepción: voca, tache completamente y marque la opción

u Por Internet, en la dirección: correcta: 1 2 3
www.censos2011.es. En este caso necesitará Escriba con letras MAYÚSCULAS y sin acentos.
u
las dos claves que figuran en la carta que se incluye Use una casilla para cada letra y separe las pala-
O
en el sobre. Es muy fácil y cómodo, la aplicación es bras con un espacio en blanco. Si se equivoca,
accesible y dispone de ayudas. tache completamente la casilla:
u O por correo: rellene este cuestionario y envíelo
Municipio:
por correo en el sobre que se adjunta y que no
B
necesita franqueo. Si elige esta opción, por favor, S AN S E VB A S T I AN DE L A G OM

antes lea atentamente las instrucciones que hay a la
E AR A
derecha.
Por favor, facilítenos un número de teléfono y una Use bolígrafo azul o negro
persona de contacto a la que llamaremos si es nece-
sario realizar alguna aclaración.
(nunca lápiz ni bolígrafo rojo)
Teléfono 1:
¿Necesita ayuda?
Teléfono 2:
Nombre y apellidos (Ejemplo):

Teléfono gratuito: 900 XXX XXX
JUAN LOPEZ GOMEZ
www.censos2011.es
Mod. CPV Página: 01
00000001 01
Cuestionario de Vivienda
1. Lista de personas
Escriba el nombre y los apellidos de cada una de las personas que viven habitualmente en esta vivienda.
Debe incluir:
Nombre y apellidos (Ejemplo): JUAN LOPEZ GOMEZ
u
a todas las personas que viven en esta
vivienda la mayor parte del año, aun-
que no tengan lazos familiares
Persona nº 1
u
a los hijos/as estudiantes que están Persona nº 2
ausentes durante el curso académico
u
a los hijos/as en custodia compartida Persona nº 3
si viven en esta vivienda la mayor par-
te del tiempo
Persona nº 4
No olvide incluir:
Persona nº 5
u
a los niños/as pequeños o recién nacidos
u
ni a usted mismo si vive aquí
R
Persona nº 6
¡RECUERDE! Si viven más de 6 personas en esta vivienda llame al teléfono gratuito 900 XXX XXX
O
2. Propiedad de la vivienda 5. ¿Cuál es el sistema de suministro
La vivienda es... de agua?
Propia, por compra, totalmente pagada
Propia, por compra, con pagos pendientes (hipo-
tecas...)
D Agua corriente por abastecimiento público
Agua corriente por abastecimiento privado o par-

ticular del edificio
A
Propia por herencia o donación
Alquilada No tiene agua corriente
Cedida gratis o a bajo precio (por otro hogar,
pagada por la empresa...)
R
Otra forma 6. ¿Cuál es aproximadamente la superficie

útil de la vivienda?
3. ¿Cuáles de las siguientes instalaciones
R
No incluya espacios que no sean habitables como

tiene la vivienda? terrazas abiertas o jardines; tampoco sótanos, desva-
Calefacción nes, trasteros...
O
Colectiva o central m2
Individual
NO tiene instalación de calefacción pero sí algún
7. ¿Cuántas habitaciones tiene la vivienda?
aparato que permite calentar alguna habitación
B
(ejemplo: radiadores eléctricos)

Incluya la cocina, los dormitorios y todas las habita-
NO tiene calefacción ciones que tengan 4 metros cuadrados o más.
Cuarto de aseo con inodoro (WC, retrete) NO incluya cuartos de baño, vestíbulos, pasillos,
terrazas abiertas...
SÍ NO
habitaciones
Ducha o bañera
SÍ NO
¡ATENCIÓN!
4. ¿Tiene la vivienda contratado servicio Pase a rellenar un Cuestionario Individual para cada
de acceso a Internet? una de las personas que ha incluido en la Lista de
personas de arriba. Por favor, asegúrese de seguir el
SÍ NO mismo orden que en la Lista de personas.
Página: 02
Cuestionario Individual de la Persona 1
Escriba los siguientes datos para la persona que aparece en primer lugar (Persona nº 1 ) en la Lista de personas.
Nombre y apellidos:
Fecha de nacimiento: Sexo: Hombre Mujer

día mes año
País de nacimiento: ¿Cuál es su nacionalidad?

España. Escriba municipio y provincia: Si tiene doble nacionalidad, española y otra, marque
ambas opciones y escriba el país correspondiente.
Municipio:
Si tiene doble nacionalidad, pero ninguna es la española,
escriba únicamente una de ellas.
Provincia: Española
Otro país: De otro país:
¡ATENCIÓN! Conteste a las preguntas en orden y siguiendo las indicaciones
R
1 ¿Desde qué año reside en esta vivienda? 3
Desde el año Desde que nació Espacio reservado para preguntas específicas sobre la len-
(Pase a la pregunta 3 ) gua en Comunidades Autónomas con lengua cooficial
O
¿y en este municipio? diferente al castellano.
Desde el año Desde que nació

(Pase a la pregunta 3 )
¿y en esta comunidad autónoma?

D
A
¿y en España?

R
¿Dónde residía antes de llegar por última vez a este municipio?
En otro
municipio:
R
Provincia: 4 En los últimos doce meses, ¿ha pasado más de

14 noches (aunque no fueran seguidas) en otro
En otro país:
municipio de España o en otro país?
O
2 ¿Dónde residía hace 1 año? Puede ser por razones de trabajo, estudio, fines de sema-
na, vacaciones o porque reside en más de un municipio
En este municipio (o no había nacido aún)
B
NO (Pase a la pregunta 5 )
En otro
municipio: SÍ Indique el lugar donde ha pasado más
noches y el número aproximado de noches
que ha pasado allí:
Provincia:
En otro país: Otro
municipio:
¿Dónde residía hace 10 años?

Provincia:
En este municipio (o no había nacido aún) Otro país:
En otro Nº de noches:
municipio:
¿Dispone en este lugar de una segunda vivienda (ya sea en

Provincia: propiedad, alquiler o cedida gratis)?
En otro país: SÍ NO
Página: 03
00000001 02
Cuestionario Individual de la Persona 1 (continuación)
5 ¿Cuál es el estado civil de la Persona 1? 11 ¿A qué campo corresponden esos estudios?
Marque su situación legal, aunque no coincida con la de hecho Marque sólo una opción y escriba en la fila de cuadros el
Soltero/a Separado/a Viudo/a nombre de la titulación obtenida
Casado/a Divorciado/a Educación (Magisterio, Educación Infantil, Pedago-
gía...)
6 ¿Viven en esta vivienda los siguientes familiares de
Artes y Humanidades (Historia, Lenguas, Imagen y
la Persona 1? Sonido...)
Cuando marque SI, escriba el número con el que este familiar Derecho y Ciencias Sociales (Administración, Psicolo-
aparece en la Lista de personas de la página 2: gía, Economía, Periodismo...)
Padre NO SÍ Persona nº Ciencias (Biología, Química, Física, Matemáticas...) e
Madre NO SÍ Persona nº Informática (incluida Ingeniería Informática)
Cónyuge o pareja NO SÍ Persona nº Arquitectura, Construcción, Formación Técnica e

Industrias (Mecánica, Metal, Electrónica, Diseño, Con-
Otros familiares NO SÍ Nº de persona fección, Alimentación, etc., incluidas Ingenierías de
(hijos, hermanos, etc.) de uno de ellos estos campos)
7 ¿Dónde nació el padre de la Persona 1? Agricultura, Ganadería, Pesca y Veterinaria (incluida
R
Ingeniería Agrónoma o similar)
Responda sólo si el padre no vive en esta vivienda:
España. Salud y Servicios Sociales (Medicina, Enfermería, Far-
Otro país: macia, Trabajo Social...)
O
Otros servicios (Turismo, Hostelería, Peluquería, Ense-
8 ¿Dónde nació la madre de la Persona 1? ñanza Náutica, Militar...)
Responda sólo si la madre no vive en esta vivienda: Escriba el nombre de la titulación obtenida:
España.
Otro país:
D
Si la Persona 1 tiene 16 años o más, pase a la pregunta 10 .
A
Si tiene menos de 16 años, continúe en la pregunta 9 . 12 Durante la semana pasada, ¿realizó alguna de las
siguientes tareas sin recibir dinero a cambio?
9 ¿Va a algún centro escolar (incluyendo guarderías)?
Puede marcar varias opciones
SÍ (Pase a la pregunta 19 )
R
Cuidar a un/una menor de 15 años

NO Ya ha terminado el Cuestionario Indivi- Cuidar a una persona con problemas importantes de salud
dual de la Persona 1
Tareas benéficas o de voluntariado social
R
Encargarse de la mayor parte de las tareas domésticas

10 ¿Cuál es el mayor nivel de estudios que ha completado? de su hogar
Marque sólo una opción No realizó ninguna de esas tareas
O
No sabe leer o escribir

13 Si la Persona 1 es mujer, ¿ha tenido hijos/as?

Sabe leer y escribir pero fue menos de 5 años
a la escuela Considere todos los que nacieron con vida
Fue a la escuela 5 o más años pero no llegó al
último curso de ESO, EGB o Bachiller Elemental NO SÍ ¿Cuántos?
B
Llegó al último curso de ESO, EGB o Bachiller

Elemental o tiene el Certificado de Escolaridad 14 ¿En qué situación laboral estaba la semana
o de Estudios Primarios pasada?
Bachiller (LOE, LOGSE), BUP, Bachiller Supe-
rior, COU, PREU Ocupado/a (es decir, trabajó al menos una hora) o tem-
poralmente ausente del trabajo:
FP grado medio, FP I, Oficialía Industrial o equivalente,
Grado Medio de Música y Danza, Certificados de Escue- a tiempo completo a tiempo parcial
las Oficiales de Idiomas
FP grado superior, FP II, Maestría Industrial o equivalente Parado/a que ha trabajado antes
Diplomatura universitaria, Arquitectura Técnica, Inge- Parado/a buscando su primer empleo
pregunta 18 )
niería Técnica o equivalente

(Pase a la
Grado Universitario o equivalente Persona con invalidez laboral permanente

Licenciatura, Arquitectura, Ingeniería o equivalente Jubilado/a, prejubilado/a, pensionista o
Máster oficial universitario (a partir de 2006), Especiali- rentista
dades Médicas o análogos
Otra situación
Doctorado
Página: 04
Cuestionario Individual de la Persona 1 (continuación)
15 ¿Cuál es (era) su ocupación? 19 ¿Dónde está su lugar de trabajo o de estudio?
Si está parado refiérase a su última ocupación Si trabaja y estudia, le preguntamos por el sitio donde tra-
Búsquela en la TABLA DE OCUPACIONES del FOLLETO bajó la semana pasada
ADJUNTO y anote la letra y el número que le corresponde:
En el propio domicilio
Si no ha encontrado su ocupación o Ya ha terminado el
Letra Número Cuestionario Individual
tiene dudas, escríbala a continuación: En varios municipios
de la Persona 1
(comercial, conductor...)
En este municipio
En otro
municipio:
16 ¿Cuál es (era) la actividad principal del
establecimiento o local donde trabaja (trabajaba)?
Provincia:
Si está parado refiérase a su última ocupación
Búsquela en la TABLA DE ACTIVIDADES del FOLLETO En otro país:
ADJUNTO y anote el número que le corresponde:
Código postal de su centro de trabajo o de estudios:
Número Si no ha encontrado su actividad o
tiene dudas, escríbala a continuación:
R
20 ¿Cuántos viajes de ida y vuelta realiza
normalmente cada día desde esta vivienda
hasta el lugar de trabajo o estudio?
O
17 ¿Cuál es (era) su situación profesional? Ninguno (porque tiene una Ya ha terminado
Marque sólo una opción segunda residencia desde la el Cuestionario
que se desplaza a trabajar Individual de la
Empresario, profesional o trabajador por cuenta propia: o estudiar) Persona 1
que emplea personal
Trabajador por cuenta ajena:
fijo o indefinido
que no emplea personal
eventual o temporal
D Uno diario (es decir, uno de ida y otro de vuelta)
Dos o más diarios
A
Otras situaciones:
ayuda familiar miembro de cooperativas 21 ¿Cómo va normalmente desde su casa hasta el
lugar de trabajo o estudio?
18 ¿Está recibiendo algún tipo de enseñanza (incluso en
R
Si utiliza varios medios de transporte, marque los dos con

academias, cursos organizados por su empresa...)? los que cubre más distancia
NO ¿Trabajó al menos 1 hora la semana pasada? En coche o furgoneta En moto
SÍ (Pase a la pregunta 19 ) como conductor
R
Andando
Ya ha terminado el Cuestiona- En coche o furgoneta
NO como pasajero
rio Individual de la Persona 1 En tren
En autobús, autocar,
O
SÍ Señale cuál o cuáles hasta un máximo de 3: minibús En bicicleta

ESO, Educación secundaria para adultos En metro Otros medios
Programas de Cualificación Profesional Inicial
Bachillerato
B
22 ¿Cuánto tiempo tarda normalmente desde su

Grado Medio de FP, de Artes Plásticas y Diseño y de Enseñan-
zas Deportivas o equivalente casa hasta el lugar de trabajo o estudio?
Enseñanzas de Escuelas Oficiales de Idiomas
Menos de 10 minutos Entre 45 y 59 minutos
Enseñanzas Profesionales de Música y Danza
Grado Superior de FP, de Artes Plásticas y Diseño y de Ense- Entre 10 y 19 minutos Entre 1 hora y hora y media
ñanzas Deportivas o equivalente
Diplomatura universitaria, Arquitectura Técnica, Ingeniería Téc- Entre 20 y 29 minutos Más de hora y media
nica o equivalente
Entre 30 y 44 minutos
Estudios de Grado Universitarios y de Enseñanzas Artísticas y
equivalentes
Licenciatura, Arquitectura, Ingeniería o equivalente Ya ha terminado el Cuestionario Individual de la Perso-
Máster oficial universitario, Especialidades Médicas o análogos na 1. Continúe con la Persona 2 o, si no hay más perso-
Doctorado nas, ya ha terminado de rellenar el censo. Meta este cua-
Otros cursos de educación reglada (Enseñanzas iniciales para dernillo en el sobre de envío gratuito y envíelo por
adultos...)
correo.
Cursos de formación de los Servicios Públicos de Empleo
Otros cursos de formación no reglados ¡MUCHAS GRACIAS POR SU COLABORACIÓN!
Página: 05
00000001 03
Censos de Población
y Viviendas 2011
Cuestionario de Colectivos
TFNO/FAX GRATUITO DE CONTACTO EN EL INE: TFNO: FAX:
UNIDAD
NORDEN: DC:
Nombre del Centro NIF
Domicilio
Código Postal Municipio Código Municipio
Provincia Cod. Prov. Teléfono Fax Página web del Centro
Modificaciones en la identificación (Cumplimente sólo los apartados sujetos a variación)
Nombre del Centro NIF
Domicilio
Si desea realizar la cumplimentación por Internet, acceda a https://arce.ine.es
Código Postal Municipio
Provincia Teléfono Fax Página web del Centro
Persona de contacto a quien dirigirse, en caso necesario, para consultas,

aclaraciones o modificaciones sobre este cuestionario FIRMA O SELLO DEL CENTRO
Sr. D./Sra. Dña.:
Cargo que ocupa:
Teléfono: Fax:
E-mail
Legislación Estadística de cumplimentación obligatoria

Secreto Estadístico
Serán objeto de protección y quedarán amparados por el secreto estadístico, los datos personales que obtengan los servicios
estadísticos tanto directamente de los informantes como a través de fuentes administrativas (art. 13.1 de la Ley de la Función
Estadística Pública de 9 de mayo de 1989, (LFEP)). Todo el personal estadístico tendrá la obligación de preservar el secreto estadístico
(art. 17.1 de la LFEP).
Obligación de facilitar los datos
Las Leyes 4/1990 y 13/1996 establecen la obligación de facilitar los datos que se soliciten para la elaboración de esta Estadística.
Los servicios estadísticos podrán solicitar datos de todas las personas físicas y jurídicas, nacionales y extranjeras, residentes en
España (artículo 10.1 de la LFEP).
Todas las personas físicas y jurídicas que suministren datos, tanto si su colaboración es obligatoria como voluntaria, deben contestar
de forma veraz, exacta, completa y dentro del plazo a las preguntas ordenadas en la debida forma por parte de los servicios
estadísticos (art. 10.2 de la LFEP).
El incumplimiento de las obligaciones establecidas en esta Ley, en relación con las estadísticas para fines estatales, será sancionado
de acuerdo con lo dispuesto en las normas contenidas en el presente Título (art. 48.1 de la LFEP).
Las infracciones muy graves serán sancionadas con multas de 3.005,07 a 30.050,61 euros Las infracciones graves serán sancionadas
con multas de 300,52 a 3.005,06 euros. Las infracciones leves se sancionarán con multas de 60,10 a 300,51 euros (art. 51.1, 51.2 y 51.3
de la LFEP).
Mod. CPV-CC
Página: 01
¿Qué son los Censos?
Los Censos de Población y Viviendas sirven para conocer las características de la población y poder así
planificar y organizar servicios públicos (construcción de hospitales, carreteras, políticas sociales...) y
actividades privadas (instalación de supermercados, entidades bancarias...).
Se realizan en cumplimiento del Reglamento CE Nº 763/ 2008 del Parlamento Europeo y del Consejo de
la Unión Europea.
¿Cómo hay que responder?

Por favor, rellene este cuestionario, en los 15 días siguientes a su recepción:
u
Por Internet, en la dirección: https://arce.ine.es. En este caso necesitará las dos claves (NORDEN y
DC) que figuran en la portada de este cuadernillo. Es muy fácil y cómodo, la aplicación es accesible y
dispone de ayudas.
u
Por correo o por fax: rellene este cuestionario y envíelo por correo en el sobre que se adjunta y que
no necesita franqueo o envíelo por fax a través del número de fax gratuito que se indica en la portada
de este cuadernillo. Si elige una de estas opciones, por favor, antes lea atentamente las instrucciones
que hay a continuación.
¿Cómo rellenar el cuestionario?

Si ha elegido responder por Internet no tiene que rellenar este cuestionario.
Para responder por correo siga estas instrucciones:
Lea la carta de presentación que se incluye en el sobre si aún no lo ha hecho.
u
Comience cumplimentando la hoja correspondiente a la Lista de Personas que también se incluye en el
u
sobre siguiendo las instrucciones de selección de personas que se encuentran en dicha hoja.
Después rellene el Cuestionario del Centro que está en la siguiente hoja de este cuadernillo.
u
A continuación encontrará los Cuestionarios Individuales. Deberá rellenar uno por cada persona que
u
haya incluido en la Lista de Personas.
Si alguna persona deseara remitir los datos individualmente, siga las instrucciones que se indican en el
u
Cuestionario del Centro en la siguiente hoja de este cuadernillo.
Una vez haya rellenado los cuestionarios individuales, meta este cuadernillo en el sobre de respuesta
u
gratuita y envíelo por correo o envíe por fax las hojas del cuadernillo a través del número gratuito que se
indica en la portada. No incluya la hoja correspondiente a la Lista de Personas.
u
Conserve, por favor, la hoja correspondiente a la Lista de Personas, pues podrá ser necesaria en el caso
de que contactemos con el Centro para realizar alguna aclaración.
Por favor, le pedimos que:

Para responder, marque con un aspa (X) el cuadro que corresponda a su respuesta. Si se equivoca,
tache completamente y marque la opción correcta: 1 2 3
Cuando tenga que escribir un número, use una casilla para cada dígito del número:
Nº de personas: 1 0 0
Página: 02
Cuestionario del Centro
1 Tipo de centro
Marque la opción que corresponda
Hotel, pensión o albergue Otra institución de asistencia social a la infancia,

Residencia de trabajadores juventud...
Hospital de larga estancia u hospital psiquiátrico Institución religiosa (monasterio, abadía...)
Asilo o residencia de ancianos Establecimiento militar (cuartel...)
Institución para personas con discapacidad Institución penitenciaria (cárcel, reformatorio...)
Albergue para marginados sociales Otro tipo de colectivo
2 ¿Cuántas personas residen habitualmente en este Centro?

Incluya a todas las personas que vivan más tiempo aquí que en cualquier otra vivienda
Nº de personas: , de las cuales, Nº de hombres: y Nº de mujeres:
3 Cumplimentación de los Cuestionarios Individuales

En primer lugar, rellene la hoja correspondiente a la Lista de Personas que se incluye en el sobre si no lo ha hecho aún,
siguiendo las instrucciones que se indican en dicha hoja.
A continuación, para cada una de las personas que ha incluido en la Lista de Personas, indique si esa persona facilitará
los datos de su Cuestionario Individual en este mismo cuadernillo o si remitirá el Cuestionario individualmente. En
este último caso, anote un nº de teléfono para contactar con esa persona. Siga el mismo orden que el que ha usado en
la Lista de Personas.
¡ATENCIÓN! Si alguna persona deseara remitir los datos individualmente, deberá hacer fotocopia de la hoja del
Cuestionario Individual que corresponda a su ordenación en la Lista de Personas y entregársela. Esta hoja
también se puede descargar de la página web https://arce.ine.es; en este caso, deberá incluir en la esquina
superior derecha de la hoja, el NORDEN que aparece en la portada de este cuadernillo. La persona que la
cumplimente tendrá que remitirla por correo a la dirección:
INSTITUTO NACIONAL DE ESTADÍSTICA
S. G. DE RECOGIDA DE DATOS. URCE-SSCC
APARTADO DE CORREOS nº 37
28080 - MADRID
o también podrá remitirla por fax a través del número de fax gratuito que se indica en la portada de este cuadernillo.
Persona nº 1 En este cuadernillo Envío individual Teléfono de contacto:

A continuación pase a rellenar un Cuestionario Individual para cada persona de la Lista de Personas que facilite los
datos en este cuadernillo.
Página: 03
Nº de orden
Cuestionario Individual de la Persona 1
Escriba los siguientes datos para la persona que aparece en primer lugar (Persona nº 1) en la Lista de Personas. Si esta
persona deseara remitir los datos individualmente, pase a rellenar el Cuestionario Individual de la Persona 2 que
encontrará en la página siguiente.
Fecha de nacimiento: día mes año Sexo: Hombre Mujer
País de nacimiento: ¿Cuál es su país de nacionalidad?

España España
Otro país de la Unión Europea Otro país de la Unión Europea
Otro país fuera de la Unión Europea Otro país fuera de la Unión Europea
Apátrida
1 ¿Cuál es el estado civil de la Persona 1? 5 ¿En qué situación laboral estaba la semana
Marque su situación legal, aunque no coincida con la de pasada?
hecho
Ocupado/a (es decir, trabajó al menos una hora) o
Soltero/a Separado/a Viudo/a temporalmente ausente del trabajo:
Casado/a Divorciado/a
a tiempo completo a tiempo parcial
2 ¿Está la Persona 1 empadronada en este centro? Parado/a que ha trabajado antes
Marque su situación legal, aunque no coincida con la de Parado/a buscando su primer empleo
pregunta 7 )
hecho
(Pase a la
Persona con invalidez laboral permanente
NO SÍ
Jubilado/a, prejubilado/a, pensionista o
3 Si la Persona 1 es mujer, ¿ha tenido hijos/as? rentista
Considere todos los que nacieron con vida Otra situación
NO SÍ ¿Cuántos?
4 ¿Cuál es el mayor nivel de estudios que ha 6 ¿ Cuál es (era) su situación profesional?

completado? Marque sólo una opción. Si está parado, refiérase a su
última situación profesional
Marque sólo una opción
Empresario, profesional o trabajador por cuenta
No sabe leer o escribir propia
Sabe leer y escribir pero fue menos de 5 años a la Trabajador por cuenta ajena fijo o indefinido
escuela
Trabajador por cuenta ajena eventual o temporal
Fue a la escuela 5 o más años pero no llegó al
Otras situaciones
último curso de ESO, EGB o Bachiller Elemental
Llegó al último curso de ESO, EGB o Bachiller 7 ¿ Dónde residía hace un año?
Elemental o tiene el Certificado de Escolaridad o
de Estudios Primarios
En este municipio (o no había nacido aún)
B a c h i l l e r ( L O E , L O G S E ) , B U P, B a c h i l l e r En otro municipio de esta provincia
Superior, COU, PREU
En otra provincia de España
FP grado medio, FP I, Oficialía Industrial o
equivalente, Grado Medio de Música y Danza, En otro país
Certificados de Escuelas Oficiales de Idiomas
FP grado superior, FP II, Maestría industrial o Ya ha terminado el Cuestionario Individual de la
equivalente Persona 1. Continúe con la Persona 2 o, si no hay
más personas, ya ha terminado de rellenar el cen-
Diplomatura universitaria, Arquitectura
so, en cuyo caso envíe este cuadernillo por correo
Técnica, Ingeniería Técnica, Grado Universitario
o equivalentes en el sobre de envío gratuito o por fax a través del
número gratuito que se indica en la portada.
Licenciatura, Arquitectura, Ingeniería, Doctorado
o equivalentes ¡MUCHAS GRACIAS POR SU COLABORACIÓN!
Página: 04
Instrucciones de selección de las personas que deberá incluir en la Lista
de Personas (sólo si residen más de 20 personas)
Si en este Centro residen más de 20 personas, siga las instrucciones que se indican a continuación para seleccionar a
las que deberá incluir en la Lista de Personas del anverso de esta hoja. Para cualquier aclaración no dude en llamar al
teléfono gratuito que se indica en la primera página del Cuestionario.
1. Tome una relación en la que se encuentre todo el personal que reside en este Centro.
2. Seleccione aquellas personas que ocupen, en su relación de personal, los lugares que se indican en la
tabla que se muestra a continuación según el nº de personas que residen en el Centro. Estas serán las
personas que deberá incluir en la Lista de Personas del anverso de esta hoja.
Ejemplo: Si el nº de personas que residen en este Centro fuese 100, debería seleccionar, de su relación de personal,
las personas que ocupasen los lugares 3, 8, 13, 18, 23, 28, 33, 38, 43, 48, 53, 58, 63, 68, 73, 78, 83, 88, 93 y 98. Estas
serían las personas que debería incluir en la Lista de Personas. Si el nº de personas en el Centro fuese 90, debería
seleccionar las personas que ocupasen los mismos lugares que en el caso anterior, excepto la 93 y la 98, que no
deberían seleccionarse por ser números superiores al número de personas en el Centro.
Nº de personas en
el Centro entre
Personas seleccionadas
21 29 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
30 49 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
50 69 2 5 8 11 14 17 20 23 26 29 32 35 38 41 44 47 50 53 56 59
70 89 2 6 10 14 18 22 26 30 34 38 42 46 50 54 58 62 66 70 74 78
90 109 3 8 13 18 23 28 33 38 43 48 53 58 63 68 73 78 83 88 93 98
110 129 3 9 15 21 27 33 39 45 51 57 63 69 75 81 87 93 99 105 111 117
130 149 4 11 18 25 32 39 46 53 60 67 74 81 88 95 102 109 116 123 130 137
150 169 4 12 20 28 36 44 52 60 68 76 84 92 100 108 116 124 132 140 148 156
170 189 5 14 23 32 41 50 59 68 77 86 95 104 113 122 131 140 149 158 167 176
190 209 5 15 25 35 45 55 65 75 85 95 105 115 125 135 145 155 165 175 185 195
210 229 6 17 28 39 50 61 72 83 94 105 116 127 138 149 160 171 182 193 204 215
230 249 6 18 30 42 54 66 78 90 102 114 126 138 150 162 174 186 198 210 222 234
250 269 7 20 33 46 59 72 85 98 111 124 137 150 163 176 189 202 215 228 241 254
270 289 7 21 35 49 63 77 91 105 119 133 147 161 175 189 203 217 231 245 259 273
290 309 8 23 38 53 68 83 98 113 128 143 158 173 188 203 218 233 248 263 278 293
310 329 8 24 40 56 72 88 104 120 136 152 168 184 200 216 232 248 264 280 296 312
330 349 9 26 43 60 77 94 111 128 145 162 179 196 213 230 247 264 281 298 315 332
350 369 9 27 45 63 81 99 117 135 153 171 189 207 225 243 261 279 297 315 333 351
370 389 10 29 48 67 86 105 124 143 162 181 200 219 238 257 276 295 314 333 352 371
390 409 10 30 50 70 90 110 130 150 170 190 210 230 250 270 290 310 330 350 370 390
410 429 11 32 53 74 95 116 137 158 179 200 221 242 263 284 305 326 347 368 389 410
430 449 11 33 55 77 99 121 143 165 187 209 231 253 275 297 319 341 363 385 407 429
450 469 12 35 58 81 104 127 150 173 196 219 242 265 288 311 334 357 380 403 426 449
470 489 12 36 60 84 108 132 156 180 204 228 252 276 300 324 348 372 396 420 444 468
490 509 13 38 63 88 113 138 163 188 213 238 263 288 313 338 363 388 413 438 463 488
Lista de Personas
Escriba el nombre y los apellidos de las personas que residen habitualmente en este Centro, es decir, que
viven más tiempo aquí que en cualquier otra vivienda.
¡ATENCIÓN! Si residen más de 20 personas, lea las instrucciones que se indican en el reverso
de esta hoja.
Nombre y apellidos
Persona nº 1
Persona nº 2
Persona nº 3
Persona nº 4
Persona nº 5
Persona nº 6
Persona nº 7
Persona nº 8
Persona nº 9
Persona nº 10
Persona nº 11
Persona nº 12
Persona nº 13
Persona nº 14
Persona nº 15
Persona nº 16
Persona nº 17
Persona nº 18
Persona nº 19
Persona nº 20
Mod. CPV-HI-CC
ANEXO A.2
Fichero muestral de microdatos
anonimizados. Personas-hogares Censo
2011
Fichero muestral de microdatos anonimizados PERSONAS- HOGARES CENSO 2011
Un registro para cada persona residente en viviendas principales L=280 c.
Nombre de la Longitud
Nombre del campo Inicio Fin Valores válidos
variable del campo
Código de provincia CPRO 2 1 2 Desde 1 hasta 52

i f
Código o tamaño de municipio CMUN 3 3 5 Si tamaño de municipio <=2.000, CMUN=991
d i Si 2.001 <=tamaño de municipio <=5.000, CMUN=992
e c ó Si 5.001 <=tamaño de municipio <=10.000, CMUN=993
Si 10.001 <=tamaño de municipio <=20.000, CMUN=994
n a n
Si tamaño de municipio >20.000, CMUN=Código de municipio
t c
Identificador de hueco IDHUECO 10 6 15
i i Número final de la persona dentro del hueco NORDEN 4 16 19
Factor de elevación de la persona FACTOR 14 20 33 3 posiciones enteras, 1 punto y 10 decimales
Mes de nacimiento MNAC 2 34 35 Desde 01 hasta 12
Año de nacimiento ANAC 4 36 39 Desde 1890 hasta 2011
Edad EDAD 3 40 42 Desde 0 hasta 120
Sexo SEXO 1 43 43 1 Hombre
6 Mujer
Código país de nacionalidad NACI 3 44 46 Código de los 198 Países + Apátridas (555)
Código país de nacimiento CPAISN 3 47 49 Código de los 198 Países
Código provincia de nacimiento CPRON 2 50 51 52 Provincias (01-52)
Blanco si Nacido en el Extranjero
Código o tamaño municipio de nacimiento CMUNN 3 52 54 Si tamaño de municipio de nacimiento<=2.000, CMUNN=991
Si 2.001 <=tamaño de municipio de nacimiento<=5.000, CMUNN=992
Si tamaño de municipio de nacimiento>20.000, CMUNN=Código de municipio de nacimiento
Blanco si ha nacido en el extranjero
Año de llegada a la vivienda ANORES 4 55 58 Desde 1890 hasta 2011
Año de llegada al municipio ANOM 4 59 62 Desde 1890 hasta 2011
Año de llegada a la Comunidad Autónoma ANOC 4 63 66 Desde 1890 hasta 2011
Año de llegada a España ANOE 4 67 70 Desde 1890 hasta 2011
Código país de residencia anterior CLPAIS 3 71 73 Código de los 198 Países
Código provincia de residencia anterior CLPRO 2 74 75 52 Provincias (01-52)
Blanco si antes residía en el extranjero
Código o tamaño municipio de residencia anterior CLMUNP 3 76 78 Si tamaño de municipio de residencia anterior<=2.000, CLMUNP=991
Si 2.001 <=tamaño de municipio de residencia anterior<=5.000, CLMUNP=992
Si tamaño de municipio de residencia anterior>20.000, CLMUNP=Código de municipio de residencia
anterior
Blanco si antes residía en el extranjero
Municipio de residencia actual y Municipio de residencia anterior RES_ANTERIOR 1 79 79 1 mismo municipio
Blanco, en otro caso
Código país de residencia hace 1 año CPAISUNANO 3 80 82 Código de los 198 Países
Blanco, si no había nacido hace 1 año
Código provincia de residencia hace 1 año CPROUNANO 2 83 84 52 Provincias (01-52)
Blanco si hace 1 año residía en el extranjero o no había nacido
Código o tamaño municipio de residencia hace 1 año CMUNANO 3 85 87 Si tamaño de municipio de residencia hace 1 año<=2.000, CMUNANO=991
Si 2.001 <=tamaño de municipio de residencia hace 1 año<=5.000, CMUNANO=992
Si tamaño de municipio de residencia hace 1 año>20.000, CMUNANO=Código de municipio de residencia
hace 1 año
Municipio de residencia actual y Municipio de residencia hace 1 año RES_UNANO 1 88 88 1 mismo municipio
Blanco, en otro caso
Código país de residencia hace 10 años CPAISDANO 3 89 91 Código de los 198 Países
Blanco, si no había nacido hace 10 años
Código provincia de residencia hace 10 años CPRODANO 2 92 93 52 Provincias (01-52)
Blanco si hace 10 años residía en el extranjero o no había nacido
Código o tamaño municipio de residencia hace 10 años CMUNDANO 3 94 96 Si tamaño de municipio de residencia hace 10 año<=2.000, CMUNDANO=991
Si 2.001 <=tamaño de municipio de residencia hace 10 año<=5.000, CMUNDANO=992
Si tamaño de municipio de residencia hace 10 año>20.000, CMUNDANO=Código de municipio de
residencia hace 10 año
Municipio de residencia actual y Municipio de residencia hace 10 RES_DANO 1 97 97 1 mismo municipio
años Blanco, en otro caso
Pasa más de 14 noches en segundo municipio SEG_VIV 1 98 98 1 Sí
2 No
Codigo de país donde pasa más de 14 noches SEG_PAIS 3 99 101 Código de los 198 Países
Blanco, si no pasa más de 14 noches en otro lugar
Código de provincia donde pasa más de 14 noches SEG_PROV 2 102 103 52 Provincias (01-52)
Blanco si no pasa más de 14 noches en otro lugar o si lo hace en otro país
Código o tamaño de municipio donde pasa más de 14 noches SEG_MUN 3 104 106 Si tamaño de municipio donde pasa más de 14 noches<=2.000, SEG_MUN=991
Si 2.001 <=tamaño de municipio donde pasa más de 14 noches<=5.000, SEG_MUN=992
Si tamaño de municipio donde pasa más de 14 noches>20.000, SEG_MUN=Código de municipio donde
pasa más de 14 noches
Blanco si no pasa más de 14 noches en otro lugar o si lo hace en otro país
Número de noches SEG_NOCHES 3 107 109 Desde 015 hasta 183
Disponibilidad vivienda en segundo municipio SEG_DISP 1 110 110 1 Sí
2 No
blanco, si no pasa más de 14 noches en otro lugar
Estado civil ECIVIL 1 111 111 1 Soltero
2 Casado
3 Viudo
4 Separado
5 Divorciado
Acude a un centro escolar ESCOLAR 1 112 112 1 Sí
2 No
blanco, si tiene 16 años o más
Nivel de estudios completados ESREAL 2 113 114 1 No sabe leer o escribir
2 Sabe leer y escribir pero fue menos de 5 años a la escuela
3 Fue a la escuela 5 o más años pero no llegó al último curso de ESO, EGB o Bachiller Elemental
4 Llegó al último curso de ESO, EGB o Bachiller Elemental o tiene el Certificado de Escolaridad o de
Estudios Primarios
5 Bachiller (LOE, LOGSE), BUP, Bachiller Superior, COU, PREU
6 FP grado medio, FP I, Oficialía industrial o equivalente, Grado Medio de Música y Danza, Certificados de
Escuelas Oficiales de Idiomas
7 FP grado superior, FP II, Maestría industrial o equivalente
8 Diplomatura universitaria, Arquitectura Técnica, Ingeniería Técnica o equivalente
9 Grado Universitario o equivalente
10 Licenciatura, Arquitectura, Ingeniería o equivalente
11 Máster oficial universitario (a partir de 2006), Especialidades Médicas o análogos
12 Doctorado
blanco, si tiene menos de 16 años
Tipo de estudios realizados TESTUD 1 115 115 1 Educación (Magisterio, Educación Infantil, Pedagogía, ...)
2 Artes y Humanidades (Historia, Lenguas, Imagen y Sonido,...)
3 Derecho y Ciencias Sociales (Administración, Psicología, Economía, Periodismo, ...)
d 4 Ciencias (Biología, Química, Física, Matemáticas, ...) e Informática (incluída Ingeniería Informática)
5 Arquitectura, Construcción, Formación Técnica e Industrias (Mecánica, Metal, Electrónica, Diseño,
a Confección, Alimentación, etc., incluídas Ingenierías de estos campos)
6 Agricultura, Ganadería, Pesca y Veterinaria (incluída Ingeniería Agrónoma o similar)
t 7 Salud y Servicios Sociales (Medicina, Enfermería, Farmacia, Trabajo Social, ...)
8 Otros servicios (Turismo, Hostelería, Peluquería, Enseñanza Naútica, Militar, ...)
o blanco, si tiene menos de 16 años o si ESREAL está entre 1 y 5
s
variable del campo
Cuidar a un menor de 15 años TAREA1 1 116 116 1 Sí

2 No
i blanco, si tiene menos de 16 años
Cuidar a una persona con problemas de salud TAREA2 1 117 117 1 Sí
n 2 No
d blanco, si tiene menos de 16 años
Tareas benéficas o voluntariado social TAREA3 1 118 118 1 Sí
i 2 No
v Encargárse de la mayor parte de las tareas domésticas de su hogar TAREA4 1 119 119 1 Sí
i 2 No
d Indicador de si la mujer ha tenido hijos HIJOS 1 120 120 1 Sí
2 No
u blanco, si tiene menos de 16 años o si es hombre
a Número de hijos de la mujer NHIJOS 2 121 122 De 01 a 99
blanco, si tiene menos de 16 años, es hombre o es mujer de 16 años o más, pero no ha tenido hijos
l
e Relación con la actividad RELA 1 123 123 1 Ocupado
2 Parado que ha trabajado antes
s 3 Parado buscando su primer empleo
4 Persona con invalidez laboral permanente
5 Jubilado, prejubilado, pensionista o rentista
6 Otra situación
blanco, si edad<16
Tipo de jornada de trabajo JORNADA 1 124 124 1=Tiempo completo
2=Tiempo parcial
blanco, si edad<16 o (edad>=16 y RELA_2011<>1)
Código de ocupación a 2 dígitos CNO 2 125 126 blanco, si edad<16 o (edad>=16 y RELA_2011<>1,2)
Valores CNO a 2 dígitos
Código de actividad económica a 2 dígitos CNAE 2 127 128 blanco, si edad<16 o (edad>=16 y RELA_2011<>1,2)
Valores CNAE a 2 dígitos
Situación profesional SITU 1 129 129 1 Empresario, profesional o trabajador por cuenta propia que emplea personal
2 Empresario, profesional o trabajador por cuenta propia que no emplea personal
3 Trabajador por cuenta ajena fijo o indefinido
4 Trabajador por cuenta ajena eventual o temporal
5 Otra situación: ayuda familiar
6 Otra situación: miembro de cooperativas
blanco, si edad<16 o (edad>=16 y RELA_2011<>1,2)
Condición socioeconómica CSE 5 130 134 1 Empresarios agrarios con asalariados
2 Empresarios agrarios sin asalariados
3 Miembros de cooperativas agrarias
4 Directores y jefes de expotaciones agrarias
5 Resto de trabajadores de explotaciones agrarias
6 Profesionales, técnicos y asimilados que ejercen su actividad por cuenta propia, con o sin asalariados
7 Empresarios no agrarios con asalariados
8 Empresarios no agrarios sin asalariados
9 Miembros de cooperativas no agrarias
10 Directores y gerentes de establecimientos no agrarios, altos funcionarios de la administración pública,
comunidades autónomas y corporaciones locales
11-12 Profesionales, técnicos y asimilados que ejercen su actividad por cuenta ajena o
profesionales en ocupaciones exclusivas de la administración pública
13 Resto del personal administrativo y comercial
14 Resto del personal de los servicios
15 Contramaestres y capataces de establecimientos no agrarios
16 Operarios cualificados y especializados de establecimientos no agrarios
17 Operarios sin especialización de establecimientos no agrarios
18 Profesionales de las fuerzas armadas
19 No clasificables por condicion socioeconómica
Estudios en curso ESCUR1 2 135 136 01 ESO, Educación secundaria para adultos
ESCUR2 2 137 138 02 Programas de Cualificación Profesional Inicial
03 Bachillerato
ESCUR3 2 139 140
04 Grado Medio de FP, de Artes Plásticas y Diseño y de EE. Deportivas o equivalente
05 Enseñanzas de Escuelas oficiales de idiomas
06 Enseñanzas Profesionales de Música y Danza
07 Grado Superior de FP, de Artes Plásticas y Diseño y de EE. Deportivas o equivalente
08 Diplomatura universitaria, Arquitectura Técnica, Ingeniería Técnica o equivalente
09 Estudios de Grado Universitario y de Enseñanzas Artísticas y equivalentes
10 Licenciatura, Arquitectura, Ingeniería o equivalente
11 Máster oficial universitario, Especialidades Médicas o análogos
12 Doctorado
13 Otros cursos de educación reglada (Enseñanzas iniciales para adultos, ...)
14 Cursos de formación de los Servicios Públicos de Empleo
15 Otros cursos de formación no reglados.
blanco, si edad<16 o (edad>=16 y No está recibiendo estudios)
Lugar de trabajo o estudio LTRABA 1 141 141 1 En el propio domicilio

2 En varios municipios
3 En este municipio
4 En otro municipio
5 En otro país
blanco, si (edad<16 y ESCOLAR=2) o (edad>=16 y ESCUR1=blanco y RELA_2011<>1)
País de trabajo o estudio PAISTRABA 3 142 144 Código de los 198 Países
Blanco, si LTRABA=blanco
Provincia de trabajo o estudio PROTRABA 2 145 146 52 Provincias (01-52)
Blanco, si LTRABA=blanco o (LTRABA=2,5)
Municipio de trabajo o estudio MUNTRABA 3 147 149 Si tamaño de municipio de trabajo/estudio<=2.000, MUNTRABA=991
Si 2.001 <=tamaño de municipio de trabajo/estudio<=5.000, MUNTRABA=992
Si tamaño de municipio de trabajo/estudio>20.000, MUNTRABA=Código de municipio de trabajo/estudio
Código postal de trabajo o estudio CODTRABA 5 150 154 Si en la combinación PROTRABA-MUNTRABA-CODTRABA hay menos de 20.000 personas,
CODTRABA=99999
Si en la combinación PROTRABA-MUNTRABA-CODTRABA hay 20.000 personas o más,
CODTRABA=Código postal de trabajo/estudio
Número de viajes diarios NVIAJE 1 155 155 1 Ninguno
2 Uno diario
3 Dos o más
blanco, si LTRABA=blanco o LTRABA=1,2
Medio de desplazamiento MDESP1 1 156 156 01 En coche o furgoneta como conductor
MDESP2 1 157 157 02 En coche o furgoneta como pasajero
03 En autobús, autocar, minibús
04 En metro
05 En moto
06 Andando
07 En tren
08 En bicicleta
09 Otros medios
blanco, si NVIAJE=blanco o NVIAJE=1
variable del campo
Tiempo de desplazamiento TDESP 1 158 158 1 Menos de 10 minutos

2 Entre 10 y 19 minutos
6 Entre 1 hora y hora y media
7 Más de hora y media
blanco si NVIAJE=blanco o NVIAJE=1
Régimen de tenencia TENEN 1 159 159 1 Propia, por compra, totalmente pagada
2 Propia, por compra, con pagos pendientes (hipotecas)
3 Propia por herencia o donación
4 Alquilada
5 Cedida gratis o a bajo precio (por otro hogar, pagada por la empresa...)
d v 6 Otra forma
a i Calefacción CALE 1 160 160 1 Colectiva o central
2 Individual
t v 3 No tiene calefacción pero sí algún aparato que permite calentar
4 No tiene calefacción
o i Cuanto de aseo con inodoro ASEO 1 161 161 1 Sí
s e 2 No
Baño o ducha BADUCH 1 162 162 1 Sí
n 2 No
d d Acceso a Internet INTERNET 1 163 163 1 Sí
2 No
e a Sistema de suministro de agua AGUACOR 1 164 164 1 Agua corriente por abastecimiento público
2 Agua corriente por abastecimiento privado o particular del edificio
3 No tiene agua corriente
Superficie útil SUT 3 165 167 Desde 5 hasta 999
Número de habitaciones NHAB 2 168 169 Desde 1 hasta 99
Número de plantas sobre rasante PLANTAS 2 170 171 01 si 1
02 si 2
03 si 3
04 si 4
05 si 5
06 si 6
07 si 7
08 si 8
09 si 9
10 si 10 ó +
Blanco, No consta
Número de plantas bajo rasante PLANTAB 1 172 172 Desde 0 hasta 3

Blanco, No consta
Tipo de edificio TIPOEDIF 1 173 173 1 Destinado principal o exclusivamente a viviendas
2 Destinado a otros fines
Blanco, No consta
Año de construcción ANOCONS 2 174 175 02 si Antes 1900
03 si 1900 a 1920
04 si 1921 a 1940
05 si 1941 a 1950
06 si 1951 a 1960
d 07 si 1961 a 1970
08 si 1971 a 1980
a 09 si 1981 a 1990
10 si 1991 a 2001
t 11 si 2002
12 si 2003
o 13 si 2004
s 14 si 2005
15 si 2006
16 si 2007
17 si 2008
d 18 si 2009
19 si 2010
e 20 si 2011
l Blanco, No consta
Estado del edificio ESTADO 1 176 176 1 si Ruinoso

2 si Malo
e 3 si Deficiente
d 4 si Bueno
Blanco, No consta
i Ascensor en el edificio ASCENSOR 1 177 177 1 Sí
2 No
f Blanco, No consta
i Accesibilidad del edificio ACCESIB 1 178 178 1 Sí
2 No
c Blanco, No consta
i Garaje GARAJE 1 179 179 1 Sí

2 No
o Blanco, No consta
Número de plazas de garaje PLAZAS 1 180 180 1. Si 1.
2. Si 2.
3. Si 3 a 5.
4. Si 6 a 10.
5. Si 11 a 20.
6. Si 21 a 50.
7. Si más de 51.
Blanco si no dispone de garaje o no consta
Gas GAS 1 181 181 1 Sí
2 No
Blanco, No consta
Tendido telefónico TELEF 1 182 182 1 Sí
2 No
Blanco, No consta
Agua caliente central ACAL 1 183 183 1 Sí
2 No
Blanco, No consta
Evacuación de aguas residuales RESID 1 184 184 1 Alcantarillado
2 Otro tipo
3 No tiene sistema evacuación aguas residuales
Blanco, No consta
Número de familia dentro del hogar FAMILIA 1 185 185
p NORDEN del padre PAD_NORDEN 2 186 187
d a NORDEN de la madre MAD_NORDEN 2 188 189
NORDEN del cónyuge o pareja CON_NORDEN 2 190 191
a r s
d NORDEN de otro pariente OPA_NORDEN 2 192 193
t e c Condición dentro del núcleo TIPOPER 1 194 194 C si vive con su cónyuge
e
o n o P si es padre y no vive con su cónyuge
M si es madre y no vive con su cónyuge
s t H si es hijo
blanco si no pertenece a ningún núcleo
e
Número de núcleo dentro del hogar NUCLEO 2 195 196
Tamaño del hogar NMIEM 2 197 198
Número de familias en el hogar NFAM 1 199 199
Número de núcleos en el hogar NNUC 1 200 200
Número de generaciones en el hogar NGENER 2 201 202 01 si 1
02 si 2
03 si 3 ó +
variable del campo
Estructura del hogar ESTHOG 2 203 204 01 si Hogar con una mujer sola menor de 65 años
02 si Hogar con un hombre solo menor de 65 años
03 si Hogar con una mujer sola de 65 años o más
04 si Hogar con un hombre solo de 65 años o más
05 si Hogar con padre o madre que convive con algún hijo menor de 25 años
06 si Hogar con padre o madre que convive con todos sus hijos de 25 años o más
07 si Hogar formado por pareja sin hijos
08 si Hogar formado por pareja con hijos en donde algún hijo es menor de 25 años
d 09 si Hogar formado por pareja con hijos en donde todos los hijos de 25 años o más
10 si Hogar formado por pareja o padre/madre que convive con algún hijo menor de 25 años y otra(s)
a persona(a)
t 11 si Otro tipo de hogar
o Tipo de hogar TIPOHOG 2 205 206 01 si Hogar unipersonal

02 si Hogar multipersonal pero que no forma familia
s 03 si Hogar de una familia sin otras personas adicionales y ningún núcleo
04 si Hogar de una familia sin otras personas adicionales y sólo un núcleo
05 si Hogar de una familia sin otras personas adicionales y un núcleo y otras personas
d 06 si Hogar de una familia sin otras personas adicionales y dos núcleos o más
07 si Hogar de una familia, con otras personas no emparentadas
e 08 si Hogar de dos o más familias
l Número de ocupados del hogar NOCU 2 207 208 01 si 0

02 si 1
03 si 2
04 si 3 ó +
h Número de parados o inactivos del hogar NPARAIN 2 209 210 01 si 0
o 02 si 1
03 si 2
g 04 si 3 ó +
Número de personas en familia NPFAM 2 211 212
a Número de personas que pertenecen a algún núcleo NPNUC 2 213 214
r Número de personas de 0 a 4 años en el hogar HM5 2 215 216
Número de personas de 5 a 15 años en el hogar H0515 2 217 218
Número de personas del hogar de 85 años o más en el hogar H85M 2 227 228
Hombres españoles en el hogar HESPHOG 2 229 230
Mujeres españolas en el hogar MESPHOG 2 231 232
Hombres extranjeros en el hogar HEXTHOG 2 233 234
Mujeres extranjeras en el hogar MEXTHOG 2 235 236
Combinación de nacionalidades en el hogar COMBINAC 1 237 237 1-Todos españoles
2-Algún extranjero
Edad grupos quinquenales del padre EDADPAD 2 238 239 02 si 0 a 4
03 si 5 a 9
...
20 si 90 a 94
21 si 95 a 99
22 si 100 ó +
Blanco, si no convive con el padre
País de nacimiento del padre PAISNACPAD 3 240 242 Código de los 198 Países
Nacionalidad del padre NACIPAD 1 243 243 2 si Española
d 3 si Extranjera
a blanco, si no convive con el padre
Estado civil del padre ECIVPAD 1 244 244 1 Soltero/a
t 2 Casado/a
3 Separado/a
o 4 Divorciado/a
s 5 Viudo/a
Blanco No convive con el padre
Nivel de estudios del padre (en grados) ESTUPAD 1 245 245 2 si Analfabetos
d 3 si Sin estudios
4 si Primer grado
e 5 si Segundo grado
6 si Tercer grado
l 7 si No es aplicable
Blanco, si No convive con el padre
Relación con la actividad del padre SITUPAD 1 246 246 2 si Ocupado/a a tiempo completo
p 3 si Ocupado/a a tiempo parcial
4 si Parado/a que ha trabajado antes
a 5 si Parado/a buscando primer empleo
6 si Persona con invalidez permanente
d 7 si Jubilado/a, prejubilado/a, pensionista o rentista
r 8 si Estudiantes
9 si Otra situación
e Blanco, si No convive con el padre
Situación profesional del padre SITPPAD 1 247 247 2 si Empresario que emplea personal
3 si Empresario que no emplea personal
4 si Trabajador fijo o indefinido
5 si Trabajador eventual o temporal
6 si Ayuda familiar
7 si Miembro de cooperativas
8 si No es aplicable
Blanco, si No convive con el padre
Edad grupos quinquenales de la madre EDADMAD 2 248 249 02 si 0 a 4
03 si 5 a 9
...
20 si 90 a 94
21 si 95 a 99
22 si 100 ó +
Blanco, si no convive con la madre
d País de nacimiento de la madre PAISNACMAD 3 250 252 Código de los 198 Países
Nacionalidad de la madre NACIMAD 1 253 253 2 si Española
a 3 si Extranjera
t blanco, si no convive con la madre
Estado civil de la madre ECIVMAD 1 254 254 1 Soltero/a
o 2 Casado/a
3 Separado/a
s 4 Divorciado/a
5 Viudo/a
Blanco No convive con la madre
d Nivel de estudios de la madre (en grados) ESTUMAD 1 255 255 2 si Analfabetos
e 3 si Sin estudios
4 si Primer grado
5 si Segundo grado
6 si Tercer grado
l 7 si No es aplicable
Blanco, si No convive con la madre
a
Relación con la actividad de la madre SITUMAD 1 256 256 2 si Ocupado/a a tiempo completo
3 si Ocupado/a a tiempo parcial
m 5 si Parado/a buscando primer empleo
a 6 si Persona con invalidez permanente
7 si Jubilado/a, prejubilado/a, pensionista o rentista
d 8 si Estudiantes
r Blanco, si No convive con la madre
e
variable del campo
e Situación profesional de la madre SITPMAD 1 257 257 2 si Empresario que emplea personal
4 si Trabajador fijo o indefinido
6 si Ayuda familiar
Blanco, si No convive con la madre
Edad grupos quinquenales del cónyuge EDADCON 2 258 259 02 si 0 a 4
03 si 5 a 9
...
20 si 90 a 94
d 21 si 95 a 99
22 si 100 ó +
a Blanco, si no convive con el cónyuge
t País de nacimiento del cónyuge NACCON 1 260 260 2 España
3 otro Estado miembro de la UE
o 4 otro Estado fuera de la UE pero en Europa
s 5 otro Estado fuera de la UE pero en África
6 otro Estado fuera de la UE pero en Caribe, América del Sur o Central
7 otro Estado fuera de la UE pero en América del Norte
8 otro Estado fuera de la UE pero en Asia
d 9 otro Estado fuera de la UE pero en Oceanía
Blanco No convive con el cónyuge o pareja
e
Nacionalidad del cónyuge NACICON 1 261 261 2 si Española
l 3 si Extranjera
blanco, si no convive con el cónyuge
Estado civil del cónyuge ECIVCON 1 262 262 1 Soltero/a
c 2 Casado/a
3 Separado/a
ó 4 Divorciado/a
5 Viudo/a
n Blanco No convive con el cónyuge
y Nivel de estudios del cónyuge (en grados) ESTUCON 1 263 263 2 si Analfabetos
3 si Sin estudios
u 4 si Primer grado
g 5 si Segundo grado
6 si Tercer grado
e 7 si No es aplicable
Blanco, si No convive con el cónyuge
Relación con la actividad del cónyuge SITUCON 1 264 264 2 si Ocupado/a a tiempo completo
o 3 si Ocupado/a a tiempo parcial
5 si Parado/a buscando primer empleo
6 si Persona con invalidez permanente
p 7 si Jubilado/a, prejubilado/a, pensionista o rentista
a 8 si Estudiantes
r Blanco, si No convive con el cónyuge
e Situación profesional del cónyuge SITPCON 1 265 265 2 si Empresario que emplea personal
j 4 si Trabajador fijo o indefinido
a 6 si Ayuda familiar
Blanco, si No convive con el cónyuge
Tipo de núcleo TIPONUC 1 266 266 1=pareja sin hijos
2=pareja con hijos
3=padre con hijos
4=madre con hijos
Blanco, si la persona no pertenece a ningún núcleo
d Tamaño del núcleo TAMNUC 2 267 268 01 si 2
02 si 3
a 03 si 4
t 04 si 5
05 si 6 o más
o Blanco, si la persona no pertenece a ningún núcleo
Número de hijos NHIJO 2 269 270
s Número de hijos comunes del núcleo NHIJOC 2 271 272
Indicador de familia numerosa FAMNUM 2 273 274 01 No
02 Si
d Blanco, si la persona no pertenece a ningún núcleo
e Tipo de pareja(de hecho o de derecho) TIPOPARECIV 2 275 276 01 si Pareja de derecho
02 si Pareja de hecho (ambos solteros)
l 03 si Pareja de hecho (otro tipo)
04 si Núcleo que no es pareja
n Tipo de pareja(mismo sexo, distinto sexo) TIPOPARSEX 2 277 278 01 si Pareja de distinto sexo
02 si Pareja del mismo sexo, femenino
ú 03 si Pareja del mismo sexo, masculino
c Blanco, si la persona no pertenece a ningún núcleo
l Diferencia de edad entre hombre y mujer del núcleo DIFEDAD 2 279 280 01 si 10 años o más la mujer que el hombre
02 si Entre 5 y 9 años más la mujer que el hombre
e 03 si Entre 1 y 4 años más la mujer que el hombre
o 04 si Igual edad
05 si Entre 1 y 4 años más el hombre que la mujer
06 si Entre 5 y 9 años más el hombre que la mujer
07 si 10 años o más el hombre que la mujer
ANEXO A.3
Listado indicadores censales
Relación de tablas disponibles
Tabla
T1)Población total (1 dato)
T2)Población total por sexo (2 datos)
T3)Población total por edad en grandes grupos (3 datos)
T4)Población total por país nacimiento (8 datos*sensibilidad(2))=16
T5)Población total por país nacimiento y nacionalidad esp/ext (16 datos*sensibilidad(2))=32
T6)Población total por nacionalidad esp/ext (2 datos)
T7)Población total por sexo y edad en grandes grupos (6 datos)
T8)Población total por sexo y nacionalidad esp/ext (4 datos)
T9)Población total por edad en grandes grupos y nacionalidad esp/ext (6 datos)
T10)Población total por estado civil (5 datos)
T11)Población total por estado civil y edad en grandes grupos (15 datos)
T12)Población total por grado de nivel de estudios (6 datos)
T13)Población total por grado de nivel de estudios y sexo (12 datos)
T14)Población total por grado de nivel de estudios y nacionalidad esp/ext (12 datos)
T15)Población total por grado de nivel de estudios y edad en grandes grupos (18 datos)
T16)Viviendas total (1 dato)
T17)Viviendas según tipo (3 datos)con la variable
T18)Viviendas principales según régimen de tenencia (6 datos)
T19)Viviendas principales según superficie útil (10 datos)
T20)Viviendas principales según número de habitaciones (9 datos)
T21)Hogares total (1 dato)
T22)Hogares según tamaño (6 datos)
Aviso sobre las tablas disponibles
El resto de tablas se facilitarán siempre que se cumpla que m/d sea mayor o igual que 5, siendo:
-m, el número de unidades muestrales sin elevar de ese ámbito poblacional
-d, el número que aparece entre paréntesis en la definición de cada una de las tablas. Este
número es igual al producto del número de celdas de la tabla y los respectivos factores de
sensibilidad
Cuando no se cumpla la condición mencionada anteriormente se facilitará la información de

aquellas celdas que estén respaldadas por 5 o más unidades muestrales
Relación de indicadores disponibles
Tabla Indicador
t1_1 Población total
t2_1 Hombres
t2_2 Mujeres
t3_1 Personas de menos de 16 años
t3_2 Personas entre 16 (incluido) y 64 (incluido) años
t3_3 Personas con más de 64 años
t4_1 Personas que han nacido en España
t4_2 Personas que han nacido en otro estado miembro de la UE
t4_3 Personas que han nacido en un país europeo que no es miembro de la UE
t4_4 Personas que han nacido en Africa
t4_5 Personas que han nacido en América Central, del Sur o Caribe
t4_6 Personas que han nacido en América del Norte
t4_7 Personas que han nacido en Asia
t4_8 Personas que han nacido en Oceanía
t5_1 Personas de nacionalidad española que han nacido en España
t5_2 Personas de nacionalidad extranjera que han nacido en España
t5_3 Personas de nacionalidad española que han nacido en otro estado miembro de la UE
t5_4 Personas de nacionalidad extranjera que han nacido en otro estado miembro de la UE
t5_5 Personas de nacionalidad española que han nacido en un país europeo que no es miembro de la UE
t5_6 Personas de nacionalidad extranjera que han nacido en un país europeo que no es miembro de la UE
t5_7 Personas de nacionalidad española que han nacido en Africa
t5_8 Personas de nacionalidad extranjera que han nacido en Africa
t5_9 Personas de nacionalidad española que han nacido en América Central, del Sur o Caribe
t5_10 Personas de nacionalidad extranjera que han nacido en América Central, del Sur o Caribe
t5_11 Personas de nacionalidad española que han nacido en América del Norte
t5_12 Personas de nacionalidad extranjera que han nacido en América del Norte
t5_13 Personas de nacionalidad española que han nacido en Asia
t5_14 Personas de nacionalidad extranjera que han nacido en Asia
t5_15 Personas de nacionalidad española que han nacido en Oceanía
t5_16 Personas de nacionalidad extranjera que han nacido en Oceanía
t6_1 Personas de nacionalidad española
t6_2 Personas de nacionalidad extranjera
t7_1 Hombres de menos de 16 años
t7_2 Hombres entre 16 (incluido) y 64 (incluido) años
t7_3 Hombres con más de 64 años
t7_4 Mujeres de menos de 16 años
t7_5 Mujeres entre 16 (incluido) y 64 (incluido) años
t7_6 Mujeres con más de 64 años
t8_1 Hombres con nacionalidad española
t8_2 Hombres con nacionalidad extranjera
t8_3 Mujeres con nacionalidad española
t8_4 Mujeres con nacionalidad extranjera
t9_1 Personas de nacionalidad española de menos de 16 años
t9_2 Personas de nacionalidad extranjera de menos de 16 años
t9_3 Personas de nacionalidad española entre 16 (incluido) y 64 (incluido) años
t9_4 Personas de nacionalidad extranjera entre 16 (incluido) y 64 (incluido) años
t9_5 Personas de nacionalidad española con más de 64 años
t9_6 Personas de nacionalidad extranjera con más de 64 años
t10_1 Personas con estado civil soltero
t10_2 Personas con estado civil casado
t10_3 Personas con estado civil separado
t10_4 Personas con estado civil divorciado
t10_5 Personas con estado civil viudo
t11_1 Personas con estado civil soltero de menos de 16 años
t11_2 Personas con estado civil soltero entre 16 (incluido) y 64 (incluido) años
t11_3 Personas con estado civil soltero con más de 64 años
t11_4 Personas con estado civil casado de menos de 16 años
t11_5 Personas con estado civil casado entre 16 (incluido) y 64 (incluido) años
t11_6 Personas con estado civil casado con más de 64 años
t11_7 Personas con estado civil separado de menos de 16 años
t11_8 Personas con estado civil separado entre 16 (incluido) y 64 (incluido) años
t11_9 Personas con estado civil separado con más de 64 años
t11_10 Personas con estado civil divorciado de menos de 16 años
t11_11 Personas con estado civil divorciado entre 16 (incluido) y 64 (incluido) años
t11_12 Personas con estado civil divorciado con más de 64 años
t11_13 Personas con estado civil viudo de menos de 16 años
t11_14 Personas con estado civil viudo entre 16 (incluido) y 64 (incluido) años
t11_15 Personas con estado civil viudo con más de 64 años
t12_1 Personas analfabetas
t12_2 Personas sin estudios
t12_3 Personas con estudios de primer grado
t12_4 Personas con estudios de segundo grado
t12_5 Personas con estudios de tercer grado
t12_6 Personas sin información sobre su nivel de estudios (menores de 16 años)
t13_1 Hombres analfabetos
t13_2 Mujeres analfabetas
t13_3 Hombres sin estudios
t13_4 Mujeres sin estudios
t13_5 Hombres con estudios de primer grado
t13_6 Mujeres con estudios de primer grado
t13_7 Hombres con estudios de segundo grado
t13_8 Mujeres con estudios de segundo grado
t13_9 Hombres con estudios de tercer grado
t13_10 Mujeres con estudios de tercer grado
t13_11 Hombres sin información sobre su nivel de estudios (menores de 16 años)
t13_12 Mujeres sin información sobre su nivel de estudios (menores de 16 años)
t14_1 Personas de nacionalidad española y analfabetos
t14_2 Personas de nacionalidad extranjera y analfabetas
t14_3 Personas de nacionalidad española sin estudios
t14_4 Personas de nacionalidad extranjera sin estudios
t14_5 Personas de nacionalidad española con estudios de primer grado
t14_6 Personas de nacionalidad extranjera con estudios de primer grado
t14_7 Personas de nacionalidad española con estudios de segundo grado
t14_8 Personas de nacionalidad extranjera con estudios de segundo grado
t14_9 Personas de nacionalidad española con estudios de tercer grado
t14_10 Personas de nacionalidad extranjera con estudios de tercer grado
t14_11 Personas de nacionalidad española sin información sobre su nivel de estudios (menores de 16 años)
t14_12 Personas de nacionalidad extranjera sin información sobre su nivel de estudios (menores de 16 años)
t15_2 Personas entre 16 (incluido) y 64 (incluido) años y analfabetas
t15_3 Personas con más de 64 años y analfabetas
t15_5 Personas entre 16 (incluido) y 64 (incluido) años sin estudios
t15_6 Personas con más de 64 años sin estudios
t15_8 Personas entre 16 (incluido) y 64 (incluido) años con estudios de primer grado
t15_9 Personas con más de 64 años con estudios de primer grado
t15_11 Personas entre 16 (incluido) y 64 (incluido) años con estudios de segundo grado
t15_12 Personas con más de 64 años con estudios de segundo grado
t15_14 Personas entre 16 (incluido) y 64 (incluido) años con estudios de tercer grado
t15_15 Personas con más de 64 años con estudios de tercer grado
t15_16 Personas de menos de 16 años (no se dispone de información sobre su nivel de estudios)
t16_1 Total Viviendas
t17_1 Viviendas Principales
t17_2 Viviendas Secundarias
t17_3 Viviendas Vacías
t18_1 Viviendas en propiedad, por compra, totalmente pagada
t18_2 Viviendas en propiedad, por compra, con pagos pendientes
t18_3 Viviendas en propiedad, por herencia o donación
t18_4 Viviendas en alquiler
t18_5 Viviendas cedida gratis o a bajo precio
t18_6 Viviendas en otro tipo de régimen de tenencia
t19_1 Viviendas de menos de 30m2
t19_2 Viviendas entre 30-45 m2
t19_10 Viviendas de más de 180 m2
t20_1 Viviendas con 1 habitación
t20_2 Viviendas con 2 habitaciones
t20_9 Viviendas con 9 o más habitaciones
t21_1 Total Hogares
t22_1 Hogares de 1 persona
t22_2 Hogares de 2 personas
t22_6 Hogares de 6 o más personas
NOTA: Algunos indicadores no están disponibles por motivo de secreto estadístico

ANEXO B
CATASTRO
ANEXO B.1
Fichero informático de remisión de
catastro (bienes inmuebles urbanos,
rústicos y de características especiales)
Fichero informático de remisión de catastro (bienes inmuebles urbanos, rústicos y de
características especiales).
Nombre genérico del fichero: CAT

(Revisión 10-03-2011 Histórico de cambios al final del documento)
Tipo de registros: Tamaño fijo.

Longitud de los registros: 1000 caracteres.
El envío del fichero de intercambio se realizará por medios telemáticos a través de la Sede
Electrónica del Catastro. Si, excepcionalmente, no se utilizase este sistema, se deberán seguir las
instrucciones específicas dictadas para esa ocasión por la Dirección General del Catastro acerca del
tipo de soporte y sus características.
Estructura del fichero:
• Tipo 01: Registro de cabecera. Existirá uno para todo el fichero independientemente de que el
fichero recoja la información correspondiente a un solo municipio o a varios.
• Tipo 11: Registro de Finca. Existirá uno por cada parcela catastral implicada.
• Tipo 13: Registro de Unidad Constructiva. Existirá uno por cada unidad constructiva en cada
parcela catastral.
• Tipo 14: Registro de Construcción. Existirá uno por cada construcción de cada unidad constructiva
en cada parcela catastral
• Tipo 15: Registro de Inmueble. Existirá uno por cada bien inmueble en cada parcela catastral
• Tipo 16: Registro de reparto de elementos comunes. Existirá al menos uno por cada elemento
común que se reparte, siempre que sea necesario especificar repartos especiales.
• Tipo 17: Registro de cultivos. Existirá uno por cada subparcela de cultivo existente dentro de la
parcela catastral.
• Tipo 90: Registro de cola. Existirá uno para todo el fichero.
Página 1 de 18
Detalle de la estructura:
Grupo de Datos Posición Longitud Formato Descripción

inicial
Registro de cabecera
Tipo de Registro 1 2 N Tipo de registro (01)
Identificación de la 3 1 X Tipo de entidad generadora (G gerencia )

entidad generadora
4 9 N Código de la entidad generadora del fichero
− Gerencia del Catastro: Código de la
Delegación MEH 2 dígitos, siete blancos)
13 27 X Nombre de la entidad generadora
37
Datos del fichero 40 8 N Fecha de generación del fichero (formato

(AAAAMMDD)
48 6 N Hora de generación del fichero (formato

HHMMSS)
54 4 X Tipo de fichero:
CCAT Información de Catastro (FINCA)
58 39 X Descripción del contenido del fichero
97 21 X Nombre del fichero (Cumplimentado por la

DGC)
118 3 N Código de la entidad destinataria

(Cumplimentado por la DGC)
121
Datos específicos 121 8 N Fecha de inicio del periodo (AAAAMMDD)

del formato
129 8 N Fecha de finalización del periodo

(AAAAMMDD)
16
Relleno final 137 863 X Relleno con espacios
Longitud: 1000
Página 2 de 18
Grupo Posición Longitud Formato Descripción Observaciones
de inicial
Datos
Registro de Finca
3 21 X Campo intencionadamente en blanco
21
Identificación de 24 2 N Código de Delegación del MEH

la parcela
catastral
26 3 N Código del Municipio (según DGC)
29 2 X Intencionadamente en blanco, excepto para

bienes inmuebles de características
especiales (valor BI)
31 14 X Parcela catastral.
27
Domicilio 51 2 N Código de Provincia (INE)

Tributario/
Localización de la
parcela 53 25 X Nombre Provincia
78 3 N Código del Municipio (DGC)
81 3 N Código de Municipio (INE). Excluido el último

dígito de control
84 40 X Nombre del Municipio
124 30 X Nombre de la entidad menor, en caso de

existir
154 5 N Código de vía pública (DGC)
159 5 X Tipo de vía o sigla pública
164 25 X Nombre de la vía pública
189 4 N Primer número de policía
193 1 X Primera letra. (Carácter de duplicado)
194 4 N Segundo número de policía
198 1 X Segunda letra. (Carácter de duplicado)
199 5 N Kilómetro (expresado con tres enteros y dos

decimales)
204 4 X Bloque
Página 3 de 18
de inicial
Datos
208 8 X Campos intencionadamente en blanco
(ES/PL/PT)
216 25 X Texto de dirección no estructurada
241 5 N Código postal
246 2 X Distrito municipal
248 3 N Código del municipio origen en caso de

agregación (DGC)
251 2 N Código de la zona de concentración
253 3 N Código de polígono
256 5 N Código de parcela
261 5 X Código del paraje (DGC)
266 30 X Nombre del paraje
245
Datos Físicos 296 10 N Superficie de la finca o parcela catastral (en
metros cuadrados).
306 7 N Superficie construida total. Será igual a la suma
de las superficies de los elementos constructivos
de la finca (incluida la que corresponde imputar
de sus porches y terrazas)
313 7 N Superficie construida sobre rasante
320 7 N Superficie construida bajo rasante
327 7 N Superficie cubierta
334 9 N Coordenada X (con dos decimales sin separador)
343 10 N Coordenada Y (con dos decimales sin separador)
57
229
Referencia BICE 582 20 X Referencia Catastral BICE al que pertenece la

finca
602 65 X Denominación del BICE al que pertenece la finca
20
Página 4 de 18
de inicial
Datos
667 10 X Huso geográfico SRS (Spatial Reference
System), según nomenclatura definida en
www.epsg.org.
• EPSG:32628 WGS 84 / UTM zone 28N

• EPSG:23029 ED50 / UTM zone 29N
• EPSG:25829 ETRS89 / UTM zone 29 N
10
Relleno final 677 324 X Relleno a espacios
Longitud 1000
Página 5 de 18
de inicial
Datos
Registro de unidad constructiva
21
Identificación del 24 2 N Código de Delegación del MEH

elemento
29 2 X Clase de la Unidad Constructiva (UR, RU, BI)
31 14 X Parcela catastral
45 4 X Código de la Unidad Constructiva
49 2 X Relleno a espacios
27

Tributario/
Localización de la
Unidad 53 25 X Nombre Provincia
Constructiva

dígito de control

existir

decimales)
204 12 X Campos intencionadamente en blanco

(BL/ES/PL/PT)
Página 6 de 18
de inicial
Datos
241 55 N Relleno a espacios (incluye espacio de código

de paraje)
245
Datos físicos 296 4 N Año de la construcción (formato (AAAA)
300 1 X Indicador de exactitud del año de construcción

('E', '+', '-', 'C')
301 7 N Superficie de suelo ocupada por la Unidad
Constructiva en metros cuadrados.
Campo cumplimentado si la UC simboliza

edificio, o en el caso de la UC matriz de las
divisiones instrumentales dentro del edificio.
308 5 N Longitud de fachada (en centímetros)
17
97
Datos físicos (2/2) 410 4 X Código de la Unidad Constructiva Matriz. La [3]

unidad Constructiva representa un edificio o un
conjunto de construcciones particularizadas
dentro de un edificio. Excepcionalmente, si dentro
de un edificio hubiese elementos con fecha de
construcción, estado de conservación, zona de
valor o tramo de ponencia, distintos del principal
del edificio, se crearán tantas unidades
constructivas como fuese necesario para reflejar
esta circunstancia. Estas UC quedan ligadas a la
unidad constructiva principal del edificio a través
de este campo
Longitud: 1000
Página 7 de 18
de inicial
Datos
Registro de construcción
21

elemento
31 14 X Parcela Catastral
45 4 N Número de orden del elemento de construcción
27
Información 51 4 X Número de orden del bien inmueble fiscal

adicional (Número del Cargo al que se imputa el valor de la
construcción dentro de la parcela catastral). Dato
no consignado en caso de elementos comunes
55 4 X Código de la Unidad Constructiva a la que está
asociado el local.
8
Domicilio tributario 59 4 X Bloque

del elemento
63 2 X Escalera
65 3 X Planta
68 3 X Puerta
12
Datos Físicos 71 3 X Código de Destino según codificación establecida

por la DGC
74 1 X Indicador del tipo de reforma o rehabilitación, en
caso de existir, a efectos del cálculo del
coeficiente corrector por antigüedad (Valores
posibles R/O/E/I o blanco)
75 4 N Año de reforma en caso de existir (formato
AAAA)
79 4 N Año de antigüedad efectiva en Catastro (Para la
obtención del valor catastral)
83 1 X Indicador de local interior (S/N)
84 7 N Superficie total del local a efectos de catastro,

incluida la que corresponda imputar de porches y
terrazas (en metros cuadrados)
91 7 N Superficie de porches y terrazas del local (en
metros cuadrados), a título informativo
98 7 N Superficie imputable al local situada en otras
plantas (en metros cuadrados), a título
informativo
34
Página 8 de 18
de inicial
Datos
Datos económicos 105 5 X Tipología constructiva según Normas Técnicas
de Valoración
112 3 X Código de modalidad de reparto, que se

informará solamente si el elemento constructivo
es elemento común.
La composición del código es la siguiente: Primer

carácter: a todos o a alguno (T/A), segundo
carácter: a locales o a cargos (L/C), tercer
carácter: proporción del reparto, por partes
iguales, por superficie de los locales, por
coeficientes de propiedad, o por coeficientes
específicamente determinados (1/2/3/4)
15
Longitud: 1000
Página 9 de 18
de inicial
Datos
Registro de Bien Inmueble
21

bien inmueble
29 2 X Clase del Bien inmueble (UR, RU, BI)
Referencia Catastral
31 14 X Parcela catastral.
45 4 N Número secuencial del bien inmueble

(Número de Cargo) dentro de la parcela
catastral
49 1 X Primer carácter de control
50 1 X Segundo carácter de control
27
Identificadores 51 8 N Número fijo del Bien Inmueble (asignado por

adicionales la Gerencia del Catastro)
59 15 X Campo para la identificación del Bien

Inmueble asignado por el Ayuntamiento
74 19 X Número de finca registral, incluyendo registro

de la propiedad (Registro de la propiedad 5
dígitos, sección 2 dígitos, número finca 6
dígitos, subfinca 6 dígitos)
42

Tributario/Localiz
ación del bien
inmueble 95 25 X Nombre Provincia

dígito de control

existir
Página 10 de 18
de inicial
Datos

decimales)
246 4 X Bloque
250 2 X Escalera
252 3 X Planta
255 3 X Puerta
283 5 N Código postal
288 2 N Distrito municipal, en caso de existir
290 3 N Código del municipio origen en caso de

agregación (DGC)
293 2 N Código de la zona de concentración
295 3 N Código de polígono
298 5 N Código de parcela
303 5 N Código de Paraje (DGC)
308 30 X Nombre del paraje
245
Información 338 30 X Campo intencionadamente en blanco
adicional
368 4 X Número de orden del inmueble en la escritura de
división horizontal
372 4 N Año de antigüedad del bien inmueble
34
Datos 376 52 X Campo intencionadamente en blanco

económicos del
bien Inmueble
Página 11 de 18
de inicial
Datos
428 1 X Clave de grupo de los bienes inmuebles de
características especiales, o de uso de los
bienes urbanos, según codificación
establecida en los cuadros 1 y 2 que figuran al
final de este ANEXO
442 10 N Superficie del elemento o elementos

constructivos asociados al inmueble en el
caso de fincas construidas (en metros
cuadrados)
452 10 N Superficie asociada al inmueble, en el

caso de solares, fincas construidas sin
división horizontal o parcelas rústicas (en
metros cuadrados)
462 9 N Coeficiente de propiedad respecto a la finca,

en caso de división horizontal, expresado con
tres enteros y seis decimales
95
Longitud: 1000
Página 12 de 18
de inicial
Datos
Registro de Reparto de elementos comunes (construcciones, cultivos)
21

elemento a repartir
31 14 X Parcela Catastral
45 4 X Número de orden del elemento cuyo valor se

reparte (elem. común de construcción o cultivo)
49 2 X Calificación catastral de la subparcela a repartir
(empleada en subparcelas abstractas)
27
Bloque repetitivo 51 4 N Número de orden del registro o segmento de

(10+49 posiciones) repartos. Valor igual a 1 salvo el caso en que
sean precisos más de un registro (si hay más de
45 repartos para un mismo elemento común y
tipo de movimiento)
4
Bloque que se - 4 N Número del cargo o construcción al que se

repetirá hasta 15 reparte el elemento común
veces
- 6 N Porcentaje de reparto en los casos AL4 y AC4
(tres enteros y tres decimales)
10
Relleno final - - X Relleno a espacios
Longitud: 1000
Página 13 de 18
de inicial
Datos
Registro de cultivos agrarios
21
Identificación de 24 2 N Código de Delegación del MEH

la subparcela
29 2 X Naturaleza del suelo ocupado por el cultivo

(UR urbana, RU rústica)
Referencia Catastral
31 14 X Parcela catastral
45 4 X Código de la subparcela
27
Información 51 4 N Número de orden del bien inmueble fiscal

adicional (Número del Cargo al que se imputa el valor
del cultivo dentro de la parcela catastral). Dato
no consignado en caso de elementos
comunes
Datos Físicos y 55 1 X Tipo de subparcela ( T terreno, A abstracta, D

económicos dominio público)
56 10 N Superficie de la subparcela expresada en m2

(centiáreas)
66 2 X Calificación catastral/clase de cultivo
68 40 X Denominación de la clase de cultivo
108 2 N Intensidad productiva
127 3 X Código de modalidad de reparto, que se

informará solamente si el cultivo es elemento
común.
La composición del código es la siguiente:

Primer carácter: a todos o a alguno (T/A),
segundo carácter: cargos (C), tercer carácter:
proporción del reparto, por partes iguales, por
superficie de los locales, por coeficientes de
propiedad, o por coeficientes específicamente
determinados (1/2/3/4)
Página 14 de 18
de inicial
Datos
85
Longitud: 1000
Página 15 de 18
Grupo Posición inicial Longitud Formato Descripción Observaciones
de
Datos
Registro de Cola
Tipo de 1 2 N Tipo de registro (90)
Registro
Datos de cola 3 7 X Campo intencionadamente en blanco
10 7 N Número total de registros de tipo igual a 11

(Finca)

(Unidad Constructiva)
(Construcción)

(Bien Inmueble)
(Reparto de elementos comunes)
52 7 X Número total de registros de tipo igual a 17

(Cultivos)
85
Longitud: 1000
CUADRO 1.- CODIFICACIÓN DE LOS GRUPOS DE LOS CUADRO 2.- CODIFICACIÓN DE LOS USOS DE LOS
BIENES INMUEBLES DE CARACTERÍSTICAS BIENES INMUEBLES
ESPECIALES CODIGO USO
A Almacén -Estacionamiento
CODIGO GRUPO SEGÚN ART. 2.7 LEY DEL V Residencial
CATASTRO INMOBILIARIO I Industrial
O Oficinas
1 a) Inmuebles destinados a la producción de C Comercial
energía eléctrica y gas, al refino de petróleo y K Deportivo
centrales nucleares T Espectáculos
G Ocio y Hostelería
2 b) Presas, saltos de agua y embalses
Y Sanidad y Beneficencia
3 c) Autopistas, carreteras y túneles de peaje E Cultural
R Religioso
4 d) Aeropuertos y puertos comerciales
M Obras de urbanización y jardinería, suelos
sin edificar
P Edificio singular
B Almacén agrario
J Industrial agrario
Z Agrario
Página 16 de 18
ANEXO B.2
Manual del modelo de datos de cartografía
vectorial (formato shapefile)
MODELO DE DATOS DE CARTOGRAFÍA VECTORIAL
(FORMATO SHAPEFILE)
Versión 2.0
1
Control
Versión 1.0
Fecha: 25-03-2011 Creación del documento
Modificaciones:
• Versión inicial.
Versión 2.0
Fecha: 27-06-2014 Actualización del documento
Modificaciones:
• Se añaden los nuevos atributos incorporados a las tablas
• Se eliminan la descripción de tablas internas -Bloqueo- y otras cuyos datos se
suministran el el formato CAT –Rucultivo y Rusubparcela-
2
Índice
Índice ......................................................................................................................... 3
ESTRUCTURA DE LAS TABLAS DE LA CARTOGRAFÍA CATASTRAL ............... 4
1 LISTADO DE TABLAS CON INFORMACION GEOMÉTRICA .......................... 5
2 LISTADO DE TABLAS AUXILIARES SIN INFORMACION GEOMETRICA...... 5
3 DESCRIPCION DE LOS CAMPOS DE LAS TABLAS ....................................... 6
3.1 Tabla: ALTIPUN.................................................................................................... 6
3.2 Tabla: CARVÍA...................................................................................................... 6
3.3 Tabla: CONSTRU.................................................................................................. 6
3.4 Tabla: EJES .......................................................................................................... 7
3.5 Tabla: ELEMLIN.................................................................................................... 7
3.6 Tabla: ELEMPUN.................................................................................................. 8
3.7 Tabla: ELEMTEX .................................................................................................. 8
3.8 Tabla: ERRLIN ...................................................................................................... 8
3.9 Tabla: HOJAS ....................................................................................................... 9
3.10 Tabla: LIMITES ..................................................................................................... 9
3.11 Tabla: MAPA......................................................................................................... 9
3.12 Tabla: MASA........................................................................................................10
3.13 Tabla: PARCELA .................................................................................................11
3.14 Tabla: SUBPARCE ..............................................................................................11
4 ANEXO I: .......................................................................................................... 13
4.1 NOMENCLATURA DE SUBPARCELAS..............................................................13
4.2 Codificación de cultivos.....................................................................................14
4.3 Caso especial de parcelas que tienen construcciones sobre suelo de otra ..14
5 ANEXO III: Manejo de la historia en la cartografía catastral........................ 22
5.1 Introducción ........................................................................................................22
5.2 Consulta de la cartografía de trabajo ................................................................22
5.3 Consulta de cartografía histórica ......................................................................22
5.4 Consulta de cambios habidos en la cartografía en un período .......................23
5.5 Consulta de la cartografía oficial .......................................................................23
3
ESTRUCTURA DE LAS TABLAS DE LA CARTOGRAFÍA CATASTRAL
La estructura de campos es copia de la estructura interna del sistema de información

geográfica catastral, por lo que puede cambiar en un futuro. Además hay que tener en
cuenta que algunos campos (NUMSYMBOL por ejemplo) son para uso interno.
El parcelario catastral se representa mediante 4 tablas: MASA, PARCELA, SUBPARCE y

CONSTRU. El resto de tablas son auxiliares o contienen otros elementos cartográficos,
como mobiliario urbano, límites administrativos, rótulos con los nombres de las calles, etc.
La referencia catastral de un inmueble tiene 20 caracteres. De estos 20 caracteres, los 14

primeros identifican la parcela cartográfica en la que se ubica y los otros 6 identifican el
inmueble dentro de la parcela (4 caracteres) y dos dígitos de control.
Por ejemplo en el caso de un edificio de apartamentos, las referencias catastrales de

todos ellos tendrán en común los 14 primeros caracteres y diferentes los 6 últimos.
Por este motivo, el campo REFCAT que aparece en la tabla PARCELA (y también en
SUBPARCE, CONSTRU) tiene solo 14 caracteres.
El campo REFCAT es en realidad un dato calculado que se ha obtenido de otros campos

mediante el siguiente algoritmo:
- Para las parcelas cuyo atributo “TIPO” es igual a “R” ó “X”, la referencia se compone
del campo DELEGACIO (con 2 dígitos y rellenando con ceros, por ejemplo 02 para la
delegación 02), el campo MUNICIPIO (tres dígitos), y los campos HOJA (1 dígito),
MASA (3 dígitos) y PARCELA (5 dígitos).
- Para las parcelas cuyo atributo “TIPO” es igual a “D”, la referencia se compone del
campo MASA (4 dígitos), PARCELA (3 dígitos) y HOJA (7 dígitos).
- Para las parcelas cuyo atributo “TIPO” es igual a “U”, la referencia se compone del
campo MASA (5 dígitos), PARCELA (2 dígitos) y HOJA (7 dígitos).
4
1 LISTADO DE TABLAS CON INFORMACION GEOMÉTRICA
NOMBRE TABLA DESCRIPCIÓN

ALTIPUN Puntos de altimetría con cota y puntos de las redes geodésicas y
topográficas.
CARVÍA Descripción de los códigos de vías de comunicación e hidrografía.
CONSTRU Subparcelas urbanas que representan los volúmenes edificados
dentro de una parcela.
EJES Ejes de elementos lineales (calles, carreteras)
ELEMLIN Elementos cartográficos lineales
ELEMPUN Elementos cartográficos puntuales
ELEMTEX Rótulos del mapa
ERRLIN Tramos abiertos en el parcelario que se detectan en el momento de la
carga. Son errores y no deberían existir.
HOJAS Hojas de división de la cartografía urbana.
LIMITES Límites administrativos (de municipio, de suelo de naturaleza urbana,
etc)
MAPA Identificación de cada una de las zonas con cartografía diferente.
Normalmente en cada municipio hay un mapa de urbana y otro mapa
de rústica. Dentro de un mismo mapa hay coherencia cartográfica
pero entre mapas puede haber pequeñas inconsistencias.
MASA Agrupaciones de parcelas (manzanas de urbana y polígonos de
rústica)
PARCELA Parcelas catastrales. Las parcelas que tienen el campo PARCELA=
‘09000’ no existen en realidad y son un artificio necesario dentro del
sistema de información geográfica catastral para conseguir la
continuidad de la cartografía rústica. Deben ser ignoradas.
SUBPARCE Subparcelas de cultivo (zonas de igual cultivo o aprovechamiento
dentro de una parcela). Las que tienen el campo PARCELA=’09000’
deben ser ignoradas.
2 LISTADO DE TABLAS AUXILIARES SIN INFORMACION

GEOMETRICA
NOMBRE TABLA DESCRIPCIÓN
CARVÍA Descripción de los códigos de vías de comunicación e hidrografía.
5
3 DESCRIPCION DE LOS CAMPOS DE LAS TABLAS
3.1 Tabla: ALTIPUN

Descripción: Puntos con cota
NOMBRE CAMPO TIPO DATO LONGITUD DESCRIPCIÓN
NINTERNO NUMBER 10 Número secuencial asignado por el
sistema
MAPA NUMBER 6 Mapa en el que esta dibujado el
elemento gráfico
ATRIBUTO VARCHAR2 16 Característica del elemento p.e. para
un vértice geodésico su nombre
TTGGSS VARCHAR2 6 Tema, grupo y subgrupo, según
anexo de codificación de la información
geográfica
COTA NUMBER 10 Cota del punto en metros sobre el
nivel del mar.
NUMSYMBOL NUMBER 2 Campo calculado, con el numero del
símbolo con el que hay que representar
el elemento.
FECHAALTA NUMBER 8 Fecha de dibujo del elemento gráfico
FECHABAJA NUMBER 8 Fecha de borrado del elemento gráfico
3.2 Tabla: CARVÍA

Descripción: Descripción de los códigos de vías de comunicación e hidrografía.
MAPA NUMBER 6 Código del mapa al que corresponde
la vía
TTGGSS VARCHAR2 6 Tema, grupo y subgrupo, según anexo de
codificación de la información geográfica
(161101=eje de calle)
VÍA NUMBER 10 Código de la vía (o elemento).
DENOMINA VARCHAR2 25 Denominación de la vía.
FECHAALTA NUMBER 8 Fecha de alta del código de vía
FECHABAJA NUMBER 8 Fecha de baja del código de vía
3.3 Tabla: CONSTRU

Descripción: Subparcelas de construcción
NINTERNO NUMBER 10 Numero secuencial asignado por el
sistema
MAPA NUMBER 6 Numero del mapa al que pertenece el
elemento
DELEGACIO NUMBER 2 Código de Delegación de Hacienda
MUNICIPIO NUMBER 3 Código del Municipio

MASA VARCHAR2 5 Manzana urbana (o polígono rústico)
a la que pertenece el elemento
HOJA VARCHAR2 7 Posiciones 8 a 14 de la referencia
6
catastral (urbana) o código de sector
(rústica)
PARCELA VARCHAR2 5 Código de parcela, dentro de la
Manzana o polígono
REFCAT VARCHAR2 14 Referencia catastral de la parcela
CONSTRU VARCHAR2 16 Rótulo con las alturas construidas.
Véase anexo con códigos de
construcción
TIPO CHAR 1 Tipo de parcela (U, D, R)
COORX NUMBER 9 Coordenada X del centroide (un punto
interior a la construcción)
COORY NUMBER 10 Coordenada Y del centroide
NUMSYMBOL NUMBER 2 Símbolo con el que se dibuja (para
sombreados de colores)
AREA NUMBER 10 Superficie del elemento en metros
cuadrados
PCAT1 VARCHAR2 7 Posiciones 1 a 7 de la referencia
Catastral de la parcela
3.4 Tabla: EJES

Descripción: Ejes de elementos lineales (calles, carreteras)
sistema
elemento gráfico
TTGGSS VARCHAR2 6 Tema, grupo y subgrupo, según
anexo de codificación de la información
geográfica
VÍA NUMBER 10 Código de la entidad lineal (parte 2).
Para descripción ver CARVÍA.
símbolo con el que dibujar el elemento.
3.5 Tabla: ELEMLIN

Descripción: Elementos cartográficos lineales
sistema
elemento gráfico
TTGGSS VARCHAR2 6 Tema, grupo y subgrupo del elemento
gráfico, según anexo de codificación de
la información geográfica
VÍA NUMBER 10 Código del elemento lineal (parte 2).
7
Para descripción ver CARVÍA
símbolo con el que representar el
elemento.
3.6 Tabla: ELEMPUN

Descripción: Elementos cartográficos puntuales
sistema
elemento gráfico
TTGGSS VARCHAR2 6 Tema, grupo y subgrupo del
elemento, según anexo de codificación
de la información geográfica
NUMSYMBOL NUMBER 2 Campo calculado, con el número del
símbolo con el que dibujar el elemento.
3.7 Tabla: ELEMTEX

Descripción: Rótulos del mapa
sistema
MAPA NUMBER 6 Mapa en el que esta representado el
elemento gráfico
TTGGSS VARCHAR2 6 tema, grupo y subgrupo del elemento
ROTULO VARCHAR2 32 Texto a colocar en el mapa.
símbolo con el que representarlo en el
mapa.
3.8 Tabla: ERRLIN

Descripción: Tramos abiertos en el parcelario. Son errores y no deberían existir.
sistema
elemento gráfico
TTGGSS VARCHAR2 6 Tema, grupo y subgrupo del elemento
mapa.
8
3.9 Tabla: HOJAS

Descripción: Hojas de división de la cartografía urbana.
sistema
elemento gráfico
HOJA VARCHAR2 7 Nombre de la hoja
3.10 Tabla: LIMITES

Descripción: Límites administrativos (de municipio, de suelo de naturaleza urbana,
etc)
sistema
MAPA NUMBER 6 Identificativo del mapa en el que esta
dibujado
TTGGSS VARCHAR2 6 Tema, Grupo y subgrupo del elemento,
según anexo de codificación de la
información geográfica
mapa.
FECHAALTA NUMBER 8 Fecha de grabación del elemento gráfico.
3.11 Tabla: MAPA

Descripción: Identificación de cada una de las zonas con cartografía diferente.
sistema
MAPA NUMBER 6 Identificativo del mapa (número
secuencial)
TIPO CHAR 1 (U)rbana o (R)ústica
DELEGACIO NUMBER 2 Código de la Delegación de Hacienda
MUNICIPIO NUMBER 3 Municipio al que corresponde el mapa
PROYE NUMBER 2 Código del sistema de proyección del
Mapa.
TIPOMALLA NUMBER 5 Tipo de referencia de HOJA al
generar nuevas manzanas. Coincide con
la escala de la primera cartografía digital
realizada en el municipio.
ESTADO NUMBER 1 Estado del mapa (para saber si hay
una carga masiva, etc en curso)
DESCRIP VARCHAR2 100 Descripción del mapa
HAX NUMBER 10 Coeficiente AX transformación X’ =
9
AX.X + BX.Y + CX
HBX NUMBER 10 Coeficiente BX transformación
HCX NUMBER 10 Coeficiente CX transformación
HAY NUMBER 10 Coeficiente AY transformación Y’ =
AY.X + BY.Y + CY
HBY NUMBER 10 Coeficiente BY transformación
HCY NUMBER 10 Coeficiente CY transformación
FECHAALTA NUMBER 8 Fecha en la que se ha creado el mapa
en la base de datos o modificado sus
datos
FECHABAJA NUMBER 8 Fecha en la que se ha borrado el
mapa de la base de datos
FECHAPUB NUMBER 8 Fecha de la cartografía oficial. En el
caso de que sea distinta de 0 ó
99999999, todo cambio posterior no es
oficial.
COMENTA VARCHAR2 80 Comentarios sobre el mapa, de uso
interno de la Gerencia del Catastro.
3.12 Tabla: MASA

Descripción: Manzanas de urbana y polígonos de rústica
sistema
MAPA NUMBER 6 Número del mapa al que pertenece la
Manzana o polígono
MUNICIPIO NUMBER 3 Código de Municipio
MASA VARCHAR2 5 Código de manzana urbana (5 caracteres)
o de polígono rústico (3 caracteres)
(rústica)
TIPO CHAR 1 Tipo de parcelas que admite. Puede
ser R o U
COORX NUMBER 9 Coordenada X del centroide de la
manzana (punto interior)
COORY NUMBER 10 Coordenada Y del centroide de la
manzana
NUMSYMBOL NUMBER 2 Símbolo con el que se representa
cuadrados
FECHAALTA NUMBER 8 Fecha en la que se crea la masa en la
base de datos
FECHABAJA NUMBER 8 Fecha en la que se borra la masa de
la base de datos
10
3.13 Tabla: PARCELA
Descripción: Parcelas tanto de urbana como de diseminado y rústica.
sistema
MAPA NUMBER 6 Número del mapa en el que se
encuentra la parcela
MASA VARCHAR2 5 Referencia de la manzana/polígono a
la que pertenece la parcela
(rústica)
TIPO CHAR 1 Tipo de parcela: (U)rbana, (R)ústica
normal, (D)iseminado, (X)Domínio
público y ajustes topográficos (parcela
09000)
PARCELA VARCHAR2 5 Número de parcela dentro de la
manzana o polígono
interior a la parcela)
VÍA NUMBER 5 Código de vía pública (calle o Plaza).
Para descripción ver CARVÍA.
NUMERO NUMBER 4 Número de portal.
NUMERODUP VARCHAR2 1 Indicador de número duplicado
NUMSYMBOL NUMBER 2 Número del símbolo de
representación
cuadrados
FECHAALTA NUMBER 8 Fecha en la que se crea la parcela en
la base de datos
FECHABAJA NUMBER 8 Fecha en la que se borra una parcela
de la base de datos
3.14 Tabla: SUBPARCE

Descripción: Subparcelas (zonas de igual valoración del suelo dentro de una
parcela).
sistema
MAPA NUMBER 6 Número del mapa en el que se
encuentra la subparcela
11
MASA VARCHAR2 5 Referencia de la manzana/polígono a
la que pertenece la subparcela
(rústica)
PARCELA VARCHAR2 5 Referencia de parcela a la que
pertenece la subparcela.
SUBPARCE VARCHAR2 4 Clave de subparcela rustica
TIPO CHAR 1 Tipo de PARCELA a la que pertenece
la subparcela: (R)ústica, (X)Dominio
público o ajuste topográfico,
excepcionalmente (U)rbana
interior a la subparcela)
NUMSYMBOL NUMBER 2 Número del símbolo en
representación
FECHAALTA NUMBER 8 Fecha de alta de una subparcela en la
base de datos
FECHABAJA NUMBER 8 Fecha en que se borra una
subparcela de la base de datos
cuadrados
12
4 ANEXO I:
4.1 NOMENCLATURA DE SUBPARCELAS
-I, -II ....... Volúmenes bajo rasante (1, 2 alturas)
I, II ........ Volúmenes sobre rasante (1, 2 alturas)
B ............. Balcón
T ............. Tribuna (balcón techado)
TZA ............. Terraza
POR ............. Porche
SOP ............. Soportal
PJE ............. Pasaje
MAR ............. Marquesina
P ............. Patio
CO ............. Cobertizo
EPT ............. Entreplanta
SS ............. Semisótano
ALT ............. Altillo
PI ............. Piscina
TEN ............. Pista de Tenis
ETQ ............. Estanque
SILO ............. Silo
SUELO ............. Suelo vacante, sin construir. También se puede utilizar el sinónimo
TERRENY.
PRG ............. Pérgola
DEP ............. Depósito
ESC ............. Escalera
TRF ............. Transformador
JD ............. Jardín
YJD ………. Jardín que se valora
FUT ............. Campo de Fútbol
VOL ............. Voladizo
ZD ............. Zona Deportiva
RUINA ............. Ruinas
CONS ............. En construcción
PRESA ............. Cuerpo de presa en embalses
ZBE ............. Balsas y estanques que se valoran
ZPAV ............. Obras de urbanización interior
GOLF ............. Campo de GOLF
CAMPING.......... Camping
13
TERRENY…….. Sinónimo de SUELO
HORREO……… Hórreo, panera, cabazo.
PTLAN ............. Pantalán (embarcadero de pequeño porte, soportado por pilotes y a veces
móvil). Se utilizará este código particularmente para los puntos de amarre
de puertos deportivos. Un muelle se codificará con el código genérico
ZPAV.
DARSENA.......... Dársena, aguas resguardadas artificialmente por un puerto.
Para codificar un atributo de subparcela que esté compuesto por varios elementos de la nomenclatura
anterior, se hará uniendo estos códigos, en sentido ascendente, con el signo (+).
Ejemplo: -II+IV+TZA
4.2 Codificación de cultivos

El suelo vacante (no construido) en el que existan cultivos deberá dividirse en tantas subparcelas
como cultivos diferentes existan y asignar a cada uno de ellos un código de subparcela consistente en
una a tres letras minúsculas. Solo se usarán los siguientes caracteres alfabéticos:
a,b,c,d,e,f,g,h,i,j,k,l,m,n,p,q,r,s,t,u,v,w,z
Cuando la parcela tenga un único cultivo, el identificativo de subparcela será UN SOLO “0” (cero).
4.3 Caso especial de parcelas que tienen construcciones sobre suelo

de otra
Un caso especial existe cuando las construcciones de dos parcelas colindantes sobrevuelan una
sobre otra (“casas macladas” o, en Granada, “casas encalabernadas”).
14
ANEXO II: CODIFICACIÓN DE LA INFORMACIÓN GEOGRÁFICA
INTRODUCCIÓN.
Todos los elementos recogidos en la fase de numerización, han de registrarse, de acuerdo a la
CODIFICACIÓN DE LA INFORMACIÓN GEOGRÁFICA redactada a continuación.
La CODIFICACIÓN en este ANEXO es común a la información rústica y urbana.
En cada elemento de la lista de códigos figura a que modalidad pertenece dicho elemento.
Dependiendo de lo dicho en el párrafo anterior, si el código pertenece solo a rústica tendrá la letra R,
si el código pertenece solo a urbana tendrá la letra U, y si pertenece a ambas modalidades tendrá las
dos, R y U.
Por lo tanto los elementos solo podrán estar incluidos en los ficheros del formato FICC que
pertenezcan a su modalidad.
La estructura de CODIFICACIÓN, compuesta por seis posiciones, contempla los tres niveles
jerarquizados siguientes:
TEMAS
Capítulos Independientes de información en los que se estructura la información geográfica. Se
emplean los dos primeros dígitos del código.
El desglose de los Temas es el siguiente:
CÓDIGO DESCRIPCIÓN DEL TEMA
01 DIVISIONES ADMINISTRATIVAS
02 RELIEVE
03 HIDROGRAFÍA
..
06 VÍAS DE COMUNICACIÓN
..
10 RED GEODÉSICA Y TOPOGRÁFICA
11 DELIMITACIONES CATASTRALES Y OTRAS
12 PARCELARIO DE RUSTICA (a extinguir)
13 PARCELARIO DE RÚSTICA Y DE URBANA
14 PARCELARIO DE URBANA (a extinguir)
..
16 INFRAESTRUCTURA. MOBILIARIO
..
18 TEXTOS Y ROTULACIÓN
GRUPOS.
Son cada uno de los capítulos homogéneos de información en los que se estructura un Tema.
Se emplean los dos dígitos centrales del código y se organizan en intervalos con el siguiente
significado:
15
01 ≤ GG ≤ 39 – Grupos de información lineal
40 ≤ GG ≤ 69 – Grupos de información superficial (Centroides)
70 ≤ GG ≤ 79 – Perímetros de áreas representada a escala
80 ≤ GG ≤ 89 – Grupos de información puntual
90 ≤ GG ≤ 99 – Grupos de textos/rotulación
SUBGRUPOS.
Son los conjuntos de objetos geográficos o tramos de los mismos que, dentro de cada Grupo, se
pueden diferenciar por características comunes. Se emplean los dos dígitos finales del código.
Los criterios de clasificación son para cada Grupo determinado. Normalmente obedecen a secuencias
convencionales organizadas.
TEMA 1. DIVISIONES ADMINISTRATIVAS

TRAMOS
MODALIDAD CÓDIGO DESCRIPCIÓN
RyU 01 04 01 Límite nación
RyU 01 03 01 Límite autonomía
RyU 01 02 01 Límite provincia
RyU 01 01 01 Límite municipio
RyU 01 01 02 Límite anejo o municipio agregado
ENTIDADES PUNTUALES
RyU 01 85 07 Mojón intermunicipal
RyU 01 85 06 Mojón tres términos
TEMA 2. RELIEVE
ENTIDADES PUNTUALES
RyU 02 81 10 Señal de nivelación
RyU 02 81 12 Punto acotado
TEMA 3. HIDROGRAFÍA
TRAMOS
RyU 03 01 02 Curso fluvíal
RyU 03 02 02 Curso fluvíal (a trazos)
16
RyU 03 03 02 Margen de acequia/canal
RyU 03 23 01 Línea de costa
RyU 03 33 01 Contorno de lago/laguna
TRAMOS DE PERÍMETROS/ENTIDADES PUNTUALES

MODALIDAD CÓDIGO CÓDIGO
PERIMETR PUNTUAL DESCRIPCIÓN
RyU 03 71 01 03 81 01 Pozo
RyU 03 71 02 03 81 02 Fuente/Estanque/Balsa/Depósito
RyU 03 71 07 Dique de embalse o presa
TEMA 6. VÍAS DE COMUNICACIÓN
TRAMOS
RyU 06 01 02 Margen de autopista/autovía
RyU 06 01 04 Eje de autopista/autovía
RyU 06 02 02 Margen de carretera
RyU 06 02 04 Eje de carretera
RyU 06 04 02 Margen de Camino, vía pecuaria
RyU 06 04 04 Eje de Camino, vía pecuaria
RyU 06 01 09 Teleférico/funicular
RyU 06 11 04 FF.CC.
RyU 06 71 21 Perímetro de puente/alcantarilla
ENTIDADES PUNTUALES
RyU 06 84 01 Hito kilométrico autopistas/carreteras
TEMA 10. RED GEODÉSICA Y TOPOGRÁFICA
ENTIDADES PUNTUALES
RyU 10 81 00 Vértice geodésico sin especificar
RyU 10 81 01 Vértice geodésico (Primer orden)
RyU 10 81 04 Vért. topográfico de Red Local Catastral. Punto de poligonal
TEMA 11. DELIMITACIONES CATASTRALES URBANÍSTICAS
17
Y ESTADÍSTICAS
TRAMOS
RyU 11 11 01 Lím. suelo naturaleza urbana
(dig de urbana y de rústica).
RyU 11 10 00 Línea límite de Polígono de Valoración
RyU 11 12 00 Línea límite de Estudio de Mercado
RyU 11 13 00 Delimitación Urbanística genérica
ENTIDADES SUPERFICIALES
RyU 11 51 01 Centroide de suelo de naturaleza urbana
RyU 11 50 00 Centroide de Polígono de Valoración
RyU 11 52 00 Centroide de Estudio de Mercado
RyU 11 53 00 Centroide de Delimitación Urbanística genérica
TEMA 12. INFORMACIÓN CATASTRAL RÚSTICA

ESTA CONDIFICACIÓN SOLO SE UTILIZARÁ PARA FICC 2006 o ANTERIORES, SE MANTINE
POR
COMPATIBILIDAD HACIA ATRÁS O POR INFORMACIÓN EXISTENTE EN LAS BBDD
CATASTRALES
TRAMOS
R 12 01 00 Límite de polígono rústico
R 12 02 00 Límite de parcela/descuento rústico
R 12 05 00 Límite de subparcela rústica
R 12 01 80 Límite de polígono rústico con diseminado
R 12 02 80 Lím de parcela/descuento rústico con diseminado
R 12 05 80 Límite de subparcela rústica con diseminado
R 12 51 01 Centroide de polígono rústico
R 12 52 01 Centroide de parcela/descuento rústicos
R 12 55 01 Centroide subparcela rústica (Cultivo/improductivo)
TEMA 13. INFORMACIÓN CATASTRAL RÚSTICA y URBANA

SOLO PARA FICC UNIFICADO, POSTERIOR A 2.006
18
TRAMOS
RyU 13 01 00 Límite de manzana urbana o polígono rústico
RyU 13 02 00 Límite de parcela rústica o urbana
RyU 13 05 00 Límite de subparcela de cultivo o construcción
RyU 13 51 01 Centroide de manzana o polígono
RyU 13 52 01 Centroide de parcela rústica o urbana
RyU 13 55 01 Centroide subparcela (Cultivo/improductivo)
RyU 13 55 10 Centroide subparcela (Construcción)
TEMA 14. INFORMACIÓN CATASTRAL URBANA

ESTA CONDIFICACIÓN SOLO SE UTILIZARÁ PARA FICC 2006 o ANTERIORES, SE MANTINE
POR
COMPATIBILIDAD HACIA ATRÁS O POR INFORMACIÓN EXISTENTE EN LAS BBDD
CATASTRALES
TRAMOS
RyU 14 01 00 Límite de manzana urbana
RyU 14 01 90 Límite de manzana urbana bajo rasante
RyU 14 02 00 Límite de parcela urbana
RyU 14 02 90 Límite de parcela urbana bajo rasante
RyU 14 05 00 Límite de subparcela urbana
RyU 14 05 90 Límite de subparcela urbana bajo rasante
RyU 14 51 01 Centroide de manzana urbana
RyU 14 52 01 Centroide de parcela urbana
RyU 14 55 01 Centroide de subparcela urbana (Construcción/solar)
TEMA 16. INFRAESTRUCTURA. MOBILIARIO

(A considerar únicamente cuando se incluya este tipo de información en un Pliego de cláusulas
administrativas particulares específico).
RyU 16 01 01 Línea de acera
RyU 16 01 31 Línea indeterminada (continua)
19
RyU 16 01 32 Línea indeterminada (a trazos)
RyU 16 02 01 Línea eléctrica
RyU 16 02 02 Línea telefónica/telegráfica
RyU 16 03 00 Línea de parcelario aparente
RyU 16 11 01 Eje de red víaria
RyU 16 71 03 Monumento
RyU 16 71 04 Escalera
RyU 16 71 06 Acceso a paso subterráneo
RyU 16 71 11 Transformador de red eléctrica
RyU 16 71 67 Cabina/kiosco indeterminado
RyU 16 72 01 Línea/perímetro de zona verde, deportiva, industrial, militar,
portuaria, etc.
ENTIDADES PUNTUALES
RyU 16 81 00 Elemento de infraestructura/mobiliario genérico
RyU 16 81 03 Monumento
RyU 16 81 13 Torre/Poste de conducción
RyU 16 81 16 Farola
RyU 16 81 53 Árbol
RyU 16 81 68 Acceso a garajes/aparcamiento público
TEMA 18. TEXTOS Y ROTULACIÓN

RyU 18 91 00 Otros textos de DIVISIONES ADMINISTRATIVAS
RyU 18 91 02 Texto de nación, comunidad autónoma, provincia y término
municipal
RyU 18 91 04 Texto de Distrito
RyU 18 91 05 Texto de Barrio
RyU 18 92 01 Texto de urbanizaciones
RyU 18 92 03 Texto de parajes y comarcas
RyU 18 93 00 Otros textos de INFORMACIÓN URBANA o RÚSTICA
RyU 18 93 01 Texto de vías públicas
RyU 18 94 01 Texto de número de policía parcela
RyU 18 96 00 Otros textos de HIDROGRAFÍA
RyU 18 96 01 Texto de mar
RyU 18 96 02 Texto de río
RyU 18 96 04 Texto de embalse, lago, pantano
20
RyU 18 96 05 Texto de canal
RyU 18 97 00 Otros textos de VEGETACIÓN Y ACCIDENTES
GEOGRÁFICOS
RyU 18 97 01 Texto de Accidente Geográfico
RyU 18 97 03 Texto de cota de curva de nivel
RyU 18 97 04 Texto de vegetación/cultivo
RyU 18 98 00 Otros textos de VÍAS DE COMUNICACIÓN
RyU 18 98 01 Texto de autopista, autovía
RyU 18 98 02 Texto de carretera
RyU 18 98 03 Texto de camino
RyU 18 98 04 Texto de ferrocarril
21
5 ANEXO III: Manejo de la historia en la cartografía catastral
5.1 Introducción
En todas las tablas de la cartografía catastral existen dos campos llamados FECHAALTA y
FECHABAJA con los que se controla la historia de los elementos gráficos.
Ambos campos son numéricos y guardan la fecha en el formato por concatenación del año,
el mes y el día. Por ejemplo el 20 de enero de 2009 se guarda como el número 20092001.
Cada vez que se crea un elemento gráfico nuevo se pone como FECHAALTA la fecha actual y
como FECHABAJA se pone 99999999. Por ejemplo una nueva parcela creada el día 20 de
enero de 2009 tendrá:
FECHAALTA FECHABAJA
20090120 99999999
Cada vez que se borra un elemento gráfico se pone la fecha de borrado como FECHABAJA.
Por ejemplo si el elemento anterior es borrado el día 7 de marzo de 2009, quedará:
FECHAALTA FECHABAJA
20090120 20090307
Nunca se modifica la geometría de un elemento gráfico. Si el día 7 de marzo de 2009 lo que
se pretendía era modificar la geometría de la parcela, en realidad se borra el elemento
anterior y se inserta uno nuevo, quedando:
FECHAALTA FECHABAJA
Elemento anterior 20090120 20090307
Elemento nuevo 20090307 99999999
Además de estos dos campos existe otro importante para el control de la historia y es el
campo NINTERNO (número interno). Este es un identificativo generado automáticamente
por el programa que identifica unívocamente a cada elemento gráfico. Nunca se reusa un
mismo número interno, por lo que si al hacer una consulta se recupera un elemento con el
mismo número interno de otro elemento obtenido en una consulta anterior, estamos
seguros de que se trata exactamente del mismo elemento gráfico y que no ha sufrido
alteraciones.
5.2 Consulta de la cartografía de trabajo

La cartografía más actualizada con la que trabaja la Gerencia de Catastro vigente se puede
consultar poniendo la condición FECHABAJA = 99999999. Con esta condición se consulta
cartografía que aún no es vigente porque se ha modificado con expedientes que aún no
están cerrados.
5.3 Consulta de cartografía histórica

Para obtener la cartografía a una fecha dada hay que hacer la consulta filtrando por los
campos FECHAALTA y FECHABAJA con la fecha indicada. Por ejemplo para saber como
estaba la cartografía el día 7 de marzo de 2009 hay que poner la condición:
FECHAALTA <= 20090307 AND FECHABAJA > 20090307
22
Esta consulta tal y como está escrita devolverá las parcelas tal y como estaban ese día al
finalizar la jornada de trabajo en la Gerencia y antes de comenzar el trabajo del día siguiente.
5.4 Consulta de cambios habidos en la cartografía en un período

La lista de elementos creados a partir de una fecha se obtiene:
FECHAALTA >= 20090307
La lista de elementos borrados:
FECHABAJA >= 20090307 and FECHABAJA < 99999999
Si se quiere tener la lista de elementos insertados o borrados:
FECHAALTA >= 20090307 OR (FECHABAJA >= 20090307 and FECHABAJA < 99999999)
Si se quiere mantener una copia exacta en una base de datos local, se deberá hacer esta
consulta y actualizar con ella la base de datos local identificando los elementos por el campo
NINTERNO.
5.5 Consulta de la cartografía oficial

Para consultar la cartografía oficial es necesario tener 2 hechos en cuenta: las ediciones
realizadas para actualizar cartografía con expedientes que aún están abiertos y los
procedimientos de valoración colectiva.
- Las ediciones con expedientes abiertos: mientras el expediente no está cerrado, los
cambios que se realizan tienen sumados mil años a la fecha real.
Por ejemplo una edición realizada el 7/3/2009 con un expediente que aúno no se ha cerrado
tendrá como FECHAALTA = 30090307 y no 20090307.
Para consultar la cartografía oficial, tal y como estaba antes de modificarla por el expediente
que aún no está cerrado, se consulta la cartografía a fecha 1-1-3000:
FECHAALTA <= 30000101 AND FECHABAJA > 30000101
- Los procedimientos de valoración colectiva: durante un procedimiento de valoración
colectiva (antes llamados revisiones catastrales) es necesario realizar muchos trabajos de
actualización cartográfica. La nueva cartografía no es oficial hasta que se cierra el
procedimiento, por lo que mientras la cartografía oficial es la que había al inicio del mismo.
En este caso el campo FECHAPUB de la tabla MAPA tendrá una fecha distinta de 0 y de
99999999. Si este es el caso, la cartografía oficial se obtiene con la condición:
FECHAALTA <= MAPA.FECHAPUB AND FECHABAJA > MAPA.FECHAPUB
23
ANEXO C
MATRICES DE VIAJES
GENERADOS SEGÚN
MACROZONAS
ORIGEN DESTINO PRIVADO PÚBLICO A PIE BICICLETA OTROS TOTAL
1 1 1.645 3.395 28.781 1.472 1.947 37.240
1 2 742 833 2.367 390 516 4.848
1 3 1.507 3.825 2.806 662 877 9.677
1 4 1.141 576 390 229 303 2.639
1 5 982 1.971 1.179 772 1.021 5.925
1 6 92 1.148 1.719 176 233 3.368
1 7 960 1.329 612 134 177 3.212
1 8 1.249 1.114 1.348 185 245 4.141
1 9 1.424 903 83 117 154 2.681
1 10 1.389 1.074 742 368 486 4.059
1 11 668 1.192 1.070 437 579 3.946
1 12 1.863 749 686 364 482 4.144
1 99 11.117 1.713 0 387 512 13.729
2 1 3.905 14.425 10.616 870 1.151 30.967
2 2 2.610 2.568 16.082 173 228 21.661
2 3 2.079 2.208 1.666 815 1.079 7.847
2 4 1.794 408 223 0 0 2.425
2 5 2.233 2.536 669 322 425 6.185
2 6 1.433 594 519 288 381 3.215
2 7 4.551 1.256 3.357 244 324 9.732
2 8 3.154 2.129 4.663 298 394 10.638
2 9 2.690 701 355 226 298 4.270
2 10 1.444 1.574 377 126 167 3.688
2 11 1.427 807 537 308 407 3.486
2 12 889 442 534 447 592 2.904
2 99 9.582 1.552 0 86 114 11.334
3 1 1.041 5.611 8.539 1.734 2.295 19.220
3 2 1.435 825 762 108 143 3.273
3 3 3.078 1.005 19.775 936 1.238 26.032
3 4 1.144 959 330 107 142 2.682
3 5 2.652 1.779 4.131 615 814 9.991
3 6 688 763 663 0 0 2.114
3 7 1.979 76 377 0 0 2.432
3 8 1.463 300 2.723 68 91 4.645
3 9 1.889 266 400 49 66 2.670
3 10 3.264 1.754 578 290 383 6.269
3 11 1.146 1.038 838 233 308 3.563
3 12 1.011 693 0 352 465 2.521
3 99 9.998 1.059 0 174 230 11.461
4 1 2.221 9.711 2.197 511 676 15.316
4 2 1.629 1.271 132 89 118 3.239
4 3 6.568 10.118 6.861 858 1.136 25.541
4 4 8.803 2.041 17.983 366 485 29.678
4 5 3.535 3.014 1.354 0 0 7.903
4 6 898 1.669 147 42 56 2.812
4 7 3.333 307 660 305 403 5.008
4 8 3.332 1.823 1.349 138 182 6.824
4 9 5.717 1.284 179 136 181 7.497
4 10 3.113 944 345 181 240 4.823
4 11 1.275 2.708 0 175 232 4.390
4 12 1.660 477 0 117 156 2.410
4 99 12.090 1.835 0 316 418 14.659
5 1 3.636 10.257 2.248 1.161 1.537 18.839
5 2 349 510 472 387 512 2.230
5 3 4.731 3.398 5.357 397 525 14.408
5 4 2.255 1.264 1.948 0 0 5.467
5 5 5.991 5.179 18.887 731 968 31.756
5 6 1.045 1.597 257 70 92 3.061
5 7 760 192 259 0 0 1.211
5 8 3.391 1.150 1.324 99 132 6.096
5 9 1.902 494 203 46 62 2.707
5 10 4.893 157 3.125 442 585 9.202
5 11 2.199 709 679 0 0 3.587
5 12 1.712 324 0 132 174 2.342
5 99 8.259 1.445 0 499 660 10.863
6 1 1.341 5.169 5.893 1.031 1.364 14.798
6 2 195 1.197 329 0 0 1.721
6 3 1.275 5.620 722 566 749 8.932
6 4 268 493 403 39 51 1.254
6 5 2.296 2.037 369 220 292 5.214
6 6 948 1.099 13.488 351 465 16.351
6 7 777 295 224 39 52 1.387
6 8 194 362 445 65 85 1.151
6 9 1.126 436 256 116 154 2.088
6 10 1.622 1.283 382 208 275 3.770
6 11 1.474 691 4.399 427 565 7.556
6 12 562 360 463 246 325 1.956
6 99 10.180 1.043 0 117 155 11.495
7 1 5.058 10.801 2.361 987 1.307 20.514
7 2 4.354 3.206 3.764 207 273 11.804
7 3 3.296 1.579 49 0 0 4.924
7 4 2.884 719 122 298 394 4.417
7 5 3.122 2.086 579 178 236 6.201
7 6 1.008 327 401 0 0 1.736
7 7 11.016 2.864 16.814 742 982 32.418
7 8 7.260 1.461 1.309 38 51 10.119
7 9 3.985 432 393 96 128 5.034
7 10 1.413 1.022 314 92 122 2.963
7 11 1.235 63 0 73 97 1.468
7 12 1.738 700 220 0 0 2.658
7 99 12.360 1.131 0 0 0 13.491
8 1 1.679 7.459 6.058 1.148 1.519 17.863
8 2 2.090 2.051 2.242 0 0 6.383
8 3 5.477 3.563 5.559 911 1.206 16.716
8 4 788 498 478 0 1 1.765
8 5 3.784 2.506 1.201 173 230 7.894
8 6 280 854 304 114 151 1.703
8 7 2.289 731 1.246 175 232 4.673
8 8 5.765 1.831 10.512 231 305 18.644
8 9 2.720 1.234 604 112 148 4.818
8 10 1.546 1.547 0 331 439 3.863
8 11 327 378 80 0 0 785
8 12 1.391 733 0 220 291 2.635
8 99 9.981 1.211 0 337 447 11.976
9 1 5.404 11.771 367 641 848 19.031
9 2 2.350 1.632 300 0 0 4.282
9 3 9.731 9.091 772 197 261 20.052
9 4 4.347 758 802 158 208 6.273
9 5 5.251 3.573 0 184 244 9.252
9 6 1.146 238 0 0 0 1.384
9 7 3.332 0 153 118 156 3.759
9 8 8.344 3.019 820 88 116 12.387
9 9 25.905 1.906 25529 528 699 54.567
9 10 4.238 1.182 0 0 0 5.420
9 11 2.383 432 0 80 105 3.000
9 12 3.263 339 209 128 170 4.109
9 99 22.193 812 0 202 267 23.474
10 1 2.071 5.385 626 1.298 1.718 11.098
10 2 1.292 691 39 104 137 2.263
10 3 2.028 1.726 0 68 89 3.911
10 4 481 247 237 117 155 1.237
10 5 3.938 967 1743 555 735 7.938
10 6 1.013 461 0 139 183 1.796
10 7 1.382 482 321 0 0 2.185
10 8 1.570 640 114 100 132 2.556
10 9 1.064 65 146 37 49 1.361
10 10 9.011 1.636 11566 497 657 23.367
10 11 1.738 261 229 102 136 2.466
10 12 426 0 0 104 138 668
10 99 10.115 1.112 120 129 171 11.647
11 1 1.753 3.618 3.703 483 639 10.196
11 2 121 170 0 77 101 469
11 3 800 2.967 239 83 109 4.198
11 4 436 0 0 0 0 436
11 5 175 471 336 122 161 1.265
11 6 460 304 3.038 180 238 4.220
11 7 269 255 0 0 0 524
11 8 71 325 130 39 52 617
11 9 1.030 61 602 0 0 1.693
11 10 3.444 1.430 85 243 322 5.524
11 11 492 723 5.084 114 152 6.565
11 12 596 419 525 0 0 1.540
11 99 5.340 277 0 188 248 6.053
12 1 0 0 0 0 0 0
12 2 189 0 0 0 0 189
12 3 0 88 0 37 49 174
12 4 0 0 0 0 0 0
12 5 0 0 0 0 0 0
12 6 0 0 0 0 0 0
12 7 0 0 0 0 0 0
12 8 0 0 0 0 0 0
12 9 0 0 0 0 0 0
12 10 0 0 0 0 0 0
12 11 0 0 0 0 0 0
12 12 0 0 0 0 0 0
12 99 0 0 0 0 0 0
99 1 140 0 0 0 0 140
99 2 129 0 0 0 0 129
99 3 81 0 0 0 0 81
99 4 156 0 0 0 0 156
99 5 143 0 0 0 0 143
99 6 0 0 0 0 0 0
99 7 269 93 0 0 0 362
99 8 0 0 0 0 0 0
99 9 891 0 0 0 0 891
99 10 466 0 0 0 0 466
99 11 185 0 0 0 0 185
99 12 0 0 0 0 0 0
99 99 2427 0 0 0 0 2.427
TOTALES 461.838 261.727 326.281 38.788 51.333 1.139.967
ANEXO D
MATRICES DE ORIGEN-DESTINO
DE LAS ZONAS DE ANÁLISIS DE
TRANSPORTE
ORIGEN DESTINO PRIVADO PÚBLICO A PIE BICICLETA ORIGEN DESTINO PRIVADO PÚBLICO A PIE BICICLETA ORIGEN DESTINO PRIVADO PÚBLICO A PIE BICICLETA
1 2 7 15 124 7 2 1 10 20 168 9 3 1 5 11 92 5
1 3 13 26 213 11 2 3 23 47 387 20 3 2 7 15 123 6
1 4 12 24 195 10 2 4 21 43 355 19 3 4 11 23 194 10
1 5 29 60 493 26 2 5 53 108 895 47 3 5 28 58 490 25
1 6 28 58 477 25 2 6 51 105 865 45 3 6 27 56 474 24
1 7 19 38 313 16 2 7 33 69 568 30 3 7 18 37 311 16
1 8 26 53 432 23 2 8 46 95 784 41 3 8 25 51 430 22
1 9 5 11 87 5 2 9 9 19 158 8 3 9 5 10 86 4
1 10 6 7 20 3 2 10 12 13 36 6 3 10 6 7 20 3
1 11 14 15 43 7 2 11 25 28 77 13 3 11 13 15 42 7
1 12 6 6 17 3 2 12 10 11 31 5 3 12 5 6 17 3
1 13 11 12 34 6 2 13 20 22 62 10 3 13 11 12 34 6
1 14 6 7 18 3 2 14 11 12 34 6 3 14 6 7 18 3
1 15 2 2 1 0 2 15 3 4 2 0 3 15 2 2 1 0
1 16 9 10 27 5 2 16 16 18 49 8 3 16 9 10 27 4
1 17 9 10 29 5 2 17 17 19 52 9 3 17 9 10 29 5
1 18 7 8 21 4 2 18 12 14 38 6 3 18 7 7 21 3
1 19 2 2 2 0 2 19 4 4 4 1 3 19 2 2 2 0
1 20 2 2 2 0 2 20 3 3 4 1 3 20 2 2 2 0
1 21 35 31 36 5 2 21 63 56 65 9 3 21 34 30 36 5
1 22 13 12 14 2 2 22 24 21 25 3 3 22 13 11 13 2
1 23 5 5 6 1 2 23 10 8 10 1 3 23 5 5 5 1
1 24 27 24 28 4 2 24 49 44 51 7 3 24 26 23 28 4
1 25 8 7 9 1 2 25 15 13 15 2 3 25 8 7 8 1
1 26 3 3 3 0 2 26 5 5 5 1 3 26 3 2 3 0
1 27 16 15 17 2 2 27 30 26 31 4 3 27 16 14 17 2
1 28 14 37 26 6 2 28 26 66 47 11 3 28 14 36 26 6
1 29 16 39 28 7 2 29 28 71 51 12 3 29 15 38 28 7
1 30 30 76 54 13 2 30 54 138 98 24 3 30 29 74 54 13
1 31 11 29 20 5 2 31 20 52 37 9 3 31 11 28 20 5
1 32 0 0 0 0 2 32 0 0 0 0 3 32 0 0 0 0
1 33 12 29 21 5 2 33 21 53 38 9 3 33 11 29 21 5
1 34 7 17 12 3 2 34 12 30 21 5 3 34 6 16 12 3
1 35 43 110 78 19 2 35 78 198 141 34 3 35 42 107 77 18
1 36 5 13 9 2 2 36 9 23 17 4 3 36 5 13 9 2
1 37 2 4 2 2 2 37 4 8 4 3 3 37 2 4 2 2
1 38 2 4 2 1 2 38 3 7 4 3 3 38 2 4 2 1
1 39 0 0 0 0 2 39 0 0 0 0 3 39 0 0 0 0
1 40 9 18 11 7 2 40 17 33 19 13 3 40 9 18 11 7
1 41 7 14 8 5 2 41 12 25 14 10 3 41 7 13 8 5
1 42 4 3 0 0 2 42 8 5 0 1 3 42 4 3 0 0
1 43 9 18 11 7 2 43 17 33 19 13 3 43 9 18 11 7
1 44 1 2 1 1 2 44 2 4 2 2 3 44 1 2 1 1
1 45 6 13 7 5 2 45 12 23 13 9 3 45 6 12 7 5
1 46 4 8 5 3 2 46 7 14 8 6 3 46 4 8 5 3
1 47 11 21 12 8 2 47 19 39 22 15 3 47 10 21 12 8
1 48 5 3 2 1 2 48 9 5 3 2 3 48 5 3 2 1
1 49 2 1 1 0 2 49 4 2 1 1 3 49 2 1 1 0
1 50 4 2 1 1 2 50 6 3 2 1 3 50 3 2 1 1
1 51 6 3 2 1 2 51 11 6 4 2 3 51 6 3 2 1
1 52 4 2 1 1 2 52 8 4 3 2 3 52 4 2 1 1
1 53 5 3 2 1 2 53 9 5 3 2 3 53 5 3 2 1
1 54 3 2 1 1 2 54 5 3 2 1 3 54 3 1 1 1
1 55 26 13 9 5 2 55 47 24 16 9 3 55 25 13 9 5
1 56 18 9 6 4 2 56 33 16 11 7 3 56 18 9 6 4
1 57 1 0 0 0 2 57 1 1 0 0 3 57 1 0 0 0
1 58 7 5 0 1 2 58 13 8 1 1 3 58 7 4 0 1
1 59 41 26 2 3 2 59 75 47 4 6 3 59 40 25 2 3
1 60 4 2 0 0 2 60 7 4 0 1 3 60 4 2 0 0
1 61 3 2 0 0 2 61 5 3 0 0 3 61 3 2 0 0
1 62 7 5 0 1 2 62 13 8 1 1 3 62 7 4 0 1
1 63 5 3 0 0 2 63 9 6 1 1 3 63 5 3 0 0
1 64 0 0 0 0 2 64 1 0 0 0 3 64 0 0 0 0
1 65 6 4 0 1 2 65 12 7 1 1 3 65 6 4 0 1
1 66 5 3 0 0 2 66 9 6 1 1 3 66 5 3 0 0
1 67 4 2 0 0 2 67 7 4 0 1 3 67 4 2 0 0
1 68 3 2 0 0 2 68 5 3 0 0 3 68 3 2 0 0
1 69 14 9 1 1 2 69 25 16 1 2 3 69 14 9 1 1
1 70 1 0 0 0 2 70 1 1 0 0 3 70 1 0 0 0
1 71 4 3 2 1 2 71 7 5 3 2 3 71 4 3 2 1
1 72 6 4 3 2 2 72 10 8 5 3 3 72 6 4 3 1
1 73 33 25 17 9 2 73 59 45 31 15 3 73 32 24 17 8
1 75 3 2 2 1 2 75 5 4 3 1 3 75 3 2 2 1
1 76 0 0 0 0 2 76 0 0 0 0 3 76 0 0 0 0
1 77 0 0 0 0 2 77 1 1 0 0 3 77 0 0 0 0
1 78 9 7 5 2 2 78 17 13 9 4 3 78 9 7 5 2
1 79 5 10 6 4 2 79 9 17 10 7 3 79 5 9 6 4
1 80 39 16 14 8 2 80 70 28 25 14 3 80 38 15 14 7
1 81 16 7 6 3 2 81 29 12 10 6 3 81 16 6 6 3
1 82 32 13 11 6 2 82 57 23 20 11 3 82 31 12 11 6
1 83 77 31 27 15 2 83 139 56 50 27 3 83 75 30 27 15
1 84 7 3 2 1 2 84 12 5 4 2 3 84 6 3 2 1
1 85 0 0 0 0 2 85 0 0 0 0 3 85 0 0 0 0
1 86 1 9 13 1 2 86 1 17 24 3 3 86 1 9 13 1
1 87 1 16 24 2 2 87 2 29 43 4 3 87 1 16 23 2
1 88 1 9 13 1 2 88 1 17 24 3 3 88 1 9 13 1
1 89 1 16 23 2 2 89 2 28 41 4 3 89 1 15 23 2
1 90 2 22 31 3 2 90 3 39 57 6 3 90 2 21 31 3
1 91 1 18 26 3 2 91 3 33 48 5 3 91 1 18 26 3
1 92 4 3 0 0 2 92 8 5 0 1 3 92 4 3 0 0
1 93 2 3 3 1 2 93 3 6 5 2 3 93 2 3 3 1
1 94 2 4 3 1 2 94 4 7 6 3 3 94 2 4 3 1
1 95 4 6 6 2 2 95 7 12 10 4 3 95 4 6 6 2
1 96 0 1 0 0 2 96 1 1 1 0 3 96 0 0 0 0
1 97 7 12 11 5 2 97 13 22 19 8 3 97 7 12 11 4
1 98 2 3 1 0 2 98 4 6 3 1 3 98 2 3 1 0
1 99 20 28 12 3 2 99 37 50 23 5 3 99 20 27 12 3
1 100 11 15 7 2 2 100 20 27 12 3 3 100 11 15 7 1
1 101 4 6 3 1 2 101 8 11 5 1 3 101 4 6 3 1
1 102 5 7 3 1 2 102 9 12 5 1 3 102 5 6 3 1
1 103 2 2 1 0 2 103 3 4 2 0 3 103 2 2 1 0
1 104 4 5 2 1 2 104 7 9 4 1 3 104 4 5 2 0
1 105 3 4 2 0 2 105 5 7 3 1 3 105 3 4 2 0
1 106 2 1 1 0 2 106 3 1 1 1 3 106 2 1 1 0
1 107 9 12 5 1 2 107 16 22 10 2 3 107 9 12 5 1
1 108 5 8 3 1 2 108 10 14 6 1 3 108 5 7 3 1
1 109 1 1 1 0 2 109 2 2 1 0 3 109 1 1 1 0
1 110 3 2 3 0 2 110 5 4 5 1 3 110 3 2 3 0
1 111 7 13 11 5 2 111 13 23 20 9 3 111 7 13 11 5
1 112 0 0 0 0 2 112 0 0 0 0 3 112 0 0 0 0
1 114 0 0 0 0 2 114 0 0 0 0 3 114 0 0 0 0
1 115 0 0 0 0 2 115 0 0 0 0 3 115 0 0 0 0
1 116 6 4 0 0 2 116 11 7 1 1 3 116 6 4 0 0
1 117 1 1 0 0 2 117 1 2 1 0 3 117 1 1 0 0
1 118 17 36 293 15 2 118 31 64 532 28 3 118 17 35 291 15
1 119 5 11 92 5 2 119 10 20 168 9 3 119 5 11 92 5
1 120 16 31 18 12 2 120 28 57 33 22 3 120 15 31 18 12
1 121 14 25 22 9 2 121 25 45 39 16 3 121 14 24 21 9
1 122 1 14 21 2 2 122 2 26 38 4 3 122 1 14 21 2
1 123 1 1 0 0 2 123 1 1 1 0 3 123 1 1 0 0
1 124 0 0 0 0 2 124 0 0 0 0 3 124 0 0 0 0
1 125 4 3 2 1 2 125 8 6 4 2 3 125 4 3 2 1
1 126 13 26 15 10 2 126 23 46 27 18 3 126 12 25 15 10
1 127 5 10 6 4 2 127 9 19 11 7 3 127 5 10 6 4
1 128 22 11 7 4 2 128 40 20 13 8 3 128 21 11 7 4
1 129 2 1 0 0 2 129 3 2 0 0 3 129 2 1 0 0
1 130 7 4 0 1 2 130 13 8 1 1 3 130 7 4 0 1
1 131 7 4 0 1 2 131 12 8 1 1 3 131 7 4 0 1
1 132 18 24 11 2 2 132 32 44 20 4 3 132 17 23 11 2
1 133 2 2 1 0 2 133 3 4 2 0 3 133 2 2 1 0
1 135 6 3 2 1 2 135 11 6 4 2 3 135 6 3 2 1
1 136 6 5 3 2 2 136 11 9 6 3 3 136 6 5 3 2
1 137 0 0 0 0 2 137 0 0 0 0 3 137 0 0 0 0
1 139 16 29 25 11 2 139 30 52 46 19 3 139 16 28 25 10
1 140 9 16 14 6 2 140 16 28 25 10 3 140 9 15 13 6
1 141 61 47 31 16 2 141 110 85 57 29 3 141 59 46 31 16
4 1 4 8 68 4 5 1 8 17 152 8 6 1 3 7 62 3
4 2 5 11 91 5 5 2 11 23 204 10 6 2 4 9 83 4
4 3 9 19 156 8 5 3 19 40 352 17 6 3 8 16 143 7
4 5 21 43 361 19 5 4 17 36 322 16 6 4 7 15 131 6
4 6 20 42 349 18 5 6 43 89 787 39 6 5 18 37 329 16
4 7 13 27 229 12 5 7 28 58 516 25 6 7 11 24 209 10
4 8 18 38 317 16 5 8 39 80 713 35 6 8 16 33 289 14
4 9 4 8 64 3 5 9 8 16 143 7 6 9 3 7 58 3
4 10 5 5 15 2 5 10 10 11 33 5 6 10 4 4 13 2
4 11 10 11 31 5 5 11 21 24 70 11 6 11 8 10 28 5
4 12 4 5 13 2 5 12 8 10 28 5 6 12 3 4 12 2
4 13 8 9 25 4 5 13 17 19 56 9 6 13 7 8 23 4
4 14 4 5 14 2 5 14 9 10 31 5 6 14 4 4 12 2
4 15 1 2 1 0 5 15 2 3 2 0 6 15 1 1 1 0
4 16 6 7 20 3 5 16 13 15 45 7 6 16 5 6 18 3
4 17 7 8 21 4 5 17 14 16 48 8 6 17 6 6 19 3
4 18 5 5 15 3 5 18 10 12 34 5 6 18 4 5 14 2
4 19 2 1 2 0 5 19 3 3 4 1 6 19 1 1 2 0
4 20 1 1 1 0 5 20 3 3 3 0 6 20 1 1 1 0
4 21 25 22 26 4 5 21 52 47 59 8 6 21 21 19 24 3
4 22 9 8 10 1 5 22 20 18 22 3 6 22 8 7 9 1
4 23 4 3 4 1 5 23 8 7 9 1 6 23 3 3 4 0
4 24 20 17 21 3 5 24 41 37 47 6 6 24 17 15 19 3
4 25 6 5 6 1 5 25 12 11 14 2 6 25 5 5 6 1
4 26 2 2 2 0 5 26 4 4 5 1 6 26 2 2 2 0
4 27 12 10 12 2 5 27 25 22 28 4 6 27 10 9 11 2
4 28 10 26 19 5 5 28 22 56 43 10 6 28 9 23 17 4
4 29 11 28 20 5 5 29 23 60 46 10 6 29 10 24 19 4
4 30 22 55 40 9 5 30 46 116 89 20 6 30 18 47 36 8
4 31 8 21 15 4 5 31 17 44 33 8 6 31 7 18 14 3
4 32 0 0 0 0 5 32 0 0 0 0 6 32 0 0 0 0
4 33 8 21 15 4 5 33 18 45 34 8 6 33 7 18 14 3
4 34 5 12 9 2 5 34 10 25 20 4 6 34 4 10 8 2
4 35 31 79 57 14 5 35 65 167 128 29 6 35 27 68 52 12
4 36 4 9 7 2 5 36 8 20 15 3 6 36 3 8 6 1
4 37 2 3 2 1 5 37 3 6 4 3 6 37 1 3 2 1
4 38 1 3 2 1 5 38 3 6 4 2 6 38 1 2 1 1
4 39 0 0 0 0 5 39 0 0 0 0 6 39 0 0 0 0
4 40 7 13 8 5 5 40 14 28 18 11 6 40 6 11 7 5
4 41 5 10 6 4 5 41 10 21 13 8 6 41 4 9 5 3
4 42 3 2 0 0 5 42 6 4 0 1 6 42 3 2 0 0
4 43 7 13 8 5 5 43 14 28 18 11 6 43 6 11 7 4
4 44 1 2 1 1 5 44 2 4 2 1 6 44 1 1 1 1
4 45 5 9 5 4 5 45 10 19 12 8 6 45 4 8 5 3
4 46 3 6 3 2 5 46 6 12 8 5 6 46 2 5 3 2
4 47 8 15 9 6 5 47 16 33 20 13 6 47 7 13 8 5
4 48 4 2 1 1 5 48 8 4 3 2 6 48 3 2 1 1
4 49 2 1 1 0 5 49 3 2 1 1 6 49 1 1 1 0
4 50 3 1 1 1 5 50 5 3 2 1 6 50 2 1 1 0
4 51 4 2 1 1 5 51 9 5 3 2 6 51 4 2 1 1
4 52 3 2 1 1 5 52 7 3 2 1 6 52 3 1 1 1
4 53 4 2 1 1 5 53 8 4 3 2 6 53 3 2 1 1
4 54 2 1 1 0 5 54 5 2 2 1 6 54 2 1 1 0
4 55 19 9 6 4 5 55 39 20 14 8 6 55 16 8 6 3
4 56 13 7 4 3 5 56 27 14 10 6 6 56 11 6 4 2
4 57 0 0 0 0 5 57 1 1 0 0 6 57 0 0 0 0
4 58 5 3 0 0 5 58 11 7 1 1 6 58 4 3 0 0
4 59 30 19 2 2 5 59 62 40 4 5 6 59 25 16 2 2
4 60 3 2 0 0 5 60 6 4 0 0 6 60 2 1 0 0
4 61 2 1 0 0 5 61 4 3 0 0 6 61 2 1 0 0
4 62 5 3 0 0 5 62 11 7 1 1 6 62 4 3 0 0
4 63 4 2 0 0 5 63 8 5 0 1 6 63 3 2 0 0
4 64 0 0 0 0 5 64 1 0 0 0 6 64 0 0 0 0
4 65 5 3 0 0 5 65 10 6 1 1 6 65 4 2 0 0
4 66 4 2 0 0 5 66 7 5 0 1 6 66 3 2 0 0
4 67 3 2 0 0 5 67 6 4 0 0 6 67 2 2 0 0
4 68 2 1 0 0 5 68 4 3 0 0 6 68 2 1 0 0
4 69 10 6 1 1 5 69 21 14 1 2 6 69 9 6 1 1
4 70 0 0 0 0 5 70 1 1 0 0 6 70 0 0 0 0
4 71 3 2 1 1 5 71 6 4 3 2 6 71 2 2 1 1
4 72 4 3 2 1 5 72 9 7 5 2 6 72 4 3 2 1
4 73 23 18 12 6 5 73 49 38 28 13 6 73 20 16 11 5
4 75 2 2 1 1 5 75 5 4 3 1 6 75 2 1 1 0
4 76 0 0 0 0 5 76 0 0 0 0 6 76 0 0 0 0
4 77 0 0 0 0 5 77 1 1 0 0 6 77 0 0 0 0
4 78 7 5 4 2 5 78 14 11 8 4 6 78 6 4 3 2
4 79 3 7 4 3 5 79 7 15 9 6 6 79 3 6 4 2
4 80 28 11 10 5 5 80 59 24 23 12 6 80 24 10 9 5
4 81 12 5 4 2 5 81 25 10 10 5 6 81 10 4 4 2
4 82 23 9 8 4 5 82 48 19 19 10 6 82 20 8 8 4
4 83 55 22 20 11 5 83 116 47 45 23 6 83 47 19 18 9
4 84 5 2 2 1 5 84 10 4 4 2 6 84 4 2 2 1
4 85 0 0 0 0 5 85 0 0 0 0 6 85 0 0 0 0
4 86 1 7 10 1 5 86 1 14 22 2 6 86 0 6 9 1
4 87 1 12 17 2 5 87 2 25 39 4 6 87 1 10 16 2
4 88 1 7 10 1 5 88 1 14 22 2 6 88 0 6 9 1
4 89 1 11 17 2 5 89 2 24 37 4 6 89 1 10 15 2
4 90 1 16 23 2 5 90 3 33 52 5 6 90 1 13 21 2
4 91 1 13 19 2 5 91 2 28 44 4 6 91 1 11 18 2
4 92 3 2 0 0 5 92 7 4 0 1 6 92 3 2 0 0
4 93 1 2 2 1 5 93 3 5 4 2 6 93 1 2 2 1
4 94 2 3 2 1 5 94 3 6 6 2 6 94 1 2 2 1
4 95 3 5 4 2 5 95 5 10 9 4 6 95 2 4 4 1
4 96 0 0 0 0 5 96 0 1 1 0 6 96 0 0 0 0
4 97 5 9 8 3 5 97 10 19 18 7 6 97 4 8 7 3
4 98 2 2 1 0 5 98 4 5 2 1 6 98 1 2 1 0
4 99 15 20 9 2 5 99 31 43 21 4 6 99 12 17 8 2
4 100 8 11 5 1 5 100 16 23 11 2 6 100 7 9 4 1
4 101 3 4 2 0 5 101 7 9 4 1 6 101 3 4 2 0
4 102 3 5 2 0 5 102 7 10 5 1 6 102 3 4 2 0
4 103 1 2 1 0 5 103 3 4 2 0 6 103 1 2 1 0
4 104 3 4 2 0 5 104 6 8 4 1 6 104 2 3 2 0
4 105 2 3 1 0 5 105 4 6 3 1 6 105 2 2 1 0
4 106 1 1 0 0 5 106 2 1 1 1 6 106 1 1 0 0
4 107 6 9 4 1 5 107 14 19 9 2 6 107 5 8 4 1
4 108 4 5 2 1 5 108 8 12 6 1 6 108 3 5 2 0
4 109 1 1 0 0 5 109 1 2 1 0 6 109 1 1 0 0
4 110 2 2 2 0 5 110 4 4 5 1 6 110 2 1 2 0
4 111 5 9 8 3 5 111 11 20 19 7 6 111 4 8 7 3
4 112 0 0 0 0 5 112 0 0 0 0 6 112 0 0 0 0
4 114 0 0 0 0 5 114 0 0 0 0 6 114 0 0 0 0
4 115 0 0 0 0 5 115 0 0 0 0 6 115 0 0 0 0
4 116 4 3 0 0 5 116 9 6 1 1 6 116 4 2 0 0
4 117 1 1 0 0 5 117 1 2 1 0 6 117 0 1 0 0
4 118 12 26 215 11 5 118 26 54 483 24 6 118 11 22 196 10
4 119 4 8 68 3 5 119 8 17 152 7 6 119 3 7 62 3
4 120 11 23 13 9 5 120 24 48 30 19 6 120 10 19 12 8
4 121 10 18 16 7 5 121 21 38 36 14 6 121 9 15 14 6
4 122 1 10 15 2 5 122 2 22 35 3 6 122 1 9 14 1
4 123 0 0 0 0 5 123 1 1 1 0 6 123 0 0 0 0
4 124 0 0 0 0 5 124 0 0 0 0 6 124 0 0 0 0
4 125 3 2 2 1 5 125 6 5 4 2 6 125 3 2 1 1
4 126 9 18 11 7 5 126 19 39 24 15 6 126 8 16 10 6
4 127 4 7 4 3 5 127 8 16 10 6 6 127 3 6 4 3
4 128 16 8 5 3 5 128 33 17 12 7 6 128 14 7 5 3
4 129 1 1 0 0 5 129 3 2 0 0 6 129 1 1 0 0
4 130 5 3 0 0 5 130 11 7 1 1 6 130 4 3 0 0
4 131 5 3 0 0 5 131 10 7 1 1 6 131 4 3 0 0
4 132 13 17 8 2 5 132 26 37 18 4 6 132 11 15 7 2
4 133 1 2 1 0 5 133 3 4 2 0 6 133 1 1 1 0
4 135 4 2 1 1 5 135 9 5 3 2 6 135 4 2 1 1
4 136 5 3 2 1 5 136 10 7 5 3 6 136 4 3 2 1
4 137 0 0 0 0 5 137 0 0 0 0 6 137 0 0 0 0
4 139 12 21 18 8 5 139 25 44 42 16 6 139 10 18 17 7
4 140 6 11 10 4 5 140 13 24 22 9 6 140 5 10 9 4
4 141 44 34 23 12 5 141 92 72 52 25 6 141 38 29 21 10
7 1 5 11 95 5 8 1 8 16 139 7 9 1 0 0 4 0
7 2 7 15 128 6 8 2 10 21 186 9 9 2 0 1 5 0
7 3 12 26 220 11 8 3 18 37 321 16 9 3 1 1 9 0
7 4 11 24 202 10 8 4 16 34 294 15 9 4 1 1 9 0
7 5 29 59 509 26 8 5 41 85 742 37 9 5 1 3 22 1
7 6 28 57 492 25 8 6 39 82 717 36 9 6 1 3 21 1
7 8 25 52 446 23 8 7 26 54 471 23 9 7 1 2 14 1
7 9 5 10 90 5 8 9 7 15 131 7 9 8 1 2 19 1
7 10 6 7 20 3 8 10 9 10 30 5 9 10 0 0 1 0
7 11 14 15 44 7 8 11 19 22 64 10 9 11 1 1 2 0
7 12 6 6 18 3 8 12 8 9 26 4 9 12 0 0 1 0
7 13 11 12 35 6 8 13 16 18 51 8 9 13 0 1 1 0
7 14 6 7 19 3 8 14 8 9 28 4 9 14 0 0 1 0
7 15 2 2 1 0 8 15 2 3 1 0 9 15 0 0 0 0
7 16 9 10 28 5 8 16 12 14 41 7 9 16 0 0 1 0
7 17 9 10 30 5 8 17 13 15 43 7 9 17 0 0 1 0
7 18 7 7 21 4 8 18 9 11 31 5 9 18 0 0 1 0
7 19 2 2 2 0 8 19 3 3 4 0 9 19 0 0 0 0
7 20 2 2 2 0 8 20 3 2 3 0 9 20 0 0 0 0
7 21 34 30 37 5 8 21 48 43 54 7 9 21 2 1 2 0
7 22 13 11 14 2 8 22 18 16 20 3 9 22 1 1 1 0
7 23 5 5 6 1 8 23 7 7 8 1 9 23 0 0 0 0
7 24 27 24 29 4 8 24 38 34 42 6 9 24 1 1 1 0
7 25 8 7 9 1 8 25 11 10 13 2 9 25 0 0 0 0
7 26 3 3 3 0 8 26 4 4 4 1 9 26 0 0 0 0
7 27 16 14 18 2 8 27 23 20 26 3 9 27 1 1 1 0
7 28 14 36 27 6 8 28 20 51 39 9 9 28 1 2 1 0
7 29 15 39 29 7 8 29 22 55 42 10 9 29 1 2 1 0
7 30 30 75 56 13 8 30 42 107 81 19 9 30 1 3 2 1
7 31 11 28 21 5 8 31 16 40 31 7 9 31 0 1 1 0
7 32 0 0 0 0 8 32 0 0 0 0 9 32 0 0 0 0
7 33 11 29 21 5 8 33 16 41 31 7 9 33 1 1 1 0
7 34 7 17 12 3 8 34 9 24 18 4 9 34 0 1 1 0
7 35 43 108 80 19 8 35 61 154 117 27 9 35 2 5 3 1
7 36 5 13 9 2 8 36 7 18 14 3 9 36 0 1 0 0
7 37 2 4 3 2 8 37 3 6 4 2 9 37 0 0 0 0
7 38 2 4 2 1 8 38 3 5 3 2 9 38 0 0 0 0
7 39 0 0 0 0 8 39 0 0 0 0 9 39 0 0 0 0
7 40 9 18 11 7 8 40 13 26 16 10 9 40 0 1 0 0
7 41 7 14 8 5 8 41 10 19 12 8 9 41 0 1 0 0
7 42 4 3 0 0 8 42 6 4 0 0 9 42 0 0 0 0
7 43 9 18 11 7 8 43 13 26 16 10 9 43 0 1 0 0
7 44 1 2 1 1 8 44 2 3 2 1 9 44 0 0 0 0
7 45 6 13 8 5 8 45 9 18 11 7 9 45 0 1 0 0
7 46 4 8 5 3 8 46 6 11 7 4 9 46 0 0 0 0
7 47 11 21 13 8 8 47 15 30 19 12 9 47 0 1 1 0
7 48 5 3 2 1 8 48 7 4 3 1 9 48 0 0 0 0
7 49 2 1 1 0 8 49 3 2 1 1 9 49 0 0 0 0
7 50 4 2 1 1 8 50 5 3 2 1 9 50 0 0 0 0
7 51 6 3 2 1 8 51 8 4 3 2 9 51 0 0 0 0
7 52 4 2 2 1 8 52 6 3 2 1 9 52 0 0 0 0
7 53 5 3 2 1 8 53 7 4 3 1 9 53 0 0 0 0
7 54 3 2 1 1 8 54 4 2 1 1 9 54 0 0 0 0
7 55 26 13 9 5 8 55 36 18 13 7 9 55 1 1 0 0
7 56 18 9 6 4 8 56 25 13 9 5 9 56 1 0 0 0
7 57 1 0 0 0 8 57 1 0 0 0 9 57 0 0 0 0
7 58 7 4 0 1 8 58 10 6 1 1 9 58 0 0 0 0
7 59 41 26 2 3 8 59 58 37 3 5 9 59 2 1 0 0
7 60 4 2 0 0 8 60 5 3 0 0 9 60 0 0 0 0
7 61 3 2 0 0 8 61 4 2 0 0 9 61 0 0 0 0
7 62 7 5 0 1 8 62 10 6 1 1 9 62 0 0 0 0
7 63 5 3 0 0 8 63 7 4 0 1 9 63 0 0 0 0
7 64 0 0 0 0 8 64 1 0 0 0 9 64 0 0 0 0
7 65 6 4 0 1 8 65 9 6 1 1 9 65 0 0 0 0
7 66 5 3 0 0 8 66 7 4 0 1 9 66 0 0 0 0
7 67 4 2 0 0 8 67 5 3 0 0 9 67 0 0 0 0
7 68 3 2 0 0 8 68 4 2 0 0 9 68 0 0 0 0
7 69 14 9 1 1 8 69 20 13 1 2 9 69 1 0 0 0
7 70 1 0 0 0 8 70 1 1 0 0 9 70 0 0 0 0
7 71 4 3 2 1 8 71 5 4 3 1 9 71 0 0 0 0
7 72 6 4 3 2 8 72 8 6 5 2 9 72 0 0 0 0
7 73 32 25 17 9 8 73 46 35 25 12 9 73 1 1 1 0
7 75 3 2 2 1 8 75 4 3 2 1 9 75 0 0 0 0
7 76 0 0 0 0 8 76 0 0 0 0 9 76 0 0 0 0
7 77 0 0 0 0 8 77 1 0 0 0 9 77 0 0 0 0
7 78 9 7 5 2 8 78 13 10 7 3 9 78 0 0 0 0
7 79 5 10 6 4 8 79 7 14 8 5 9 79 0 0 0 0
7 80 38 15 14 8 8 80 54 22 21 11 9 80 2 1 1 0
7 81 16 6 6 3 8 81 23 9 9 4 9 81 1 0 0 0
7 82 31 13 12 6 8 82 44 18 17 9 9 82 1 1 0 0
7 83 76 31 28 15 8 83 108 43 41 21 9 83 3 1 1 1
7 84 7 3 2 1 8 84 9 4 4 2 9 84 0 0 0 0
7 85 0 0 0 0 8 85 0 0 0 0 9 85 0 0 0 0
7 86 1 9 14 1 8 86 1 13 20 2 9 86 0 0 1 0
7 87 1 16 24 2 8 87 2 23 35 4 9 87 0 1 1 0
7 88 1 9 14 1 8 88 1 13 20 2 9 88 0 0 1 0
7 89 1 16 23 2 8 89 2 22 34 3 9 89 0 1 1 0
7 90 2 21 32 3 8 90 2 30 47 5 9 90 0 1 1 0
7 91 1 18 27 3 8 91 2 26 40 4 9 91 0 1 1 0
7 92 4 3 0 0 8 92 6 4 0 1 9 92 0 0 0 0
7 93 2 3 3 1 8 93 2 4 4 2 9 93 0 0 0 0
7 94 2 4 4 1 8 94 3 6 5 2 9 94 0 0 0 0
7 95 4 6 6 2 8 95 5 9 8 3 9 95 0 0 0 0
7 96 0 1 0 0 8 96 0 1 1 0 9 96 0 0 0 0
7 97 7 12 11 4 8 97 10 17 16 6 9 97 0 1 0 0
7 98 2 3 1 0 8 98 3 5 2 0 9 98 0 0 0 0
7 99 20 28 13 3 8 99 28 39 19 4 9 99 1 1 1 0
7 100 11 15 7 2 8 100 15 21 10 2 9 100 0 1 0 0
7 101 4 6 3 1 8 101 6 8 4 1 9 101 0 0 0 0
7 102 5 7 3 1 8 102 7 9 4 1 9 102 0 0 0 0
7 103 2 2 1 0 8 103 2 3 2 0 9 103 0 0 0 0
7 104 4 5 2 1 8 104 5 7 3 1 9 104 0 0 0 0
7 105 3 4 2 0 8 105 4 6 3 1 9 105 0 0 0 0
7 106 2 1 1 0 8 106 2 1 1 0 9 106 0 0 0 0
7 107 9 12 6 1 8 107 13 17 8 2 9 107 0 1 0 0
7 108 5 7 3 1 8 108 8 11 5 1 9 108 0 0 0 0
7 109 1 1 1 0 8 109 1 2 1 0 9 109 0 0 0 0
7 110 3 2 3 0 8 110 4 3 4 1 9 110 0 0 0 0
7 111 7 13 12 5 8 111 10 18 17 7 9 111 0 1 0 0
7 112 0 0 0 0 8 112 0 0 0 0 9 112 0 0 0 0
7 114 0 0 0 0 8 114 0 0 0 0 9 114 0 0 0 0
7 115 0 0 0 0 8 115 0 0 0 0 9 115 0 0 0 0
7 116 6 4 0 0 8 116 9 5 1 1 9 116 0 0 0 0
7 117 1 1 0 0 8 117 1 1 1 0 9 117 0 0 0 0
7 118 17 35 302 15 8 118 24 50 441 22 9 118 1 2 13 1
7 119 5 11 95 5 8 119 8 16 139 7 9 119 0 0 4 0
7 120 15 31 19 12 8 120 22 44 27 17 9 120 1 1 1 1
7 121 14 25 22 9 8 121 19 35 32 13 9 121 1 1 1 0
7 122 1 14 22 2 8 122 2 20 32 3 9 122 0 1 1 0
7 123 1 1 0 0 8 123 1 1 1 0 9 123 0 0 0 0
7 124 0 0 0 0 8 124 0 0 0 0 9 124 0 0 0 0
7 125 4 3 2 1 8 125 6 5 3 2 9 125 0 0 0 0
7 126 13 25 15 10 8 126 18 36 22 14 9 126 1 1 1 0
7 127 5 10 6 4 8 127 7 15 9 6 9 127 0 0 0 0
7 128 22 11 7 4 8 128 31 16 11 6 9 128 1 0 0 0
7 129 2 1 0 0 8 129 3 2 0 0 9 129 0 0 0 0
7 130 7 4 0 1 8 130 10 6 1 1 9 130 0 0 0 0
7 131 7 4 0 1 8 131 9 6 1 1 9 131 0 0 0 0
7 132 17 24 11 2 8 132 24 34 16 3 9 132 1 1 0 0
7 133 2 2 1 0 8 133 2 3 2 0 9 133 0 0 0 0
7 135 6 3 2 1 8 135 9 4 3 2 9 135 0 0 0 0
7 136 6 5 3 2 8 136 9 7 5 2 9 136 0 0 0 0
7 137 0 0 0 0 8 137 0 0 0 0 9 137 0 0 0 0
7 139 16 29 26 11 8 139 23 41 38 15 9 139 1 1 1 0
7 140 9 15 14 6 8 140 12 22 20 8 9 140 0 1 1 0
7 141 60 47 32 16 8 141 85 66 47 23 9 141 3 2 1 1
10 1 21 78 57 5 11 1 1 5 4 0 12 1 18 65 48 4
10 2 28 105 77 6 11 2 2 7 5 0 12 2 24 88 64 5
10 3 49 181 132 11 11 3 3 12 9 1 12 3 41 151 110 9
10 4 45 165 121 10 11 4 3 11 8 1 12 4 37 139 101 8
10 5 113 417 305 25 11 5 8 28 21 2 12 5 95 349 254 21
10 6 109 403 295 24 11 6 7 27 20 2 12 6 91 338 246 20
10 7 72 265 194 16 11 7 5 18 13 1 12 7 60 222 161 13
10 8 99 366 268 22 11 8 7 24 19 1 12 8 83 306 223 19
10 9 20 74 54 4 11 9 1 5 4 0 12 9 17 62 45 4
10 11 99 97 604 7 11 10 3 3 20 0 12 10 39 38 235 3
10 12 40 39 245 3 11 12 3 3 17 0 12 11 83 81 504 5
10 13 79 78 485 5 11 13 5 5 34 0 12 13 66 65 405 4
10 14 43 42 263 3 11 14 3 3 18 0 12 14 36 35 219 2
10 15 14 4 10 1 11 15 1 0 1 0 12 15 12 3 8 1
10 16 63 62 386 4 11 16 4 4 27 0 12 16 53 52 322 4
10 17 67 66 409 4 11 17 4 4 28 0 12 17 56 55 341 4
10 18 48 47 295 3 11 18 3 3 20 0 12 18 40 40 246 3
10 19 10 7 15 1 11 19 1 0 1 0 12 19 9 6 13 1
10 20 9 6 13 1 11 20 1 0 1 0 12 20 7 5 11 1
10 21 157 106 231 15 11 21 10 7 16 1 12 21 132 89 193 12
10 22 59 40 87 6 11 22 4 3 6 0 12 22 50 34 73 5
10 23 24 16 35 2 11 23 2 1 2 0 12 23 20 14 30 2
10 24 124 83 182 12 11 24 8 6 13 1 12 24 103 70 151 10
10 25 37 25 55 4 11 25 2 2 4 0 12 25 31 21 46 3
10 26 13 9 19 1 11 26 1 1 1 0 12 26 11 7 16 1
10 27 74 50 109 7 11 27 5 3 8 0 12 27 62 42 91 6
10 28 36 38 29 14 11 28 2 3 2 1 12 28 30 32 24 12
10 29 39 41 31 15 11 29 3 3 2 1 12 29 32 34 26 13
10 30 75 80 60 29 11 30 5 5 4 2 12 30 63 67 50 25
10 31 28 30 22 11 11 31 2 2 2 1 12 31 24 25 19 9
10 32 0 0 0 0 11 32 0 0 0 0 12 32 0 0 0 0
10 33 29 31 23 11 11 33 2 2 2 1 12 33 24 26 19 9
10 34 16 17 13 6 11 34 1 1 1 0 12 34 14 15 11 5
10 35 108 114 86 42 11 35 7 8 6 3 12 35 90 96 71 35
10 36 13 13 10 5 11 36 1 1 1 0 12 36 11 11 8 4
10 37 9 10 3 1 11 37 1 1 0 0 12 37 7 8 2 1
10 38 8 9 2 1 11 38 1 1 0 0 12 38 7 7 2 1
10 39 0 0 0 0 11 39 0 0 0 0 12 39 0 0 0 0
10 40 38 43 11 5 11 40 3 3 1 0 12 40 32 36 9 5
10 41 28 32 8 4 11 41 2 2 1 0 12 41 24 27 7 3
10 42 14 4 2 1 11 42 1 0 0 0 12 42 12 3 2 1
10 43 38 43 11 5 11 43 3 3 1 0 12 43 31 36 9 5
10 44 5 5 1 1 11 44 0 0 0 0 12 44 4 4 1 1
10 45 26 30 8 4 11 45 2 2 1 0 12 45 22 25 6 3
10 46 16 18 5 2 11 46 1 1 0 0 12 46 14 15 4 2
10 47 44 50 13 6 11 47 3 3 1 0 12 47 37 42 11 5
10 48 15 3 2 0 11 48 1 0 0 0 12 48 12 3 2 0
10 49 7 1 1 0 11 49 0 0 0 0 12 49 5 1 1 0
10 50 10 2 1 0 11 50 1 0 0 0 12 50 8 2 1 0
10 51 17 4 2 0 11 51 1 0 0 0 12 51 14 3 2 0
10 52 13 3 2 0 11 52 1 0 0 0 12 52 10 2 1 0
10 53 15 3 2 0 11 53 1 0 0 0 12 53 12 3 1 0
10 54 9 2 1 0 11 54 1 0 0 0 12 54 7 2 1 0
10 55 74 17 9 0 11 55 5 1 1 0 12 55 62 14 8 0
10 56 51 12 6 0 11 56 3 1 0 0 12 56 43 10 5 0
10 57 2 0 0 0 11 57 0 0 0 0 12 57 2 0 0 0
10 58 24 6 3 2 11 58 2 0 0 0 12 58 20 5 3 2
10 59 141 37 18 12 11 59 9 2 1 1 12 59 118 31 15 10
10 60 13 3 2 1 11 60 1 0 0 0 12 60 11 3 1 1
10 61 9 2 1 1 11 61 1 0 0 0 12 61 8 2 1 1
10 62 25 6 3 2 11 62 2 0 0 0 12 62 21 5 3 2
10 63 17 4 2 1 11 63 1 0 0 0 12 63 14 4 2 1
10 64 1 0 0 0 11 64 0 0 0 0 12 64 1 0 0 0
10 65 22 6 3 2 11 65 1 0 0 0 12 65 18 5 2 2
10 66 17 4 2 1 11 66 1 0 0 0 12 66 14 4 2 1
10 67 13 3 2 1 11 67 1 0 0 0 12 67 11 3 1 1
10 68 9 2 1 1 11 68 1 0 0 0 12 68 8 2 1 1
10 69 48 12 6 4 11 69 3 1 0 0 12 69 40 10 5 3
10 70 2 1 0 0 11 70 0 0 0 0 12 70 2 0 0 0
10 71 7 8 2 1 11 71 0 1 0 0 12 71 6 6 1 1
10 72 11 12 3 1 11 72 1 1 0 0 12 72 9 10 2 1
10 73 61 67 16 5 11 73 4 4 1 0 12 73 51 56 13 4
10 75 6 6 1 0 11 75 0 0 0 0 12 75 5 5 1 0
10 76 0 0 0 0 11 76 0 0 0 0 12 76 0 0 0 0
10 77 1 1 0 0 11 77 0 0 0 0 12 77 1 1 0 0
10 78 17 19 5 2 11 78 1 1 0 0 12 78 15 16 4 1
10 79 20 22 6 3 11 79 1 1 0 0 12 79 16 19 5 2
10 80 33 17 20 17 11 80 2 1 1 1 12 80 28 14 17 14
10 81 14 7 8 7 11 81 1 0 1 0 12 81 12 6 7 6
10 82 27 14 16 14 11 82 2 1 1 1 12 82 23 11 14 12
10 83 66 33 39 33 11 83 4 2 3 2 12 83 55 28 33 28
10 84 6 3 3 3 11 84 0 0 0 0 12 84 5 2 3 2
10 85 0 0 0 0 11 85 0 0 0 0 12 85 0 0 0 0
10 86 21 9 7 4 11 86 1 1 1 0 12 86 17 7 6 3
10 87 37 15 13 7 11 87 2 1 1 0 12 87 31 13 11 6
10 88 21 9 8 4 11 88 1 1 1 0 12 88 18 7 6 4
10 89 35 15 13 7 11 89 2 1 1 0 12 89 30 12 11 6
10 90 49 20 18 10 11 90 3 1 1 1 12 90 41 17 15 8
10 91 41 17 15 8 11 91 3 1 1 1 12 91 34 14 12 7
10 92 15 4 2 1 11 92 1 0 0 0 12 92 12 3 2 1
10 93 7 4 3 1 11 93 0 0 0 0 12 93 6 3 2 1
10 94 8 5 3 2 11 94 1 0 0 0 12 94 7 4 3 2
10 95 14 8 5 3 11 95 1 1 0 0 12 95 12 7 4 3
10 96 1 1 0 0 11 96 0 0 0 0 12 96 1 1 0 0
10 97 27 15 10 6 11 97 2 1 1 0 12 97 22 13 8 5
10 98 20 6 15 1 11 98 1 0 1 0 12 98 17 5 12 1
10 99 173 48 127 9 11 99 12 3 9 1 12 99 145 40 106 8
10 100 93 26 68 5 11 100 6 2 5 0 12 100 78 22 57 4
10 101 37 10 27 2 11 101 2 1 2 0 12 101 31 9 23 2
10 102 41 11 30 2 11 102 3 1 2 0 12 102 34 9 25 2
10 103 15 4 11 1 11 103 1 0 1 0 12 103 13 4 9 1
10 104 31 9 23 2 11 104 2 1 2 0 12 104 26 7 19 1
10 105 25 7 18 1 11 105 2 0 1 0 12 105 21 6 15 1
10 106 5 1 1 0 11 106 0 0 0 0 12 106 4 1 0 0
10 107 76 21 56 4 11 107 5 1 4 0 12 107 64 18 47 3
10 108 47 13 34 3 11 108 3 1 2 0 12 108 39 11 29 2
10 109 8 2 6 0 11 109 1 0 0 0 12 109 7 2 5 0
10 110 12 8 18 1 11 110 1 1 1 0 12 110 10 7 15 1
10 111 28 16 10 6 11 111 2 1 1 0 12 111 23 13 9 5
10 112 0 0 0 0 11 112 0 0 0 0 12 112 0 0 0 0
10 114 0 0 0 0 11 114 0 0 0 0 12 114 0 0 0 0
10 115 0 0 0 0 11 115 0 0 0 0 12 115 0 0 0 0
10 116 21 5 3 2 11 116 1 0 0 0 12 116 17 5 2 1
10 117 6 2 4 0 11 117 0 0 0 0 12 117 5 1 4 0
10 118 67 248 181 15 11 118 4 17 13 1 12 118 56 208 151 13
10 119 21 78 57 5 11 119 1 5 4 0 12 119 18 65 48 4
10 120 64 73 19 9 11 120 4 5 1 1 12 120 54 61 16 8
10 121 54 30 20 12 11 121 4 2 1 1 12 121 45 25 17 10
10 122 33 14 12 7 11 122 2 1 1 0 12 122 27 11 10 5
10 123 1 1 0 0 11 123 0 0 0 0 12 123 1 1 0 0
10 124 0 0 0 0 11 124 0 0 0 0 12 124 0 0 0 0
10 125 8 9 2 1 11 125 1 1 0 0 12 125 7 7 2 1
10 126 52 60 16 8 11 126 3 4 1 1 12 126 44 50 13 6
10 127 21 24 6 3 11 127 1 2 0 0 12 127 18 20 5 3
10 128 62 14 8 0 11 128 4 1 1 0 12 128 52 12 6 0
10 129 6 2 1 1 11 129 0 0 0 0 12 129 5 1 1 0
10 130 24 6 3 2 11 130 2 0 0 0 12 130 20 5 3 2
10 131 23 6 3 2 11 131 2 0 0 0 12 131 19 5 3 2
10 132 149 41 110 8 11 132 10 3 8 1 12 132 125 35 91 7
10 133 15 4 11 1 11 133 1 0 1 0 12 133 12 3 9 1
10 135 18 4 2 0 11 135 1 0 0 0 12 135 15 3 2 0
10 136 12 13 3 1 11 136 1 1 0 0 12 136 10 11 3 1
10 137 0 0 0 0 11 137 0 0 0 0 12 137 0 0 0 0
10 139 63 36 24 14 11 139 4 2 2 1 12 139 53 30 20 11
10 140 34 19 13 7 11 140 2 1 1 0 12 140 28 16 11 6
10 141 114 125 30 10 11 141 8 8 2 1 12 141 96 105 25 8
13 1 14 51 38 3 14 1 19 71 52 4 15 1 4 10 2 1
13 2 18 68 51 4 14 2 26 95 69 6 15 2 6 13 3 1
13 3 32 117 88 7 14 3 44 163 119 10 15 3 10 22 5 2
13 4 29 107 80 6 14 4 40 149 109 9 15 4 9 20 4 2
13 5 73 270 202 16 14 5 102 377 275 23 15 5 24 51 11 5
13 6 71 261 196 16 14 6 99 364 266 22 15 6 23 50 11 4
13 7 46 171 128 10 14 7 65 239 175 14 15 7 15 32 7 3
13 8 64 236 177 14 14 8 89 330 241 20 15 8 21 45 10 4
13 9 13 48 36 3 14 9 18 66 48 4 15 9 4 9 2 1
13 10 30 29 187 2 14 10 42 41 254 3 15 10 11 8 9 1
13 11 64 63 400 4 14 11 89 88 545 6 15 11 24 18 20 1
13 12 26 25 162 2 14 12 36 36 221 2 15 12 10 7 8 0
13 14 28 27 174 2 14 13 72 70 438 5 15 13 19 14 16 1
13 15 9 2 7 0 14 15 13 3 9 1 15 14 10 8 9 0
13 16 41 40 256 3 14 16 57 56 348 4 15 16 15 11 13 1
13 17 43 43 271 3 14 17 60 59 369 4 15 17 16 12 14 1
13 18 31 31 196 2 14 18 44 43 266 3 15 18 12 9 10 1
13 19 7 5 10 1 14 19 9 6 14 1 15 19 4 1 1 0
13 20 6 4 8 1 14 20 8 5 11 1 15 20 3 1 1 0
13 21 102 69 153 10 14 21 142 96 208 13 15 21 59 12 10 0
13 22 38 26 58 4 14 22 54 36 79 5 15 22 22 5 4 0
13 23 16 11 23 1 14 23 22 15 32 2 15 23 9 2 2 0
13 24 80 54 120 8 14 24 112 75 164 11 15 24 46 9 8 0
13 25 24 16 36 2 14 25 34 23 49 3 15 25 14 3 2 0
13 26 8 6 13 1 14 26 12 8 17 1 15 26 5 1 1 0
13 27 48 32 72 5 14 27 67 45 99 6 15 27 28 6 5 0
13 28 23 25 19 9 14 28 32 34 26 13 15 28 9 4 0 0
13 29 25 27 20 10 14 29 35 37 28 14 15 29 10 5 0 0
13 30 48 51 40 19 14 30 68 72 54 27 15 30 19 9 0 0
13 31 18 19 15 7 14 31 25 27 20 10 15 31 7 3 0 0
13 32 0 0 0 0 14 32 0 0 0 0 15 32 0 0 0 0
13 33 19 20 15 7 14 33 26 28 21 10 15 33 7 4 0 0
13 34 11 11 9 4 14 34 15 16 12 6 15 34 4 2 0 0
13 35 70 74 57 27 14 35 97 103 77 38 15 35 28 13 0 0
13 36 8 9 7 3 14 36 11 12 9 4 15 36 3 2 0 0
13 37 6 6 2 1 14 37 8 9 2 1 15 37 2 1 0 0
13 38 5 6 2 1 14 38 7 8 2 1 15 38 2 1 0 0
13 39 0 0 0 0 14 39 0 0 0 0 15 39 0 0 0 0
13 40 24 28 7 4 14 40 34 39 10 5 15 40 9 6 2 0
13 41 18 21 6 3 14 41 25 29 8 4 15 41 6 4 1 0
13 42 9 2 1 1 14 42 13 3 2 1 15 42 3 0 0 0
13 43 24 28 7 3 14 43 34 39 10 5 15 43 9 6 2 0
13 44 3 3 1 0 14 44 4 5 1 1 15 44 1 1 0 0
13 45 17 19 5 2 14 45 24 27 7 3 15 45 6 4 1 0
13 46 11 12 3 2 14 46 15 17 4 2 15 46 4 2 1 0
13 47 28 32 9 4 14 47 39 45 12 6 15 47 10 7 2 1
13 48 10 2 1 0 14 48 13 3 2 0 15 48 4 1 0 0
13 49 4 1 1 0 14 49 6 1 1 0 15 49 2 0 0 0
13 50 7 1 1 0 14 50 9 2 1 0 15 50 3 1 0 0
13 51 11 3 1 0 14 51 15 4 2 0 15 51 4 1 0 0
13 52 8 2 1 0 14 52 11 3 1 0 15 52 3 1 0 0
13 53 9 2 1 0 14 53 13 3 2 0 15 53 4 1 0 0
13 54 6 1 1 0 14 54 8 2 1 0 15 54 2 1 0 0
13 55 48 11 6 0 14 55 67 15 8 0 15 55 19 5 1 2
13 56 33 8 4 0 14 56 46 11 6 0 15 56 13 3 1 1
13 57 1 0 0 0 14 57 2 0 0 0 15 57 0 0 0 0
13 58 16 4 2 1 14 58 22 6 3 2 15 58 6 1 1 0
13 59 91 24 12 8 14 59 127 33 17 11 15 59 34 4 3 1
13 60 8 2 1 1 14 60 11 3 1 1 15 60 3 0 0 0
13 61 6 2 1 0 14 61 8 2 1 1 15 61 2 0 0 0
13 62 16 4 2 1 14 62 22 6 3 2 15 62 6 1 1 0
13 63 11 3 1 1 14 63 15 4 2 1 15 63 4 0 0 0
13 64 1 0 0 0 14 64 1 0 0 0 15 64 0 0 0 0
13 65 14 4 2 1 14 65 20 5 3 2 15 65 5 1 1 0
13 66 11 3 1 1 14 66 15 4 2 1 15 66 4 0 0 0
13 67 9 2 1 1 14 67 12 3 2 1 15 67 3 0 0 0
13 68 6 2 1 1 14 68 8 2 1 1 15 68 2 0 0 0
13 69 31 8 4 3 14 69 43 11 6 4 15 69 12 1 1 0
13 70 1 0 0 0 14 70 2 0 0 0 15 70 1 0 0 0
13 71 4 5 1 0 14 71 6 7 2 1 15 71 1 1 0 0
13 72 7 8 2 1 14 72 10 11 3 1 15 72 2 1 0 0
13 73 40 43 11 3 14 73 55 60 14 5 15 73 10 7 2 1
13 75 4 4 1 0 14 75 5 5 1 0 15 75 1 1 0 0
13 76 0 0 0 0 14 76 0 0 0 0 15 76 0 0 0 0
13 77 1 1 0 0 14 77 1 1 0 0 15 77 0 0 0 0
13 78 11 12 3 1 14 78 16 17 4 1 15 78 3 2 1 0
13 79 13 14 4 2 14 79 18 20 5 3 15 79 4 3 1 0
13 80 22 11 13 11 14 80 30 15 18 15 15 80 11 4 1 0
13 81 9 5 6 5 14 81 13 6 8 6 15 81 4 2 1 0
13 82 18 9 11 9 14 82 25 12 15 12 15 82 9 4 1 0
13 83 43 21 26 21 14 83 60 30 36 30 15 83 21 9 3 0
13 84 4 2 2 2 14 84 5 3 3 3 15 84 2 1 0 0
13 85 0 0 0 0 14 85 0 0 0 0 15 85 0 0 0 0
13 86 13 6 5 3 14 86 19 8 7 4 15 86 2 1 1 0
13 87 24 10 9 5 14 87 33 14 12 7 15 87 4 1 2 0
13 88 14 6 5 3 14 88 19 8 7 4 15 88 2 1 1 0
13 89 23 9 8 5 14 89 32 13 11 6 15 89 4 1 2 0
13 90 31 13 12 6 14 90 44 18 16 9 15 90 6 2 2 0
13 91 27 11 10 5 14 91 37 15 13 7 15 91 5 2 2 0
13 92 10 3 1 1 14 92 13 3 2 1 15 92 4 0 0 0
13 93 4 2 2 1 14 93 6 3 2 1 15 93 1 0 0 0
13 94 5 3 2 1 14 94 8 4 3 2 15 94 1 0 0 0
13 95 9 5 3 2 14 95 13 7 5 3 15 95 2 0 0 0
13 96 1 0 0 0 14 96 1 1 0 0 15 96 0 0 0 0
13 97 17 10 7 4 14 97 24 14 9 5 15 97 4 0 0 0
13 98 13 4 10 1 14 98 18 5 13 1 15 98 8 2 13 1
13 99 112 31 84 6 14 99 156 43 114 8 15 99 73 19 109 5
13 100 60 17 45 3 14 100 84 23 62 5 15 100 39 10 59 3
13 101 24 7 18 1 14 101 34 9 25 2 15 101 16 4 23 1
13 102 26 7 20 1 14 102 37 10 27 2 15 102 17 5 26 1
13 103 10 3 7 1 14 103 14 4 10 1 15 103 6 2 10 0
13 104 20 6 15 1 14 104 28 8 21 2 15 104 13 3 20 1
13 105 16 4 12 1 14 105 22 6 16 1 15 105 10 3 16 1
13 106 3 1 0 0 14 106 4 1 1 0 15 106 1 0 0 0
13 107 49 14 37 3 14 107 69 19 50 4 15 107 32 8 48 2
13 108 30 8 23 2 14 108 42 12 31 2 15 108 20 5 30 1
13 109 5 2 4 0 14 109 8 2 6 0 15 109 4 1 5 0
13 110 8 5 12 1 14 110 11 7 16 1 15 110 5 1 1 0
13 111 18 10 7 4 14 111 25 14 9 5 15 111 4 0 0 0
13 112 0 0 0 0 14 112 0 0 0 0 15 112 0 0 0 0
13 114 0 0 0 0 14 114 0 0 0 0 15 114 0 0 0 0
13 115 0 0 0 0 14 115 0 0 0 0 15 115 0 0 0 0
13 116 13 3 2 1 14 116 19 5 2 2 15 116 5 1 0 0
13 117 4 1 3 0 14 117 6 2 4 0 15 117 3 1 4 0
13 118 43 160 120 10 14 118 61 224 163 14 15 118 14 30 6 3
13 119 14 50 38 3 14 119 19 71 52 4 15 119 4 10 2 1
13 120 42 47 13 6 14 120 58 66 17 8 15 120 15 10 3 1
13 121 35 20 13 7 14 121 48 27 18 10 15 121 8 0 0 0
13 122 21 9 8 4 14 122 29 12 11 6 15 122 4 1 1 0
13 123 1 1 0 0 14 123 1 1 0 0 15 123 0 0 0 0
13 124 0 0 0 0 14 124 0 0 0 0 15 124 0 0 0 0
13 125 5 6 1 0 14 125 7 8 2 1 15 125 1 1 0 0
13 126 34 38 10 5 14 126 47 54 14 7 15 126 12 8 2 1
13 127 14 16 4 2 14 127 19 22 6 3 15 127 5 3 1 0
13 128 40 9 5 0 14 128 56 13 7 0 15 128 16 4 1 2
13 129 4 1 1 0 14 129 6 1 1 0 15 129 1 0 0 0
13 130 15 4 2 1 14 130 21 6 3 2 15 130 6 1 1 0
13 131 15 4 2 1 14 131 21 5 3 2 15 131 6 1 1 0
13 132 97 27 73 5 14 132 135 37 99 7 15 132 63 16 94 4
13 133 10 3 7 1 14 133 13 4 10 1 15 133 6 2 9 0
13 135 11 3 1 0 14 135 16 4 2 0 15 135 5 1 0 0
13 136 8 8 2 1 14 136 11 12 3 1 15 136 2 1 0 0
13 137 0 0 0 0 14 137 0 0 0 0 15 137 0 0 0 0
13 139 41 23 16 9 14 139 57 32 21 12 15 139 9 0 0 1
13 140 22 12 8 5 14 140 31 17 11 7 15 140 5 0 0 0
13 141 74 81 20 6 14 141 103 113 27 9 15 141 18 13 4 1
16 1 26 97 72 6 17 1 10 36 27 2 18 1 19 70 51 4
16 2 35 130 97 8 17 2 13 49 36 3 18 2 25 94 69 6
16 3 61 225 167 14 17 3 23 84 62 5 18 3 44 162 119 10
16 4 56 206 153 12 17 4 21 77 57 5 18 4 40 149 109 9
16 5 141 520 385 31 17 5 52 194 144 12 18 5 102 375 275 23
16 6 136 502 372 30 17 6 51 187 139 11 18 6 98 363 266 22
16 7 89 330 244 20 17 7 33 123 91 7 18 7 64 238 174 14
16 8 123 455 337 27 17 8 46 170 126 10 18 8 89 329 241 20
16 9 25 92 68 6 17 9 9 34 25 2 18 9 18 66 48 4
16 10 57 56 355 4 17 10 21 21 133 1 18 10 41 41 254 3
16 11 123 121 762 8 17 11 46 45 285 3 18 11 89 87 544 6
16 12 50 49 309 3 17 12 19 18 115 1 18 12 36 35 221 2
16 13 99 97 612 7 17 13 37 36 229 2 18 13 71 70 437 5
16 14 53 53 332 4 17 14 20 20 124 1 18 14 39 38 237 3
16 15 17 5 13 1 17 15 6 2 5 0 18 15 12 3 9 1
16 17 83 82 516 6 17 16 29 29 182 2 18 16 57 56 347 4
16 18 60 59 372 4 17 18 22 22 139 1 18 17 60 59 369 4
16 19 13 9 19 1 17 19 5 3 7 0 18 19 9 6 14 1
16 20 11 7 16 1 17 20 4 3 6 0 18 20 8 5 11 1
16 21 196 132 292 18 17 21 73 49 109 7 18 21 141 96 208 13
16 22 74 50 110 7 17 22 28 19 41 3 18 22 53 36 78 5
16 23 30 20 45 3 17 23 11 8 17 1 18 23 22 15 32 2
16 24 154 104 229 15 17 24 57 39 86 5 18 24 111 75 163 10
16 25 46 31 69 4 17 25 17 12 26 2 18 25 34 23 49 3
16 26 16 11 24 2 17 26 6 4 9 1 18 26 12 8 17 1
16 27 93 63 138 9 17 27 35 23 52 3 18 27 67 45 98 6
16 28 45 47 36 17 17 28 17 18 13 7 18 28 32 34 26 13
16 29 48 51 39 19 17 29 18 19 14 7 18 29 35 37 28 14
16 30 93 99 75 37 17 30 35 37 28 14 18 30 67 71 54 26
16 31 35 37 28 14 17 31 13 14 11 5 18 31 25 27 20 10
16 32 0 0 0 0 17 32 0 0 0 0 18 32 0 0 0 0
16 33 36 38 29 14 17 33 13 14 11 5 18 33 26 28 21 10
16 34 20 22 16 8 17 34 8 8 6 3 18 34 15 16 12 6
16 35 134 142 108 52 17 35 50 53 40 20 18 35 97 103 77 38
16 36 16 17 13 6 17 36 6 6 5 2 18 36 11 12 9 4
16 37 11 12 3 2 17 37 4 5 1 1 18 37 8 9 2 1
16 38 10 11 3 1 17 38 4 4 1 1 18 38 7 8 2 1
16 39 0 0 0 0 17 39 0 0 0 0 18 39 0 0 0 0
16 40 47 53 14 7 17 40 18 20 5 3 18 40 34 39 10 5
16 41 35 40 11 5 17 41 13 15 4 2 18 41 25 29 8 4
16 42 18 5 2 2 17 42 7 2 1 1 18 42 13 3 2 1
16 43 47 53 14 7 17 43 17 20 5 3 18 43 34 38 10 5
16 44 6 7 2 1 17 44 2 2 1 0 18 44 4 5 1 1
16 45 32 37 10 5 17 45 12 14 4 2 18 45 23 27 7 3
16 46 20 23 6 3 17 46 8 9 2 1 18 46 15 17 4 2
16 47 54 62 16 8 17 47 20 23 6 3 18 47 39 45 12 6
16 48 18 4 2 0 17 48 7 2 1 0 18 48 13 3 2 0
16 49 8 2 1 0 17 49 3 1 0 0 18 49 6 1 1 0
16 50 13 3 2 0 17 50 5 1 1 0 18 50 9 2 1 0
16 51 21 5 3 0 17 51 8 2 1 0 18 51 15 4 2 0
16 52 16 4 2 0 17 52 6 1 1 0 18 52 11 3 1 0
16 53 18 4 2 0 17 53 7 2 1 0 18 53 13 3 2 0
16 54 11 2 1 0 17 54 4 1 0 0 18 54 8 2 1 0
16 55 92 21 12 0 17 55 34 8 4 0 18 55 66 15 8 0
16 56 64 15 8 0 17 56 24 5 3 0 18 56 46 10 6 0
16 57 2 1 0 0 17 57 1 0 0 0 18 57 2 0 0 0
16 58 30 8 4 3 17 58 11 3 1 1 18 58 22 6 3 2
16 59 175 46 23 15 17 59 65 17 9 5 18 59 127 33 17 11
16 60 16 4 2 1 17 60 6 2 1 0 18 60 11 3 1 1
16 61 11 3 1 1 17 61 4 1 1 0 18 61 8 2 1 1
16 62 31 8 4 3 17 62 12 3 2 1 18 62 22 6 3 2
16 63 21 5 3 2 17 63 8 2 1 1 18 63 15 4 2 1
16 64 2 0 0 0 17 64 1 0 0 0 18 64 1 0 0 0
16 65 27 7 4 2 17 65 10 3 1 1 18 65 20 5 3 2
16 66 21 5 3 2 17 66 8 2 1 1 18 66 15 4 2 1
16 67 16 4 2 1 17 67 6 2 1 1 18 67 12 3 2 1
16 68 12 3 2 1 17 68 4 1 1 0 18 68 8 2 1 1
16 69 60 16 8 5 17 69 22 6 3 2 18 69 43 11 6 4
16 70 3 1 0 0 17 70 1 0 0 0 18 70 2 0 0 0
16 71 9 9 2 1 17 71 3 4 1 0 18 71 6 7 2 1
16 72 14 15 4 1 17 72 5 6 1 0 18 72 10 11 3 1
16 73 76 83 20 7 17 73 28 31 7 2 18 73 55 60 14 5
16 75 7 8 2 1 17 75 3 3 1 0 18 75 5 5 1 0
16 76 0 0 0 0 17 76 0 0 0 0 18 76 0 0 0 0
16 77 1 1 0 0 17 77 0 0 0 0 18 77 1 1 0 0
16 78 22 24 6 2 17 78 8 9 2 1 18 78 16 17 4 1
16 79 25 28 7 4 17 79 9 10 3 1 18 79 18 20 5 3
16 80 42 21 25 21 17 80 16 8 9 8 18 80 30 15 18 15
16 81 17 9 11 9 17 81 7 3 4 3 18 81 13 6 8 6
16 82 34 17 21 17 17 82 13 6 8 6 18 82 25 12 15 12
16 83 82 41 50 41 17 83 31 15 19 15 18 83 59 30 36 30
16 84 7 4 4 4 17 84 3 1 2 1 18 84 5 3 3 3
16 85 0 0 0 0 17 85 0 0 0 0 18 85 0 0 0 0
16 86 26 11 9 5 17 86 10 4 4 2 18 86 19 8 7 4
16 87 46 19 17 9 17 87 17 7 6 3 18 87 33 14 12 7
16 88 26 11 10 5 17 88 10 4 4 2 18 88 19 8 7 4
16 89 44 18 16 9 17 89 16 7 6 3 18 89 32 13 11 6
16 90 61 25 22 12 17 90 23 9 8 5 18 90 44 18 16 9
16 91 51 21 19 10 17 91 19 8 7 4 18 91 37 15 13 7
16 92 19 5 2 2 17 92 7 2 1 1 18 92 13 3 2 1
16 93 8 5 3 2 17 93 3 2 1 1 18 93 6 3 2 1
16 94 11 6 4 2 17 94 4 2 1 1 18 94 8 4 3 2
16 95 17 10 7 4 17 95 6 4 2 1 18 95 13 7 5 3
16 96 1 1 1 0 17 96 1 0 0 0 18 96 1 1 0 0
16 97 33 19 13 7 17 97 12 7 5 3 18 97 24 14 9 5
16 98 25 7 18 1 17 98 9 3 7 0 18 98 18 5 13 1
16 99 215 59 160 12 17 99 80 22 60 4 18 99 155 43 114 8
16 100 116 32 86 6 17 100 43 12 32 2 18 100 84 23 61 4
16 101 46 13 34 2 17 101 17 5 13 1 18 101 33 9 24 2
16 102 51 14 38 3 17 102 19 5 14 1 18 102 37 10 27 2
16 103 19 5 14 1 17 103 7 2 5 0 18 103 14 4 10 1
16 104 39 11 29 2 17 104 15 4 11 1 18 104 28 8 21 2
16 105 31 8 23 2 17 105 11 3 8 1 18 105 22 6 16 1
16 106 6 1 1 0 17 106 2 0 0 0 18 106 4 1 1 0
16 107 95 26 71 5 17 107 35 10 26 2 18 107 69 19 50 4
16 108 58 16 43 3 17 108 22 6 16 1 18 108 42 12 31 2
16 109 11 3 8 1 17 109 4 1 3 0 18 109 8 2 6 0
16 110 15 10 23 1 17 110 6 4 8 1 18 110 11 7 16 1
16 111 35 20 13 8 17 111 13 7 5 3 18 111 25 14 9 5
16 112 0 0 0 0 17 112 0 0 0 0 18 112 0 0 0 0
16 114 0 0 0 0 17 114 0 0 0 0 18 114 0 0 0 0
16 115 0 0 0 0 17 115 0 0 0 0 18 115 0 0 0 0
16 116 26 7 3 2 17 116 10 3 1 1 18 116 19 5 2 2
16 117 8 2 6 0 17 117 3 1 2 0 18 117 6 2 4 0
16 118 84 309 229 19 17 118 31 115 85 7 18 118 60 223 163 13
16 119 26 97 72 6 17 119 10 36 27 2 18 119 19 70 51 4
16 120 80 91 24 12 17 120 30 34 9 4 18 120 58 66 17 8
16 121 67 38 25 14 17 121 25 14 9 5 18 121 48 27 18 10
16 122 41 17 15 8 17 122 15 6 6 3 18 122 29 12 11 6
16 123 2 2 0 0 17 123 1 1 0 0 18 123 1 1 0 0
16 124 0 0 0 0 17 124 0 0 0 0 18 124 0 0 0 0
16 125 10 11 3 1 17 125 4 4 1 0 18 125 7 8 2 1
16 126 65 74 20 9 17 126 24 28 7 4 18 126 47 53 14 7
16 127 26 30 8 4 17 127 10 11 3 1 18 127 19 22 6 3
16 128 78 18 10 0 17 128 29 7 4 0 18 128 56 13 7 0
16 129 8 2 1 1 17 129 3 1 0 0 18 129 6 1 1 0
16 130 30 8 4 2 17 130 11 3 1 1 18 130 21 6 3 2
16 131 29 7 4 2 17 131 11 3 1 1 18 131 21 5 3 2
16 132 186 51 138 10 17 132 69 19 52 4 18 132 134 37 99 7
16 133 18 5 14 1 17 133 7 2 5 0 18 133 13 4 10 1
16 135 22 5 3 0 17 135 8 2 1 0 18 135 16 4 2 0
16 136 15 16 4 1 17 136 5 6 1 0 18 136 11 12 3 1
16 137 0 0 0 0 17 137 0 0 0 0 18 137 0 0 0 0
16 139 78 44 30 17 17 139 29 17 11 6 18 139 57 32 21 12
16 140 42 24 16 9 17 140 16 9 6 3 18 140 30 17 11 7
16 141 143 155 37 12 17 141 53 58 14 5 18 141 103 112 27 9
19 1 8 37 29 6 20 1 16 71 57 11 21 1 1 4 3 1
19 2 11 49 39 8 20 2 21 95 76 15 21 2 1 5 5 1
19 3 19 84 68 13 20 3 37 163 131 25 21 3 2 9 8 1
19 4 17 77 62 12 20 4 34 150 120 23 21 4 2 8 7 1
19 5 44 195 157 30 20 5 85 378 304 58 21 5 5 21 18 3
19 6 42 188 152 29 20 6 82 365 294 56 21 6 5 20 18 3
19 7 28 124 99 19 20 7 54 240 193 37 21 7 3 13 12 2
19 8 38 171 137 26 20 8 74 331 266 51 21 8 4 18 16 3
19 9 8 34 28 5 20 9 15 67 53 10 21 9 1 4 3 1
19 10 29 29 31 0 20 10 57 56 61 0 21 10 3 3 4 0
19 11 63 62 67 0 20 11 122 121 130 0 21 11 7 7 8 0
19 12 26 25 27 0 20 12 50 49 53 0 21 12 3 3 3 0
19 13 51 50 54 0 20 13 98 97 105 0 21 13 6 5 6 0
19 14 27 27 29 0 20 14 53 52 57 0 21 14 3 3 3 0
19 15 6 2 3 0 20 15 12 4 7 1 21 15 1 0 0 0
19 16 40 40 43 0 20 16 78 77 83 0 21 16 4 4 5 0
19 17 43 42 46 0 20 17 83 82 88 0 21 17 5 4 5 0
19 18 31 30 33 0 20 18 60 59 64 0 21 18 3 3 4 0
19 20 15 5 27 1 20 19 35 11 63 1 21 19 2 1 4 0
19 21 272 87 494 11 20 21 527 168 957 21 21 20 2 1 3 0
19 22 103 33 186 4 20 22 199 63 360 8 21 22 11 3 22 0
19 23 42 13 76 2 20 23 81 26 146 3 21 23 5 1 9 0
19 24 214 68 388 9 20 24 414 132 751 17 21 24 24 7 45 1
19 25 64 21 117 3 20 25 125 40 227 5 21 25 7 2 14 0
19 26 22 7 41 1 20 26 43 14 79 2 21 26 2 1 5 0
19 27 129 41 233 5 20 27 249 79 452 10 21 27 14 4 27 1
19 28 85 56 86 14 20 28 165 108 166 28 21 28 9 6 10 1
19 29 91 60 92 15 20 29 177 116 179 30 21 29 10 6 11 2
19 30 177 116 179 30 20 30 344 225 347 57 21 30 20 12 21 3
19 31 67 43 67 11 20 31 129 84 130 22 21 31 7 5 8 1
19 32 0 0 0 0 20 32 0 0 0 0 21 32 0 0 0 0
19 33 68 45 69 11 20 33 132 87 134 22 21 33 8 5 8 1
19 34 39 25 39 6 20 34 75 49 76 13 21 34 4 3 5 1
19 35 255 166 257 43 20 35 494 323 498 83 21 35 28 18 30 4
19 36 30 20 30 5 20 36 58 38 59 10 21 36 3 2 4 1
19 37 13 9 4 1 20 37 26 17 8 1 21 37 1 1 0 0
19 38 12 8 4 1 20 38 23 15 7 1 21 38 1 1 0 0
19 39 0 0 0 0 20 39 0 0 0 0 21 39 0 0 0 0
19 40 58 38 18 3 20 40 111 74 35 5 21 40 6 4 2 0
19 41 43 29 14 2 20 41 83 55 26 4 21 41 5 3 2 0
19 42 13 6 3 1 20 42 25 12 6 1 21 42 1 1 0 0
19 43 57 38 18 3 20 43 111 74 35 5 21 43 6 4 2 0
19 44 7 5 2 0 20 44 14 9 4 1 21 44 1 1 0 0
19 45 40 26 13 2 20 45 77 51 24 4 21 45 4 3 1 0
19 46 25 16 8 1 20 46 48 32 15 2 21 46 3 2 1 0
19 47 67 44 21 3 20 47 129 86 41 6 21 47 7 5 2 0
19 48 6 4 4 0 20 48 11 7 7 0 21 48 1 0 0 0
19 49 3 2 2 0 20 49 5 3 3 0 21 49 0 0 0 0
19 50 4 3 2 0 20 50 8 5 5 0 21 50 0 0 0 0
19 51 7 4 4 0 20 51 13 8 8 0 21 51 1 0 0 0
19 52 5 3 3 0 20 52 10 6 6 0 21 52 1 0 0 0
19 53 6 4 3 0 20 53 11 7 7 0 21 53 1 0 0 0
19 54 3 2 2 0 20 54 7 4 4 0 21 54 0 0 0 0
19 55 29 19 18 0 20 55 57 36 34 0 21 55 3 2 2 0
19 56 20 13 12 0 20 56 39 25 24 0 21 56 2 1 1 0
19 57 1 0 0 0 20 57 1 1 1 0 21 57 0 0 0 0
19 58 22 10 5 1 20 58 43 19 9 2 21 58 2 1 1 0
19 59 128 58 28 5 20 59 248 113 55 10 21 59 14 6 3 1
19 60 12 5 3 0 20 60 22 10 5 1 21 60 1 1 0 0
19 61 8 4 2 0 20 61 16 7 4 1 21 61 1 0 0 0
19 62 23 10 5 1 20 62 44 20 10 2 21 62 2 1 1 0
19 63 15 7 3 1 20 63 30 14 7 1 21 63 2 1 0 0
19 64 1 1 0 0 20 64 2 1 1 0 21 64 0 0 0 0
19 65 20 9 4 1 20 65 38 17 8 2 21 65 2 1 1 0
19 66 15 7 3 1 20 66 30 14 7 1 21 66 2 1 0 0
19 67 12 5 3 0 20 67 23 11 5 1 21 67 1 1 0 0
19 68 9 4 2 0 20 68 17 8 4 1 21 68 1 0 0 0
19 69 44 20 10 2 20 69 84 38 19 3 21 69 5 2 1 0
19 70 2 1 0 0 20 70 4 2 1 0 21 70 0 0 0 0
19 71 7 7 0 1 20 71 13 13 0 3 21 71 1 1 0 0
19 72 10 11 0 2 20 72 20 20 0 4 21 72 1 1 0 0
19 73 59 59 0 13 20 73 114 115 0 25 21 73 6 6 0 1
19 75 5 5 0 1 20 75 10 10 0 2 21 75 1 1 0 0
19 76 0 0 0 0 20 76 0 0 0 0 21 76 0 0 0 0
19 77 1 1 0 0 20 77 1 1 0 0 21 77 0 0 0 0
19 78 17 17 0 4 20 78 32 33 0 7 21 78 2 2 0 0
19 79 30 20 9 1 20 79 58 39 18 3 21 79 3 2 1 0
19 80 47 25 0 7 20 80 91 48 0 14 21 80 5 3 0 1
19 81 20 10 0 3 20 81 38 20 0 6 21 81 2 1 0 0
19 82 38 20 0 6 20 82 75 39 0 12 21 82 4 2 0 1
19 83 93 49 0 15 20 83 180 95 0 29 21 83 10 5 0 2
19 84 8 4 0 1 20 84 16 8 0 2 21 84 1 0 0 0
19 85 0 0 0 0 20 85 0 0 0 0 21 85 0 0 0 0
19 86 4 11 4 1 20 86 7 22 8 3 21 86 0 1 0 0
19 87 6 20 7 3 20 87 13 38 14 5 21 87 1 2 1 0
19 88 4 11 4 2 20 88 7 22 8 3 21 88 0 1 0 0
19 89 6 19 7 3 20 89 12 37 13 5 21 89 1 2 1 0
19 90 9 26 9 3 20 90 17 51 18 7 21 90 1 3 1 0
19 91 7 22 8 3 20 91 14 43 15 6 21 91 1 2 1 0
19 92 14 6 3 1 20 92 26 12 6 1 21 92 1 1 0 0
19 93 1 2 0 0 20 93 3 3 1 0 21 93 0 0 0 0
19 94 2 2 0 0 20 94 3 4 1 0 21 94 0 0 0 0
19 95 3 3 1 0 20 95 6 6 1 0 21 95 0 0 0 0
19 96 0 0 0 0 20 96 0 1 0 0 21 96 0 0 0 0
19 97 6 6 1 0 20 97 11 12 3 0 21 97 1 1 0 0
19 98 9 3 5 1 20 98 18 6 9 1 21 98 1 0 1 0
19 99 78 25 42 6 20 99 152 49 82 12 21 99 9 3 5 1
19 100 42 14 23 3 20 100 82 26 44 6 21 100 5 1 3 0
19 101 17 5 9 1 20 101 33 10 18 2 21 101 2 1 1 0
19 102 18 6 10 1 20 102 36 11 19 3 21 102 2 1 1 0
19 103 7 2 4 1 20 103 13 4 7 1 21 103 1 0 0 0
19 104 14 5 8 1 20 104 27 9 15 2 21 104 2 0 1 0
19 105 11 4 6 1 20 105 22 7 12 2 21 105 1 0 1 0
19 106 2 1 1 0 20 106 4 2 2 0 21 106 0 0 0 0
19 107 35 11 19 3 20 107 67 21 36 5 21 107 4 1 2 0
19 108 21 7 11 2 20 108 41 13 22 3 21 108 2 1 1 0
19 109 4 1 2 0 20 109 7 2 4 1 21 109 0 0 0 0
19 110 21 7 38 1 20 110 41 13 74 2 21 110 2 1 4 0
19 111 6 7 1 0 20 111 11 13 3 0 21 111 1 1 0 0
19 112 0 0 0 0 20 112 0 0 0 0 21 112 0 0 0 0
19 114 0 0 0 0 20 114 0 0 0 0 21 114 0 0 0 0
19 115 0 0 0 0 20 115 0 0 0 0 21 115 0 0 0 0
19 116 19 9 4 1 20 116 37 17 8 2 21 116 2 1 0 0
19 117 3 1 1 0 20 117 5 2 3 0 21 117 0 0 0 0
19 118 26 116 93 18 20 118 50 224 180 35 21 118 3 12 11 2
19 119 8 36 29 6 20 119 16 71 57 11 21 119 1 4 3 1
19 120 98 65 31 4 20 120 190 126 60 9 21 120 11 7 4 0
19 121 11 13 3 0 20 121 21 25 5 0 21 121 1 1 0 0
19 122 6 18 6 2 20 122 11 34 12 5 21 122 1 2 1 0
19 123 1 1 0 0 20 123 2 2 0 1 21 123 0 0 0 0
19 124 0 0 0 0 20 124 0 0 0 0 21 124 0 0 0 0
19 125 8 8 0 2 20 125 15 15 0 3 21 125 1 1 0 0
19 126 80 53 25 4 20 126 155 103 49 7 21 126 9 6 3 0
19 127 32 22 10 1 20 127 63 42 20 3 21 127 4 2 1 0
19 128 25 16 15 0 20 128 48 30 29 0 21 128 3 2 2 0
19 129 6 3 1 0 20 129 11 5 2 0 21 129 1 0 0 0
19 130 22 10 5 1 20 130 42 19 9 2 21 130 2 1 1 0
19 131 21 10 5 1 20 131 40 18 9 2 21 131 2 1 1 0
19 132 68 22 37 5 20 132 131 42 71 10 21 132 7 2 4 1
19 133 7 2 4 1 20 133 13 4 7 1 21 133 1 0 0 0
19 135 7 4 4 0 20 135 13 9 8 0 21 135 1 0 0 0
19 136 11 11 0 2 20 136 22 22 0 5 21 136 1 1 0 0
19 137 0 0 0 0 20 137 0 0 0 0 21 137 0 0 0 0
19 139 13 15 3 0 20 139 25 29 6 0 21 139 1 2 0 0
19 140 7 8 2 0 20 140 14 16 3 0 21 140 1 1 0 0
19 141 110 111 0 24 20 141 214 215 0 46 21 141 12 12 0 3
22 1 6 25 21 4 23 1 7 29 24 4 24 1 0 1 1 0
22 2 8 34 28 5 23 2 9 39 32 6 24 2 0 1 1 0
22 3 13 58 48 9 23 3 15 67 54 10 24 3 1 2 2 0
22 4 12 53 44 8 23 4 14 61 50 9 24 4 0 2 2 0
22 5 30 134 111 21 23 5 35 155 126 24 24 5 1 5 4 1
22 6 29 129 107 20 23 6 34 150 122 23 24 6 1 5 4 1
22 7 19 85 70 13 23 7 22 98 80 15 24 7 1 3 3 1
22 8 27 117 97 18 23 8 31 136 110 21 24 8 1 5 4 1
22 9 5 24 20 4 23 9 6 27 22 4 24 9 0 1 1 0
22 10 20 20 22 0 23 10 23 23 25 0 24 10 1 1 1 0
22 11 44 43 48 0 23 11 50 49 54 0 24 11 2 2 2 0
22 12 18 17 19 0 23 12 20 20 22 0 24 12 1 1 1 0
22 13 35 34 38 0 23 13 40 40 43 0 24 13 1 1 2 0
22 14 19 19 21 0 23 14 22 22 24 0 24 14 1 1 1 0
22 15 4 1 2 0 23 15 5 2 3 0 24 15 0 0 0 0
22 16 28 27 30 0 23 16 32 32 34 0 24 16 1 1 1 0
22 17 30 29 32 0 23 17 34 34 37 0 24 17 1 1 1 0
22 18 21 21 23 0 23 18 25 24 26 0 24 18 1 1 1 0
22 19 13 4 23 0 23 19 14 5 26 1 24 19 0 0 1 0
22 20 10 3 19 0 23 20 12 4 22 0 24 20 0 0 1 0
22 21 189 59 349 8 23 21 217 69 396 9 24 21 7 2 14 0
22 23 29 9 53 1 23 22 82 26 149 3 24 22 3 1 5 0
22 24 148 47 274 6 23 24 171 54 311 7 24 23 1 0 2 0
22 25 45 14 83 2 23 25 51 16 94 2 24 25 2 1 3 0
22 26 16 5 29 1 23 26 18 6 33 1 24 26 1 0 1 0
22 27 89 28 165 4 23 27 103 33 187 4 24 27 4 1 7 0
22 28 59 38 61 10 23 28 68 44 69 11 24 28 2 1 2 0
22 29 64 41 65 10 23 29 73 48 74 12 24 29 2 2 3 0
22 30 123 79 126 20 23 30 142 92 144 24 24 30 5 3 5 1
22 31 46 30 47 8 23 31 53 35 54 9 24 31 2 1 2 0
22 32 0 0 0 0 23 32 0 0 0 0 24 32 0 0 0 0
22 33 47 31 49 8 23 33 55 36 55 9 24 33 2 1 2 0
22 34 27 17 28 4 23 34 31 20 31 5 24 34 1 1 1 0
22 35 177 114 182 29 23 35 204 132 206 34 24 35 7 4 7 1
22 36 21 13 21 3 23 36 24 16 24 4 24 36 1 1 1 0
22 37 9 6 3 0 23 37 11 7 3 0 24 37 0 0 0 0
22 38 8 5 3 0 23 38 10 6 3 0 24 38 0 0 0 0
22 39 0 0 0 0 23 39 0 0 0 0 24 39 0 0 0 0
22 40 40 26 13 2 23 40 46 30 15 2 24 40 2 1 1 0
22 41 30 20 10 1 23 41 34 23 11 2 24 41 1 1 0 0
22 42 9 4 2 0 23 42 10 5 2 0 24 42 0 0 0 0
22 43 40 26 13 2 23 43 46 30 15 2 24 43 2 1 1 0
22 44 5 3 2 0 23 44 6 4 2 0 24 44 0 0 0 0
22 45 28 18 9 1 23 45 32 21 10 1 24 45 1 1 0 0
22 46 17 11 6 1 23 46 20 13 6 1 24 46 1 0 0 0
22 47 46 30 15 2 23 47 53 35 17 2 24 47 2 1 1 0
22 48 4 3 2 0 23 48 5 3 3 0 24 48 0 0 0 0
22 49 2 1 1 0 23 49 2 1 1 0 24 49 0 0 0 0
22 50 3 2 2 0 23 50 3 2 2 0 24 50 0 0 0 0
22 51 5 3 3 0 23 51 5 3 3 0 24 51 0 0 0 0
22 52 3 2 2 0 23 52 4 2 2 0 24 52 0 0 0 0
22 53 4 2 2 0 23 53 5 3 3 0 24 53 0 0 0 0
22 54 2 1 1 0 23 54 3 2 2 0 24 54 0 0 0 0
22 55 20 13 12 0 23 55 23 15 14 0 24 55 1 0 0 0
22 56 14 9 9 0 23 56 16 10 10 0 24 56 1 0 0 0
22 57 1 0 0 0 23 57 1 0 0 0 24 57 0 0 0 0
22 58 15 7 3 1 23 58 18 8 4 1 24 58 1 0 0 0
22 59 89 40 20 4 23 59 102 46 23 4 24 59 3 2 1 0
22 60 8 4 2 0 23 60 9 4 2 0 24 60 0 0 0 0
22 61 6 3 1 0 23 61 7 3 1 0 24 61 0 0 0 0
22 62 16 7 4 1 23 62 18 8 4 1 24 62 1 0 0 0
22 63 11 5 2 0 23 63 12 6 3 1 24 63 0 0 0 0
22 64 1 0 0 0 23 64 1 0 0 0 24 64 0 0 0 0
22 65 14 6 3 1 23 65 16 7 3 1 24 65 1 0 0 0
22 66 11 5 2 0 23 66 12 6 3 1 24 66 0 0 0 0
22 67 8 4 2 0 23 67 10 4 2 0 24 67 0 0 0 0
22 68 6 3 1 0 23 68 7 3 2 0 24 68 0 0 0 0
22 69 30 14 7 1 23 69 35 16 8 1 24 69 1 1 0 0
22 70 1 1 0 0 23 70 2 1 0 0 24 70 0 0 0 0
22 71 5 5 0 1 23 71 5 5 0 1 24 71 0 0 0 0
22 72 7 7 0 2 23 72 8 8 0 2 24 72 0 0 0 0
22 73 41 41 0 9 23 73 47 47 0 10 24 73 2 2 0 0
22 75 4 4 0 1 23 75 4 4 0 1 24 75 0 0 0 0
22 76 0 0 0 0 23 76 0 0 0 0 24 76 0 0 0 0
22 77 1 1 0 0 23 77 1 1 0 0 24 77 0 0 0 0
22 78 12 12 0 2 23 78 13 13 0 3 24 78 0 0 0 0
22 79 21 14 7 1 23 79 24 16 8 1 24 79 1 1 0 0
22 80 33 17 0 5 23 80 38 20 0 6 24 80 1 1 0 0
22 81 14 7 0 2 23 81 16 8 0 2 24 81 1 0 0 0
22 82 27 14 0 4 23 82 31 16 0 5 24 82 1 1 0 0
22 83 65 34 0 10 23 83 74 39 0 12 24 83 3 1 0 0
22 84 6 3 0 1 23 84 6 3 0 1 24 84 0 0 0 0
22 85 0 0 0 0 23 85 0 0 0 0 24 85 0 0 0 0
22 86 3 8 3 1 23 86 3 9 3 1 24 86 0 0 0 0
22 87 4 14 5 2 23 87 5 16 6 2 24 87 0 1 0 0
22 88 3 8 3 1 23 88 3 9 3 1 24 88 0 0 0 0
22 89 4 13 5 2 23 89 5 15 5 2 24 89 0 1 0 0
22 90 6 18 7 2 23 90 7 21 7 3 24 90 0 1 0 0
22 91 5 15 6 2 23 91 6 18 6 2 24 91 0 1 0 0
22 92 9 4 2 0 23 92 11 5 2 0 24 92 0 0 0 0
22 93 1 1 0 0 23 93 1 1 0 0 24 93 0 0 0 0
22 94 1 1 0 0 23 94 1 2 0 0 24 94 0 0 0 0
22 95 2 2 0 0 23 95 2 3 1 0 24 95 0 0 0 0
22 96 0 0 0 0 23 96 0 0 0 0 24 96 0 0 0 0
22 97 4 4 1 0 23 97 4 5 1 0 24 97 0 0 0 0
22 98 6 2 3 0 23 98 7 2 4 1 24 98 0 0 0 0
22 99 54 17 30 4 23 99 62 20 34 5 24 99 2 1 1 0
22 100 29 9 16 2 23 100 34 11 18 3 24 100 1 0 1 0
22 101 12 4 6 1 23 101 13 4 7 1 24 101 0 0 0 0
22 102 13 4 7 1 23 102 15 5 8 1 24 102 1 0 0 0
22 103 5 2 3 0 23 103 6 2 3 0 24 103 0 0 0 0
22 104 10 3 5 1 23 104 11 4 6 1 24 104 0 0 0 0
22 105 8 2 4 1 23 105 9 3 5 1 24 105 0 0 0 0
22 106 1 1 1 0 23 106 1 1 1 0 24 106 0 0 0 0
22 107 24 8 13 2 23 107 28 9 15 2 24 107 1 0 1 0
22 108 15 5 8 1 23 108 17 5 9 1 24 108 1 0 0 0
22 109 3 1 1 0 23 109 3 1 2 0 24 109 0 0 0 0
22 110 15 5 27 1 23 110 17 5 31 1 24 110 1 0 1 0
22 111 4 5 1 0 23 111 5 5 1 0 24 111 0 0 0 0
22 112 0 0 0 0 23 112 0 0 0 0 24 112 0 0 0 0
22 114 0 0 0 0 23 114 0 0 0 0 24 114 0 0 0 0
22 115 0 0 0 0 23 115 0 0 0 0 24 115 0 0 0 0
22 116 13 6 3 1 23 116 15 7 3 1 24 116 1 0 0 0
22 117 2 1 1 0 23 117 2 1 1 0 24 117 0 0 0 0
22 118 18 79 66 12 23 118 21 92 75 14 24 118 1 3 3 0
22 119 6 25 21 4 23 119 7 29 24 4 24 119 0 1 1 0
22 120 68 45 22 3 23 120 78 52 25 4 24 120 3 2 1 0
22 121 8 9 2 0 23 121 9 10 2 0 24 121 0 0 0 0
22 122 4 12 4 2 23 122 5 14 5 2 24 122 0 0 0 0
22 123 1 1 0 0 23 123 1 1 0 0 24 123 0 0 0 0
22 124 0 0 0 0 23 124 0 0 0 0 24 124 0 0 0 0
22 125 5 5 0 1 23 125 6 6 0 1 24 125 0 0 0 0
22 126 55 36 18 3 23 126 64 42 20 3 24 126 2 1 1 0
22 127 23 15 7 1 23 127 26 17 8 1 24 127 1 1 0 0
22 128 17 11 11 0 23 128 20 12 12 0 24 128 1 0 0 0
22 129 4 2 1 0 23 129 4 2 1 0 24 129 0 0 0 0
22 130 15 7 3 1 23 130 17 8 4 1 24 130 1 0 0 0
22 131 15 7 3 1 23 131 17 8 4 1 24 131 1 0 0 0
22 132 47 15 26 4 23 132 54 17 29 4 24 132 2 1 1 0
22 133 5 1 3 0 23 133 5 2 3 0 24 133 0 0 0 0
22 135 5 3 3 0 23 135 6 3 3 0 24 135 0 0 0 0
22 136 8 8 0 2 23 136 9 9 0 2 24 136 0 0 0 0
22 137 0 0 0 0 23 137 0 0 0 0 24 137 0 0 0 0
22 139 9 10 2 0 23 139 10 12 3 0 24 139 0 0 0 0
22 140 5 6 1 0 23 140 6 6 1 0 24 140 0 0 0 0
22 141 77 76 0 16 23 141 88 88 0 19 24 141 3 3 0 1
25 1 10 43 36 7 26 1 6 29 23 4 27 1 1 4 4 1
25 2 13 58 48 9 26 2 9 38 31 6 27 2 1 6 5 1
25 3 23 100 82 15 26 3 15 66 53 10 27 3 2 10 8 2
25 4 21 92 75 14 26 4 14 61 49 9 27 4 2 9 8 1
25 5 52 232 190 36 26 5 34 153 123 24 27 5 5 23 19 4
25 6 51 224 183 35 26 6 33 148 119 23 27 6 5 22 19 3
25 7 33 147 120 23 26 7 22 97 78 15 27 7 3 15 12 2
25 8 46 203 166 31 26 8 30 134 108 21 27 8 5 20 17 3
25 9 9 41 33 6 26 9 6 27 22 4 27 9 1 4 3 1
25 10 35 35 38 0 26 10 23 23 25 0 27 10 4 3 4 0
25 11 76 74 82 0 26 11 50 49 53 0 27 11 8 7 8 0
25 12 31 30 33 0 26 12 20 20 21 0 27 12 3 3 3 0
25 13 61 59 65 0 26 13 40 39 43 0 27 13 6 6 7 0
25 14 33 32 35 0 26 14 22 21 23 0 27 14 3 3 4 0
25 15 8 2 4 1 26 15 5 2 3 0 27 15 1 0 0 0
25 16 48 47 52 0 26 16 32 31 34 0 27 16 5 5 5 0
25 17 51 50 55 0 26 17 34 33 36 0 27 17 5 5 6 0
25 18 37 36 40 0 26 18 24 24 26 0 27 18 4 4 4 0
25 19 22 7 40 1 26 19 14 5 26 1 27 19 2 1 4 0
25 20 18 6 33 1 26 20 12 4 21 0 27 20 2 1 3 0
25 21 327 103 598 13 26 21 214 68 389 9 27 21 33 10 61 1
25 22 123 39 225 5 26 22 81 26 146 3 27 22 12 4 23 0
25 23 50 16 91 2 26 23 33 10 59 1 27 23 5 2 9 0
25 24 256 81 469 10 26 24 168 54 305 7 27 24 26 8 48 1
25 26 27 9 49 1 26 25 51 16 92 2 27 25 8 2 14 0
25 27 154 49 283 6 26 27 101 32 184 4 27 26 3 1 5 0
25 28 102 66 104 17 26 28 67 44 68 11 27 28 10 7 11 2
25 29 110 71 112 18 26 29 72 47 73 12 27 29 11 7 11 2
25 30 213 138 217 35 26 30 139 91 141 23 27 30 21 14 22 4
25 31 80 52 81 13 26 31 52 34 53 9 27 31 8 5 8 1
25 32 0 0 0 0 26 32 0 0 0 0 27 32 0 0 0 0
25 33 82 53 84 14 26 33 54 35 54 9 27 33 8 5 9 1
25 34 47 30 47 8 26 34 31 20 31 5 27 34 5 3 5 1
25 35 306 198 312 51 26 35 200 131 203 33 27 35 31 20 32 5
25 36 36 23 37 6 26 36 24 15 24 4 27 36 4 2 4 1
25 37 16 11 5 1 26 37 10 7 3 0 27 37 2 1 1 0
25 38 14 9 5 1 26 38 9 6 3 0 27 38 1 1 0 0
25 39 0 0 0 0 26 39 0 0 0 0 27 39 0 0 0 0
25 40 69 46 22 3 26 40 45 30 14 2 27 40 7 5 2 0
25 41 51 34 16 2 26 41 34 22 11 2 27 41 5 3 2 0
25 42 16 7 3 1 26 42 10 5 2 0 27 42 2 1 0 0
25 43 69 45 22 3 26 43 45 30 14 2 27 43 7 5 2 0
25 44 9 6 3 0 26 44 6 4 2 0 27 44 1 1 0 0
25 45 48 32 15 2 26 45 31 21 10 1 27 45 5 3 2 0
25 46 30 20 9 1 26 46 19 13 6 1 27 46 3 2 1 0
25 47 80 53 25 4 26 47 52 35 17 2 27 47 8 5 3 0
25 48 7 4 4 0 26 48 5 3 3 0 27 48 1 0 0 0
25 49 3 2 2 0 26 49 2 1 1 0 27 49 0 0 0 0
25 50 5 3 3 0 26 50 3 2 2 0 27 50 0 0 0 0
25 51 8 5 5 0 26 51 5 3 3 0 27 51 1 1 1 0
25 52 6 4 4 0 26 52 4 2 2 0 27 52 1 0 0 0
25 53 7 4 4 0 26 53 5 3 3 0 27 53 1 0 0 0
25 54 4 3 2 0 26 54 3 2 2 0 27 54 0 0 0 0
25 55 35 22 21 0 26 55 23 15 14 0 27 55 4 2 2 0
25 56 24 15 15 0 26 56 16 10 10 0 27 56 2 2 2 0
25 57 1 1 1 0 26 57 1 0 0 0 27 57 0 0 0 0
25 58 26 12 6 1 26 58 17 8 4 1 27 58 3 1 1 0
25 59 154 69 34 6 26 59 101 46 22 4 27 59 16 7 4 1
25 60 14 6 3 1 26 60 9 4 2 0 27 60 1 1 0 0
25 61 10 4 2 0 26 61 6 3 1 0 27 61 1 0 0 0
25 62 27 12 6 1 26 62 18 8 4 1 27 62 3 1 1 0
25 63 18 8 4 1 26 63 12 6 3 1 27 63 2 1 0 0
25 64 1 1 0 0 26 64 1 0 0 0 27 64 0 0 0 0
25 65 24 11 5 1 26 65 16 7 3 1 27 65 2 1 1 0
25 66 18 8 4 1 26 66 12 5 3 0 27 66 2 1 0 0
25 67 14 7 3 1 26 67 9 4 2 0 27 67 1 1 0 0
25 68 10 5 2 0 26 68 7 3 1 0 27 68 1 0 0 0
25 69 52 24 12 2 26 69 34 16 8 1 27 69 5 2 1 0
25 70 2 1 1 0 26 70 2 1 0 0 27 70 0 0 0 0
25 71 8 8 0 2 26 71 5 5 0 1 27 71 1 1 0 0
25 72 13 13 0 3 26 72 8 8 0 2 27 72 1 1 0 0
25 73 71 70 0 15 26 73 46 46 0 10 27 73 7 7 0 2
25 75 6 6 0 1 26 75 4 4 0 1 27 75 1 1 0 0
25 76 0 0 0 0 26 76 0 0 0 0 27 76 0 0 0 0
25 77 1 1 0 0 26 77 1 1 0 0 27 77 0 0 0 0
25 78 20 20 0 4 26 78 13 13 0 3 27 78 2 2 0 0
25 79 36 24 11 2 26 79 24 16 7 1 27 79 4 2 1 0
25 80 56 30 0 9 26 80 37 20 0 6 27 80 6 3 0 1
25 81 24 12 0 4 26 81 16 8 0 2 27 81 2 1 0 0
25 82 46 24 0 7 26 82 30 16 0 5 27 82 5 2 0 1
25 83 112 59 0 18 26 83 73 39 0 12 27 83 11 6 0 2
25 84 10 5 0 2 26 84 6 3 0 1 27 84 1 1 0 0
25 85 0 0 0 0 26 85 0 0 0 0 27 85 0 0 0 0
25 86 4 13 5 2 26 86 3 9 3 1 27 86 0 1 0 0
25 87 8 24 8 3 26 87 5 16 5 2 27 87 1 2 1 0
25 88 4 13 5 2 26 88 3 9 3 1 27 88 0 1 0 0
25 89 7 23 8 3 26 89 5 15 5 2 27 89 1 2 1 0
25 90 10 31 11 4 26 90 7 21 7 3 27 90 1 3 1 0
25 91 9 26 9 4 26 91 6 17 6 2 27 91 1 3 1 0
25 92 16 7 4 1 26 92 11 5 2 0 27 92 2 1 0 0
25 93 2 2 0 0 26 93 1 1 0 0 27 93 0 0 0 0
25 94 2 2 1 0 26 94 1 2 0 0 27 94 0 0 0 0
25 95 3 4 1 0 26 95 2 3 1 0 27 95 0 0 0 0
25 96 0 0 0 0 26 96 0 0 0 0 27 96 0 0 0 0
25 97 7 8 2 0 26 97 4 5 1 0 27 97 1 1 0 0
25 98 11 3 6 1 26 98 7 2 4 1 27 98 1 0 1 0
25 99 94 30 51 7 26 99 61 20 33 5 27 99 9 3 5 1
25 100 51 16 28 4 26 100 33 11 18 3 27 100 5 2 3 0
25 101 20 6 11 2 26 101 13 4 7 1 27 101 2 1 1 0
25 102 22 7 12 2 26 102 15 5 8 1 27 102 2 1 1 0
25 103 8 3 5 1 26 103 5 2 3 0 27 103 1 0 0 0
25 104 17 5 9 1 26 104 11 4 6 1 27 104 2 1 1 0
25 105 13 4 7 1 26 105 9 3 5 1 27 105 1 0 1 0
25 106 2 1 1 0 26 106 1 1 1 0 27 106 0 0 0 0
25 107 41 13 23 3 26 107 27 9 15 2 27 107 4 1 2 0
25 108 25 8 14 2 26 108 17 5 9 1 27 108 3 1 1 0
25 109 5 1 3 0 26 109 3 1 2 0 27 109 0 0 0 0
25 110 25 8 46 1 26 110 17 5 30 1 27 110 3 1 5 0
25 111 7 8 2 0 26 111 5 5 1 0 27 111 1 1 0 0
25 112 0 0 0 0 26 112 0 0 0 0 27 112 0 0 0 0
25 114 0 0 0 0 26 114 0 0 0 0 27 114 0 0 0 0
25 115 0 0 0 0 26 115 0 0 0 0 27 115 0 0 0 0
25 116 23 10 5 1 26 116 15 7 3 1 27 116 2 1 1 0
25 117 3 1 2 0 26 117 2 1 1 0 27 117 0 0 0 0
25 118 31 138 113 21 26 118 20 91 73 14 27 118 3 14 12 2
25 119 10 43 36 7 26 119 6 29 23 4 27 119 1 4 4 1
25 120 118 78 37 5 26 120 77 51 24 4 27 120 12 8 4 1
25 121 13 15 3 0 26 121 9 10 2 0 27 121 1 2 0 0
25 122 7 21 7 3 26 122 5 14 5 2 27 122 1 2 1 0
25 123 2 1 0 0 26 123 1 1 0 0 27 123 0 0 0 0
25 124 0 0 0 0 26 124 0 0 0 0 27 124 0 0 0 0
25 125 9 9 0 2 26 125 6 6 0 1 27 125 1 1 0 0
25 126 96 63 31 4 26 126 63 42 20 3 27 126 10 6 3 0
25 127 39 26 12 2 26 127 25 17 8 1 27 127 4 3 1 0
25 128 30 19 18 0 26 128 19 12 12 0 27 128 3 2 2 0
25 129 7 3 1 0 26 129 4 2 1 0 27 129 1 0 0 0
25 130 26 12 6 1 26 130 17 8 4 1 27 130 3 1 1 0
25 131 25 11 6 1 26 131 16 7 4 1 27 131 3 1 1 0
25 132 81 26 44 6 26 132 53 17 29 4 27 132 8 3 5 1
25 133 8 3 4 1 26 133 5 2 3 0 27 133 1 0 0 0
25 135 8 5 5 0 26 135 5 3 3 0 27 135 1 1 1 0
25 136 14 14 0 3 26 136 9 9 0 2 27 136 1 1 0 0
25 137 0 0 0 0 26 137 0 0 0 0 27 137 0 0 0 0
25 139 16 18 4 0 26 139 10 12 2 0 27 139 2 2 0 0
25 140 8 10 2 0 26 140 5 6 1 0 27 140 1 1 0 0
25 141 132 132 0 28 26 141 87 87 0 19 27 141 13 13 0 3
28 1 14 77 117 24 29 1 7 35 53 11 30 1 3 18 28 6
28 2 19 103 157 32 29 2 9 47 72 15 30 2 4 23 38 7
28 3 33 179 271 55 29 3 15 81 123 25 30 3 8 41 65 13
28 4 30 164 248 51 29 4 14 74 113 23 30 4 7 37 60 12
28 5 77 413 626 127 29 5 35 187 285 58 30 5 18 94 151 29
28 6 74 399 606 123 29 6 34 181 276 56 30 6 17 91 146 28
28 7 49 262 398 81 29 7 22 119 181 37 30 7 11 59 96 19
28 8 67 362 549 112 29 8 30 164 250 51 30 8 15 82 132 26
28 9 13 73 110 22 29 9 6 33 50 10 30 9 3 16 27 5
28 10 57 33 30 4 29 10 26 15 14 2 30 10 13 7 7 1
28 11 122 70 65 9 29 11 56 32 30 4 30 11 28 16 16 2
28 12 50 29 26 4 29 12 23 13 12 2 30 12 11 6 6 1
28 13 98 57 52 7 29 13 45 26 24 3 30 13 23 13 13 2
28 14 53 31 28 4 29 14 24 14 13 2 30 14 12 7 7 1
28 15 15 1 3 0 29 15 7 0 1 0 30 15 4 0 1 0
28 16 78 45 41 6 29 16 35 20 19 3 30 16 18 10 10 1
28 17 83 48 44 6 29 17 38 22 20 3 30 17 19 11 11 1
28 18 60 34 32 4 29 18 27 16 14 2 30 18 14 8 8 1
28 19 12 3 23 1 29 19 6 1 10 0 30 19 3 1 5 0
28 20 10 2 19 0 29 20 5 1 9 0 30 20 2 0 5 0
28 21 186 38 345 9 29 21 84 17 157 4 30 21 43 9 83 2
28 22 70 14 130 3 29 22 32 7 59 1 30 22 16 3 31 1
28 23 28 6 53 1 29 23 13 3 24 1 30 23 7 1 13 0
28 24 146 30 270 7 29 24 66 14 123 3 30 24 33 7 65 2
28 25 44 9 82 2 29 25 20 4 37 1 30 25 10 2 20 0
28 26 15 3 28 1 29 26 7 1 13 0 30 26 4 1 7 0
28 27 88 18 163 4 29 27 40 8 74 2 30 27 20 4 39 1
28 29 163 53 1045 50 29 28 69 22 442 21 30 28 35 11 234 11
28 30 316 103 2027 96 29 30 143 47 923 44 30 29 37 12 251 11
28 31 119 39 761 36 29 31 54 18 346 16 30 31 27 9 183 8
28 32 0 0 0 0 29 32 0 0 0 0 30 32 0 0 0 0
28 33 122 40 781 37 29 33 55 18 356 17 30 33 28 9 188 9
28 34 69 23 444 21 29 34 31 10 202 10 30 34 16 5 107 5
28 35 454 148 2913 138 29 35 206 67 1326 63 30 35 104 34 701 32
28 36 53 17 343 16 29 36 24 8 156 7 30 36 12 4 83 4
28 37 26 18 41 6 29 37 12 8 19 3 30 37 6 4 10 1
28 38 24 16 37 5 29 38 11 7 17 2 30 38 5 4 9 1
28 39 0 0 0 0 29 39 0 0 0 0 30 39 0 0 0 0
28 40 114 76 177 26 29 40 52 35 81 12 30 40 26 17 43 6
28 41 85 57 132 20 29 41 39 26 60 9 30 41 19 13 32 5
28 42 26 4 5 1 29 42 12 2 2 0 30 42 6 1 1 0
28 43 113 76 176 26 29 43 51 34 80 12 30 43 26 17 42 6
28 44 14 10 22 3 29 44 6 4 10 1 30 44 3 2 5 1
28 45 79 53 122 18 29 45 36 24 56 8 30 45 18 12 29 4
28 46 49 33 76 11 29 46 22 15 35 5 30 46 11 7 18 3
28 47 132 88 205 31 29 47 60 40 93 14 30 47 30 20 49 7
28 48 24 20 7 2 29 48 11 9 3 1 30 48 6 5 2 1
28 49 11 9 3 1 29 49 5 4 1 0 30 49 2 2 1 0
28 50 16 14 5 2 29 50 7 6 2 1 30 50 4 3 1 0
28 51 28 23 8 3 29 51 13 11 4 1 30 51 6 5 2 1
28 52 20 17 6 2 29 52 9 8 3 1 30 52 5 4 1 0
28 53 24 20 7 2 29 53 11 9 3 1 30 53 5 4 2 1
28 54 14 12 4 1 29 54 6 5 2 1 30 54 3 3 1 0
28 55 120 100 34 11 29 55 54 46 16 5 30 55 27 23 8 3
28 56 83 70 24 8 29 56 38 32 11 4 30 56 19 16 6 2
28 57 3 3 1 0 29 57 1 1 0 0 30 57 1 1 0 0
28 58 43 6 9 1 29 58 20 3 4 1 30 58 10 1 2 0
28 59 251 35 53 7 29 59 114 16 24 3 30 59 58 8 13 2
28 60 23 3 5 1 29 60 10 1 2 0 30 60 5 1 1 0
28 61 16 2 3 0 29 61 7 1 2 0 30 61 4 1 1 0
28 62 44 6 9 1 29 62 20 3 4 1 30 62 10 1 2 0
28 63 30 4 6 1 29 63 14 2 3 0 30 63 7 1 2 0
28 64 2 0 1 0 29 64 1 0 0 0 30 64 1 0 0 0
28 65 39 5 8 1 29 65 18 2 4 0 30 65 9 1 2 0
28 66 30 4 6 1 29 66 14 2 3 0 30 66 7 1 2 0
28 67 24 3 5 1 29 67 11 2 2 0 30 67 5 1 1 0
28 68 17 2 4 0 29 68 8 1 2 0 30 68 4 1 1 0
28 69 86 12 18 2 29 69 39 5 8 1 30 69 20 3 4 1
28 70 4 1 1 0 29 70 2 0 0 0 30 70 1 0 0 0
28 71 40 21 7 4 29 71 18 10 3 2 30 71 9 5 2 1
28 72 63 34 11 6 29 72 28 15 5 3 30 72 14 8 3 1
28 73 351 189 62 31 29 73 159 86 28 14 30 73 81 43 15 7
28 75 32 17 6 3 29 75 15 8 3 1 30 75 7 4 1 1
28 76 0 0 0 0 29 76 0 0 0 0 30 76 0 0 0 0
28 77 5 2 1 0 29 77 2 1 0 0 30 77 1 1 0 0
28 78 100 54 18 9 29 78 45 24 8 4 30 78 23 12 4 2
28 79 59 40 92 14 29 79 27 18 42 6 30 79 14 9 22 3
28 80 97 66 0 34 29 80 44 30 0 15 30 80 22 15 0 8
28 81 40 28 0 14 29 81 18 13 0 6 30 81 9 6 0 3
28 82 79 54 0 27 29 82 36 25 0 12 30 82 18 12 0 6
28 83 191 131 0 67 29 83 87 59 0 30 30 83 44 30 0 15
28 84 16 11 0 6 29 84 7 5 0 3 30 84 4 3 0 1
28 85 0 0 0 0 29 85 0 0 0 0 30 85 0 0 0 0
28 86 25 28 24 0 29 86 11 13 11 0 30 86 6 6 6 0
28 87 45 50 43 0 29 87 20 23 20 0 30 87 10 11 10 0
28 88 26 28 25 0 29 88 12 13 11 0 30 88 6 6 6 0
28 89 43 48 41 0 29 89 20 22 19 0 30 89 10 11 10 0
28 90 59 66 57 0 29 90 27 30 26 0 30 90 14 15 14 0
28 91 50 56 48 0 29 91 23 25 22 0 30 91 12 13 12 0
28 92 27 4 6 1 29 92 12 2 3 0 30 92 6 1 1 0
28 93 14 12 10 3 29 93 6 6 5 1 30 93 3 3 2 1
28 94 17 16 13 4 29 94 8 7 6 2 30 94 4 4 3 1
28 95 29 26 21 6 29 95 13 12 9 3 30 95 7 6 5 1
28 96 2 2 2 0 29 96 1 1 1 0 30 96 1 0 0 0
28 97 55 49 40 11 29 97 25 22 18 5 30 97 13 11 10 3
28 98 22 1 4 0 29 98 10 0 2 0 30 98 5 0 1 0
28 99 191 7 36 0 29 99 87 3 17 0 30 99 44 2 9 0
28 100 103 4 20 0 29 100 47 2 9 0 30 100 24 1 5 0
28 101 41 2 8 0 29 101 19 1 4 0 30 101 9 0 2 0
28 102 45 2 9 0 29 102 20 1 4 0 30 102 10 0 2 0
28 103 17 1 3 0 29 103 8 0 1 0 30 103 4 0 1 0
28 104 35 1 7 0 29 104 16 1 3 0 30 104 8 0 2 0
28 105 27 1 5 0 29 105 12 0 2 0 30 105 6 0 1 0
28 106 8 6 2 1 29 106 3 3 1 0 30 106 2 1 1 0
28 107 84 3 16 0 29 107 38 1 7 0 30 107 19 1 4 0
28 108 52 2 10 0 29 108 23 1 4 0 30 108 12 0 2 0
28 109 9 0 2 0 29 109 4 0 1 0 30 109 2 0 0 0
28 110 14 3 27 1 29 110 7 1 12 0 30 110 3 1 6 0
28 111 57 52 42 12 29 111 26 23 19 5 30 111 13 12 10 3
28 112 0 0 0 0 29 112 0 0 0 0 30 112 0 0 0 0
28 114 0 0 0 0 29 114 0 0 0 0 30 114 0 0 0 0
28 115 0 0 0 0 29 115 0 0 0 0 30 115 0 0 0 0
28 116 37 5 8 1 29 116 17 2 4 0 30 116 8 1 2 0
28 117 7 0 1 0 29 117 3 0 1 0 30 117 2 0 0 0
28 118 45 245 372 76 29 118 21 111 169 34 30 118 10 56 90 18
28 119 14 77 117 24 29 119 6 35 53 11 30 119 3 18 28 6
28 120 194 130 302 45 29 120 88 59 137 20 30 120 44 30 73 10
28 121 110 99 80 22 29 121 50 45 36 10 30 121 25 23 19 5
28 122 40 44 38 0 29 122 18 20 17 0 30 122 9 10 9 0
28 123 7 4 1 1 29 123 3 2 1 0 30 123 2 1 0 0
28 124 0 0 0 0 29 124 0 0 0 0 30 124 0 0 0 0
28 125 45 24 8 4 29 125 21 11 4 2 30 125 10 6 2 1
28 126 158 106 246 37 29 126 72 48 112 17 30 126 36 24 59 8
28 127 64 43 100 15 29 127 29 20 45 7 30 127 15 10 24 3
28 128 101 85 29 9 29 128 46 38 13 4 30 128 23 19 7 2
28 129 11 2 2 0 29 129 5 1 1 0 30 129 3 0 1 0
28 130 42 6 9 1 29 130 19 3 4 0 30 130 10 1 2 0
28 131 41 6 9 1 29 131 19 3 4 0 30 131 9 1 2 0
28 132 165 6 31 0 29 132 75 3 14 0 30 132 38 1 8 0
28 133 16 1 3 0 29 133 7 0 1 0 30 133 4 0 1 0
28 135 28 24 8 3 29 135 13 11 4 1 30 135 7 5 2 1
28 136 68 36 12 6 29 136 31 17 5 3 30 136 16 8 3 1
28 137 0 0 0 0 29 137 0 0 0 0 30 137 0 0 0 0
28 139 128 116 94 26 29 139 58 53 43 12 30 139 29 26 23 6
28 140 69 63 50 14 29 140 31 28 23 6 30 140 16 14 12 3
28 141 658 353 116 58 29 141 298 160 53 27 30 141 151 80 28 14
31 1 3 18 27 6 32 1 0 0 1 0 33 1 3 17 25 5
31 2 5 24 37 7 32 2 0 1 1 0 33 2 4 23 34 7
31 3 8 42 63 13 32 3 0 1 2 0 33 3 7 39 59 12
31 4 7 39 58 12 32 4 0 1 2 0 33 4 7 36 54 11
31 5 18 97 146 30 32 5 0 3 4 1 33 5 17 90 136 28
31 6 17 94 141 29 32 6 0 3 4 1 33 6 16 87 131 27
31 7 11 62 93 19 32 7 0 2 2 1 33 7 11 57 86 18
31 8 16 85 128 26 32 8 0 2 3 1 33 8 15 79 119 24
31 9 3 17 26 5 32 9 0 0 1 0 33 9 3 16 24 5
31 10 13 8 7 1 32 10 0 0 0 0 33 10 12 7 7 1
31 11 29 17 15 2 32 11 1 0 0 0 33 11 27 15 14 2
31 12 12 7 6 1 32 12 0 0 0 0 33 12 11 6 6 1
31 13 23 13 12 2 32 13 1 0 0 0 33 13 21 12 11 2
31 14 13 7 7 1 32 14 0 0 0 0 33 14 12 7 6 1
31 15 4 0 1 0 32 15 0 0 0 0 33 15 3 0 1 0
31 16 18 11 10 1 32 16 0 0 0 0 33 16 17 10 9 1
31 17 19 11 10 1 32 17 1 0 0 0 33 17 18 10 10 1
31 18 14 8 7 1 32 18 0 0 0 0 33 18 13 8 7 1
31 19 3 1 5 0 32 19 0 0 0 0 33 19 3 1 5 0
31 20 2 0 4 0 32 20 0 0 0 0 33 20 2 0 4 0
31 21 44 9 80 2 32 21 1 0 2 0 33 21 41 8 75 2
31 22 16 3 30 1 32 22 0 0 1 0 33 22 15 3 28 1
31 23 7 1 12 0 32 23 0 0 0 0 33 23 6 1 11 0
31 24 34 7 63 2 32 24 1 0 2 0 33 24 32 7 59 1
31 25 10 2 19 0 32 25 0 0 1 0 33 25 10 2 18 0
31 26 4 1 7 0 32 26 0 0 0 0 33 26 3 1 6 0
31 27 21 4 38 1 32 27 1 0 1 0 33 27 19 4 35 1
31 28 36 12 226 11 32 28 1 0 6 0 33 28 33 11 210 10
31 29 38 13 243 12 32 29 1 0 6 0 33 29 36 12 226 11
31 30 74 24 472 23 32 30 2 1 12 1 33 30 69 23 439 21
31 32 0 0 0 0 32 31 1 0 5 0 33 31 26 8 165 8
31 33 29 9 182 9 32 33 1 0 5 0 33 32 0 0 0 0
31 34 16 5 103 5 32 34 0 0 3 0 33 34 15 5 96 5
31 35 107 35 678 32 32 35 3 1 18 1 33 35 99 32 631 30
31 36 13 4 80 4 32 36 0 0 2 0 33 36 12 4 74 4
31 37 6 4 10 1 32 37 0 0 0 0 33 37 6 4 9 1
31 38 6 4 9 1 32 38 0 0 0 0 33 38 5 3 8 1
31 39 0 0 0 0 32 39 0 0 0 0 33 39 0 0 0 0
31 40 27 18 41 6 32 40 1 0 1 0 33 40 25 17 38 6
31 41 20 13 31 5 32 41 1 0 1 0 33 41 19 12 29 4
31 42 6 1 1 0 32 42 0 0 0 0 33 42 6 1 1 0
31 43 27 18 41 6 32 43 1 0 1 0 33 43 25 17 38 6
31 44 3 2 5 1 32 44 0 0 0 0 33 44 3 2 5 1
31 45 19 12 29 4 32 45 1 0 1 0 33 45 17 12 27 4
31 46 12 8 18 3 32 46 0 0 0 0 33 46 11 7 17 2
31 47 31 21 48 7 32 47 1 1 1 0 33 47 29 19 44 7
31 48 6 5 2 1 32 48 0 0 0 0 33 48 5 4 2 0
31 49 2 2 1 0 32 49 0 0 0 0 33 49 2 2 1 0
31 50 4 3 1 0 32 50 0 0 0 0 33 50 4 3 1 0
31 51 7 5 2 1 32 51 0 0 0 0 33 51 6 5 2 1
31 52 5 4 1 0 32 52 0 0 0 0 33 52 4 4 1 0
31 53 6 5 2 1 32 53 0 0 0 0 33 53 5 4 1 0
31 54 3 3 1 0 32 54 0 0 0 0 33 54 3 3 1 0
31 55 28 24 8 3 32 55 1 1 0 0 33 55 26 22 7 2
31 56 20 16 6 2 32 56 1 0 0 0 33 56 18 15 5 2
31 57 1 1 0 0 32 57 0 0 0 0 33 57 1 1 0 0
31 58 10 1 2 0 32 58 0 0 0 0 33 58 9 1 2 0
31 59 59 8 12 2 32 59 2 0 0 0 33 59 55 8 11 1
31 60 5 1 1 0 32 60 0 0 0 0 33 60 5 1 1 0
31 61 4 1 1 0 32 61 0 0 0 0 33 61 4 0 1 0
31 62 10 1 2 0 32 62 0 0 0 0 33 62 10 1 2 0
31 63 7 1 1 0 32 63 0 0 0 0 33 63 7 1 1 0
31 64 1 0 0 0 32 64 0 0 0 0 33 64 1 0 0 0
31 65 9 1 2 0 32 65 0 0 0 0 33 65 8 1 2 0
31 66 7 1 1 0 32 66 0 0 0 0 33 66 7 1 1 0
31 67 6 1 1 0 32 67 0 0 0 0 33 67 5 1 1 0
31 68 4 1 1 0 32 68 0 0 0 0 33 68 4 1 1 0
31 69 20 3 4 1 32 69 1 0 0 0 33 69 19 3 4 0
31 70 1 0 0 0 32 70 0 0 0 0 33 70 1 0 0 0
31 71 9 5 2 1 32 71 0 0 0 0 33 71 9 5 2 1
31 72 15 8 3 1 32 72 0 0 0 0 33 72 14 7 2 1
31 73 83 44 14 7 32 73 2 1 0 0 33 73 77 41 13 7
31 75 8 4 1 1 32 75 0 0 0 0 33 75 7 4 1 1
31 76 0 0 0 0 32 76 0 0 0 0 33 76 0 0 0 0
31 77 1 1 0 0 32 77 0 0 0 0 33 77 1 1 0 0
31 78 23 13 4 2 32 78 1 0 0 0 33 78 22 12 4 2
31 79 14 9 22 3 32 79 0 0 1 0 33 79 13 9 20 3
31 80 23 16 0 8 32 80 1 0 0 0 33 80 21 15 0 7
31 81 10 7 0 3 32 81 0 0 0 0 33 81 9 6 0 3
31 82 19 13 0 6 32 82 1 0 0 0 33 82 17 12 0 6
31 83 45 31 0 16 32 83 1 1 0 0 33 83 42 29 0 15
31 84 4 3 0 1 32 84 0 0 0 0 33 84 4 2 0 1
31 85 0 0 0 0 32 85 0 0 0 0 33 85 0 0 0 0
31 86 6 7 6 0 32 86 0 0 0 0 33 86 6 6 5 0
31 87 11 12 10 0 32 87 0 0 0 0 33 87 10 11 9 0
31 88 6 7 6 0 32 88 0 0 0 0 33 88 6 6 5 0
31 89 10 11 10 0 32 89 0 0 0 0 33 89 9 10 9 0
31 90 14 16 13 0 32 90 0 0 0 0 33 90 13 14 12 0
31 91 12 13 11 0 32 91 0 0 0 0 33 91 11 12 10 0
31 92 6 1 1 0 32 92 0 0 0 0 33 92 6 1 1 0
31 93 3 3 2 1 32 93 0 0 0 0 33 93 3 3 2 1
31 94 4 4 3 1 32 94 0 0 0 0 33 94 4 3 3 1
31 95 7 6 5 1 32 95 0 0 0 0 33 95 6 6 5 1
31 96 1 0 0 0 32 96 0 0 0 0 33 96 0 0 0 0
31 97 13 12 9 3 32 97 0 0 0 0 33 97 12 11 9 2
31 98 5 0 1 0 32 98 0 0 0 0 33 98 5 0 1 0
31 99 45 2 8 0 32 99 1 0 0 0 33 99 42 2 8 0
31 100 24 1 5 0 32 100 1 0 0 0 33 100 22 1 4 0
31 101 10 0 2 0 32 101 0 0 0 0 33 101 9 0 2 0
31 102 11 0 2 0 32 102 0 0 0 0 33 102 10 0 2 0
31 103 4 0 1 0 32 103 0 0 0 0 33 103 4 0 1 0
31 104 8 0 2 0 32 104 0 0 0 0 33 104 8 0 1 0
31 105 6 0 1 0 32 105 0 0 0 0 33 105 6 0 1 0
31 106 2 1 1 0 32 106 0 0 0 0 33 106 2 1 0 0
31 107 20 1 4 0 32 107 1 0 0 0 33 107 18 1 3 0
31 108 12 0 2 0 32 108 0 0 0 0 33 108 11 0 2 0
31 109 2 0 0 0 32 109 0 0 0 0 33 109 2 0 0 0
31 110 3 1 6 0 32 110 0 0 0 0 33 110 3 1 6 0
31 111 13 12 10 3 32 111 0 0 0 0 33 111 12 11 9 3
31 112 0 0 0 0 32 112 0 0 0 0 33 112 0 0 0 0
31 114 0 0 0 0 32 114 0 0 0 0 33 114 0 0 0 0
31 115 0 0 0 0 32 115 0 0 0 0 33 115 0 0 0 0
31 116 9 1 2 0 32 116 0 0 0 0 33 116 8 1 2 0
31 117 2 0 0 0 32 117 0 0 0 0 33 117 1 0 0 0
31 118 11 58 87 18 32 118 0 2 2 0 33 118 10 54 81 17
31 119 3 18 27 6 32 119 0 0 1 0 33 119 3 17 25 5
31 120 46 31 70 11 32 120 1 1 2 0 33 120 42 28 65 10
31 121 26 23 19 5 32 121 1 1 0 0 33 121 24 22 17 5
31 122 9 10 9 0 32 122 0 0 0 0 33 122 9 10 8 0
31 123 2 1 0 0 32 123 0 0 0 0 33 123 2 1 0 0
31 124 0 0 0 0 32 124 0 0 0 0 33 124 0 0 0 0
31 125 11 6 2 1 32 125 0 0 0 0 33 125 10 5 2 1
31 126 37 25 57 9 32 126 1 1 2 0 33 126 35 23 53 8
31 127 15 10 23 3 32 127 0 0 1 0 33 127 14 9 22 3
31 128 24 20 7 2 32 128 1 1 0 0 33 128 22 19 6 2
31 129 3 0 1 0 32 129 0 0 0 0 33 129 2 0 1 0
31 130 10 1 2 0 32 130 0 0 0 0 33 130 9 1 2 0
31 131 10 1 2 0 32 131 0 0 0 0 33 131 9 1 2 0
31 132 39 1 7 0 32 132 1 0 0 0 33 132 36 1 7 0
31 133 4 0 1 0 32 133 0 0 0 0 33 133 4 0 1 0
31 135 7 6 2 1 32 135 0 0 0 0 33 135 6 5 2 1
31 136 16 9 3 1 32 136 0 0 0 0 33 136 15 8 3 1
31 137 0 0 0 0 32 137 0 0 0 0 33 137 0 0 0 0
31 139 30 27 22 6 32 139 1 1 1 0 33 139 28 25 20 6
31 140 16 15 12 3 32 140 0 0 0 0 33 140 15 14 11 3
31 141 155 83 27 14 32 141 4 2 1 0 33 141 144 77 25 13
34 1 3 15 22 5 35 1 0 1 2 0 36 1 1 3 4 1
34 2 4 20 30 6 35 2 0 1 2 0 36 2 1 4 5 1
34 3 6 35 51 11 35 3 0 3 4 1 36 3 1 6 9 2
34 4 6 32 47 10 35 4 0 2 4 1 36 4 1 6 9 2
34 5 15 80 118 24 35 5 1 6 10 2 36 5 3 15 22 5
34 6 14 77 114 24 35 6 1 6 10 2 36 6 3 14 21 4
34 7 9 51 75 16 35 7 1 4 6 1 36 7 2 9 14 3
34 8 13 70 103 21 35 8 1 5 9 2 36 8 2 13 19 4
34 9 3 14 21 4 35 9 0 1 2 0 36 9 0 3 4 1
34 10 11 6 6 1 35 10 1 0 0 0 36 10 2 1 1 0
34 11 24 14 12 2 35 11 2 1 1 0 36 11 4 3 2 0
34 12 10 6 5 1 35 12 1 0 0 0 36 12 2 1 1 0
34 13 19 11 10 1 35 13 1 1 1 0 36 13 4 2 2 0
34 14 10 6 5 1 35 14 1 0 0 0 36 14 2 1 1 0
34 15 3 0 1 0 35 15 0 0 0 0 36 15 1 0 0 0
34 16 15 9 8 1 35 16 1 1 1 0 36 16 3 2 1 0
34 17 16 9 8 1 35 17 1 1 1 0 36 17 3 2 2 0
34 18 12 7 6 1 35 18 1 0 1 0 36 18 2 1 1 0
34 19 2 0 4 0 35 19 0 0 0 0 36 19 0 0 1 0
34 20 2 0 4 0 35 20 0 0 0 0 36 20 0 0 1 0
34 21 36 7 65 2 35 21 3 1 5 0 36 21 7 1 12 0
34 22 13 3 24 1 35 22 1 0 2 0 36 22 3 1 5 0
34 23 5 1 10 0 35 23 0 0 1 0 36 23 1 0 2 0
34 24 28 6 51 1 35 24 2 0 4 0 36 24 5 1 9 0
34 25 8 2 15 0 35 25 1 0 1 0 36 25 2 0 3 0
34 26 3 1 5 0 35 26 0 0 0 0 36 26 1 0 1 0
34 27 17 3 31 1 35 27 1 0 3 0 36 27 3 1 6 0
34 28 29 10 183 9 35 28 2 1 15 1 36 28 5 2 34 2
34 29 31 10 197 9 35 29 2 1 17 1 36 29 6 2 37 2
34 30 61 20 382 18 35 30 5 1 32 1 36 30 11 4 71 3
34 31 23 7 143 7 35 31 2 1 12 1 36 31 4 1 27 1
34 32 0 0 0 0 35 32 0 0 0 0 36 32 0 0 0 0
34 33 23 8 147 7 35 33 2 1 12 1 36 33 4 1 27 1
34 35 87 29 548 26 35 34 1 0 7 0 36 34 2 1 16 1
34 36 10 3 65 3 35 36 1 0 5 0 36 35 16 5 102 5
34 37 5 3 8 1 35 37 0 0 1 0 36 37 1 1 1 0
34 38 5 3 7 1 35 38 0 0 1 0 36 38 1 1 1 0
34 39 0 0 0 0 35 39 0 0 0 0 36 39 0 0 0 0
34 40 22 15 33 5 35 40 2 1 3 0 36 40 4 3 6 1
34 41 16 11 25 4 35 41 1 1 2 0 36 41 3 2 5 1
34 42 5 1 1 0 35 42 0 0 0 0 36 42 1 0 0 0
34 43 22 15 33 5 35 43 2 1 3 0 36 43 4 3 6 1
34 44 3 2 4 1 35 44 0 0 0 0 36 44 1 0 1 0
34 45 15 10 23 4 35 45 1 1 2 0 36 45 3 2 4 1
34 46 9 6 14 2 35 46 1 0 1 0 36 46 2 1 3 0
34 47 25 17 39 6 35 47 2 1 3 0 36 47 5 3 7 1
34 48 5 4 1 0 35 48 0 0 0 0 36 48 1 1 0 0
34 49 2 2 1 0 35 49 0 0 0 0 36 49 0 0 0 0
34 50 3 3 1 0 35 50 0 0 0 0 36 50 1 0 0 0
34 51 5 5 2 0 35 51 0 0 0 0 36 51 1 1 0 0
34 52 4 3 1 0 35 52 0 0 0 0 36 52 1 1 0 0
34 53 5 4 1 0 35 53 0 0 0 0 36 53 1 1 0 0
34 54 3 2 1 0 35 54 0 0 0 0 36 54 0 0 0 0
34 55 23 19 6 2 35 55 2 1 1 0 36 55 4 4 1 0
34 56 16 14 5 1 35 56 1 1 0 0 36 56 3 3 1 0
34 57 1 0 0 0 35 57 0 0 0 0 36 57 0 0 0 0
34 58 8 1 2 0 35 58 1 0 0 0 36 58 2 0 0 0
34 59 48 7 10 1 35 59 4 1 1 0 36 59 9 1 2 0
34 60 4 1 1 0 35 60 0 0 0 0 36 60 1 0 0 0
34 61 3 0 1 0 35 61 0 0 0 0 36 61 1 0 0 0
34 62 9 1 2 0 35 62 1 0 0 0 36 62 2 0 0 0
34 63 6 1 1 0 35 63 0 0 0 0 36 63 1 0 0 0
34 64 0 0 0 0 35 64 0 0 0 0 36 64 0 0 0 0
34 65 7 1 2 0 35 65 1 0 0 0 36 65 1 0 0 0
34 66 6 1 1 0 35 66 0 0 0 0 36 66 1 0 0 0
34 67 5 1 1 0 35 67 0 0 0 0 36 67 1 0 0 0
34 68 3 0 1 0 35 68 0 0 0 0 36 68 1 0 0 0
34 69 16 2 3 0 35 69 1 0 0 0 36 69 3 0 1 0
34 70 1 0 0 0 35 70 0 0 0 0 36 70 0 0 0 0
34 71 8 4 1 1 35 71 1 0 0 0 36 71 1 1 0 0
34 72 12 7 2 1 35 72 1 0 0 0 36 72 2 1 0 0
34 73 68 37 12 6 35 73 5 3 1 0 36 73 13 7 2 1
34 75 6 3 1 1 35 75 0 0 0 0 36 75 1 1 0 0
34 76 0 0 0 0 35 76 0 0 0 0 36 76 0 0 0 0
34 77 1 0 0 0 35 77 0 0 0 0 36 77 0 0 0 0
34 78 19 10 3 2 35 78 1 1 0 0 36 78 4 2 1 0
34 79 11 8 17 3 35 79 1 1 1 0 36 79 2 1 3 0
34 80 19 13 0 6 35 80 1 1 0 0 36 80 3 2 0 1
34 81 8 5 0 3 35 81 1 0 0 0 36 81 1 1 0 1
34 82 15 10 0 5 35 82 1 1 0 0 36 82 3 2 0 1
34 83 37 25 0 13 35 83 3 2 0 1 36 83 7 5 0 2
34 84 3 2 0 1 35 84 0 0 0 0 36 84 1 0 0 0
34 85 0 0 0 0 35 85 0 0 0 0 36 85 0 0 0 0
34 86 5 5 5 0 35 86 0 0 0 0 36 86 1 1 1 0
34 87 9 10 8 0 35 87 1 1 1 0 36 87 2 2 2 0
34 88 5 6 5 0 35 88 0 0 0 0 36 88 1 1 1 0
34 89 8 9 8 0 35 89 1 1 1 0 36 89 2 2 1 0
34 90 11 13 11 0 35 90 1 1 1 0 36 90 2 2 2 0
34 91 10 11 9 0 35 91 1 1 1 0 36 91 2 2 2 0
34 92 5 1 1 0 35 92 0 0 0 0 36 92 1 0 0 0
34 93 3 2 2 1 35 93 0 0 0 0 36 93 0 0 0 0
34 94 3 3 2 1 35 94 0 0 0 0 36 94 1 1 0 0
34 95 5 5 4 1 35 95 0 0 0 0 36 95 1 1 1 0
34 96 0 0 0 0 35 96 0 0 0 0 36 96 0 0 0 0
34 97 11 10 7 2 35 97 1 1 1 0 36 97 2 2 1 0
34 98 4 0 1 0 35 98 0 0 0 0 36 98 1 0 0 0
34 99 37 1 7 0 35 99 3 0 1 0 36 99 7 0 1 0
34 100 20 1 4 0 35 100 1 0 0 0 36 100 4 0 1 0
34 101 8 0 1 0 35 101 1 0 0 0 36 101 1 0 0 0
34 102 9 0 2 0 35 102 1 0 0 0 36 102 2 0 0 0
34 103 3 0 1 0 35 103 0 0 0 0 36 103 1 0 0 0
34 104 7 0 1 0 35 104 1 0 0 0 36 104 1 0 0 0
34 105 5 0 1 0 35 105 0 0 0 0 36 105 1 0 0 0
34 106 1 1 0 0 35 106 0 0 0 0 36 106 0 0 0 0
34 107 16 1 3 0 35 107 1 0 0 0 36 107 3 0 1 0
34 108 10 0 2 0 35 108 1 0 0 0 36 108 2 0 0 0
34 109 2 0 0 0 35 109 0 0 0 0 36 109 0 0 0 0
34 110 3 1 5 0 35 110 0 0 0 0 36 110 1 0 1 0
34 111 11 10 8 2 35 111 1 1 1 0 36 111 2 2 1 0
34 112 0 0 0 0 35 112 0 0 0 0 36 112 0 0 0 0
34 114 0 0 0 0 35 114 0 0 0 0 36 114 0 0 0 0
34 115 0 0 0 0 35 115 0 0 0 0 36 115 0 0 0 0
34 116 7 1 1 0 35 116 1 0 0 0 36 116 1 0 0 0
34 117 1 0 0 0 35 117 0 0 0 0 36 117 0 0 0 0
34 118 9 47 70 15 35 118 1 3 6 1 36 118 2 9 13 3
34 119 3 15 22 5 35 119 0 1 2 0 36 119 1 3 4 1
34 120 37 25 57 9 35 120 3 2 5 1 36 120 7 5 11 2
34 121 21 19 15 4 35 121 2 1 1 0 36 121 4 4 3 1
34 122 8 9 7 0 35 122 1 1 1 0 36 122 1 2 1 0
34 123 1 1 0 0 35 123 0 0 0 0 36 123 0 0 0 0
34 124 0 0 0 0 35 124 0 0 0 0 36 124 0 0 0 0
34 125 9 5 2 1 35 125 1 0 0 0 36 125 2 1 0 0
34 126 30 21 46 7 35 126 2 2 4 1 36 126 6 4 9 1
34 127 12 8 19 3 35 127 1 1 2 0 36 127 2 2 3 1
34 128 19 16 5 2 35 128 1 1 0 0 36 128 4 3 1 0
34 129 2 0 0 0 35 129 0 0 0 0 36 129 0 0 0 0
34 130 8 1 2 0 35 130 1 0 0 0 36 130 2 0 0 0
34 131 8 1 2 0 35 131 1 0 0 0 36 131 1 0 0 0
34 132 32 1 6 0 35 132 2 0 0 0 36 132 6 0 1 0
34 133 3 0 1 0 35 133 0 0 0 0 36 133 1 0 0 0
34 135 5 5 2 1 35 135 0 0 0 0 36 135 1 1 0 0
34 136 13 7 2 1 35 136 1 1 0 0 36 136 2 1 0 0
34 137 0 0 0 0 35 137 0 0 0 0 36 137 0 0 0 0
34 139 25 22 18 5 35 139 2 2 1 0 36 139 5 4 3 1
34 140 13 12 9 3 35 140 1 1 1 0 36 140 2 2 2 1
34 141 127 68 22 11 35 141 10 5 2 1 36 141 24 13 4 2
37 1 8 21 5 2 38 1 14 40 9 5 39 1 1 3 1 0
37 2 10 28 6 3 38 2 19 54 12 6 39 2 2 4 1 0
37 3 17 49 11 6 38 3 33 93 20 11 39 3 3 7 2 1
37 4 16 45 10 5 38 4 30 85 18 10 39 4 2 7 1 1
37 5 40 113 24 13 38 5 77 216 46 24 39 5 6 17 4 2
37 6 39 110 24 12 38 6 74 208 45 24 39 6 6 16 4 2
37 7 26 72 16 8 38 7 49 137 29 15 39 7 4 11 2 1
37 8 35 99 21 11 38 8 67 189 41 21 39 8 5 15 3 2
37 9 7 20 4 2 38 9 13 38 8 4 39 9 1 3 1 0
37 10 2 3 3 2 38 10 4 6 5 4 39 10 0 0 0 0
37 11 4 7 6 5 38 11 9 12 11 9 39 11 1 1 1 1
37 12 2 3 2 2 38 12 3 5 5 4 39 12 0 0 0 0
37 13 4 5 5 4 38 13 7 10 9 8 39 13 1 1 1 1
37 14 2 3 3 2 38 14 4 5 5 4 39 14 0 0 0 0
37 15 1 0 0 0 38 15 2 0 1 0 39 15 0 0 0 0
37 16 3 4 4 3 38 16 5 8 7 6 39 16 0 1 1 0
37 17 3 4 4 3 38 17 6 8 8 6 39 17 0 1 1 1
37 18 2 3 3 2 38 18 4 6 6 5 39 18 0 0 0 0
37 19 4 1 2 0 38 19 8 3 3 0 39 19 1 0 0 0
37 20 4 1 1 0 38 20 7 2 3 0 39 20 1 0 0 0
37 21 65 22 25 2 38 21 123 42 47 4 39 21 10 3 4 0
37 22 24 8 9 1 38 22 46 16 18 1 39 22 4 1 1 0
37 23 10 3 4 0 38 23 19 6 7 1 39 23 1 1 1 0
37 24 51 17 20 1 38 24 97 33 37 3 39 24 8 3 3 0
37 25 15 5 6 0 38 25 29 10 11 1 39 25 2 1 1 0
37 26 5 2 2 0 38 26 10 3 4 0 39 26 1 0 0 0
37 27 31 10 12 1 38 27 58 20 22 2 39 27 5 2 2 0
37 28 31 22 35 3 38 28 59 43 66 5 39 28 5 3 5 0
37 29 34 24 37 3 38 29 64 46 71 5 39 29 5 4 6 0
37 30 65 47 73 5 38 30 124 89 138 10 39 30 10 7 11 1
37 31 24 18 27 2 38 31 47 33 52 4 39 31 4 3 4 0
37 32 0 0 0 0 38 32 0 0 0 0 39 32 0 0 0 0
37 33 25 18 28 2 38 33 48 34 53 4 39 33 4 3 4 0
37 34 14 10 16 1 38 34 27 19 30 2 39 34 2 2 2 0
37 35 94 67 104 8 38 35 178 128 198 15 39 35 14 10 15 1
37 36 11 8 12 1 38 36 21 15 23 2 39 36 2 1 2 0
37 38 9 7 27 1 38 37 18 16 56 2 39 37 1 1 4 0
37 39 0 0 0 0 38 39 0 0 0 0 39 38 1 1 4 0
37 40 42 36 129 5 38 40 79 68 245 10 39 40 6 5 19 1
37 41 31 27 96 4 38 41 59 51 182 7 39 41 5 4 14 1
37 42 4 1 0 0 38 42 7 2 1 0 39 42 1 0 0 0
37 43 41 36 128 5 38 43 79 68 244 10 39 43 6 5 19 1
37 44 5 4 16 1 38 44 10 9 31 1 39 44 1 1 2 0
37 45 29 25 89 3 38 45 55 47 169 7 39 45 4 4 13 1
37 46 18 15 56 2 38 46 34 29 105 4 39 46 3 2 8 0
37 47 48 42 149 6 38 47 91 79 283 11 39 47 7 6 22 1
37 48 7 4 6 0 38 48 14 8 12 0 39 48 1 1 1 0
37 49 3 2 3 0 38 49 6 3 5 0 39 49 0 0 0 0
37 50 5 3 4 0 38 50 9 5 8 0 39 50 1 0 1 0
37 51 8 5 7 0 38 51 16 9 13 0 39 51 1 1 1 0
37 52 6 3 5 0 38 52 11 6 10 0 39 52 1 1 1 0
37 53 7 4 6 0 38 53 13 7 11 0 39 53 1 1 1 0
37 54 4 2 3 0 38 54 8 4 7 0 39 54 1 0 1 0
37 55 36 20 30 0 38 55 68 38 57 0 39 55 5 3 4 0
37 56 25 14 21 0 38 56 47 26 40 0 39 56 4 2 3 0
37 57 1 1 1 0 38 57 2 1 1 0 39 57 0 0 0 0
37 58 7 2 1 0 38 58 12 3 1 0 39 58 1 0 0 0
37 59 38 10 4 1 38 59 72 19 8 2 39 59 6 1 1 0
37 60 3 1 0 0 38 60 7 2 1 0 39 60 1 0 0 0
37 61 2 1 0 0 38 61 5 1 0 0 39 61 0 0 0 0
37 62 7 2 1 0 38 62 13 3 1 0 39 62 1 0 0 0
37 63 5 1 0 0 38 63 9 2 1 0 39 63 1 0 0 0
37 64 0 0 0 0 38 64 1 0 0 0 39 64 0 0 0 0
37 65 6 2 1 0 38 65 11 3 1 0 39 65 1 0 0 0
37 66 5 1 0 0 38 66 9 2 1 0 39 66 1 0 0 0
37 67 4 1 0 0 38 67 7 2 1 0 39 67 1 0 0 0
37 68 3 1 0 0 38 68 5 1 1 0 39 68 0 0 0 0
37 69 13 3 1 0 38 69 25 6 3 1 39 69 2 1 0 0
37 70 1 0 0 0 38 70 1 0 0 0 39 70 0 0 0 0
37 71 9 0 6 1 38 71 17 1 11 2 39 71 1 0 1 0
37 72 14 0 9 1 38 72 27 1 17 2 39 72 2 0 1 0
37 73 79 3 50 7 38 73 151 5 95 14 39 73 12 0 7 1
37 75 7 0 5 1 38 75 14 0 9 1 39 75 1 0 1 0
37 76 0 0 0 0 38 76 0 0 0 0 39 76 0 0 0 0
37 77 1 0 1 0 38 77 2 0 1 0 39 77 0 0 0 0
37 78 23 1 14 2 38 78 43 1 27 4 39 78 3 0 2 0
37 79 22 19 67 3 38 79 41 36 128 5 39 79 3 3 10 0
37 80 25 5 0 2 38 80 47 9 0 4 39 80 4 1 0 0
37 81 10 2 0 1 38 81 20 4 0 2 39 81 2 0 0 0
37 82 20 4 0 2 38 82 38 7 0 3 39 82 3 1 0 0
37 83 49 9 0 4 38 83 93 18 0 7 39 83 7 1 0 1
37 84 4 1 0 0 38 84 8 2 0 1 39 84 1 0 0 0
37 85 0 0 0 0 38 85 0 0 0 0 39 85 0 0 0 0
37 86 6 9 1 0 38 86 11 17 3 1 39 86 1 1 0 0
37 87 10 16 2 1 38 87 19 30 5 1 39 87 2 2 0 0
37 88 6 9 1 0 38 88 11 17 3 1 39 88 1 1 0 0
37 89 10 15 2 1 38 89 19 29 5 1 39 89 1 2 0 0
37 90 14 21 3 1 38 90 26 39 6 2 39 90 2 3 0 0
37 91 11 18 3 1 38 91 22 33 5 1 39 91 2 3 0 0
37 92 4 1 0 0 38 92 8 2 1 0 39 92 1 0 0 0
37 93 4 1 1 0 38 93 8 2 2 0 39 93 1 0 0 0
37 94 5 2 2 0 38 94 10 3 3 0 39 94 1 0 0 0
37 95 8 3 3 0 38 95 16 5 5 0 39 95 1 0 0 0
37 96 1 0 0 0 38 96 1 0 0 0 39 96 0 0 0 0
37 97 16 5 5 0 38 97 30 10 9 0 39 97 2 1 1 0
37 98 1 0 0 0 38 98 2 1 1 0 39 98 0 0 0 0
37 99 11 3 4 0 38 99 21 5 7 0 39 99 2 0 1 0
37 100 6 2 2 0 38 100 11 3 4 0 39 100 1 0 0 0
37 101 2 1 1 0 38 101 5 1 2 0 39 101 0 0 0 0
37 102 3 1 1 0 38 102 5 1 2 0 39 102 0 0 0 0
37 103 1 0 0 0 38 103 2 0 1 0 39 103 0 0 0 0
37 104 2 1 1 0 38 104 4 1 1 0 39 104 0 0 0 0
37 105 2 0 1 0 38 105 3 1 1 0 39 105 0 0 0 0
37 106 2 1 2 0 38 106 4 2 4 0 39 106 0 0 0 0
37 107 5 1 2 0 38 107 9 2 3 0 39 107 1 0 0 0
37 108 3 1 1 0 38 108 6 1 2 0 39 108 0 0 0 0
37 109 1 0 0 0 38 109 1 0 0 0 39 109 0 0 0 0
37 110 5 2 2 0 38 110 10 3 4 0 39 110 1 0 0 0
37 111 16 5 5 0 38 111 31 10 10 0 39 111 2 1 1 0
37 112 0 0 0 0 38 112 0 0 0 0 39 112 0 0 0 0
37 114 0 0 0 0 38 114 0 0 0 0 39 114 0 0 0 0
37 115 0 0 0 0 38 115 0 0 0 0 39 115 0 0 0 0
37 116 6 1 1 0 38 116 11 3 1 0 39 116 1 0 0 0
37 117 0 0 0 0 38 117 1 0 0 0 39 117 0 0 0 0
37 118 24 67 15 8 38 118 45 128 28 14 39 118 4 10 2 1
37 119 8 21 5 2 38 119 14 40 9 5 39 119 1 3 1 0
37 120 71 61 219 9 38 120 134 116 417 16 39 120 11 9 32 1
37 121 32 10 10 0 38 121 60 19 18 0 39 121 5 2 1 0
37 122 9 14 2 1 38 122 17 26 4 1 39 122 1 2 0 0
37 123 2 0 1 0 38 123 3 0 2 0 39 123 0 0 0 0
37 124 0 0 0 0 38 124 0 0 0 0 39 124 0 0 0 0
37 125 10 0 6 1 38 125 19 1 12 2 39 125 2 0 1 0
37 126 58 50 179 7 38 126 110 95 340 13 39 126 9 7 26 1
37 127 23 20 73 3 38 127 44 38 138 5 39 127 3 3 11 0
37 128 30 17 25 0 38 128 57 32 48 0 39 128 4 3 4 0
37 129 2 0 0 0 38 129 3 1 0 0 39 129 0 0 0 0
37 130 6 2 1 0 38 130 12 3 1 0 39 130 1 0 0 0
37 131 6 2 1 0 38 131 12 3 1 0 39 131 1 0 0 0
37 132 10 2 3 0 38 132 18 5 6 0 39 132 1 0 0 0
37 133 1 0 0 0 38 133 2 0 1 0 39 133 0 0 0 0
37 135 8 5 7 0 38 135 16 9 14 0 39 135 1 1 1 0
37 136 15 0 10 1 38 136 29 1 18 3 39 136 2 0 1 0
37 137 0 0 0 0 38 137 0 0 0 0 39 137 0 0 0 0
37 139 37 12 11 0 38 139 70 23 21 0 39 139 6 2 2 0
37 140 20 6 6 0 38 140 38 12 12 0 39 140 3 1 1 0
37 141 148 5 93 13 38 141 282 9 177 25 39 141 22 1 14 2
40 1 15 41 9 5 41 1 32 90 20 10 42 1 19 42 1 2
40 2 20 55 12 6 41 2 43 121 27 14 42 2 26 56 2 3
40 3 34 95 21 11 41 3 74 208 46 24 42 3 45 97 3 5
40 4 31 87 19 10 41 4 68 191 42 22 42 4 41 89 3 5
40 5 78 220 49 25 41 5 171 481 106 54 42 5 103 225 7 12
40 6 75 213 47 24 41 6 165 465 102 53 42 6 99 217 7 12
40 7 50 140 31 16 41 7 108 306 67 35 42 7 65 143 4 8
40 8 68 193 43 22 41 8 150 422 93 48 42 8 90 197 6 11
40 9 14 39 9 4 41 9 30 85 19 10 42 9 18 40 1 2
40 10 4 6 6 5 41 10 9 13 12 10 42 10 24 17 3 0
40 11 9 13 12 10 41 11 19 28 26 21 42 11 52 36 7 0
40 12 4 5 5 4 41 12 8 11 10 9 42 12 21 15 3 0
40 13 7 10 10 8 41 13 15 22 21 17 42 13 42 29 5 0
40 14 4 6 5 4 41 14 8 12 11 9 42 14 23 16 3 0
40 15 2 0 1 0 41 15 4 1 1 0 42 15 7 0 0 0
40 16 6 8 8 6 41 16 12 18 16 13 42 16 33 23 4 0
40 17 6 9 8 7 41 17 13 19 17 14 42 17 35 24 4 0
40 18 4 6 6 5 41 18 9 14 13 10 42 18 25 18 3 0
40 19 8 3 3 0 41 19 18 6 7 1 42 19 18 7 2 0
40 20 7 2 3 0 41 20 15 5 6 0 42 20 15 5 1 0
40 21 126 43 50 4 41 21 275 93 108 8 42 21 274 99 27 3
40 22 47 16 19 1 41 22 103 35 41 3 42 22 103 37 10 1
40 23 19 7 8 1 41 23 42 14 16 1 42 23 42 15 4 0
40 24 99 33 39 3 41 24 215 73 84 6 42 24 215 78 21 2
40 25 30 10 12 1 41 25 65 22 25 2 42 25 65 24 6 1
40 26 10 4 4 0 41 26 23 8 9 1 42 26 23 8 2 0
40 27 59 20 23 2 41 27 130 44 51 4 42 27 130 47 13 1
40 28 61 44 70 5 41 28 132 95 150 11 42 28 111 104 9 2
40 29 65 47 75 5 41 29 143 102 162 12 42 29 119 111 9 2
40 30 126 91 145 11 41 30 276 199 314 23 42 30 231 216 18 5
40 31 47 34 54 4 41 31 104 75 118 9 42 31 87 81 7 2
40 32 0 0 0 0 41 32 0 0 0 0 42 32 0 0 0 0
40 33 49 35 56 4 41 33 106 77 121 9 42 33 89 83 7 2
40 34 28 20 32 2 41 34 61 44 69 5 42 34 51 47 4 1
40 35 182 131 209 15 41 35 397 285 451 33 42 35 332 310 26 7
40 36 21 15 25 2 41 36 47 34 53 4 42 36 39 37 3 1
40 37 19 16 59 2 41 37 41 35 128 5 42 37 13 9 0 0
40 38 17 14 53 2 41 38 36 32 115 4 42 38 12 8 0 0
40 39 0 0 0 0 41 39 0 0 0 0 42 39 0 0 0 0
40 41 60 52 192 7 41 40 176 152 557 21 42 40 58 40 0 2
40 42 8 2 1 0 41 42 16 4 2 0 42 41 44 30 0 2
40 43 80 69 256 10 41 43 175 152 555 21 42 43 58 40 0 2
40 44 10 9 32 1 41 44 22 19 70 3 42 44 7 5 0 0
40 45 56 48 178 7 41 45 122 105 385 15 42 45 40 28 0 1
40 46 35 30 111 4 41 46 76 66 240 9 42 46 25 17 0 1
40 47 93 81 298 11 41 47 204 176 645 25 42 47 68 46 0 2
40 48 14 8 12 0 41 48 30 17 26 0 42 48 24 4 4 1
40 49 6 3 5 0 41 49 13 7 12 0 42 49 10 2 2 0
40 50 9 5 8 0 41 50 21 12 18 0 42 50 16 3 3 1
40 51 16 9 14 0 41 51 35 20 30 0 42 51 27 5 5 1
40 52 12 7 10 0 41 52 26 14 22 0 42 52 20 3 4 1
40 53 14 8 12 0 41 53 30 17 26 0 42 53 23 4 4 1
40 54 8 4 7 0 41 54 17 10 15 0 42 54 14 2 3 0
40 55 69 39 60 0 41 55 151 84 131 0 42 55 118 21 22 4
40 56 48 27 42 0 41 56 105 59 91 0 42 56 82 14 15 3
40 57 2 1 2 0 41 57 4 2 3 0 42 57 3 1 1 0
40 58 13 3 1 0 41 58 28 7 3 1 42 58 160 12 157 3
40 59 74 19 8 2 41 59 161 42 17 4 42 59 930 69 913 19
40 60 7 2 1 0 41 60 15 4 2 0 42 60 84 6 82 2
40 61 5 1 1 0 41 61 10 3 1 0 42 61 60 4 59 1
40 62 13 3 1 0 41 62 28 7 3 1 42 62 164 12 161 3
40 63 9 2 1 0 41 63 19 5 2 0 42 63 112 8 110 2
40 64 1 0 0 0 41 64 2 0 0 0 42 64 9 1 9 0
40 65 11 3 1 0 41 65 25 6 3 1 42 65 143 11 141 3
40 66 9 2 1 0 41 66 19 5 2 0 42 66 111 8 109 2
40 67 7 2 1 0 41 67 15 4 2 0 42 67 87 6 86 2
40 68 5 1 1 0 41 68 11 3 1 0 42 68 62 5 61 1
40 69 25 7 3 1 41 69 55 14 6 1 42 69 317 23 311 6
40 70 1 0 0 0 41 70 2 1 0 0 42 70 14 1 14 0
40 71 17 1 11 2 41 71 38 1 24 3 42 71 13 4 0 0
40 72 27 1 18 2 41 72 60 2 38 5 42 72 21 6 0 0
40 73 154 5 100 14 41 73 336 11 215 30 42 73 118 33 0 0
40 75 14 0 9 1 41 75 31 1 20 3 42 75 11 3 0 0
40 76 0 0 0 0 41 76 0 0 0 0 42 76 0 0 0 0
40 77 2 0 1 0 41 77 4 0 3 0 42 77 2 0 0 0
40 78 44 1 28 4 41 78 96 3 61 9 42 78 34 9 0 0
40 79 42 36 134 5 41 79 92 79 291 11 42 79 30 21 0 1
40 80 48 9 0 4 41 80 105 20 0 8 42 80 81 8 5 3
40 81 20 4 0 2 41 81 44 8 0 3 42 81 34 4 2 1
40 82 39 7 0 3 41 82 85 16 0 7 42 82 66 7 4 3
40 83 95 18 0 7 41 83 207 39 0 16 42 83 160 17 10 6
40 84 8 2 0 1 41 84 18 3 0 1 42 84 14 1 1 1
40 85 0 0 0 0 41 85 0 0 0 0 42 85 0 0 0 0
40 86 11 17 3 1 41 86 25 38 6 2 42 86 11 2 0 0
40 87 20 30 5 1 41 87 43 66 11 3 42 87 19 4 0 0
40 88 11 17 3 1 41 88 25 38 6 2 42 88 11 2 0 0
40 89 19 29 5 1 41 89 42 64 10 3 42 89 19 4 0 0
40 90 26 40 7 2 41 90 58 88 14 4 42 90 26 5 0 0
40 91 22 34 6 1 41 91 49 74 12 3 42 91 22 5 0 0
40 92 8 2 1 0 41 92 17 4 2 0 42 92 98 7 96 2
40 93 8 2 2 0 41 93 17 5 5 0 42 93 7 1 0 0
40 94 10 3 3 0 41 94 21 7 7 0 42 94 9 2 0 0
40 95 16 5 5 0 41 95 35 11 11 0 42 95 15 3 0 1
40 96 1 0 0 0 41 96 3 1 1 0 42 96 1 0 0 0
40 97 31 10 10 0 41 97 67 22 21 0 42 97 29 5 0 1
40 98 2 1 1 0 41 98 5 1 2 0 42 98 10 0 0 0
40 99 21 5 7 0 41 99 47 12 16 0 42 99 83 0 4 3
40 100 12 3 4 0 41 100 25 6 9 0 42 100 45 0 2 2
40 101 5 1 2 0 41 101 10 3 3 0 42 101 18 0 1 1
40 102 5 1 2 0 41 102 11 3 4 0 42 102 20 0 1 1
40 103 2 0 1 0 41 103 4 1 1 0 42 103 7 0 0 0
40 104 4 1 1 0 41 104 8 2 3 0 42 104 15 0 1 1
40 105 3 1 1 0 41 105 7 2 2 0 42 105 12 0 1 0
40 106 4 2 4 0 41 106 10 5 8 0 42 106 7 1 1 0
40 107 9 2 3 0 41 107 21 5 7 0 42 107 37 0 2 1
40 108 6 1 2 0 41 108 13 3 4 0 42 108 23 0 1 1
40 109 1 0 0 0 41 109 2 1 1 0 42 109 4 0 0 0
40 110 10 3 4 0 41 110 21 7 8 1 42 110 21 8 2 0
40 111 32 10 10 0 41 111 70 23 22 0 42 111 31 6 0 1
40 112 0 0 0 0 41 112 0 0 0 0 42 112 0 0 0 0
40 114 0 0 0 0 41 114 0 0 0 0 42 114 0 0 0 0
40 115 0 0 0 0 41 115 0 0 0 0 42 115 0 0 0 0
40 116 11 3 1 0 41 116 24 6 3 1 42 116 137 10 134 3
40 117 1 0 0 0 41 117 2 0 1 0 42 117 3 0 0 0
40 118 46 131 29 15 41 118 101 286 63 32 42 118 61 134 4 7
40 119 15 41 9 5 41 119 32 90 20 10 42 119 19 42 1 2
40 120 137 119 439 17 41 120 300 259 949 37 42 120 99 68 0 3
40 121 61 20 19 0 41 121 134 43 42 0 42 121 59 11 0 2
40 122 18 27 4 1 41 122 39 59 10 3 42 122 17 4 0 0
40 123 3 0 2 0 41 123 7 0 5 1 42 123 3 1 0 0
40 124 0 0 0 0 41 124 0 0 0 0 42 124 0 0 0 0
40 125 20 1 13 2 41 125 43 1 28 4 42 125 15 4 0 0
40 126 112 97 358 14 41 126 244 211 774 30 42 126 81 55 0 3
40 127 45 39 145 6 41 127 99 86 314 12 42 127 33 22 0 1
40 128 58 33 51 0 41 128 127 71 110 0 42 128 100 17 18 4
40 129 3 1 0 0 41 129 7 2 1 0 42 129 41 3 40 1
40 130 12 3 1 0 41 130 27 7 3 1 42 130 157 12 154 3
40 131 12 3 1 0 41 131 26 7 3 1 42 131 152 11 149 3
40 132 19 5 6 0 41 132 40 10 14 0 42 132 72 0 3 3
40 133 2 0 1 0 41 133 4 1 1 0 42 133 7 0 0 0
40 135 16 9 14 0 41 135 36 20 31 0 42 135 28 5 5 1
40 136 30 1 19 3 41 136 65 2 42 6 42 136 23 6 0 0
40 137 0 0 0 0 41 137 0 0 0 0 42 137 0 0 0 0
40 139 72 23 23 0 41 139 157 51 49 0 42 139 69 13 0 2
40 140 39 12 12 0 41 140 85 27 26 0 42 140 37 7 0 1
40 141 288 9 186 26 41 141 629 20 403 57 42 141 221 62 0 0
43 1 2 4 1 1 44 1 6 18 4 2 45 1 0 1 0 0
43 2 2 6 1 1 44 2 9 24 5 3 45 2 0 1 0 0
43 3 4 10 2 1 44 3 15 42 9 5 45 3 1 2 0 0
43 4 3 9 2 1 44 4 14 38 8 4 45 4 1 2 0 0
43 5 8 24 5 3 44 5 34 97 21 11 45 5 2 4 1 1
43 6 8 23 5 3 44 6 33 94 20 11 45 6 2 4 1 0
43 7 5 15 3 2 44 7 22 62 13 7 45 7 1 3 1 0
43 8 7 21 5 2 44 8 30 85 18 10 45 8 1 4 1 0
43 9 1 4 1 0 44 9 6 17 4 2 45 9 0 1 0 0
43 10 0 1 1 0 44 10 2 3 2 2 45 10 0 0 0 0
43 11 1 1 1 1 44 11 4 6 5 4 45 11 0 0 0 0
43 12 0 1 1 0 44 12 2 2 2 2 45 12 0 0 0 0
43 13 1 1 1 1 44 13 3 4 4 3 45 13 0 0 0 0
43 14 0 1 1 0 44 14 2 2 2 2 45 14 0 0 0 0
43 15 0 0 0 0 44 15 1 0 0 0 45 15 0 0 0 0
43 16 1 1 1 1 44 16 2 4 3 3 45 16 0 0 0 0
43 17 1 1 1 1 44 17 3 4 3 3 45 17 0 0 0 0
43 18 0 1 1 1 44 18 2 3 2 2 45 18 0 0 0 0
43 19 1 0 0 0 44 19 4 1 1 0 45 19 0 0 0 0
43 20 1 0 0 0 44 20 3 1 1 0 45 20 0 0 0 0
43 21 13 5 5 0 44 21 55 19 21 2 45 21 3 1 1 0
43 22 5 2 2 0 44 22 21 7 8 1 45 22 1 0 0 0
43 23 2 1 1 0 44 23 8 3 3 0 45 23 0 0 0 0
43 24 11 4 4 0 44 24 43 15 17 1 45 24 2 1 1 0
43 25 3 1 1 0 44 25 13 4 5 0 45 25 1 0 0 0
43 26 1 0 0 0 44 26 5 2 2 0 45 26 0 0 0 0
43 27 6 2 3 0 44 27 26 9 10 1 45 27 1 0 0 0
43 28 6 5 7 1 44 28 27 19 30 2 45 28 1 1 1 0
43 29 7 5 8 1 44 29 29 21 32 2 45 29 1 1 2 0
43 30 14 10 16 1 44 30 56 40 62 5 45 30 3 2 3 0
43 31 5 4 6 0 44 31 21 15 23 2 45 31 1 1 1 0
43 32 0 0 0 0 44 32 0 0 0 0 45 32 0 0 0 0
43 33 5 4 6 0 44 33 21 15 24 2 45 33 1 1 1 0
43 34 3 2 3 0 44 34 12 9 14 1 45 34 1 0 1 0
43 35 19 14 22 2 44 35 80 57 89 7 45 35 4 3 4 0
43 36 2 2 3 0 44 36 9 7 10 1 45 36 0 0 0 0
43 37 2 2 6 0 44 37 8 7 25 1 45 37 0 0 1 0
43 38 2 2 6 0 44 38 7 6 23 1 45 38 0 0 1 0
43 39 0 0 0 0 44 39 0 0 0 0 45 39 0 0 0 0
43 40 9 7 28 1 44 40 36 31 110 4 45 40 2 1 5 0
43 41 6 6 21 1 44 41 26 23 82 3 45 41 1 1 4 0
43 42 1 0 0 0 44 42 3 1 0 0 45 42 0 0 0 0
43 44 1 1 3 0 44 43 35 31 109 4 45 43 2 1 5 0
43 45 6 5 19 1 44 45 25 21 76 3 45 44 0 0 1 0
43 46 4 3 12 0 44 46 15 13 47 2 45 46 1 1 2 0
43 47 10 9 32 1 44 47 41 35 127 5 45 47 2 2 6 0
43 48 1 1 1 0 44 48 6 3 5 0 45 48 0 0 0 0
43 49 1 0 1 0 44 49 3 1 2 0 45 49 0 0 0 0
43 50 1 1 1 0 44 50 4 2 4 0 45 50 0 0 0 0
43 51 2 1 1 0 44 51 7 4 6 0 45 51 0 0 0 0
43 52 1 1 1 0 44 52 5 3 4 0 45 52 0 0 0 0
43 53 1 1 1 0 44 53 6 3 5 0 45 53 0 0 0 0
43 54 1 0 1 0 44 54 4 2 3 0 45 54 0 0 0 0
43 55 7 4 6 0 44 55 30 17 26 0 45 55 1 1 1 0
43 56 5 3 4 0 44 56 21 12 18 0 45 56 1 1 1 0
43 57 0 0 0 0 44 57 1 0 1 0 45 57 0 0 0 0
43 58 1 0 0 0 44 58 6 1 1 0 45 58 0 0 0 0
43 59 8 2 1 0 44 59 33 8 3 1 45 59 2 0 0 0
43 60 1 0 0 0 44 60 3 1 0 0 45 60 0 0 0 0
43 61 1 0 0 0 44 61 2 1 0 0 45 61 0 0 0 0
43 62 1 0 0 0 44 62 6 1 1 0 45 62 0 0 0 0
43 63 1 0 0 0 44 63 4 1 0 0 45 63 0 0 0 0
43 64 0 0 0 0 44 64 0 0 0 0 45 64 0 0 0 0
43 65 1 0 0 0 44 65 5 1 1 0 45 65 0 0 0 0
43 66 1 0 0 0 44 66 4 1 0 0 45 66 0 0 0 0
43 67 1 0 0 0 44 67 3 1 0 0 45 67 0 0 0 0
43 68 1 0 0 0 44 68 2 1 0 0 45 68 0 0 0 0
43 69 3 1 0 0 44 69 11 3 1 0 45 69 1 0 0 0
43 70 0 0 0 0 44 70 0 0 0 0 45 70 0 0 0 0
43 71 2 0 1 0 44 71 8 0 5 1 45 71 0 0 0 0
43 72 3 0 2 0 44 72 12 0 8 1 45 72 1 0 0 0
43 73 16 1 11 1 44 73 68 2 42 6 45 73 3 0 2 0
43 75 2 0 1 0 44 75 6 0 4 1 45 75 0 0 0 0
43 76 0 0 0 0 44 76 0 0 0 0 45 76 0 0 0 0
43 77 0 0 0 0 44 77 1 0 1 0 45 77 0 0 0 0
43 78 5 0 3 0 44 78 19 1 12 2 45 78 1 0 1 0
43 79 4 4 14 1 44 79 19 16 57 2 45 79 1 1 3 0
43 80 5 1 0 0 44 80 21 4 0 2 45 80 1 0 0 0
43 81 2 0 0 0 44 81 9 2 0 1 45 81 0 0 0 0
43 82 4 1 0 0 44 82 17 3 0 1 45 82 1 0 0 0
43 83 10 2 0 1 44 83 42 8 0 3 45 83 2 0 0 0
43 84 1 0 0 0 44 84 4 1 0 0 45 84 0 0 0 0
43 85 0 0 0 0 44 85 0 0 0 0 45 85 0 0 0 0
43 86 1 2 0 0 44 86 5 8 1 0 45 86 0 0 0 0
43 87 2 3 1 0 44 87 9 13 2 1 45 87 0 1 0 0
43 88 1 2 0 0 44 88 5 8 1 0 45 88 0 0 0 0
43 89 2 3 1 0 44 89 8 13 2 1 45 89 0 1 0 0
43 90 3 4 1 0 44 90 12 18 3 1 45 90 1 1 0 0
43 91 2 4 1 0 44 91 10 15 2 1 45 91 0 1 0 0
43 92 1 0 0 0 44 92 3 1 0 0 45 92 0 0 0 0
43 93 1 0 0 0 44 93 3 1 1 0 45 93 0 0 0 0
43 94 1 0 0 0 44 94 4 1 1 0 45 94 0 0 0 0
43 95 2 1 1 0 44 95 7 2 2 0 45 95 0 0 0 0
43 96 0 0 0 0 44 96 1 0 0 0 45 96 0 0 0 0
43 97 3 1 1 0 44 97 13 4 4 0 45 97 1 0 0 0
43 98 0 0 0 0 44 98 1 0 0 0 45 98 0 0 0 0
43 99 2 1 1 0 44 99 9 2 3 0 45 99 0 0 0 0
43 100 1 0 0 0 44 100 5 1 2 0 45 100 0 0 0 0
43 101 0 0 0 0 44 101 2 1 1 0 45 101 0 0 0 0
43 102 1 0 0 0 44 102 2 1 1 0 45 102 0 0 0 0
43 103 0 0 0 0 44 103 1 0 0 0 45 103 0 0 0 0
43 104 0 0 0 0 44 104 2 0 1 0 45 104 0 0 0 0
43 105 0 0 0 0 44 105 1 0 0 0 45 105 0 0 0 0
43 106 0 0 0 0 44 106 2 1 2 0 45 106 0 0 0 0
43 107 1 0 0 0 44 107 4 1 1 0 45 107 0 0 0 0
43 108 1 0 0 0 44 108 3 1 1 0 45 108 0 0 0 0
43 109 0 0 0 0 44 109 0 0 0 0 45 109 0 0 0 0
43 110 1 0 0 0 44 110 4 1 2 0 45 110 0 0 0 0
43 111 3 1 1 0 44 111 14 5 4 0 45 111 1 0 0 0
43 112 0 0 0 0 44 112 0 0 0 0 45 112 0 0 0 0
43 114 0 0 0 0 44 114 0 0 0 0 45 114 0 0 0 0
43 115 0 0 0 0 44 115 0 0 0 0 45 115 0 0 0 0
43 116 1 0 0 0 44 116 5 1 1 0 45 116 0 0 0 0
43 117 0 0 0 0 44 117 0 0 0 0 45 117 0 0 0 0
43 118 5 14 3 2 44 118 20 58 12 7 45 118 1 3 1 0
43 119 2 4 1 0 44 119 6 18 4 2 45 119 0 1 0 0
43 120 15 13 47 2 44 120 60 52 187 7 45 120 3 2 9 0
43 121 7 2 2 0 44 121 27 9 8 0 45 121 1 0 0 0
43 122 2 3 0 0 44 122 8 12 2 1 45 122 0 1 0 0
43 123 0 0 0 0 44 123 1 0 1 0 45 123 0 0 0 0
43 124 0 0 0 0 44 124 0 0 0 0 45 124 0 0 0 0
43 125 2 0 1 0 44 125 9 0 5 1 45 125 0 0 0 0
43 126 12 10 38 1 44 126 49 43 152 6 45 126 2 2 7 0
43 127 5 4 16 1 44 127 20 17 62 2 45 127 1 1 3 0
43 128 6 3 5 0 44 128 26 14 22 0 45 128 1 1 1 0
43 129 0 0 0 0 44 129 1 0 0 0 45 129 0 0 0 0
43 130 1 0 0 0 44 130 5 1 1 0 45 130 0 0 0 0
43 131 1 0 0 0 44 131 5 1 1 0 45 131 0 0 0 0
43 132 2 1 1 0 44 132 8 2 3 0 45 132 0 0 0 0
43 133 0 0 0 0 44 133 1 0 0 0 45 133 0 0 0 0
43 135 2 1 2 0 44 135 7 4 6 0 45 135 0 0 0 0
43 136 3 0 2 0 44 136 13 0 8 1 45 136 1 0 0 0
43 137 0 0 0 0 44 137 0 0 0 0 45 137 0 0 0 0
43 139 8 2 2 0 44 139 32 10 10 0 45 139 1 0 0 0
43 140 4 1 1 0 44 140 17 5 5 0 45 140 1 0 0 0
43 141 31 1 20 3 44 141 127 4 79 11 45 141 6 0 4 1
46 1 5 15 3 2 47 1 15 41 9 5 48 1 5 22 5 1
46 2 7 20 4 2 47 2 20 55 12 6 48 2 7 30 6 2
46 3 12 34 7 4 47 3 34 95 21 11 48 3 12 51 11 3
46 4 11 32 7 4 47 4 31 87 19 10 48 4 11 47 10 2
46 5 28 80 17 9 47 5 78 220 49 25 48 5 27 118 26 6
46 6 27 77 17 9 47 6 75 213 48 24 48 6 26 114 25 6
46 7 18 50 11 6 47 7 49 140 31 16 48 7 17 75 16 4
46 8 25 70 15 8 47 8 68 193 43 22 48 8 23 103 22 5
46 9 5 14 3 2 47 9 14 39 9 4 48 9 5 21 4 1
46 10 1 2 2 2 47 10 4 6 6 4 48 10 11 8 1 1
46 11 3 5 4 3 47 11 9 13 12 10 48 11 23 18 2 1
46 12 1 2 2 1 47 12 4 5 5 4 48 12 9 7 1 1
46 13 3 4 3 3 47 13 7 10 10 8 48 13 18 14 1 1
46 14 1 2 2 2 47 14 4 6 5 4 48 14 10 8 1 1
46 15 1 0 0 0 47 15 2 0 1 0 48 15 4 0 1 0
46 16 2 3 3 2 47 16 6 8 8 6 48 16 14 11 1 1
46 17 2 3 3 2 47 17 6 9 8 7 48 17 15 12 1 1
46 18 2 2 2 2 47 18 4 6 6 5 48 18 11 9 1 1
46 19 3 1 1 0 47 19 8 3 3 0 48 19 5 3 2 0
46 20 2 1 1 0 47 20 7 2 3 0 48 20 4 2 1 0
46 21 45 15 18 1 47 21 125 43 50 4 48 21 69 38 27 3
46 22 17 6 7 0 47 22 47 16 19 1 48 22 26 14 10 1
46 23 7 2 3 0 47 23 19 7 8 1 48 23 11 6 4 0
46 24 36 12 14 1 47 24 98 33 39 3 48 24 54 30 21 2
46 25 11 4 4 0 47 25 30 10 12 1 48 25 16 9 6 1
46 26 4 1 1 0 47 26 10 4 4 0 48 26 6 3 2 0
46 27 21 7 8 1 47 27 59 20 24 2 48 27 33 18 13 1
46 28 22 16 25 2 47 28 60 43 70 5 48 28 47 73 48 6
46 29 24 17 26 2 47 29 65 47 75 5 48 29 51 79 51 7
46 30 46 33 51 4 47 30 126 91 146 11 48 30 98 153 99 13
46 31 17 12 19 1 47 31 47 34 55 4 48 31 37 57 37 5
46 32 0 0 0 0 47 32 0 0 0 0 48 32 0 0 0 0
46 33 18 13 20 1 47 33 49 35 56 4 48 33 38 59 38 5
46 34 10 7 11 1 47 34 28 20 32 2 48 34 21 33 22 3
46 35 66 47 74 6 47 35 181 130 210 15 48 35 141 220 143 19
46 36 8 6 9 1 47 36 21 15 25 2 48 36 17 26 17 2
46 37 7 6 21 1 47 37 19 16 60 2 48 37 6 5 2 0
46 38 6 5 19 1 47 38 17 14 54 2 48 38 5 4 2 0
46 39 0 0 0 0 47 39 0 0 0 0 48 39 0 0 0 0
46 40 29 25 91 4 47 40 80 70 259 10 48 40 25 21 9 0
46 41 22 19 68 3 47 41 60 52 193 7 48 41 18 16 7 0
46 42 3 1 0 0 47 42 8 2 1 0 48 42 13 3 0 0
46 43 29 25 91 4 47 43 80 69 258 10 48 43 25 21 9 0
46 44 4 3 11 0 47 44 10 9 32 1 48 44 3 3 1 0
46 45 20 17 63 2 47 45 56 48 179 7 48 45 17 15 6 0
46 47 34 29 105 4 47 46 35 30 112 4 48 46 11 9 4 0
46 48 5 3 4 0 47 48 14 8 12 0 48 47 29 25 11 0
46 49 2 1 2 0 47 49 6 3 5 0 48 49 15 4 30 1
46 50 3 2 3 0 47 50 9 5 8 0 48 50 23 5 47 1
46 51 6 3 5 0 47 51 16 9 14 0 48 51 40 9 79 2
46 52 4 2 4 0 47 52 12 7 10 0 48 52 29 7 58 1
46 53 5 3 4 0 47 53 14 8 12 0 48 53 34 8 67 1
46 54 3 2 2 0 47 54 8 4 7 0 48 54 20 5 39 1
46 55 25 14 21 0 47 55 69 39 61 0 48 55 171 40 340 7
46 56 17 10 15 0 47 56 48 27 42 0 48 56 119 28 236 5
46 57 1 0 1 0 47 57 2 1 2 0 48 57 4 1 9 0
46 58 5 1 0 0 47 58 13 3 1 0 48 58 21 5 1 1
46 59 27 7 3 1 47 59 74 19 8 2 48 59 124 28 4 3
46 60 2 1 0 0 47 60 7 2 1 0 48 60 11 3 0 0
46 61 2 0 0 0 47 61 5 1 1 0 48 61 8 2 0 0
46 62 5 1 0 0 47 62 13 3 1 0 48 62 22 5 1 1
46 63 3 1 0 0 47 63 9 2 1 0 48 63 15 3 0 0
46 64 0 0 0 0 47 64 1 0 0 0 48 64 1 0 0 0
46 65 4 1 0 0 47 65 11 3 1 0 48 65 19 4 1 0
46 66 3 1 0 0 47 66 9 2 1 0 48 66 15 3 0 0
46 67 3 1 0 0 47 67 7 2 1 0 48 67 12 3 0 0
46 68 2 0 0 0 47 68 5 1 1 0 48 68 8 2 0 0
46 69 9 2 1 0 47 69 25 7 3 1 48 69 42 10 1 1
46 70 0 0 0 0 47 70 1 0 0 0 48 70 2 0 0 0
46 71 6 0 4 1 47 71 17 1 11 2 48 71 6 2 1 0
46 72 10 0 6 1 47 72 27 1 18 2 48 72 10 3 1 1
46 73 56 2 35 5 47 73 153 5 100 14 48 73 55 17 6 3
46 75 5 0 3 0 47 75 14 0 9 1 48 75 5 2 1 0
46 76 0 0 0 0 47 76 0 0 0 0 48 76 0 0 0 0
46 77 1 0 0 0 47 77 2 0 1 0 48 77 1 0 0 0
46 78 16 1 10 1 47 78 44 1 28 4 48 78 16 5 2 1
46 79 15 13 47 2 47 79 42 36 135 5 48 79 13 11 5 0
46 80 17 3 0 1 47 80 48 9 0 4 48 80 26 8 0 2
46 81 7 1 0 1 47 81 20 4 0 2 48 81 11 3 0 1
46 82 14 3 0 1 47 82 39 7 0 3 48 82 21 6 0 2
46 83 34 6 0 3 47 83 94 18 0 7 48 83 51 15 0 4
46 84 3 1 0 0 47 84 8 2 0 1 48 84 4 1 0 0
46 85 0 0 0 0 47 85 0 0 0 0 48 85 0 0 0 0
46 86 4 6 1 0 47 86 11 17 3 1 48 86 5 10 1 0
46 87 7 11 2 0 47 87 20 30 5 1 48 87 10 18 2 0
46 88 4 6 1 0 47 88 11 17 3 1 48 88 5 10 1 0
46 89 7 11 2 0 47 89 19 29 5 1 48 89 9 17 1 0
46 90 10 15 2 1 47 90 26 40 7 2 48 90 13 24 2 1
46 91 8 12 2 1 47 91 22 34 6 1 48 91 11 20 2 1
46 92 3 1 0 0 47 92 8 2 1 0 48 92 13 3 0 0
46 93 3 1 1 0 47 93 8 2 2 0 48 93 2 5 0 0
46 94 4 1 1 0 47 94 10 3 3 0 48 94 3 7 0 0
46 95 6 2 2 0 47 95 16 5 5 0 48 95 5 11 0 1
46 96 0 0 0 0 47 96 1 0 0 0 48 96 0 1 0 0
46 97 11 4 3 0 47 97 31 10 10 0 48 97 10 21 0 1
46 98 1 0 0 0 47 98 2 1 1 0 48 98 6 1 1 1
46 99 8 2 3 0 47 99 21 5 7 0 48 99 52 5 10 5
46 100 4 1 1 0 47 100 12 3 4 0 48 100 28 3 5 3
46 101 2 0 1 0 47 101 5 1 2 0 48 101 11 1 2 1
46 102 2 0 1 0 47 102 5 1 2 0 48 102 12 1 2 1
46 103 1 0 0 0 47 103 2 0 1 0 48 103 5 0 1 0
46 104 1 0 0 0 47 104 4 1 1 0 48 104 10 1 2 1
46 105 1 0 0 0 47 105 3 1 1 0 48 105 7 1 1 1
46 106 2 1 1 0 47 106 4 2 4 0 48 106 11 3 21 0
46 107 3 1 1 0 47 107 9 2 3 0 48 107 23 2 4 2
46 108 2 1 1 0 47 108 6 1 2 0 48 108 14 1 3 1
46 109 0 0 0 0 47 109 1 0 0 0 48 109 3 0 0 0
46 110 4 1 1 0 47 110 10 3 4 0 48 110 5 3 2 0
46 111 12 4 4 0 47 111 32 10 10 0 48 111 10 22 0 1
46 112 0 0 0 0 47 112 0 0 0 0 48 112 0 0 0 0
46 114 0 0 0 0 47 114 0 0 0 0 48 114 0 0 0 0
46 115 0 0 0 0 47 115 0 0 0 0 48 115 0 0 0 0
46 116 4 1 0 0 47 116 11 3 1 0 48 116 18 4 1 0
46 117 0 0 0 0 47 117 1 0 0 0 48 117 2 0 0 0
46 118 17 47 10 5 47 118 46 131 29 15 48 118 16 70 15 4
46 119 5 15 3 2 47 119 15 41 9 5 48 119 5 22 5 1
46 120 50 43 155 6 47 120 137 119 441 17 48 120 42 36 16 0
46 121 22 7 7 0 47 121 61 20 19 0 48 121 20 43 0 3
46 122 6 10 2 0 47 122 18 27 4 1 48 122 8 16 1 0
46 123 1 0 1 0 47 123 3 0 2 0 48 123 1 0 0 0
46 124 0 0 0 0 47 124 0 0 0 0 48 124 0 0 0 0
46 125 7 0 5 1 47 125 20 1 13 2 48 125 7 2 1 0
46 126 40 35 126 5 47 126 112 97 359 14 48 126 34 30 13 0
46 127 16 14 51 2 47 127 45 39 146 6 48 127 14 12 5 0
46 128 21 12 18 0 47 128 58 33 51 0 48 128 144 34 287 6
46 129 1 0 0 0 47 129 3 1 0 0 48 129 5 1 0 0
46 130 4 1 0 0 47 130 12 3 1 0 48 130 21 5 1 1
46 131 4 1 0 0 47 131 12 3 1 0 48 131 20 5 1 0
46 132 7 2 2 0 47 132 18 5 6 0 48 132 45 4 9 4
46 133 1 0 0 0 47 133 2 0 1 0 48 133 4 0 1 0
46 135 6 3 5 0 47 135 16 9 14 0 48 135 40 9 80 2
46 136 11 0 7 1 47 136 30 1 19 3 48 136 11 3 1 1
46 137 0 0 0 0 47 137 0 0 0 0 48 137 0 0 0 0
46 139 26 8 8 0 47 139 72 23 23 0 48 139 23 50 0 3
46 140 14 5 4 0 47 140 39 12 12 0 48 140 13 27 0 2
46 141 104 3 66 9 47 141 287 9 187 26 48 141 102 31 11 6
49 1 4 19 4 1 50 1 3 15 3 1 51 1 4 18 4 1
49 2 6 26 6 1 50 2 5 20 4 1 51 2 6 25 5 1
49 3 10 45 10 2 50 3 8 35 8 2 51 3 10 43 9 2
49 4 9 41 9 2 50 4 7 32 7 2 51 4 9 39 8 2
49 5 23 103 22 5 50 5 18 81 18 4 51 5 22 98 21 5
49 6 22 100 21 5 50 6 18 79 17 4 51 6 21 95 21 5
49 7 15 65 14 3 50 7 12 52 11 3 51 7 14 62 14 3
49 8 20 90 19 5 50 8 16 71 15 4 51 8 19 86 19 5
49 9 4 18 4 1 50 9 3 14 3 1 51 9 4 17 4 1
49 10 9 7 1 1 50 10 7 6 1 0 51 10 9 7 1 0
49 11 20 16 2 1 50 11 16 12 1 1 51 11 19 15 1 1
49 12 8 6 1 0 50 12 6 5 0 0 51 12 8 6 1 0
49 13 16 13 1 1 50 13 13 10 1 1 51 13 15 12 1 1
49 14 9 7 1 0 50 14 7 5 1 0 51 14 8 6 1 0
49 15 4 0 1 0 50 15 3 0 1 0 51 15 4 0 1 0
49 16 13 10 1 1 50 16 10 8 1 1 51 16 12 10 1 1
49 17 13 11 1 1 50 17 11 8 1 1 51 17 13 10 1 1
49 18 10 8 1 1 50 18 8 6 1 0 51 18 9 7 1 1
49 19 4 2 2 0 50 19 3 2 1 0 51 19 4 2 2 0
49 20 3 2 1 0 50 20 3 1 1 0 51 20 3 2 1 0
49 21 60 33 23 3 50 21 48 26 19 2 51 21 58 32 23 2
49 22 23 13 9 1 50 22 18 10 7 1 51 22 22 12 9 1
49 23 9 5 4 0 50 23 7 4 3 0 51 23 9 5 3 0
49 24 47 26 18 2 50 24 37 21 15 2 51 24 45 25 18 2
49 25 14 8 6 1 50 25 11 6 4 0 51 25 14 8 5 1
49 26 5 3 2 0 50 26 4 2 2 0 51 26 5 3 2 0
49 27 28 16 11 1 50 27 22 12 9 1 51 27 27 15 11 1
49 28 41 64 41 5 50 28 32 51 33 4 51 28 39 61 40 5
49 29 44 69 44 6 50 29 35 54 35 5 51 29 42 66 43 6
49 30 85 134 86 11 50 30 68 106 68 9 51 30 82 127 83 11
49 31 32 50 32 4 50 31 25 40 26 3 51 31 31 48 31 4
49 32 0 0 0 0 50 32 0 0 0 0 51 32 0 0 0 0
49 33 33 52 33 4 50 33 26 41 26 3 51 33 32 49 32 4
49 34 19 29 19 2 50 34 15 23 15 2 51 34 18 28 18 2
49 35 123 192 123 16 50 35 97 152 98 13 51 35 118 183 119 15
49 36 14 23 14 2 50 36 11 18 12 2 51 36 14 22 14 2
49 37 5 4 2 0 50 37 4 3 1 0 51 37 5 4 2 0
49 38 4 4 2 0 50 38 4 3 1 0 51 38 4 4 2 0
49 39 0 0 0 0 50 39 0 0 0 0 51 39 0 0 0 0
49 40 22 19 8 0 50 40 17 15 6 0 51 40 21 18 8 0
49 41 16 14 6 0 50 41 13 11 5 0 51 41 15 13 6 0
49 42 11 3 0 0 50 42 9 2 0 0 51 42 11 2 0 0
49 43 21 19 8 0 50 43 17 15 6 0 51 43 21 18 8 0
49 44 3 2 1 0 50 44 2 2 1 0 51 44 3 2 1 0
49 45 15 13 5 0 50 45 12 10 4 0 51 45 14 12 5 0
49 46 9 8 3 0 50 46 7 6 3 0 51 46 9 8 3 0
49 47 25 22 9 0 50 47 20 17 7 0 51 47 24 21 9 0
49 48 30 7 59 1 50 48 24 6 47 1 51 48 29 7 57 1
49 50 20 5 40 1 50 49 10 2 21 0 51 49 13 3 25 1
49 51 35 8 68 1 50 51 27 6 54 1 51 50 20 5 39 1
49 52 25 6 50 1 50 52 20 5 39 1 51 52 24 6 48 1
49 53 29 7 58 1 50 53 23 5 46 1 51 53 28 7 56 1
49 54 17 4 34 1 50 54 14 3 27 1 51 54 17 4 33 1
49 55 149 35 293 6 50 55 118 28 233 5 51 55 143 33 285 6
49 56 103 24 203 4 50 56 82 19 162 3 51 56 99 23 198 4
49 57 4 1 7 0 50 57 3 1 6 0 51 57 4 1 7 0
49 58 19 4 1 0 50 58 15 3 0 0 51 58 18 4 1 0
49 59 108 25 3 3 50 59 85 19 3 2 51 59 103 23 3 2
49 60 10 2 0 0 50 60 8 2 0 0 51 60 9 2 0 0
49 61 7 2 0 0 50 61 5 1 0 0 51 61 7 2 0 0
49 62 19 4 1 0 50 62 15 3 0 0 51 62 18 4 1 0
49 63 13 3 0 0 50 63 10 2 0 0 51 63 12 3 0 0
49 64 1 0 0 0 50 64 1 0 0 0 51 64 1 0 0 0
49 65 17 4 1 0 50 65 13 3 0 0 51 65 16 4 0 0
49 66 13 3 0 0 50 66 10 2 0 0 51 66 12 3 0 0
49 67 10 2 0 0 50 67 8 2 0 0 51 67 10 2 0 0
49 68 7 2 0 0 50 68 6 1 0 0 51 68 7 2 0 0
49 69 37 8 1 1 50 69 29 7 1 1 51 69 35 8 1 1
49 70 2 0 0 0 50 70 1 0 0 0 51 70 2 0 0 0
49 71 5 2 1 0 50 71 4 1 0 0 51 71 5 2 1 0
49 72 8 3 1 0 50 72 7 2 1 0 51 72 8 2 1 0
49 73 48 15 5 3 50 73 38 12 4 2 51 73 46 14 5 3
49 75 4 1 0 0 50 75 3 1 0 0 51 75 4 1 0 0
49 76 0 0 0 0 50 76 0 0 0 0 51 76 0 0 0 0
49 77 1 0 0 0 50 77 0 0 0 0 51 77 1 0 0 0
49 78 14 4 1 1 50 78 11 3 1 1 51 78 13 4 1 1
49 79 11 10 4 0 50 79 9 8 3 0 51 79 11 9 4 0
49 80 23 7 0 2 50 80 18 5 0 1 51 80 22 6 0 2
49 81 9 3 0 1 50 81 7 2 0 1 51 81 9 3 0 1
49 82 18 5 0 1 50 82 15 4 0 1 51 82 18 5 0 1
49 83 45 13 0 3 50 83 35 10 0 3 51 83 43 12 0 3
49 84 4 1 0 0 50 84 3 1 0 0 51 84 4 1 0 0
49 85 0 0 0 0 50 85 0 0 0 0 51 85 0 0 0 0
49 86 5 9 1 0 50 86 4 7 1 0 51 86 4 8 1 0
49 87 8 16 1 0 50 87 7 12 1 0 51 87 8 15 1 0
49 88 5 9 1 0 50 88 4 7 1 0 51 88 5 9 1 0
49 89 8 15 1 0 50 89 6 12 1 0 51 89 8 14 1 0
49 90 11 21 2 1 50 90 9 16 1 0 51 90 11 20 2 0
49 91 9 18 1 0 50 91 7 14 1 0 51 91 9 17 1 0
49 92 11 3 0 0 50 92 9 2 0 0 51 92 11 2 0 0
49 93 2 5 0 0 50 93 2 4 0 0 51 93 2 4 0 0
49 94 3 6 0 0 50 94 2 5 0 0 51 94 3 6 0 0
49 95 5 10 0 1 50 95 4 8 0 0 51 95 4 9 0 1
49 96 0 1 0 0 50 96 0 1 0 0 51 96 0 1 0 0
49 97 9 19 0 1 50 97 7 15 0 1 51 97 8 18 0 1
49 98 5 0 1 0 50 98 4 0 1 0 51 98 5 0 1 0
49 99 46 4 9 4 50 99 36 3 7 3 51 99 44 4 8 4
49 100 25 2 5 2 50 100 19 2 4 2 51 100 24 2 5 2
49 101 10 1 2 1 50 101 8 1 1 1 51 101 9 1 2 1
49 102 11 1 2 1 50 102 9 1 2 1 51 102 10 1 2 1
49 103 4 0 1 0 50 103 3 0 1 0 51 103 4 0 1 0
49 104 8 1 2 1 50 104 7 1 1 1 51 104 8 1 2 1
49 105 6 1 1 1 50 105 5 0 1 0 51 105 6 1 1 1
49 106 9 2 18 0 50 106 7 2 15 0 51 106 9 2 18 0
49 107 20 2 4 2 50 107 16 1 3 1 51 107 19 2 4 2
49 108 12 1 2 1 50 108 10 1 2 1 51 108 12 1 2 1
49 109 2 0 0 0 50 109 2 0 0 0 51 109 2 0 0 0
49 110 5 3 2 0 50 110 4 2 1 0 51 110 4 2 2 0
49 111 9 19 0 1 50 111 7 15 0 1 51 111 9 19 0 1
49 112 0 0 0 0 50 112 0 0 0 0 51 112 0 0 0 0
49 114 0 0 0 0 50 114 0 0 0 0 51 114 0 0 0 0
49 115 0 0 0 0 50 115 0 0 0 0 51 115 0 0 0 0
49 116 16 4 0 0 50 116 13 3 0 0 51 116 15 3 0 0
49 117 2 0 0 0 50 117 1 0 0 0 51 117 2 0 0 0
49 118 14 61 13 3 50 118 11 48 10 3 51 118 13 58 13 3
49 119 4 19 4 1 50 119 3 15 3 1 51 119 4 18 4 1
49 120 37 32 13 0 50 120 29 25 11 0 51 120 35 30 13 0
49 121 17 37 0 2 50 121 14 30 0 2 51 121 17 36 0 2
49 122 7 14 1 0 50 122 6 11 1 0 51 122 7 13 1 0
49 123 1 0 0 0 50 123 1 0 0 0 51 123 1 0 0 0
49 124 0 0 0 0 50 124 0 0 0 0 51 124 0 0 0 0
49 125 6 2 1 0 50 125 5 1 1 0 51 125 6 2 1 0
49 126 30 26 11 0 50 126 24 21 9 0 51 126 29 25 11 0
49 127 12 11 4 0 50 127 10 8 4 0 51 127 12 10 4 0
49 128 126 30 247 5 50 128 100 23 197 4 51 128 121 28 240 5
49 129 5 1 0 0 50 129 4 1 0 0 51 129 5 1 0 0
49 130 18 4 1 0 50 130 14 3 0 0 51 130 17 4 1 0
49 131 18 4 1 0 50 131 14 3 0 0 51 131 17 4 1 0
49 132 40 4 8 4 50 132 31 3 6 3 51 132 38 4 7 3
49 133 4 0 1 0 50 133 3 0 1 0 51 133 4 0 1 0
49 135 35 8 69 1 50 135 28 7 55 1 51 135 34 8 67 1
49 136 9 3 1 1 50 136 7 2 1 0 51 136 9 3 1 1
49 137 0 0 0 0 50 137 0 0 0 0 51 137 0 0 0 0
49 139 20 44 0 3 50 139 16 35 0 2 51 139 19 42 0 3
49 140 11 24 0 2 50 140 9 19 0 1 51 140 10 22 0 1
49 141 89 27 9 5 50 141 71 22 8 4 51 141 85 26 9 5
52 1 5 22 5 1 53 1 6 27 6 1 54 1 3 14 3 1
52 2 7 30 6 2 53 2 8 36 8 2 54 2 4 18 4 1
52 3 12 51 11 3 53 3 14 62 13 3 54 3 7 32 7 2
52 4 11 47 10 2 53 4 13 56 12 3 54 4 7 29 6 2
52 5 27 119 26 6 53 5 32 142 31 7 54 5 17 73 16 4
52 6 26 115 25 6 53 6 31 138 30 7 54 6 16 71 15 4
52 7 17 75 16 4 53 7 20 90 20 5 54 7 10 47 10 2
52 8 24 104 22 5 53 8 28 125 27 7 54 8 14 64 14 3
52 9 5 21 5 1 53 9 6 25 5 1 54 9 3 13 3 1
52 10 11 8 1 1 53 10 13 10 1 1 54 10 7 5 1 0
52 11 23 18 2 1 53 11 27 22 2 2 54 11 14 11 1 1
52 12 9 7 1 1 53 12 11 9 1 1 54 12 6 5 0 0
52 13 18 15 1 1 53 13 22 17 2 1 54 13 11 9 1 1
52 14 10 8 1 1 53 14 12 9 1 1 54 14 6 5 0 0
52 15 4 0 1 0 53 15 5 0 1 0 54 15 3 0 0 0
52 16 15 12 1 1 53 16 17 14 1 1 54 16 9 7 1 0
52 17 15 12 1 1 53 17 19 15 1 1 54 17 10 8 1 1
52 18 11 9 1 1 53 18 13 11 1 1 54 18 7 5 1 0
52 19 5 3 2 0 53 19 6 3 2 0 54 19 3 2 1 0
52 20 4 2 1 0 53 20 5 3 2 0 54 20 2 1 1 0
52 21 69 39 27 3 53 21 83 46 33 3 54 21 43 24 17 2
52 22 26 15 10 1 53 22 31 17 12 1 54 22 16 9 6 1
52 23 11 6 4 0 53 23 13 7 5 1 54 23 7 4 3 0
52 24 55 30 21 2 53 24 65 36 26 3 54 24 34 19 13 1
52 25 16 9 6 1 53 25 20 11 8 1 54 25 10 6 4 0
52 26 6 3 2 0 53 26 7 4 3 0 54 26 4 2 1 0
52 27 33 18 13 1 53 27 39 22 15 2 54 27 20 11 8 1
52 28 47 74 48 6 53 28 57 89 57 7 54 28 29 46 29 4
52 29 51 80 51 7 53 29 61 95 62 8 54 29 31 49 32 4
52 30 99 154 100 13 53 30 118 185 120 16 54 30 61 95 61 8
52 31 37 58 37 5 53 31 44 69 45 6 54 31 23 36 23 3
52 32 0 0 0 0 53 32 0 0 0 0 54 32 0 0 0 0
52 33 38 59 38 5 53 33 46 71 46 6 54 33 23 37 24 3
52 34 22 34 22 3 53 34 26 40 26 3 54 34 13 21 13 2
52 35 142 222 143 19 53 35 170 265 172 22 54 35 87 137 88 12
52 36 17 26 17 2 53 36 20 31 20 3 54 36 10 16 10 1
52 37 6 5 2 0 53 37 7 6 3 0 54 37 4 3 1 0
52 38 5 4 2 0 53 38 6 5 2 0 54 38 3 3 1 0
52 39 0 0 0 0 53 39 0 0 0 0 54 39 0 0 0 0
52 40 25 22 9 0 53 40 30 26 11 0 54 40 15 13 6 0
52 41 19 16 7 0 53 41 22 19 8 0 54 41 11 10 4 0
52 42 13 3 0 0 53 42 15 3 0 0 54 42 8 2 0 0
52 43 25 21 9 0 53 43 30 26 11 0 54 43 15 13 6 0
52 44 3 3 1 0 53 44 4 3 1 0 54 44 2 2 1 0
52 45 17 15 6 0 53 45 21 18 8 0 54 45 11 9 4 0
52 46 11 9 4 0 53 46 13 11 5 0 54 46 7 6 2 0
52 47 29 25 11 0 53 47 35 30 13 0 54 47 18 15 7 0
52 48 35 8 69 1 53 48 42 10 82 2 54 48 21 5 42 1
52 49 15 4 30 1 53 49 18 4 36 1 54 49 9 2 18 0
52 50 24 6 47 1 53 50 28 7 56 1 54 50 15 3 29 1
52 51 40 9 79 2 53 51 48 11 95 2 54 51 25 6 49 1
52 53 34 8 67 1 53 52 35 8 69 1 54 52 18 4 35 1
52 54 20 5 40 1 53 54 24 6 48 1 54 53 21 5 41 1
52 55 172 40 341 7 53 55 207 48 410 9 54 55 106 25 209 4
52 56 120 28 237 5 53 56 144 34 285 6 54 56 74 17 145 3
52 57 4 1 9 0 53 57 5 1 10 0 54 57 3 1 5 0
52 58 21 5 1 1 53 58 26 6 1 1 54 58 13 3 0 0
52 59 125 28 4 3 53 59 150 34 5 4 54 59 77 18 2 2
52 60 11 3 0 0 53 60 13 3 0 0 54 60 7 2 0 0
52 61 8 2 0 0 53 61 10 2 0 0 54 61 5 1 0 0
52 62 22 5 1 1 53 62 26 6 1 1 54 62 14 3 0 0
52 63 15 3 0 0 53 63 18 4 1 0 54 63 9 2 0 0
52 64 1 0 0 0 53 64 1 0 0 0 54 64 1 0 0 0
52 65 19 4 1 0 53 65 23 5 1 1 54 65 12 3 0 0
52 66 15 3 0 0 53 66 18 4 1 0 54 66 9 2 0 0
52 67 12 3 0 0 53 67 14 3 0 0 54 67 7 2 0 0
52 68 8 2 0 0 53 68 10 2 0 0 54 68 5 1 0 0
52 69 43 10 1 1 53 69 51 12 2 1 54 69 26 6 1 1
52 70 2 0 0 0 53 70 2 1 0 0 54 70 1 0 0 0
52 71 6 2 1 0 53 71 7 2 1 0 54 71 4 1 0 0
52 72 10 3 1 1 53 72 12 4 1 1 54 72 6 2 1 0
52 73 55 17 6 3 53 73 66 20 7 4 54 73 34 10 4 2
52 75 5 2 1 0 53 75 6 2 1 0 54 75 3 1 0 0
52 76 0 0 0 0 53 76 0 0 0 0 54 76 0 0 0 0
52 77 1 0 0 0 53 77 1 0 0 0 54 77 0 0 0 0
52 78 16 5 2 1 53 78 19 6 2 1 54 78 10 3 1 1
52 79 13 11 5 0 53 79 16 13 6 0 54 79 8 7 3 0
52 80 26 8 0 2 53 80 31 9 0 2 54 80 16 5 0 1
52 81 11 3 0 1 53 81 13 4 0 1 54 81 7 2 0 0
52 82 21 6 0 2 53 82 26 7 0 2 54 82 13 4 0 1
52 83 52 15 0 4 53 83 62 18 0 4 54 83 32 9 0 2
52 84 4 1 0 0 53 84 5 2 0 0 54 84 3 1 0 0
52 85 0 0 0 0 53 85 0 0 0 0 54 85 0 0 0 0
52 86 5 10 1 0 53 86 7 12 1 0 54 86 3 6 1 0
52 87 10 18 2 0 53 87 12 22 2 1 54 87 6 11 1 0
52 88 6 10 1 0 53 88 7 12 1 0 54 88 3 6 1 0
52 89 9 17 1 0 53 89 11 21 2 1 54 89 6 11 1 0
52 90 13 24 2 1 53 90 15 29 2 1 54 90 8 15 1 0
52 91 11 20 2 1 53 91 13 24 2 1 54 91 7 13 1 0
52 92 13 3 0 0 53 92 16 4 0 0 54 92 8 2 0 0
52 93 3 5 0 0 53 93 3 6 0 0 54 93 2 3 0 0
52 94 3 7 0 0 53 94 4 8 0 1 54 94 2 4 0 0
52 95 5 11 0 1 53 95 6 13 0 1 54 95 3 7 0 0
52 96 0 1 0 0 53 96 0 1 0 0 54 96 0 1 0 0
52 97 10 21 0 1 53 97 12 26 0 2 54 97 6 13 0 1
52 98 6 1 1 1 53 98 7 1 1 1 54 98 4 0 1 0
52 99 53 5 10 5 53 99 63 6 12 6 54 99 33 3 6 3
52 100 28 3 5 3 53 100 34 3 7 3 54 100 18 2 3 2
52 101 11 1 2 1 53 101 14 1 3 1 54 101 7 1 1 1
52 102 12 1 2 1 53 102 15 1 3 1 54 102 8 1 1 1
52 103 5 0 1 0 53 103 6 1 1 1 54 103 3 0 1 0
52 104 10 1 2 1 53 104 11 1 2 1 54 104 6 1 1 1
52 105 8 1 1 1 53 105 9 1 2 1 54 105 5 0 1 0
52 106 11 3 22 0 53 106 13 3 26 1 54 106 7 2 13 0
52 107 23 2 4 2 53 107 28 3 5 3 54 107 14 1 3 1
52 108 14 1 3 1 53 108 17 2 3 2 54 108 9 1 2 1
52 109 3 0 0 0 53 109 3 0 1 0 54 109 2 0 0 0
52 110 5 3 2 0 53 110 6 4 3 0 54 110 3 2 1 0
52 111 10 22 0 1 53 111 13 27 0 2 54 111 6 14 0 1
52 112 0 0 0 0 53 112 0 0 0 0 54 112 0 0 0 0
52 114 0 0 0 0 53 114 0 0 0 0 54 114 0 0 0 0
52 115 0 0 0 0 53 115 0 0 0 0 54 115 0 0 0 0
52 116 18 4 1 0 53 116 22 5 1 1 54 116 11 3 0 0
52 117 2 0 0 0 53 117 2 0 0 0 54 117 1 0 0 0
52 118 16 71 15 4 53 118 19 85 18 4 54 118 10 44 9 2
52 119 5 22 5 1 53 119 6 27 6 1 54 119 3 14 3 1
52 120 43 37 16 0 53 120 51 44 19 0 54 120 26 23 10 0
52 121 20 43 0 3 53 121 24 52 0 3 54 121 12 27 0 2
52 122 9 16 1 0 53 122 10 19 2 0 54 122 5 10 1 0
52 123 1 0 0 0 53 123 1 0 0 0 54 123 1 0 0 0
52 124 0 0 0 0 53 124 0 0 0 0 54 124 0 0 0 0
52 125 7 2 1 0 53 125 9 3 1 0 54 125 4 1 0 0
52 126 35 30 13 0 53 126 42 36 15 0 54 126 21 18 8 0
52 127 14 12 5 0 53 127 17 15 6 0 54 127 9 7 3 0
52 128 146 34 288 6 53 128 174 41 347 7 54 128 90 21 177 4
52 129 5 1 0 0 53 129 7 1 0 0 54 129 3 1 0 0
52 130 21 5 1 1 53 130 25 6 1 1 54 130 13 3 0 0
52 131 20 5 1 0 53 131 24 6 1 1 54 131 13 3 0 0
52 132 46 4 9 4 53 132 55 5 11 5 54 132 28 3 5 3
52 133 4 0 1 0 53 133 5 1 1 0 54 133 3 0 1 0
52 135 41 10 81 2 53 135 49 11 97 2 54 135 25 6 50 1
52 136 11 3 1 1 53 136 13 4 1 1 54 136 7 2 1 0
52 137 0 0 0 0 53 137 0 0 0 0 54 137 0 0 0 0
52 139 23 51 0 3 53 139 28 60 0 4 54 139 14 31 0 2
52 140 13 27 0 2 53 140 15 33 0 2 54 140 8 17 0 1
52 141 103 32 11 6 53 141 124 38 13 7 54 141 63 20 7 4
55 1 1 3 1 0 56 1 0 0 0 0 57 1 2 10 2 1
55 2 1 4 1 0 56 2 0 0 0 0 57 2 3 14 3 1
55 3 2 7 2 0 56 3 0 0 0 0 57 3 5 24 5 1
55 4 2 7 2 0 56 4 0 0 0 0 57 4 5 22 5 1
55 5 4 17 4 1 56 5 0 1 0 0 57 5 12 54 12 3
55 6 4 16 4 1 56 6 0 1 0 0 57 6 12 53 11 3
55 7 3 11 3 1 56 7 0 1 0 0 57 7 8 35 7 2
55 8 3 15 4 1 56 8 0 1 0 0 57 8 11 48 10 2
55 9 1 3 1 0 56 9 0 0 0 0 57 9 2 10 2 1
55 10 2 1 0 0 56 10 0 0 0 0 57 10 5 4 0 0
55 11 3 3 0 0 56 11 0 0 0 0 57 11 10 8 1 1
55 12 1 1 0 0 56 12 0 0 0 0 57 12 4 3 0 0
55 13 3 2 0 0 56 13 0 0 0 0 57 13 8 7 1 0
55 14 1 1 0 0 56 14 0 0 0 0 57 14 5 4 0 0
55 15 1 0 0 0 56 15 0 0 0 0 57 15 2 0 0 0
55 16 2 2 0 0 56 16 0 0 0 0 57 16 7 5 1 0
55 17 2 2 0 0 56 17 0 0 0 0 57 17 7 6 1 0
55 18 2 1 0 0 56 18 0 0 0 0 57 18 5 4 0 0
55 19 1 0 0 0 56 19 0 0 0 0 57 19 2 1 1 0
55 20 1 0 0 0 56 20 0 0 0 0 57 20 2 1 1 0
55 21 10 6 4 0 56 21 1 0 0 0 57 21 32 18 12 1
55 22 4 2 2 0 56 22 0 0 0 0 57 22 12 7 5 0
55 23 2 1 1 0 56 23 0 0 0 0 57 23 5 3 2 0
55 24 8 4 3 0 56 24 1 0 0 0 57 24 25 14 10 1
55 25 2 1 1 0 56 25 0 0 0 0 57 25 7 4 3 0
55 26 1 0 0 0 56 26 0 0 0 0 57 26 3 1 1 0
55 27 5 3 2 0 56 27 0 0 0 0 57 27 15 8 6 1
55 28 7 11 8 1 56 28 0 1 0 0 57 28 22 34 21 3
55 29 8 11 8 1 56 29 1 1 1 0 57 29 23 36 23 3
55 30 15 22 16 2 56 30 1 1 1 0 57 30 45 71 45 6
55 31 5 8 6 1 56 31 0 1 0 0 57 31 17 27 17 2
55 32 0 0 0 0 56 32 0 0 0 0 57 32 0 0 0 0
55 33 6 9 6 1 56 33 0 1 0 0 57 33 17 27 17 2
55 34 3 5 4 0 56 34 0 0 0 0 57 34 10 15 10 1
55 35 21 32 23 3 56 35 1 2 1 0 57 35 65 101 64 9
55 36 2 4 3 0 56 36 0 0 0 0 57 36 8 12 8 1
55 37 1 1 0 0 56 37 0 0 0 0 57 37 3 2 1 0
55 38 1 1 0 0 56 38 0 0 0 0 57 38 2 2 1 0
55 39 0 0 0 0 56 39 0 0 0 0 57 39 0 0 0 0
55 40 4 3 1 0 56 40 0 0 0 0 57 40 11 10 4 0
55 41 3 2 1 0 56 41 0 0 0 0 57 41 8 7 3 0
55 42 2 0 0 0 56 42 0 0 0 0 57 42 6 1 0 0
55 43 4 3 1 0 56 43 0 0 0 0 57 43 11 10 4 0
55 44 0 0 0 0 56 44 0 0 0 0 57 44 1 1 1 0
55 45 3 2 1 0 56 45 0 0 0 0 57 45 8 7 3 0
55 46 2 1 1 0 56 46 0 0 0 0 57 46 5 4 2 0
55 47 4 4 2 0 56 47 0 0 0 0 57 47 13 11 5 0
55 48 5 1 11 0 56 48 0 0 1 0 57 48 16 4 31 1
55 49 2 1 5 0 56 49 0 0 0 0 57 49 7 2 14 0
55 50 4 1 8 0 56 50 0 0 0 0 57 50 11 3 21 0
55 51 6 1 13 0 56 51 0 0 1 0 57 51 18 4 36 1
55 52 4 1 9 0 56 52 0 0 1 0 57 52 13 3 26 1
55 53 5 1 11 0 56 53 0 0 1 0 57 53 15 4 30 1
55 54 3 1 6 0 56 54 0 0 0 0 57 54 9 2 18 0
55 56 18 4 38 1 56 55 2 0 4 0 57 55 78 18 153 3
55 57 1 0 1 0 56 57 0 0 0 0 57 56 54 13 106 2
55 58 3 1 0 0 56 58 0 0 0 0 57 58 10 2 0 0
55 59 19 4 1 0 56 59 1 0 0 0 57 59 57 13 2 1
55 60 2 0 0 0 56 60 0 0 0 0 57 60 5 1 0 0
55 61 1 0 0 0 56 61 0 0 0 0 57 61 4 1 0 0
55 62 3 1 0 0 56 62 0 0 0 0 57 62 10 2 0 0
55 63 2 0 0 0 56 63 0 0 0 0 57 63 7 2 0 0
55 64 0 0 0 0 56 64 0 0 0 0 57 64 1 0 0 0
55 65 3 1 0 0 56 65 0 0 0 0 57 65 9 2 0 0
55 66 2 0 0 0 56 66 0 0 0 0 57 66 7 2 0 0
55 67 2 0 0 0 56 67 0 0 0 0 57 67 5 1 0 0
55 68 1 0 0 0 56 68 0 0 0 0 57 68 4 1 0 0
55 69 6 1 0 0 56 69 0 0 0 0 57 69 19 4 1 0
55 70 0 0 0 0 56 70 0 0 0 0 57 70 1 0 0 0
55 71 1 0 0 0 56 71 0 0 0 0 57 71 3 1 0 0
55 72 1 0 0 0 56 72 0 0 0 0 57 72 4 1 0 0
55 73 8 2 1 0 56 73 1 0 0 0 57 73 25 8 3 1
55 75 1 0 0 0 56 75 0 0 0 0 57 75 2 1 0 0
55 76 0 0 0 0 56 76 0 0 0 0 57 76 0 0 0 0
55 77 0 0 0 0 56 77 0 0 0 0 57 77 0 0 0 0
55 78 2 1 0 0 56 78 0 0 0 0 57 78 7 2 1 0
55 79 2 2 1 0 56 79 0 0 0 0 57 79 6 5 2 0
55 80 4 1 0 0 56 80 0 0 0 0 57 80 12 3 0 1
55 81 2 0 0 0 56 81 0 0 0 0 57 81 5 1 0 0
55 82 3 1 0 0 56 82 0 0 0 0 57 82 10 3 0 1
55 83 8 2 0 1 56 83 1 0 0 0 57 83 23 7 0 2
55 84 1 0 0 0 56 84 0 0 0 0 57 84 2 1 0 0
55 85 0 0 0 0 56 85 0 0 0 0 57 85 0 0 0 0
55 86 1 1 0 0 56 86 0 0 0 0 57 86 2 5 0 0
55 87 1 3 0 0 56 87 0 0 0 0 57 87 4 8 1 0
55 88 1 1 0 0 56 88 0 0 0 0 57 88 3 5 0 0
55 89 1 2 0 0 56 89 0 0 0 0 57 89 4 8 1 0
55 90 2 3 0 0 56 90 0 0 0 0 57 90 6 11 1 0
55 91 2 3 0 0 56 91 0 0 0 0 57 91 5 9 1 0
55 92 2 0 0 0 56 92 0 0 0 0 57 92 6 1 0 0
55 93 0 1 0 0 56 93 0 0 0 0 57 93 1 2 0 0
55 94 0 1 0 0 56 94 0 0 0 0 57 94 1 3 0 0
55 95 1 2 0 0 56 95 0 0 0 0 57 95 2 5 0 0
55 96 0 0 0 0 56 96 0 0 0 0 57 96 0 0 0 0
55 97 1 3 0 0 56 97 0 0 0 0 57 97 5 10 0 1
55 98 1 0 0 0 56 98 0 0 0 0 57 98 3 0 1 0
55 99 8 1 2 1 56 99 1 0 0 0 57 99 24 2 5 2
55 100 4 0 1 0 56 100 0 0 0 0 57 100 13 1 2 1
55 101 2 0 0 0 56 101 0 0 0 0 57 101 5 0 1 0
55 102 2 0 0 0 56 102 0 0 0 0 57 102 6 1 1 1
55 103 1 0 0 0 56 103 0 0 0 0 57 103 2 0 0 0
55 104 1 0 0 0 56 104 0 0 0 0 57 104 4 0 1 0
55 105 1 0 0 0 56 105 0 0 0 0 57 105 3 0 1 0
55 106 2 0 3 0 56 106 0 0 0 0 57 106 5 1 10 0
55 107 3 0 1 0 56 107 0 0 0 0 57 107 11 1 2 1
55 108 2 0 0 0 56 108 0 0 0 0 57 108 7 1 1 1
55 109 0 0 0 0 56 109 0 0 0 0 57 109 1 0 0 0
55 110 1 0 0 0 56 110 0 0 0 0 57 110 2 1 1 0
55 111 2 3 0 0 56 111 0 0 0 0 57 111 5 10 0 1
55 112 0 0 0 0 56 112 0 0 0 0 57 112 0 0 0 0
55 114 0 0 0 0 56 114 0 0 0 0 57 114 0 0 0 0
55 115 0 0 0 0 56 115 0 0 0 0 57 115 0 0 0 0
55 116 3 1 0 0 56 116 0 0 0 0 57 116 8 2 0 0
55 117 0 0 0 0 56 117 0 0 0 0 57 117 1 0 0 0
55 118 2 10 2 1 56 118 0 1 0 0 57 118 7 32 7 2
55 119 1 3 1 0 56 119 0 0 0 0 57 119 2 10 2 1
55 120 6 5 3 0 56 120 0 0 0 0 57 120 19 17 7 0
55 121 3 6 0 0 56 121 0 0 0 0 57 121 9 20 0 1
55 122 1 2 0 0 56 122 0 0 0 0 57 122 4 7 1 0
55 123 0 0 0 0 56 123 0 0 0 0 57 123 1 0 0 0
55 124 0 0 0 0 56 124 0 0 0 0 57 124 0 0 0 0
55 125 1 0 0 0 56 125 0 0 0 0 57 125 3 1 0 0
55 126 5 4 2 0 56 126 0 0 0 0 57 126 16 14 6 0
55 127 2 2 1 0 56 127 0 0 0 0 57 127 6 6 2 0
55 128 22 5 47 1 56 128 1 0 3 0 57 128 66 16 129 3
55 129 1 0 0 0 56 129 0 0 0 0 57 129 2 1 0 0
55 130 3 1 0 0 56 130 0 0 0 0 57 130 10 2 0 0
55 131 3 1 0 0 56 131 0 0 0 0 57 131 9 2 0 0
55 132 7 1 1 1 56 132 0 0 0 0 57 132 21 2 4 2
55 133 1 0 0 0 56 133 0 0 0 0 57 133 2 0 0 0
55 135 6 1 13 0 56 135 0 0 1 0 57 135 19 4 36 1
55 136 2 0 0 0 56 136 0 0 0 0 57 136 5 1 1 0
55 137 0 0 0 0 56 137 0 0 0 0 57 137 0 0 0 0
55 139 3 7 0 0 56 139 0 0 0 0 57 139 11 23 0 1
55 140 2 4 0 0 56 140 0 0 0 0 57 140 6 12 0 1
55 141 15 5 2 1 56 141 1 0 0 0 57 141 47 15 5 3
58 1 2 3 0 0 59 1 2 4 0 0 60 1 26 58 2 3
58 2 2 5 0 0 59 2 3 5 0 0 60 2 35 77 2 4
58 3 4 8 0 0 59 3 5 9 0 1 60 3 61 134 4 7
58 4 3 7 0 0 59 4 4 9 0 0 60 4 56 122 4 7
58 5 9 18 1 1 59 5 11 22 1 1 60 5 141 309 10 17
58 6 8 18 1 1 59 6 11 21 1 1 60 6 137 299 9 16
58 7 5 12 0 1 59 7 7 14 1 1 60 7 90 196 6 11
58 8 7 16 1 1 59 8 10 19 1 1 60 8 124 271 8 15
58 9 2 3 0 0 59 9 2 4 0 0 60 9 25 54 2 3
58 10 2 1 0 0 59 10 3 2 0 0 60 10 33 23 4 0
58 11 4 3 1 0 59 11 6 4 1 0 60 11 71 50 9 0
58 12 2 1 0 0 59 12 2 1 0 0 60 12 29 20 4 0
58 13 3 2 0 0 59 13 4 3 1 0 60 13 57 40 7 0
58 14 2 1 0 0 59 14 2 2 0 0 60 14 31 22 4 0
58 15 1 0 0 0 59 15 1 0 0 0 60 15 9 0 0 0
58 16 3 2 0 0 59 16 4 2 1 0 60 16 45 32 6 0
58 17 3 2 0 0 59 17 4 2 1 0 60 17 48 34 6 0
58 18 2 1 0 0 59 18 3 2 0 0 60 18 35 24 4 0
58 19 2 1 0 0 59 19 2 1 0 0 60 19 25 9 2 0
58 20 1 0 0 0 59 20 2 1 0 0 60 20 21 8 2 0
58 21 23 8 2 0 59 21 29 10 3 0 60 21 376 137 37 4
58 22 9 3 1 0 59 22 11 4 1 0 60 22 142 51 14 1
58 23 3 1 0 0 59 23 4 1 1 0 60 23 58 21 6 1
58 24 18 6 2 0 59 24 23 8 3 0 60 24 295 107 29 3
58 25 5 2 1 0 59 25 7 2 1 0 60 25 89 32 9 1
58 26 2 1 0 0 59 26 2 1 0 0 60 26 31 11 3 0
58 27 11 4 1 0 59 27 14 5 2 0 60 27 178 65 17 2
58 28 9 9 1 0 59 28 12 10 1 0 60 28 152 142 12 3
58 29 10 9 1 0 59 29 13 11 1 0 60 29 163 153 13 3
58 30 19 18 2 0 59 30 25 21 2 0 60 30 317 297 25 6
58 31 7 7 1 0 59 31 9 8 1 0 60 31 119 111 9 2
58 32 0 0 0 0 59 32 0 0 0 0 60 32 0 0 0 0
58 33 7 7 1 0 59 33 9 8 1 0 60 33 122 114 10 2
58 34 4 4 0 0 59 34 5 5 1 0 60 34 69 65 5 1
58 35 27 26 2 1 59 35 35 30 3 1 60 35 455 427 36 9
58 36 3 3 0 0 59 36 4 4 0 0 60 36 54 50 4 1
58 37 1 1 0 0 59 37 1 1 0 0 60 37 18 13 0 1
58 38 1 1 0 0 59 38 1 1 0 0 60 38 17 11 0 1
58 39 0 0 0 0 59 39 0 0 0 0 60 39 0 0 0 0
58 40 5 3 0 0 59 40 6 4 0 0 60 40 80 55 0 3
58 41 4 2 0 0 59 41 5 3 0 0 60 41 60 41 0 2
58 42 8 1 8 0 59 42 10 1 12 0 60 42 130 10 128 3
58 43 5 3 0 0 59 43 6 4 0 0 60 43 80 55 0 3
58 44 1 0 0 0 59 44 1 0 0 0 60 44 10 7 0 0
58 45 3 2 0 0 59 45 4 3 0 0 60 45 55 38 0 2
58 46 2 1 0 0 59 46 3 2 0 0 60 46 35 24 0 1
58 47 6 4 0 0 59 47 7 4 0 0 60 47 93 63 0 3
58 48 2 0 0 0 59 48 3 0 1 0 60 48 33 6 6 1
58 49 1 0 0 0 59 49 1 0 0 0 60 49 14 2 3 1
58 50 1 0 0 0 59 50 2 0 0 0 60 50 22 4 4 1
58 51 2 0 0 0 59 51 3 0 1 0 60 51 38 7 7 1
58 52 2 0 0 0 59 52 2 0 0 0 60 52 27 5 5 1
58 53 2 0 0 0 59 53 2 0 1 0 60 53 32 6 6 1
58 54 1 0 0 0 59 54 1 0 0 0 60 54 19 3 3 1
58 55 10 2 2 0 59 55 13 2 3 0 60 55 162 28 30 6
58 56 7 1 1 0 59 56 9 1 2 0 60 56 112 20 21 4
58 57 0 0 0 0 59 57 0 0 0 0 60 57 4 1 1 0
58 59 77 6 77 2 59 58 17 1 20 0 60 58 220 16 215 4
58 60 7 1 7 0 59 60 9 1 11 0 60 59 1277 94 1250 26
58 61 5 0 5 0 59 61 6 0 8 0 60 61 82 6 80 2
58 62 14 1 13 0 59 62 17 1 21 0 60 62 225 17 220 5
58 63 9 1 9 0 59 63 12 1 14 0 60 63 154 11 150 3
58 64 1 0 1 0 59 64 1 0 1 0 60 64 12 1 12 0
58 65 12 1 12 0 59 65 15 1 18 0 60 65 197 15 193 4
58 66 9 1 9 0 59 66 12 1 14 0 60 66 153 11 150 3
58 67 7 1 7 0 59 67 9 1 11 0 60 67 120 9 117 2
58 68 5 0 5 0 59 68 7 0 8 0 60 68 85 6 83 2
58 69 26 2 26 1 59 69 34 2 40 1 60 69 435 32 426 9
58 70 1 0 1 0 59 70 1 0 2 0 60 70 19 1 19 0
58 71 1 0 0 0 59 71 1 0 0 0 60 71 18 5 0 0
58 72 2 0 0 0 59 72 2 1 0 0 60 72 29 8 0 0
58 73 10 3 0 0 59 73 13 3 0 0 60 73 162 45 0 0
58 75 1 0 0 0 59 75 1 0 0 0 60 75 15 4 0 0
58 76 0 0 0 0 59 76 0 0 0 0 60 76 0 0 0 0
58 77 0 0 0 0 59 77 0 0 0 0 60 77 2 1 0 0
58 78 3 1 0 0 59 78 4 1 0 0 60 78 46 13 0 0
58 79 3 2 0 0 59 79 3 2 0 0 60 79 42 29 0 1
58 80 7 1 0 0 59 80 9 1 1 0 60 80 111 12 7 4
58 81 3 0 0 0 59 81 4 0 0 0 60 81 46 5 3 2
58 82 5 1 0 0 59 82 7 1 1 0 60 82 91 9 6 4
58 83 13 1 1 1 59 83 17 2 1 1 60 83 219 23 14 9
58 84 1 0 0 0 59 84 1 0 0 0 60 84 19 2 1 1
58 85 0 0 0 0 59 85 0 0 0 0 60 85 0 0 0 0
58 86 1 0 0 0 59 86 1 0 0 0 60 86 15 3 0 0
58 87 2 0 0 0 59 87 2 0 0 0 60 87 27 6 0 0
58 88 1 0 0 0 59 88 1 0 0 0 60 88 15 3 0 0
58 89 2 0 0 0 59 89 2 0 0 0 60 89 26 5 0 0
58 90 2 0 0 0 59 90 3 1 0 0 60 90 35 7 0 0
58 91 2 0 0 0 59 91 2 0 0 0 60 91 30 6 0 0
58 92 8 1 8 0 59 92 10 1 12 0 60 92 135 10 132 3
58 93 1 0 0 0 59 93 1 0 0 0 60 93 10 2 0 0
58 94 1 0 0 0 59 94 1 0 0 0 60 94 13 2 0 0
58 95 1 0 0 0 59 95 2 0 0 0 60 95 21 4 0 1
58 96 0 0 0 0 59 96 0 0 0 0 60 96 2 0 0 0
58 97 2 0 0 0 59 97 3 1 0 0 60 97 40 7 0 1
58 98 1 0 0 0 59 98 1 0 0 0 60 98 13 0 1 0
58 99 7 0 0 0 59 99 9 0 0 0 60 99 114 0 5 4
58 100 4 0 0 0 59 100 5 0 0 0 60 100 62 0 3 2
58 101 1 0 0 0 59 101 2 0 0 0 60 101 25 0 1 1
58 102 2 0 0 0 59 102 2 0 0 0 60 102 27 0 1 1
58 103 1 0 0 0 59 103 1 0 0 0 60 103 10 0 0 0
58 104 1 0 0 0 59 104 2 0 0 0 60 104 21 0 1 1
58 105 1 0 0 0 59 105 1 0 0 0 60 105 16 0 1 1
58 106 1 0 0 0 59 106 1 0 0 0 60 106 10 2 2 0
58 107 3 0 0 0 59 107 4 0 0 0 60 107 51 0 2 2
58 108 2 0 0 0 59 108 2 0 0 0 60 108 31 0 1 1
58 109 0 0 0 0 59 109 0 0 0 0 60 109 6 0 0 0
58 110 2 1 0 0 59 110 2 1 0 0 60 110 29 11 3 0
58 111 3 0 0 0 59 111 3 1 0 0 60 111 42 8 0 1
58 112 0 0 0 0 59 112 0 0 0 0 60 112 0 0 0 0
58 114 0 0 0 0 59 114 0 0 0 0 60 114 0 0 0 0
58 115 0 0 0 0 59 115 0 0 0 0 60 115 0 0 0 0
58 116 11 1 11 0 59 116 15 1 17 0 60 116 188 14 184 4
58 117 0 0 0 0 59 117 0 0 0 0 60 117 4 0 0 0
58 118 5 11 0 1 59 118 6 13 1 1 60 118 84 183 6 10
58 119 2 3 0 0 59 119 2 4 0 0 60 119 26 58 2 3
58 120 8 6 0 0 59 120 11 7 0 0 60 120 137 93 0 5
58 121 5 1 0 0 59 121 6 1 0 0 60 121 81 15 0 3
58 122 1 0 0 0 59 122 2 0 0 0 60 122 24 5 0 0
58 123 0 0 0 0 59 123 0 0 0 0 60 123 3 1 0 0
58 124 0 0 0 0 59 124 0 0 0 0 60 124 0 0 0 0
58 125 1 0 0 0 59 125 2 0 0 0 60 125 21 6 0 0
58 126 7 5 0 0 59 126 9 5 0 0 60 126 111 76 0 4
58 127 3 2 0 0 59 127 3 2 0 0 60 127 45 31 0 2
58 128 8 1 2 0 59 128 11 2 2 0 60 128 137 24 25 5
58 129 3 0 3 0 59 129 4 0 5 0 60 129 56 4 55 1
58 130 13 1 13 0 59 130 17 1 20 0 60 130 215 16 211 4
58 131 13 1 12 0 59 131 16 1 19 0 60 131 208 15 204 4
58 132 6 0 0 0 59 132 8 0 0 0 60 132 99 0 5 4
58 133 1 0 0 0 59 133 1 0 0 0 60 133 10 0 0 0
58 135 2 0 0 0 59 135 3 0 1 0 60 135 38 7 7 1
58 136 2 1 0 0 59 136 2 1 0 0 60 136 31 9 0 0
58 137 0 0 0 0 59 137 0 0 0 0 60 137 0 0 0 0
58 139 6 1 0 0 59 139 7 1 0 0 60 139 95 17 0 3
58 140 3 1 0 0 59 140 4 1 0 0 60 140 51 9 0 2
58 141 18 5 0 0 59 141 23 6 0 0 60 141 304 85 0 0
61 1 1 2 0 0 62 1 11 23 1 1 63 1 23 50 2 3
61 2 1 2 0 0 62 2 14 31 1 2 63 2 31 67 2 4
61 3 2 4 0 0 62 3 24 53 2 3 63 3 53 115 4 6
61 4 2 3 0 0 62 4 22 48 2 3 63 4 48 105 3 6
61 5 4 9 0 0 62 5 56 122 4 7 63 5 122 265 8 14
61 6 4 8 0 0 62 6 54 118 4 6 63 6 118 256 8 14
61 7 3 6 0 0 62 7 36 77 2 4 63 7 77 168 5 9
61 8 4 8 0 0 62 8 49 107 3 6 63 8 107 232 7 13
61 9 1 2 0 0 62 9 10 21 1 1 63 9 21 47 1 3
61 10 1 1 0 0 62 10 13 9 2 0 63 10 29 20 4 0
61 11 2 1 0 0 62 11 28 20 4 0 63 11 61 43 8 0
61 12 1 1 0 0 62 12 11 8 1 0 63 12 25 17 3 0
61 13 2 1 0 0 62 13 23 16 3 0 63 13 49 34 6 0
61 14 1 1 0 0 62 14 12 9 2 0 63 14 27 19 3 0
61 15 0 0 0 0 62 15 4 0 0 0 63 15 8 0 0 0
61 16 1 1 0 0 62 16 18 13 2 0 63 16 39 27 5 0
61 17 1 1 0 0 62 17 19 13 2 0 63 17 42 29 5 0
61 18 1 1 0 0 62 18 14 10 2 0 63 18 30 21 4 0
61 19 1 0 0 0 62 19 10 4 1 0 63 19 21 8 2 0
61 20 1 0 0 0 62 20 8 3 1 0 63 20 18 6 2 0
61 21 11 4 1 0 62 21 150 54 15 2 63 21 324 117 32 3
61 22 4 1 0 0 62 22 56 20 6 1 63 22 122 44 12 1
61 23 2 1 0 0 62 23 23 8 2 0 63 23 50 18 5 1
61 24 8 3 1 0 62 24 118 42 12 1 63 24 254 92 25 3
61 25 3 1 0 0 62 25 35 13 4 0 63 25 77 28 8 1
61 26 1 0 0 0 62 26 12 4 1 0 63 26 27 10 3 0
61 27 5 2 0 0 62 27 71 25 7 1 63 27 153 55 15 2
61 28 4 4 0 0 62 28 60 56 5 1 63 28 131 122 10 3
61 29 5 4 0 0 62 29 65 60 5 1 63 29 141 131 11 3
61 30 9 8 1 0 62 30 126 117 10 3 63 30 273 255 22 6
61 31 3 3 0 0 62 31 47 44 4 1 63 31 102 96 8 2
61 32 0 0 0 0 62 32 0 0 0 0 63 32 0 0 0 0
61 33 3 3 0 0 62 33 49 45 4 1 63 33 105 98 8 2
61 34 2 2 0 0 62 34 28 26 2 1 63 34 60 56 5 1
61 35 13 12 1 0 62 35 181 168 14 4 63 35 392 366 31 8
61 36 2 1 0 0 62 36 21 20 2 0 63 36 46 43 4 1
61 37 1 0 0 0 62 37 7 5 0 0 63 37 16 11 0 1
61 38 0 0 0 0 62 38 7 4 0 0 63 38 14 10 0 1
61 39 0 0 0 0 62 39 0 0 0 0 63 39 0 0 0 0
61 40 2 2 0 0 62 40 32 22 0 1 63 40 69 47 0 2
61 41 2 1 0 0 62 41 24 16 0 1 63 41 51 35 0 2
61 42 4 0 4 0 62 42 52 4 52 1 63 42 112 8 110 2
61 43 2 2 0 0 62 43 32 22 0 1 63 43 69 47 0 2
61 44 0 0 0 0 62 44 4 3 0 0 63 44 9 6 0 0
61 45 2 1 0 0 62 45 22 15 0 1 63 45 48 33 0 2
61 46 1 1 0 0 62 46 14 9 0 0 63 46 30 20 0 1
61 47 3 2 0 0 62 47 37 25 0 1 63 47 80 54 0 3
61 48 1 0 0 0 62 48 13 2 2 0 63 48 28 5 5 1
61 49 0 0 0 0 62 49 6 1 1 0 63 49 12 2 2 0
61 50 1 0 0 0 62 50 9 2 2 0 63 50 19 3 4 1
61 51 1 0 0 0 62 51 15 3 3 1 63 51 32 6 6 1
61 52 1 0 0 0 62 52 11 2 2 0 63 52 24 4 4 1
61 53 1 0 0 0 62 53 13 2 2 0 63 53 27 5 5 1
61 54 1 0 0 0 62 54 7 1 1 0 63 54 16 3 3 1
61 55 5 1 1 0 62 55 64 11 12 2 63 55 139 24 26 5
61 56 3 1 1 0 62 56 45 8 8 2 63 56 97 17 18 4
61 57 0 0 0 0 62 57 2 0 0 0 63 57 4 1 1 0
61 58 6 0 6 0 62 58 87 6 87 2 63 58 189 14 186 4
61 59 36 3 35 1 62 59 508 37 505 10 63 59 1099 81 1082 22
61 60 3 0 3 0 62 60 46 3 45 1 63 60 99 7 97 2
61 62 6 0 6 0 62 61 33 2 32 1 63 61 71 5 70 1
61 63 4 0 4 0 62 63 61 4 61 1 63 62 194 14 191 4
61 64 0 0 0 0 62 64 5 0 5 0 63 64 10 1 10 0
61 65 6 0 5 0 62 65 78 6 78 2 63 65 170 12 167 3
61 66 4 0 4 0 62 66 61 4 61 1 63 66 132 10 130 3
61 67 3 0 3 0 62 67 48 3 47 1 63 67 103 8 101 2
61 68 2 0 2 0 62 68 34 2 34 1 63 68 73 5 72 1
61 69 12 1 12 0 62 69 173 13 172 4 63 69 374 28 369 8
61 70 1 0 1 0 62 70 8 1 8 0 63 70 16 1 16 0
61 71 1 0 0 0 62 71 7 2 0 0 63 71 16 4 0 0
61 72 1 0 0 0 62 72 11 3 0 0 63 72 25 7 0 0
61 73 5 1 0 0 62 73 65 18 0 0 63 73 140 39 0 0
61 75 0 0 0 0 62 75 6 2 0 0 63 75 13 4 0 0
61 76 0 0 0 0 62 76 0 0 0 0 63 76 0 0 0 0
61 77 0 0 0 0 62 77 1 0 0 0 63 77 2 1 0 0
61 78 1 0 0 0 62 78 18 5 0 0 63 78 40 11 0 0
61 79 1 1 0 0 62 79 17 11 0 1 63 79 36 25 0 1
61 80 3 0 0 0 62 80 44 5 3 2 63 80 96 10 6 4
61 81 1 0 0 0 62 81 18 2 1 1 63 81 40 4 3 2
61 82 3 0 0 0 62 82 36 4 2 1 63 82 78 8 5 3
61 83 6 1 0 0 62 83 87 9 6 3 63 83 189 20 12 7
61 84 1 0 0 0 62 84 8 1 0 0 63 84 16 2 1 1
61 85 0 0 0 0 62 85 0 0 0 0 63 85 0 0 0 0
61 86 0 0 0 0 62 86 6 1 0 0 63 86 13 3 0 0
61 87 1 0 0 0 62 87 11 2 0 0 63 87 23 5 0 0
61 88 0 0 0 0 62 88 6 1 0 0 63 88 13 3 0 0
61 89 1 0 0 0 62 89 10 2 0 0 63 89 22 5 0 0
61 90 1 0 0 0 62 90 14 3 0 0 63 90 30 6 0 0
61 91 1 0 0 0 62 91 12 2 0 0 63 91 26 5 0 0
61 92 4 0 4 0 62 92 54 4 53 1 63 92 116 9 114 2
61 93 0 0 0 0 62 93 4 1 0 0 63 93 9 2 0 0
61 94 0 0 0 0 62 94 5 1 0 0 63 94 11 2 0 0
61 95 1 0 0 0 62 95 8 2 0 0 63 95 18 3 0 1
61 96 0 0 0 0 62 96 1 0 0 0 63 96 1 0 0 0
61 97 1 0 0 0 62 97 16 3 0 1 63 97 35 6 0 1
61 98 0 0 0 0 62 98 5 0 0 0 63 98 11 0 1 0
61 99 3 0 0 0 62 99 46 0 2 2 63 99 98 0 5 3
61 100 2 0 0 0 62 100 25 0 1 1 63 100 53 0 2 2
61 101 1 0 0 0 62 101 10 0 0 0 63 101 21 0 1 1
61 102 1 0 0 0 62 102 11 0 0 0 63 102 23 0 1 1
61 103 0 0 0 0 62 103 4 0 0 0 63 103 9 0 0 0
61 104 1 0 0 0 62 104 8 0 0 0 63 104 18 0 1 1
61 105 0 0 0 0 62 105 6 0 0 0 63 105 14 0 1 0
61 106 0 0 0 0 62 106 4 1 1 0 63 106 9 2 2 0
61 107 1 0 0 0 62 107 20 0 1 1 63 107 44 0 2 2
61 108 1 0 0 0 62 108 12 0 1 0 63 108 27 0 1 1
61 109 0 0 0 0 62 109 2 0 0 0 63 109 5 0 0 0
61 110 1 0 0 0 62 110 12 4 1 0 63 110 25 9 2 0
61 111 1 0 0 0 62 111 17 3 0 1 63 111 36 7 0 1
61 112 0 0 0 0 62 112 0 0 0 0 63 112 0 0 0 0
61 114 0 0 0 0 62 114 0 0 0 0 63 114 0 0 0 0
61 115 0 0 0 0 62 115 0 0 0 0 63 115 0 0 0 0
61 116 5 0 5 0 62 116 75 5 74 2 63 116 162 12 159 3
61 117 0 0 0 0 62 117 2 0 0 0 63 117 3 0 0 0
61 118 2 5 0 0 62 118 33 72 2 4 63 118 72 158 5 9
61 119 1 2 0 0 62 119 11 23 1 1 63 119 23 50 2 3
61 120 4 3 0 0 62 120 54 37 0 2 63 120 118 80 0 4
61 121 2 0 0 0 62 121 32 6 0 1 63 121 70 13 0 2
61 122 1 0 0 0 62 122 9 2 0 0 63 122 20 4 0 0
61 123 0 0 0 0 62 123 1 0 0 0 63 123 3 1 0 0
61 124 0 0 0 0 62 124 0 0 0 0 63 124 0 0 0 0
61 125 1 0 0 0 62 125 8 2 0 0 63 125 18 5 0 0
61 126 3 2 0 0 62 126 44 30 0 2 63 126 96 65 0 3
61 127 1 1 0 0 62 127 18 12 0 1 63 127 39 26 0 1
61 128 4 1 1 0 62 128 54 9 10 2 63 128 118 21 22 4
61 129 2 0 2 0 62 129 22 2 22 0 63 129 48 4 47 1
61 130 6 0 6 0 62 130 86 6 85 2 63 130 185 14 182 4
61 131 6 0 6 0 62 131 83 6 82 2 63 131 179 13 177 4
61 132 3 0 0 0 62 132 39 0 2 1 63 132 85 0 4 3
61 133 0 0 0 0 62 133 4 0 0 0 63 133 8 0 0 0
61 135 1 0 0 0 62 135 15 3 3 1 63 135 33 6 6 1
61 136 1 0 0 0 62 136 12 3 0 0 63 136 27 8 0 0
61 137 0 0 0 0 62 137 0 0 0 0 63 137 0 0 0 0
61 139 3 0 0 0 62 139 38 7 0 1 63 139 82 15 0 3
61 140 1 0 0 0 62 140 20 4 0 1 63 140 44 8 0 1
61 141 9 2 0 0 62 141 121 34 0 0 63 141 261 73 0 0
64 1 4 10 0 1 65 1 19 40 1 2 66 1 17 37 1 2
64 2 6 13 0 1 65 2 25 54 2 3 66 2 22 49 2 3
64 3 10 22 1 1 65 3 43 93 3 5 66 3 39 84 3 5
64 4 9 20 1 1 65 4 39 85 3 5 66 4 35 77 2 4
64 5 23 52 2 3 65 5 99 216 7 12 66 5 89 195 6 11
64 6 23 50 2 3 65 6 96 209 7 11 66 6 86 189 6 10
64 7 15 33 1 2 65 7 63 137 4 7 66 7 57 124 4 7
64 8 21 45 1 2 65 8 87 189 6 10 66 8 78 171 5 9
64 9 4 9 0 0 65 9 17 38 1 2 66 9 16 34 1 2
64 10 6 4 1 0 65 10 23 16 3 0 66 10 21 15 3 0
64 11 12 8 1 0 65 11 50 35 6 0 66 11 45 31 6 0
64 12 5 3 1 0 65 12 20 14 3 0 66 12 18 13 2 0
64 13 9 7 1 0 65 13 40 28 5 0 66 13 36 25 5 0
64 14 5 4 1 0 65 14 22 15 3 0 66 14 20 14 3 0
64 15 2 0 0 0 65 15 6 0 0 0 66 15 6 0 0 0
64 16 8 5 1 0 65 16 32 22 4 0 66 16 29 20 4 0
64 17 8 6 1 0 65 17 34 24 4 0 66 17 31 21 4 0
64 18 6 4 1 0 65 18 24 17 3 0 66 18 22 15 3 0
64 19 4 2 0 0 65 19 18 6 2 0 66 19 16 6 2 0
64 20 3 1 0 0 65 20 15 5 1 0 66 20 13 5 1 0
64 21 62 23 6 1 65 21 264 95 26 3 66 21 238 86 23 3
64 22 23 9 2 0 65 22 100 36 10 1 66 22 90 33 9 1
64 23 10 3 1 0 65 23 40 15 4 0 66 23 36 13 4 0
64 24 49 18 5 1 65 24 208 75 20 2 66 24 187 68 18 2
64 25 15 5 1 0 65 25 63 23 6 1 66 25 56 20 6 1
64 26 5 2 0 0 65 26 22 8 2 0 66 26 20 7 2 0
64 27 29 11 3 0 65 27 125 45 12 1 66 27 113 41 11 1
64 28 25 24 2 1 65 28 107 99 8 2 66 28 96 90 8 2
64 29 27 26 2 1 65 29 115 107 9 2 66 29 103 97 8 2
64 30 52 50 4 1 65 30 222 207 18 5 66 30 201 188 16 4
64 31 20 19 2 0 65 31 84 78 7 2 66 31 75 70 6 2
64 32 0 0 0 0 65 32 0 0 0 0 66 32 0 0 0 0
64 33 20 19 2 0 65 33 86 80 7 2 66 33 77 72 6 2
64 34 11 11 1 0 65 34 49 45 4 1 66 34 44 41 3 1
64 35 75 71 6 2 65 35 320 298 25 6 66 35 288 269 23 6
64 36 9 8 1 0 65 36 38 35 3 1 66 36 34 32 3 1
64 37 3 2 0 0 65 37 13 9 0 0 66 37 12 8 0 0
64 38 3 2 0 0 65 38 12 8 0 0 66 38 11 7 0 0
64 39 0 0 0 0 65 39 0 0 0 0 66 39 0 0 0 0
64 40 13 9 0 0 65 40 56 38 0 2 66 40 51 35 0 2
64 41 10 7 0 0 65 41 42 29 0 1 66 41 38 26 0 1
64 42 22 2 21 0 65 42 92 7 91 2 66 42 83 6 81 2
64 43 13 9 0 0 65 43 56 38 0 2 66 43 51 34 0 2
64 44 2 1 0 0 65 44 7 5 0 0 66 44 6 4 0 0
64 45 9 6 0 0 65 45 39 26 0 1 66 45 35 24 0 1
64 46 6 4 0 0 65 46 24 16 0 1 66 46 22 15 0 1
64 47 15 11 0 1 65 47 65 44 0 2 66 47 59 40 0 2
64 48 5 1 1 0 65 48 23 4 4 1 66 48 21 4 4 1
64 49 2 0 0 0 65 49 10 2 2 0 66 49 9 2 2 0
64 50 4 1 1 0 65 50 16 3 3 1 66 50 14 2 3 1
64 51 6 1 1 0 65 51 26 5 5 1 66 51 24 4 4 1
64 52 5 1 1 0 65 52 19 3 4 1 66 52 17 3 3 1
64 53 5 1 1 0 65 53 22 4 4 1 66 53 20 4 4 1
64 54 3 1 1 0 65 54 13 2 2 0 66 54 12 2 2 0
64 55 27 5 5 1 65 55 114 20 21 4 66 55 102 18 19 4
64 56 19 3 3 1 65 56 79 14 15 3 66 56 71 12 13 3
64 57 1 0 0 0 65 57 3 1 1 0 66 57 3 0 0 0
64 58 36 3 35 1 65 58 154 11 153 3 66 58 139 10 137 3
64 59 212 16 204 4 65 59 897 66 888 18 66 59 809 60 796 16
64 60 19 1 18 0 65 60 81 6 80 2 66 60 73 5 72 1
64 61 14 1 13 0 65 61 58 4 57 1 66 61 52 4 51 1
64 62 37 3 36 1 65 62 158 12 157 3 66 62 143 10 140 3
64 63 25 2 25 1 65 63 108 8 107 2 66 63 97 7 96 2
64 65 33 2 31 1 65 64 9 1 8 0 66 64 8 1 8 0
64 66 25 2 24 1 65 66 108 8 106 2 66 65 125 9 123 3
64 67 20 1 19 0 65 67 84 6 83 2 66 67 76 6 75 2
64 68 14 1 14 0 65 68 60 4 59 1 66 68 54 4 53 1
64 69 72 5 70 1 65 69 306 22 303 6 66 69 275 20 271 6
64 70 3 0 3 0 65 70 13 1 13 0 66 70 12 1 12 0
64 71 3 1 0 0 65 71 13 4 0 0 66 71 12 3 0 0
64 72 5 1 0 0 65 72 20 6 0 0 66 72 18 5 0 0
64 73 27 8 0 0 65 73 114 32 0 0 66 73 103 29 0 0
64 75 2 1 0 0 65 75 10 3 0 0 66 75 9 3 0 0
64 76 0 0 0 0 65 76 0 0 0 0 66 76 0 0 0 0
64 77 0 0 0 0 65 77 1 0 0 0 66 77 1 0 0 0
64 78 8 2 0 0 65 78 32 9 0 0 66 78 29 8 0 0
64 79 7 5 0 0 65 79 29 20 0 1 66 79 26 18 0 1
64 80 18 2 1 1 65 80 78 8 5 3 66 80 70 7 4 3
64 81 8 1 0 0 65 81 33 3 2 1 66 81 29 3 2 1
64 82 15 2 1 1 65 82 64 7 4 2 66 82 57 6 4 2
64 83 36 4 2 1 65 83 154 16 10 6 66 83 139 14 9 5
64 84 3 0 0 0 65 84 13 1 1 1 66 84 12 1 1 0
64 85 0 0 0 0 65 85 0 0 0 0 66 85 0 0 0 0
64 86 2 1 0 0 65 86 11 2 0 0 66 86 10 2 0 0
64 87 4 1 0 0 65 87 19 4 0 0 66 87 17 3 0 0
64 88 3 1 0 0 65 88 11 2 0 0 66 88 10 2 0 0
64 89 4 1 0 0 65 89 18 4 0 0 66 89 16 3 0 0
64 90 6 1 0 0 65 90 25 5 0 0 66 90 22 5 0 0
64 91 5 1 0 0 65 91 21 4 0 0 66 91 19 4 0 0
64 92 22 2 22 0 65 92 95 7 94 2 66 92 85 6 84 2
64 93 2 0 0 0 65 93 7 1 0 0 66 93 6 1 0 0
64 94 2 0 0 0 65 94 9 2 0 0 66 94 8 1 0 0
64 95 3 1 0 0 65 95 15 3 0 0 66 95 13 2 0 0
64 96 0 0 0 0 65 96 1 0 0 0 66 96 1 0 0 0
64 97 7 1 0 0 65 97 28 5 0 1 66 97 26 5 0 1
64 98 2 0 0 0 65 98 9 0 0 0 66 98 8 0 0 0
64 99 19 0 1 1 65 99 80 0 4 3 66 99 72 0 3 3
64 100 10 0 0 0 65 100 43 0 2 2 66 100 39 0 2 1
64 101 4 0 0 0 65 101 17 0 1 1 66 101 16 0 1 1
64 102 4 0 0 0 65 102 19 0 1 1 66 102 17 0 1 1
64 103 2 0 0 0 65 103 7 0 0 0 66 103 6 0 0 0
64 104 3 0 0 0 65 104 15 0 1 1 66 104 13 0 1 0
64 105 3 0 0 0 65 105 11 0 1 0 66 105 10 0 0 0
64 106 2 0 0 0 65 106 7 1 1 0 66 106 6 1 1 0
64 107 8 0 0 0 65 107 36 0 2 1 66 107 32 0 1 1
64 108 5 0 0 0 65 108 22 0 1 1 66 108 20 0 1 1
64 109 1 0 0 0 65 109 4 0 0 0 66 109 4 0 0 0
64 110 5 2 0 0 65 110 21 7 2 0 66 110 19 7 2 0
64 111 7 1 0 0 65 111 30 5 0 1 66 111 27 5 0 1
64 112 0 0 0 0 65 112 0 0 0 0 66 112 0 0 0 0
64 114 0 0 0 0 65 114 0 0 0 0 66 114 0 0 0 0
64 115 0 0 0 0 65 115 0 0 0 0 66 115 0 0 0 0
64 116 31 2 30 1 65 116 132 10 131 3 66 116 119 9 117 2
64 117 1 0 0 0 65 117 3 0 0 0 66 117 3 0 0 0
64 118 14 31 1 2 65 118 59 128 4 7 66 118 53 116 4 6
64 119 4 10 0 1 65 119 19 40 1 2 66 119 17 37 1 2
64 120 23 16 0 1 65 120 96 65 0 3 66 120 87 59 0 3
64 121 13 2 0 0 65 121 57 10 0 2 66 121 51 9 0 2
64 122 4 1 0 0 65 122 17 3 0 0 66 122 15 3 0 0
64 123 1 0 0 0 65 123 2 1 0 0 66 123 2 1 0 0
64 124 0 0 0 0 65 124 0 0 0 0 66 124 0 0 0 0
64 125 3 1 0 0 65 125 15 4 0 0 66 125 13 4 0 0
64 126 18 13 0 1 65 126 78 53 0 3 66 126 71 48 0 2
64 127 7 5 0 0 65 127 32 22 0 1 66 127 29 19 0 1
64 128 23 4 4 1 65 128 96 17 18 3 66 128 87 15 16 3
64 129 9 1 9 0 65 129 39 3 39 1 66 129 35 3 35 1
64 130 36 3 34 1 65 130 151 11 150 3 66 130 136 10 134 3
64 131 35 3 33 1 65 131 146 11 145 3 66 131 132 10 130 3
64 132 16 0 1 1 65 132 69 0 3 2 66 132 63 0 3 2
64 133 2 0 0 0 65 133 7 0 0 0 66 133 6 0 0 0
64 135 6 1 1 0 65 135 27 5 5 1 66 135 24 4 4 1
64 136 5 1 0 0 65 136 22 6 0 0 66 136 20 6 0 0
64 137 0 0 0 0 65 137 0 0 0 0 66 137 0 0 0 0
64 139 16 3 0 1 65 139 67 12 0 2 66 139 60 11 0 2
64 140 8 2 0 0 65 140 36 6 0 1 66 140 32 6 0 1
64 141 50 14 0 0 65 141 213 59 0 0 66 141 192 54 0 0
67 1 10 21 1 1 68 1 2 3 0 0 69 1 1 1 0 0
67 2 13 28 1 2 68 2 2 4 0 0 69 2 1 2 0 0
67 3 22 49 2 3 68 3 3 8 0 0 69 3 1 3 0 0
67 4 20 45 1 2 68 4 3 7 0 0 69 4 1 3 0 0
67 5 51 112 3 6 68 5 8 18 1 1 69 5 3 7 0 0
67 6 50 109 3 6 68 6 8 17 1 1 69 6 3 7 0 0
67 7 33 71 2 4 68 7 5 11 0 1 69 7 2 4 0 0
67 8 45 99 3 5 68 8 7 16 0 1 69 8 3 6 0 0
67 9 9 20 1 1 68 9 1 3 0 0 69 9 1 1 0 0
67 10 12 8 2 0 68 10 2 1 0 0 69 10 1 1 0 0
67 11 26 18 3 0 68 11 4 3 1 0 69 11 2 1 0 0
67 12 11 7 1 0 68 12 2 1 0 0 69 12 1 0 0 0
67 13 21 15 3 0 68 13 3 2 0 0 69 13 1 1 0 0
67 14 11 8 1 0 68 14 2 1 0 0 69 14 1 0 0 0
67 15 3 0 0 0 68 15 1 0 0 0 69 15 0 0 0 0
67 16 17 12 2 0 68 16 3 2 0 0 69 16 1 1 0 0
67 17 18 12 2 0 68 17 3 2 0 0 69 17 1 1 0 0
67 18 13 9 2 0 68 18 2 1 0 0 69 18 1 1 0 0
67 19 9 3 1 0 68 19 1 1 0 0 69 19 1 0 0 0
67 20 8 3 1 0 68 20 1 0 0 0 69 20 0 0 0 0
67 21 137 50 13 1 68 21 22 8 2 0 69 21 9 3 1 0
67 22 52 19 5 1 68 22 8 3 1 0 69 22 3 1 0 0
67 23 21 8 2 0 68 23 3 1 0 0 69 23 1 0 0 0
67 24 108 39 11 1 68 24 17 6 2 0 69 24 7 2 1 0
67 25 32 12 3 0 68 25 5 2 0 0 69 25 2 1 0 0
67 26 11 4 1 0 68 26 2 1 0 0 69 26 1 0 0 0
67 27 65 24 6 1 68 27 10 4 1 0 69 27 4 1 0 0
67 28 55 52 4 1 68 28 9 8 1 0 69 28 4 3 0 0
67 29 59 56 5 1 68 29 9 9 1 0 69 29 4 3 0 0
67 30 115 108 9 2 68 30 18 17 1 0 69 30 7 7 1 0
67 31 43 41 3 1 68 31 7 6 1 0 69 31 3 3 0 0
67 32 0 0 0 0 68 32 0 0 0 0 69 32 0 0 0 0
67 33 44 42 4 1 68 33 7 7 1 0 69 33 3 3 0 0
67 34 25 24 2 1 68 34 4 4 0 0 69 34 2 1 0 0
67 35 166 155 13 3 68 35 26 24 2 1 69 35 11 10 1 0
67 36 20 18 2 0 68 36 3 3 0 0 69 36 1 1 0 0
67 37 7 5 0 0 68 37 1 1 0 0 69 37 0 0 0 0
67 38 6 4 0 0 68 38 1 1 0 0 69 38 0 0 0 0
67 39 0 0 0 0 68 39 0 0 0 0 69 39 0 0 0 0
67 40 29 20 0 1 68 40 5 3 0 0 69 40 2 1 0 0
67 41 22 15 0 1 68 41 3 2 0 0 69 41 1 1 0 0
67 42 47 4 47 1 68 42 7 1 7 0 69 42 3 0 3 0
67 43 29 20 0 1 68 43 5 3 0 0 69 43 2 1 0 0
67 44 4 2 0 0 68 44 1 0 0 0 69 44 0 0 0 0
67 45 20 14 0 1 68 45 3 2 0 0 69 45 1 1 0 0
67 46 13 9 0 0 68 46 2 1 0 0 69 46 1 1 0 0
67 47 34 23 0 1 68 47 5 4 0 0 69 47 2 1 0 0
67 48 12 2 2 0 68 48 2 0 0 0 69 48 1 0 0 0
67 49 5 1 1 0 68 49 1 0 0 0 69 49 0 0 0 0
67 50 8 1 1 0 68 50 1 0 0 0 69 50 1 0 0 0
67 51 14 2 3 0 68 51 2 0 0 0 69 51 1 0 0 0
67 52 10 2 2 0 68 52 2 0 0 0 69 52 1 0 0 0
67 53 12 2 2 0 68 53 2 0 0 0 69 53 1 0 0 0
67 54 7 1 1 0 68 54 1 0 0 0 69 54 0 0 0 0
67 55 59 10 11 2 68 55 9 2 2 0 69 55 4 1 1 0
67 56 41 7 8 1 68 56 6 1 1 0 69 56 3 0 1 0
67 57 2 0 0 0 68 57 0 0 0 0 69 57 0 0 0 0
67 58 80 6 78 2 68 58 13 1 12 0 69 58 5 0 5 0
67 59 465 34 456 9 68 59 73 5 71 1 69 59 30 2 31 1
67 60 42 3 41 1 68 60 7 0 6 0 69 60 3 0 3 0
67 61 30 2 29 1 68 61 5 0 5 0 69 61 2 0 2 0
67 62 82 6 80 2 68 62 13 1 13 0 69 62 5 0 5 0
67 63 56 4 55 1 68 63 9 1 9 0 69 63 4 0 4 0
67 64 4 0 4 0 68 64 1 0 1 0 69 64 0 0 0 0
67 65 72 5 70 1 68 65 11 1 11 0 69 65 5 0 5 0
67 66 56 4 55 1 68 66 9 1 9 0 69 66 4 0 4 0
67 68 31 2 30 1 68 67 7 1 7 0 69 67 3 0 3 0
67 69 158 12 155 3 68 69 25 2 24 1 69 68 2 0 2 0
67 70 7 1 7 0 68 70 1 0 1 0 69 70 0 0 0 0
67 71 7 2 0 0 68 71 1 0 0 0 69 71 0 0 0 0
67 72 11 3 0 0 68 72 2 0 0 0 69 72 1 0 0 0
67 73 59 17 0 0 68 73 9 3 0 0 69 73 4 1 0 0
67 75 5 2 0 0 68 75 1 0 0 0 69 75 0 0 0 0
67 76 0 0 0 0 68 76 0 0 0 0 69 76 0 0 0 0
67 77 1 0 0 0 68 77 0 0 0 0 69 77 0 0 0 0
67 78 17 5 0 0 68 78 3 1 0 0 69 78 1 0 0 0
67 79 15 10 0 1 68 79 2 2 0 0 69 79 1 1 0 0
67 80 40 4 3 2 68 80 6 1 0 0 69 80 3 0 0 0
67 81 17 2 1 1 68 81 3 0 0 0 69 81 1 0 0 0
67 82 33 3 2 1 68 82 5 1 0 0 69 82 2 0 0 0
67 83 80 8 5 3 68 83 13 1 1 0 69 83 5 1 0 0
67 84 7 1 0 0 68 84 1 0 0 0 69 84 0 0 0 0
67 85 0 0 0 0 68 85 0 0 0 0 69 85 0 0 0 0
67 86 5 1 0 0 68 86 1 0 0 0 69 86 0 0 0 0
67 87 10 2 0 0 68 87 2 0 0 0 69 87 1 0 0 0
67 88 6 1 0 0 68 88 1 0 0 0 69 88 0 0 0 0
67 89 9 2 0 0 68 89 1 0 0 0 69 89 1 0 0 0
67 90 13 3 0 0 68 90 2 0 0 0 69 90 1 0 0 0
67 91 11 2 0 0 68 91 2 0 0 0 69 91 1 0 0 0
67 92 49 4 48 1 68 92 8 1 8 0 69 92 3 0 3 0
67 93 4 1 0 0 68 93 1 0 0 0 69 93 0 0 0 0
67 94 5 1 0 0 68 94 1 0 0 0 69 94 0 0 0 0
67 95 8 1 0 0 68 95 1 0 0 0 69 95 0 0 0 0
67 96 1 0 0 0 68 96 0 0 0 0 69 96 0 0 0 0
67 97 15 3 0 0 68 97 2 0 0 0 69 97 1 0 0 0
67 98 5 0 0 0 68 98 1 0 0 0 69 98 0 0 0 0
67 99 42 0 2 1 68 99 7 0 0 0 69 99 3 0 0 0
67 100 22 0 1 1 68 100 4 0 0 0 69 100 1 0 0 0
67 101 9 0 0 0 68 101 1 0 0 0 69 101 1 0 0 0
67 102 10 0 0 0 68 102 2 0 0 0 69 102 1 0 0 0
67 103 4 0 0 0 68 103 1 0 0 0 69 103 0 0 0 0
67 104 8 0 0 0 68 104 1 0 0 0 69 104 0 0 0 0
67 105 6 0 0 0 68 105 1 0 0 0 69 105 0 0 0 0
67 106 4 1 1 0 68 106 1 0 0 0 69 106 0 0 0 0
67 107 18 0 1 1 68 107 3 0 0 0 69 107 1 0 0 0
67 108 11 0 1 0 68 108 2 0 0 0 69 108 1 0 0 0
67 109 2 0 0 0 68 109 0 0 0 0 69 109 0 0 0 0
67 110 11 4 1 0 68 110 2 1 0 0 69 110 1 0 0 0
67 111 15 3 0 1 68 111 2 0 0 0 69 111 1 0 0 0
67 112 0 0 0 0 68 112 0 0 0 0 69 112 0 0 0 0
67 114 0 0 0 0 68 114 0 0 0 0 69 114 0 0 0 0
67 115 0 0 0 0 68 115 0 0 0 0 69 115 0 0 0 0
67 116 69 5 67 1 68 116 11 1 10 0 69 116 4 0 5 0
67 117 1 0 0 0 68 117 0 0 0 0 69 117 0 0 0 0
67 118 31 67 2 4 68 118 5 11 0 1 69 118 2 4 0 0
67 119 10 21 1 1 68 119 2 3 0 0 69 119 1 1 0 0
67 120 50 34 0 2 68 120 8 5 0 0 69 120 3 2 0 0
67 121 30 5 0 1 68 121 5 1 0 0 69 121 2 0 0 0
67 122 9 2 0 0 68 122 1 0 0 0 69 122 1 0 0 0
67 123 1 0 0 0 68 123 0 0 0 0 69 123 0 0 0 0
67 124 0 0 0 0 68 124 0 0 0 0 69 124 0 0 0 0
67 125 8 2 0 0 68 125 1 0 0 0 69 125 0 0 0 0
67 126 41 28 0 1 68 126 6 4 0 0 69 126 3 2 0 0
67 127 16 11 0 1 68 127 3 2 0 0 69 127 1 1 0 0
67 128 50 9 9 2 68 128 8 1 1 0 69 128 3 1 1 0
67 129 20 2 20 0 68 129 3 0 3 0 69 129 1 0 1 0
67 130 78 6 77 2 68 130 12 1 12 0 69 130 5 0 5 0
67 131 76 6 74 2 68 131 12 1 12 0 69 131 5 0 5 0
67 132 36 0 2 1 68 132 6 0 0 0 69 132 2 0 0 0
67 133 4 0 0 0 68 133 1 0 0 0 69 133 0 0 0 0
67 135 14 2 3 1 68 135 2 0 0 0 69 135 1 0 0 0
67 136 11 3 0 0 68 136 2 1 0 0 69 136 1 0 0 0
67 137 0 0 0 0 68 137 0 0 0 0 69 137 0 0 0 0
67 139 35 6 0 1 68 139 5 1 0 0 69 139 2 0 0 0
67 140 19 3 0 1 68 140 3 1 0 0 69 140 1 0 0 0
67 141 111 31 0 0 68 141 17 5 0 0 69 141 7 2 0 0
70 1 2 5 0 0 71 1 4 11 1 3 72 1 8 20 2 5
70 2 3 7 0 0 71 2 6 15 2 3 72 2 10 26 3 6
70 3 6 12 0 1 71 3 10 25 3 6 72 3 17 45 5 11
70 4 5 11 0 1 71 4 9 23 3 6 72 4 16 41 5 10
70 5 13 29 1 2 71 5 22 58 7 14 72 5 40 104 12 25
70 6 13 28 1 2 71 6 22 56 7 13 72 6 39 101 12 24
70 7 8 18 1 1 71 7 14 37 4 9 72 7 26 66 8 16
70 8 11 25 1 1 71 8 20 51 6 12 72 8 35 91 11 22
70 9 2 5 0 0 71 9 4 10 1 2 72 9 7 18 2 4
70 10 3 2 0 0 71 10 8 4 0 1 72 10 14 7 0 1
70 11 7 5 1 0 71 11 16 9 0 1 72 11 29 16 1 2
70 12 3 2 0 0 71 12 7 3 0 1 72 12 12 6 0 1
70 13 5 4 1 0 71 13 13 7 0 1 72 13 23 12 1 2
70 14 3 2 0 0 71 14 7 4 0 1 72 14 13 7 0 1
70 15 1 0 0 0 71 15 2 1 0 0 72 15 3 1 1 0
70 16 4 3 1 0 71 16 10 6 0 1 72 16 19 10 1 1
70 17 4 3 1 0 71 17 11 6 0 1 72 17 20 11 1 2
70 18 3 2 0 0 71 18 8 4 0 1 72 18 14 8 0 1
70 19 2 1 0 0 71 19 2 1 0 0 72 19 3 1 0 0
70 20 2 1 0 0 71 20 2 1 0 0 72 20 3 1 0 0
70 21 35 13 3 0 71 21 29 12 2 2 72 21 53 21 4 3
70 22 13 5 1 0 71 22 11 4 1 1 72 22 20 8 1 1
70 23 5 2 1 0 71 23 4 2 0 0 72 23 8 3 1 1
70 24 27 10 3 0 71 24 23 9 2 1 72 24 41 17 3 3
70 25 8 3 1 0 71 25 7 3 1 0 72 25 12 5 1 1
70 26 3 1 0 0 71 26 2 1 0 0 72 26 4 2 0 0
70 27 16 6 2 0 71 27 14 6 1 1 72 27 25 10 2 2
70 28 14 13 1 0 71 28 13 11 0 0 72 28 24 20 0 1
70 29 15 14 1 0 71 29 14 12 0 0 72 29 25 21 0 1
70 30 29 28 2 1 71 30 27 23 0 1 72 30 49 42 0 2
70 31 11 10 1 0 71 31 10 9 0 0 72 31 18 16 0 1
70 32 0 0 0 0 71 32 0 0 0 0 72 32 0 0 0 0
70 33 11 11 1 0 71 33 10 9 0 0 72 33 19 16 0 1
70 34 6 6 0 0 71 34 6 5 0 0 72 34 11 9 0 0
70 35 42 40 3 1 71 35 39 33 0 1 72 35 71 60 0 2
70 36 5 5 0 0 71 36 5 4 0 0 72 36 8 7 0 0
70 37 2 1 0 0 71 37 6 1 3 1 72 37 10 3 5 1
70 38 2 1 0 0 71 38 5 1 2 1 72 38 9 2 4 1
70 39 0 0 0 0 71 39 0 0 0 0 72 39 0 0 0 0
70 40 7 5 0 0 71 40 25 6 11 3 72 40 45 11 20 6
70 41 6 4 0 0 71 41 18 5 8 3 72 41 33 8 15 5
70 42 12 1 12 0 71 42 2 0 0 0 72 42 4 0 1 0
70 43 7 5 0 0 71 43 25 6 11 3 72 43 45 11 20 6
70 44 1 1 0 0 71 44 3 1 1 0 72 44 6 1 3 1
70 45 5 4 0 0 71 45 17 4 8 2 72 45 31 8 14 4
70 46 3 2 0 0 71 46 11 3 5 2 72 46 19 5 9 3
70 47 9 6 0 0 71 47 29 7 13 4 72 47 52 13 23 7
70 48 3 1 1 0 71 48 1 1 1 0 72 48 3 1 1 1
70 49 1 0 0 0 71 49 1 0 0 0 72 49 1 1 1 0
70 50 2 0 0 0 71 50 1 1 0 0 72 50 2 1 1 0
70 51 3 1 1 0 71 51 2 1 1 0 72 51 3 2 2 1
70 52 3 0 0 0 71 52 1 1 1 0 72 52 2 1 1 1
70 53 3 1 1 0 71 53 1 1 1 0 72 53 3 1 1 1
70 54 2 0 0 0 71 54 1 0 0 0 72 54 2 1 1 0
70 55 15 3 3 1 71 55 7 4 4 2 72 55 13 7 7 3
70 56 10 2 2 0 71 56 5 3 3 1 72 56 9 5 5 2
70 57 0 0 0 0 71 57 0 0 0 0 72 57 0 0 0 0
70 58 20 2 20 0 71 58 4 0 0 0 72 58 6 0 1 0
70 59 118 9 114 2 71 59 21 1 3 1 72 59 37 2 5 1
70 60 11 1 10 0 71 60 2 0 0 0 72 60 3 0 0 0
70 61 8 1 7 0 71 61 1 0 0 0 72 61 2 0 0 0
70 62 21 2 20 0 71 62 4 0 1 0 72 62 7 0 1 0
70 63 14 1 14 0 71 63 2 0 0 0 72 63 5 0 1 0
70 64 1 0 1 0 71 64 0 0 0 0 72 64 0 0 0 0
70 65 18 1 18 0 71 65 3 0 0 0 72 65 6 0 1 0
70 66 14 1 14 0 71 66 2 0 0 0 72 66 4 0 1 0
70 67 11 1 11 0 71 67 2 0 0 0 72 67 4 0 0 0
70 68 8 1 8 0 71 68 1 0 0 0 72 68 2 0 0 0
70 69 40 3 39 1 71 69 7 0 1 0 72 69 13 1 2 0
70 71 2 0 0 0 71 70 0 0 0 0 72 70 1 0 0 0
70 72 3 1 0 0 71 72 26 5 33 1 72 71 30 5 39 2
70 73 15 4 0 0 71 73 145 26 187 8 72 73 262 47 340 14
70 75 1 0 0 0 71 75 13 2 17 1 72 75 24 4 31 1
70 76 0 0 0 0 71 76 0 0 0 0 72 76 0 0 0 0
70 77 0 0 0 0 71 77 2 0 2 0 72 77 3 1 4 0
70 78 4 1 0 0 71 78 41 7 53 2 72 78 75 13 97 4
70 79 4 3 0 0 71 79 13 3 6 2 72 79 23 6 10 3
70 80 10 1 1 0 71 80 6 0 0 1 72 80 11 0 0 3
70 81 4 0 0 0 71 81 2 0 0 1 72 81 5 0 0 1
70 82 8 1 1 0 71 82 5 0 0 1 72 82 9 0 0 2
70 83 20 2 1 1 71 83 12 0 0 3 72 83 21 0 0 5
70 84 2 0 0 0 71 84 1 0 0 0 72 84 2 0 0 0
70 85 0 0 0 0 71 85 0 0 0 0 72 85 0 0 0 0
70 86 1 0 0 0 71 86 5 2 0 1 72 86 10 4 0 1
70 87 2 1 0 0 71 87 10 4 0 1 72 87 17 8 0 2
70 88 1 0 0 0 71 88 6 3 0 1 72 88 10 5 0 1
70 89 2 0 0 0 71 89 9 4 0 1 72 89 17 8 0 2
70 90 3 1 0 0 71 90 13 6 0 2 72 90 23 10 0 3
70 91 3 1 0 0 71 91 11 5 0 1 72 91 20 9 0 3
70 92 12 1 12 0 71 92 2 0 0 0 72 92 4 0 1 0
70 93 1 0 0 0 71 93 3 0 0 0 72 93 6 1 1 0
70 94 1 0 0 0 71 94 4 1 1 0 72 94 7 1 1 0
70 95 2 0 0 0 71 95 6 1 1 0 72 95 11 2 2 1
70 96 0 0 0 0 71 96 1 0 0 0 72 96 1 0 0 0
70 97 4 1 0 0 71 97 12 2 2 1 72 97 22 3 3 1
70 98 1 0 0 0 71 98 2 1 1 0 72 98 4 1 1 0
70 99 11 0 0 0 71 99 20 7 5 0 72 99 35 12 8 0
70 100 6 0 0 0 71 100 11 4 2 0 72 100 19 7 4 0
70 101 2 0 0 0 71 101 4 1 1 0 72 101 8 3 2 0
70 102 3 0 0 0 71 102 5 2 1 0 72 102 8 3 2 0
70 103 1 0 0 0 71 103 2 1 0 0 72 103 3 1 1 0
70 104 2 0 0 0 71 104 4 1 1 0 72 104 6 2 2 0
70 105 2 0 0 0 71 105 3 1 1 0 72 105 5 2 1 0
70 106 1 0 0 0 71 106 0 0 0 0 72 106 1 0 0 0
70 107 5 0 0 0 71 107 9 3 2 0 72 107 16 5 4 0
70 108 3 0 0 0 71 108 5 2 1 0 72 108 10 3 2 0
70 109 1 0 0 0 71 109 1 0 0 0 72 109 2 1 0 0
70 110 3 1 0 0 71 110 2 1 0 0 72 110 4 2 0 0
70 111 4 1 0 0 71 111 13 2 2 1 72 111 23 3 3 1
70 112 0 0 0 0 71 112 0 0 0 0 72 112 0 0 0 0
70 114 0 0 0 0 71 114 0 0 0 0 72 114 0 0 0 0
70 115 0 0 0 0 71 115 0 0 0 0 72 115 0 0 0 0
70 116 17 1 17 0 71 116 3 0 0 0 72 116 6 0 1 0
70 117 0 0 0 0 71 117 1 0 0 0 72 117 1 0 0 0
70 118 8 17 1 1 71 118 13 34 4 8 72 118 24 62 7 15
70 119 2 5 0 0 71 119 4 11 1 3 72 119 8 20 2 5
70 120 13 9 0 0 71 120 42 10 19 6 72 120 76 19 34 11
70 121 8 1 0 0 71 121 24 4 3 1 72 121 44 7 6 3
70 122 2 0 0 0 71 122 9 4 0 1 72 122 16 7 0 2
70 123 0 0 0 0 71 123 3 1 4 0 72 123 6 1 7 0
70 124 0 0 0 0 71 124 0 0 0 0 72 124 0 0 0 0
70 125 2 1 0 0 71 125 19 3 24 1 72 125 34 6 44 2
70 126 10 7 0 0 71 126 34 8 15 5 72 126 62 15 28 9
70 127 4 3 0 0 71 127 14 3 6 2 72 127 25 6 11 4
70 128 13 2 2 0 71 128 6 3 3 2 72 128 11 6 6 3
70 129 5 0 5 0 71 129 1 0 0 0 72 129 2 0 0 0
70 130 20 1 19 0 71 130 3 0 0 0 72 130 6 0 1 0
70 131 19 1 19 0 71 131 3 0 0 0 72 131 6 0 1 0
70 132 9 0 0 0 71 132 17 6 4 0 72 132 31 11 7 0
70 133 1 0 0 0 71 133 2 1 0 0 72 133 3 1 1 0
70 135 4 1 1 0 71 135 2 1 1 0 72 135 3 2 2 1
70 136 3 1 0 0 71 136 28 5 36 2 72 136 51 9 66 3
70 137 0 0 0 0 71 137 0 0 0 0 72 137 0 0 0 0
70 139 9 2 0 0 71 139 29 4 4 2 72 139 52 8 7 3
70 140 5 1 0 0 71 140 15 2 2 1 72 140 28 4 4 2
70 141 28 8 0 0 71 141 271 49 350 15 72 141 491 89 637 27
73 1 2 4 1 1 75 1 0 0 0 0 76 1 41 106 12 26
73 2 2 6 1 1 75 2 0 0 0 0 76 2 54 142 16 34
73 3 4 10 1 2 75 3 0 0 0 0 76 3 94 245 28 59
73 4 4 9 1 2 75 4 0 0 0 0 76 4 86 224 26 54
73 5 9 22 3 5 75 5 0 0 0 0 76 5 216 565 65 136
73 6 9 22 3 5 75 6 0 0 0 0 76 6 209 547 63 132
73 7 6 14 2 3 75 7 0 0 0 0 76 7 137 359 41 86
73 8 8 20 3 5 75 8 0 0 0 0 76 8 190 496 57 119
73 9 2 4 1 1 75 9 0 0 0 0 76 9 38 100 11 24
73 10 3 2 0 0 75 10 0 0 0 0 76 10 73 39 2 6
73 11 7 3 0 1 75 11 0 0 0 0 76 11 157 84 5 13
73 12 3 1 0 0 75 12 0 0 0 0 76 12 64 34 2 5
73 13 5 3 0 0 75 13 0 0 0 0 76 13 126 68 4 10
73 14 3 1 0 0 75 14 0 0 0 0 76 14 68 37 2 6
73 15 1 0 0 0 75 15 0 0 0 0 76 15 15 5 3 0
73 16 4 2 0 0 75 16 0 0 0 0 76 16 100 54 3 8
73 17 4 2 0 0 75 17 0 0 0 0 76 17 106 57 3 9
73 18 3 2 0 0 75 18 0 0 0 0 76 18 77 41 2 6
73 19 1 0 0 0 75 19 0 0 0 0 76 19 19 8 1 1
73 20 1 0 0 0 75 20 0 0 0 0 76 20 16 6 1 1
73 21 12 5 1 1 75 21 0 0 0 0 76 21 283 116 20 18
73 22 4 2 0 0 75 22 0 0 0 0 76 22 107 44 8 7
73 23 2 1 0 0 75 23 0 0 0 0 76 23 43 18 3 3
73 24 9 4 1 1 75 24 0 0 0 0 76 24 222 91 16 14
73 25 3 1 0 0 75 25 0 0 0 0 76 25 67 27 5 4
73 26 1 0 0 0 75 26 0 0 0 0 76 26 23 10 2 1
73 27 6 2 0 0 75 27 0 0 0 0 76 27 134 55 10 9
73 28 5 4 0 0 75 28 0 0 0 0 76 28 126 108 0 4
73 29 6 5 0 0 75 29 0 0 0 0 76 29 136 116 0 5
73 30 11 9 0 0 75 30 0 0 0 0 76 30 264 226 0 9
73 31 4 3 0 0 75 31 0 0 0 0 76 31 99 85 0 3
73 32 0 0 0 0 75 32 0 0 0 0 76 32 0 0 0 0
73 33 4 3 0 0 75 33 0 0 0 0 76 33 102 87 0 3
73 34 2 2 0 0 75 34 0 0 0 0 76 34 58 49 0 2
73 35 16 13 0 1 75 35 0 0 0 0 76 35 379 324 0 13
73 36 2 2 0 0 75 36 0 0 0 0 76 36 45 38 0 2
73 37 2 1 1 0 75 37 0 0 0 0 76 37 55 14 24 8
73 38 2 0 1 0 75 38 0 0 0 0 76 38 50 12 22 7
73 39 0 0 0 0 75 39 0 0 0 0 76 39 0 0 0 0
73 40 10 2 5 1 75 40 0 0 0 0 76 40 241 59 105 34
73 41 8 2 4 1 75 41 0 0 0 0 76 41 179 44 79 25
73 42 1 0 0 0 75 42 0 0 0 0 76 42 21 1 3 1
73 43 10 2 5 1 75 43 0 0 0 0 76 43 239 59 105 34
73 44 1 0 1 0 75 44 0 0 0 0 76 44 30 7 13 4
73 45 7 2 3 1 75 45 0 0 0 0 76 45 166 41 73 24
73 46 4 1 2 1 75 46 0 0 0 0 76 46 104 26 45 15
73 47 12 3 6 2 75 47 0 0 0 0 76 47 278 69 122 39
73 48 1 0 0 0 75 48 0 0 0 0 76 48 14 7 7 4
73 49 0 0 0 0 75 49 0 0 0 0 76 49 6 3 3 2
73 50 0 0 0 0 75 50 0 0 0 0 76 50 10 5 5 2
73 51 1 0 0 0 75 51 0 0 0 0 76 51 17 9 8 4
73 52 1 0 0 0 75 52 0 0 0 0 76 52 12 6 6 3
73 53 1 0 0 0 75 53 0 0 0 0 76 53 14 7 7 3
73 54 0 0 0 0 75 54 0 0 0 0 76 54 8 4 4 2
73 55 3 1 2 1 75 55 0 0 0 0 76 55 72 37 35 17
73 56 2 1 1 0 75 56 0 0 0 0 76 56 50 26 24 12
73 57 0 0 0 0 75 57 0 0 0 0 76 57 2 1 1 0
73 58 1 0 0 0 75 58 0 0 0 0 76 58 35 2 5 1
73 59 8 0 1 0 75 59 0 0 0 0 76 59 201 12 27 7
73 60 1 0 0 0 75 60 0 0 0 0 76 60 18 1 2 1
73 61 1 0 0 0 75 61 0 0 0 0 76 61 13 1 2 0
73 62 1 0 0 0 75 62 0 0 0 0 76 62 35 2 5 1
73 63 1 0 0 0 75 63 0 0 0 0 76 63 24 1 3 1
73 64 0 0 0 0 75 64 0 0 0 0 76 64 2 0 0 0
73 65 1 0 0 0 75 65 0 0 0 0 76 65 31 2 4 1
73 66 1 0 0 0 75 66 0 0 0 0 76 66 24 1 3 1
73 67 1 0 0 0 75 67 0 0 0 0 76 67 19 1 3 1
73 68 1 0 0 0 75 68 0 0 0 0 76 68 13 1 2 0
73 69 3 0 0 0 75 69 0 0 0 0 76 69 69 4 9 2
73 70 0 0 0 0 75 70 0 0 0 0 76 70 3 0 0 0
73 71 7 1 10 0 75 71 0 0 0 0 76 71 159 29 203 9
73 72 11 2 15 1 75 72 0 0 0 0 76 72 250 46 319 14
73 75 5 1 8 0 75 73 0 0 0 0 76 73 1407 256 1791 78
73 76 0 0 0 0 75 76 0 0 0 0 76 75 128 23 163 7
73 77 1 0 1 0 75 77 0 0 0 0 76 77 18 3 23 1
73 78 17 3 24 1 75 78 0 0 0 0 76 78 400 73 510 22
73 79 5 1 3 1 75 79 0 0 0 0 76 79 125 31 55 18
73 80 2 0 0 1 75 80 0 0 0 0 76 80 58 0 0 14
73 81 1 0 0 0 75 81 0 0 0 0 76 81 24 0 0 6
73 82 2 0 0 0 75 82 0 0 0 0 76 82 47 0 0 12
73 83 5 0 0 1 75 83 0 0 0 0 76 83 115 0 0 28
73 84 0 0 0 0 75 84 0 0 0 0 76 84 10 0 0 2
73 85 0 0 0 0 75 85 0 0 0 0 76 85 0 0 0 0
73 86 2 1 0 0 75 86 0 0 0 0 76 86 53 24 0 7
73 87 4 2 0 1 75 87 0 0 0 0 76 87 94 43 0 13
73 88 2 1 0 0 75 88 0 0 0 0 76 88 54 25 0 7
73 89 4 2 0 0 75 89 0 0 0 0 76 89 90 41 0 12
73 90 5 2 0 1 75 90 0 0 0 0 76 90 124 57 0 17
73 91 4 2 0 1 75 91 0 0 0 0 76 91 105 48 0 14
73 92 1 0 0 0 75 92 0 0 0 0 76 92 21 1 3 1
73 93 1 0 0 0 75 93 0 0 0 0 76 93 30 4 4 2
73 94 2 0 0 0 75 94 0 0 0 0 76 94 37 6 5 2
73 95 3 0 0 0 75 95 0 0 0 0 76 95 62 9 8 4
73 96 0 0 0 0 75 96 0 0 0 0 76 96 5 1 1 0
73 97 5 1 1 0 75 97 0 0 0 0 76 97 118 18 15 7
73 98 1 0 0 0 75 98 0 0 0 0 76 98 22 8 5 0
73 99 8 3 2 0 75 99 0 0 0 0 76 99 190 66 44 0
73 100 4 1 1 0 75 100 0 0 0 0 76 100 102 36 24 0
73 101 2 1 0 0 75 101 0 0 0 0 76 101 41 14 9 0
73 102 2 1 0 0 75 102 0 0 0 0 76 102 45 16 10 0
73 103 1 0 0 0 75 103 0 0 0 0 76 103 17 6 4 0
73 104 1 0 0 0 75 104 0 0 0 0 76 104 34 12 8 0
73 105 1 0 0 0 75 105 0 0 0 0 76 105 27 9 6 0
73 106 0 0 0 0 75 106 0 0 0 0 76 106 5 2 2 1
73 107 4 1 1 0 75 107 0 0 0 0 76 107 84 29 19 0
73 108 2 1 1 0 75 108 0 0 0 0 76 108 51 18 12 0
73 109 0 0 0 0 75 109 0 0 0 0 76 109 9 3 2 0
73 110 1 0 0 0 75 110 0 0 0 0 76 110 22 9 2 1
73 111 5 1 1 0 75 111 0 0 0 0 76 111 123 19 16 7
73 112 0 0 0 0 75 112 0 0 0 0 76 112 0 0 0 0
73 114 0 0 0 0 75 114 0 0 0 0 76 114 0 0 0 0
73 115 0 0 0 0 75 115 0 0 0 0 76 115 0 0 0 0
73 116 1 0 0 0 75 116 0 0 0 0 76 116 30 2 4 1
73 117 0 0 0 0 75 117 0 0 0 0 76 117 7 2 2 0
73 118 5 13 2 3 75 118 0 0 0 0 76 118 129 336 38 81
73 119 2 4 1 1 75 119 0 0 0 0 76 119 41 106 12 26
73 120 17 4 9 2 75 120 0 0 0 0 76 120 410 101 179 58
73 121 10 1 1 1 75 121 0 0 0 0 76 121 236 36 31 14
73 122 4 2 0 0 75 122 0 0 0 0 76 122 83 38 0 11
73 123 1 0 2 0 75 123 0 0 0 0 76 123 30 5 38 2
73 124 0 0 0 0 75 124 0 0 0 0 76 124 0 0 0 0
73 125 8 1 11 0 75 125 0 0 0 0 76 125 181 33 231 10
73 126 14 3 7 2 75 126 0 0 0 0 76 126 334 82 146 47
73 127 6 1 3 1 75 127 0 0 0 0 76 127 135 33 59 19
73 128 3 1 1 1 75 128 0 0 0 0 76 128 60 31 29 15
73 129 0 0 0 0 75 129 0 0 0 0 76 129 9 1 1 0
73 130 1 0 0 0 75 130 0 0 0 0 76 130 34 2 5 1
73 131 1 0 0 0 75 131 0 0 0 0 76 131 33 2 4 1
73 132 7 2 2 0 75 132 0 0 0 0 76 132 164 57 38 0
73 133 1 0 0 0 75 133 0 0 0 0 76 133 16 6 4 0
73 135 1 0 0 0 75 135 0 0 0 0 76 135 17 9 8 4
73 136 11 2 17 1 75 136 0 0 0 0 76 136 272 49 346 15
73 137 0 0 0 0 75 137 0 0 0 0 76 137 0 0 0 0
73 139 12 2 2 1 75 139 0 0 0 0 76 139 277 42 36 16
73 140 6 1 1 0 75 140 0 0 0 0 76 140 149 22 19 9
73 141 111 19 160 6 75 141 0 0 0 0 76 141 2634 480 3353 146
77 1 2 5 1 1 78 1 1 2 0 0 79 1 16 46 10 5
77 2 2 6 1 1 78 2 1 2 0 1 79 2 22 61 13 7
77 3 4 11 1 3 78 3 2 4 0 1 79 3 37 105 23 12
77 4 4 10 1 2 78 4 1 4 0 1 79 4 34 97 21 11
77 5 9 25 3 6 78 5 3 9 1 2 79 5 86 244 53 28
77 6 9 24 3 6 78 6 3 9 1 2 79 6 84 236 51 27
77 7 6 16 2 4 78 7 2 6 1 1 79 7 55 155 34 18
77 8 8 22 2 5 78 8 3 8 1 2 79 8 76 214 47 24
77 9 2 4 0 1 78 9 1 2 0 0 79 9 15 43 9 5
77 10 3 2 0 0 78 10 1 1 0 0 79 10 4 7 6 5
77 11 7 4 0 1 78 11 3 1 0 0 79 11 10 14 13 11
77 12 3 1 0 0 78 12 1 1 0 0 79 12 4 6 5 4
77 13 6 3 0 0 78 13 2 1 0 0 79 13 8 11 10 9
77 14 3 2 0 0 78 14 1 1 0 0 79 14 4 6 6 5
77 15 1 0 0 0 78 15 0 0 0 0 79 15 2 0 1 0
77 16 4 2 0 0 78 16 2 1 0 0 79 16 6 9 8 7
77 17 5 2 0 0 78 17 2 1 0 0 79 17 7 10 9 7
77 18 3 2 0 0 78 18 1 1 0 0 79 18 5 7 6 5
77 19 1 0 0 0 78 19 0 0 0 0 79 19 9 3 4 0
77 20 1 0 0 0 78 20 0 0 0 0 79 20 8 3 3 0
77 21 12 5 1 1 78 21 5 2 0 0 79 21 139 47 54 4
77 22 5 2 0 0 78 22 2 1 0 0 79 22 52 18 20 2
77 23 2 1 0 0 78 23 1 0 0 0 79 23 21 7 8 1
77 24 10 4 1 1 78 24 4 1 0 0 79 24 109 37 42 3
77 25 3 1 0 0 78 25 1 0 0 0 79 25 33 11 13 1
77 26 1 0 0 0 78 26 0 0 0 0 79 26 11 4 4 0
77 27 6 2 0 0 78 27 2 1 0 0 79 27 66 22 26 2
77 28 6 5 0 0 78 28 2 2 0 0 79 28 67 48 76 6
77 29 6 5 0 0 78 29 2 2 0 0 79 29 72 52 81 6
77 30 12 10 0 0 78 30 4 4 0 0 79 30 140 101 158 12
77 31 4 4 0 0 78 31 2 1 0 0 79 31 53 38 59 4
77 32 0 0 0 0 78 32 0 0 0 0 79 32 0 0 0 0
77 33 4 4 0 0 78 33 2 1 0 0 79 33 54 39 61 5
77 34 3 2 0 0 78 34 1 1 0 0 79 34 31 22 35 3
77 35 17 14 0 1 78 35 6 5 0 0 79 35 201 144 227 17
77 36 2 2 0 0 78 36 1 1 0 0 79 36 24 17 27 2
77 37 2 1 1 0 78 37 1 0 0 0 79 37 21 18 65 3
77 38 2 1 1 0 78 38 1 0 0 0 79 38 18 16 58 2
77 39 0 0 0 0 78 39 0 0 0 0 79 39 0 0 0 0
77 40 11 3 5 1 78 40 4 1 2 1 79 40 89 77 280 11
77 41 8 2 3 1 78 41 3 1 1 0 79 41 66 57 209 8
77 42 1 0 0 0 78 42 0 0 0 0 79 42 8 2 1 0
77 43 10 3 5 1 78 43 4 1 2 1 79 43 89 77 279 11
77 44 1 0 1 0 78 44 0 0 0 0 79 44 11 10 35 1
77 45 7 2 3 1 78 45 3 1 1 0 79 45 62 53 193 8
77 46 5 1 2 1 78 46 2 0 1 0 79 46 38 33 121 5
77 47 12 3 5 2 78 47 4 1 2 1 79 47 103 89 324 13
77 48 1 0 0 0 78 48 0 0 0 0 79 48 15 9 13 0
77 49 0 0 0 0 78 49 0 0 0 0 79 49 7 4 6 0
77 50 0 0 0 0 78 50 0 0 0 0 79 50 10 6 9 0
77 51 1 0 0 0 78 51 0 0 0 0 79 51 18 10 15 0
77 52 1 0 0 0 78 52 0 0 0 0 79 52 13 7 11 0
77 53 1 0 0 0 78 53 0 0 0 0 79 53 15 8 13 0
77 54 0 0 0 0 78 54 0 0 0 0 79 54 9 5 8 0
77 55 3 2 2 1 78 55 1 1 1 0 79 55 76 43 66 0
77 56 2 1 1 1 78 56 1 0 0 0 79 56 53 30 46 0
77 57 0 0 0 0 78 57 0 0 0 0 79 57 2 1 2 0
77 58 2 0 0 0 78 58 1 0 0 0 79 58 14 4 1 0
77 59 9 1 1 0 78 59 3 0 0 0 79 59 82 21 9 2
77 60 1 0 0 0 78 60 0 0 0 0 79 60 7 2 1 0
77 61 1 0 0 0 78 61 0 0 0 0 79 61 5 1 1 0
77 62 2 0 0 0 78 62 1 0 0 0 79 62 14 4 2 0
77 63 1 0 0 0 78 63 0 0 0 0 79 63 10 3 1 0
77 64 0 0 0 0 78 64 0 0 0 0 79 64 1 0 0 0
77 65 1 0 0 0 78 65 0 0 0 0 79 65 13 3 1 0
77 66 1 0 0 0 78 66 0 0 0 0 79 66 10 3 1 0
77 67 1 0 0 0 78 67 0 0 0 0 79 67 8 2 1 0
77 68 1 0 0 0 78 68 0 0 0 0 79 68 5 1 1 0
77 69 3 0 0 0 78 69 1 0 0 0 79 69 28 7 3 1
77 70 0 0 0 0 78 70 0 0 0 0 79 70 1 0 0 0
77 71 7 1 9 0 78 71 3 0 3 0 79 71 19 1 12 2
77 72 11 2 14 1 78 72 4 1 5 0 79 72 30 1 19 3
77 73 62 11 78 3 78 73 23 4 30 1 79 73 170 5 108 15
77 75 6 1 7 0 78 75 2 0 3 0 79 75 16 0 10 1
77 76 0 0 0 0 78 76 0 0 0 0 79 76 0 0 0 0
77 78 18 3 22 1 78 77 0 0 0 0 79 77 2 0 1 0
77 79 5 1 2 1 78 79 2 0 1 0 79 78 48 2 31 4
77 80 3 0 0 1 78 80 1 0 0 0 79 80 53 10 0 4
77 81 1 0 0 0 78 81 0 0 0 0 79 81 22 4 0 2
77 82 2 0 0 1 78 82 1 0 0 0 79 82 43 8 0 3
77 83 5 0 0 1 78 83 2 0 0 0 79 83 105 20 0 8
77 84 0 0 0 0 78 84 0 0 0 0 79 84 9 2 0 1
77 85 0 0 0 0 78 85 0 0 0 0 79 85 0 0 0 0
77 86 2 1 0 0 78 86 1 0 0 0 79 86 12 19 3 1
77 87 4 2 0 1 78 87 2 1 0 0 79 87 22 34 5 1
77 88 2 1 0 0 78 88 1 0 0 0 79 88 13 19 3 1
77 89 4 2 0 1 78 89 1 1 0 0 79 89 21 32 5 1
77 90 5 2 0 1 78 90 2 1 0 0 79 90 29 45 7 2
77 91 5 2 0 1 78 91 2 1 0 0 79 91 25 38 6 2
77 92 1 0 0 0 78 92 0 0 0 0 79 92 9 2 1 0
77 93 1 0 0 0 78 93 0 0 0 0 79 93 9 3 3 0
77 94 2 0 0 0 78 94 1 0 0 0 79 94 11 3 3 0
77 95 3 0 0 0 78 95 1 0 0 0 79 95 18 6 5 0
77 96 0 0 0 0 78 96 0 0 0 0 79 96 1 0 0 0
77 97 5 1 1 0 78 97 2 0 0 0 79 97 34 11 10 0
77 98 1 0 0 0 78 98 0 0 0 0 79 98 3 1 1 0
77 99 8 3 2 0 78 99 3 1 1 0 79 99 24 6 8 0
77 100 4 2 1 0 78 100 2 1 0 0 79 100 13 3 4 0
77 101 2 1 0 0 78 101 1 0 0 0 79 101 5 1 2 0
77 102 2 1 0 0 78 102 1 0 0 0 79 102 6 1 2 0
77 103 1 0 0 0 78 103 0 0 0 0 79 103 2 1 1 0
77 104 2 1 0 0 78 104 1 0 0 0 79 104 4 1 1 0
77 105 1 0 0 0 78 105 0 0 0 0 79 105 3 1 1 0
77 106 0 0 0 0 78 106 0 0 0 0 79 106 5 3 4 0
77 107 4 1 1 0 78 107 1 0 0 0 79 107 10 3 4 0
77 108 2 1 1 0 78 108 1 0 0 0 79 108 6 2 2 0
77 109 0 0 0 0 78 109 0 0 0 0 79 109 1 0 0 0
77 110 1 0 0 0 78 110 0 0 0 0 79 110 11 4 4 0
77 111 5 1 1 0 78 111 2 0 0 0 79 111 35 11 11 0
77 112 0 0 0 0 78 112 0 0 0 0 79 112 0 0 0 0
77 114 0 0 0 0 78 114 0 0 0 0 79 114 0 0 0 0
77 115 0 0 0 0 78 115 0 0 0 0 79 115 0 0 0 0
77 116 1 0 0 0 78 116 0 0 0 0 79 116 12 3 1 0
77 117 0 0 0 0 78 117 0 0 0 0 79 117 1 0 0 0
77 118 6 15 2 4 78 118 2 5 1 1 79 118 51 145 32 16
77 119 2 5 1 1 78 119 1 2 0 0 79 119 16 46 10 5
77 120 18 4 8 3 78 120 7 2 3 1 79 120 152 131 476 19
77 121 10 2 1 1 78 121 4 1 1 0 79 121 68 22 21 0
77 122 4 2 0 1 78 122 1 1 0 0 79 122 20 30 5 1
77 123 1 0 2 0 78 123 0 0 1 0 79 123 4 0 2 0
77 124 0 0 0 0 78 124 0 0 0 0 79 124 0 0 0 0
77 125 8 1 10 0 78 125 3 1 4 0 79 125 22 1 14 2
77 126 15 4 6 2 78 126 5 1 2 1 79 126 124 107 388 15
77 127 6 1 3 1 78 127 2 1 1 0 79 127 50 43 158 6
77 128 3 1 1 1 78 128 1 0 0 0 79 128 64 36 55 0
77 129 0 0 0 0 78 129 0 0 0 0 79 129 4 1 0 0
77 130 1 0 0 0 78 130 1 0 0 0 79 130 14 4 1 0
77 131 1 0 0 0 78 131 1 0 0 0 79 131 13 3 1 0
77 132 7 3 2 0 78 132 3 1 1 0 79 132 21 5 7 0
77 133 1 0 0 0 78 133 0 0 0 0 79 133 2 1 1 0
77 135 1 0 0 0 78 135 0 0 0 0 79 135 18 10 16 0
77 136 12 2 15 1 78 136 4 1 6 0 79 136 33 1 21 3
77 137 0 0 0 0 78 137 0 0 0 0 79 137 0 0 0 0
77 139 12 2 2 1 78 139 4 1 1 0 79 139 80 26 24 0
77 140 7 1 1 0 78 140 2 0 0 0 79 140 43 14 13 0
77 141 115 21 147 6 78 141 42 8 56 2 79 141 319 10 202 29
80 1 0 0 0 0 81 1 0 0 0 0 82 1 0 0 0 0
80 2 0 0 0 0 81 2 0 0 0 0 82 2 0 0 0 0
80 3 0 0 0 0 81 3 0 0 0 0 82 3 0 0 0 0
80 4 0 0 0 0 81 4 0 0 0 0 82 4 0 0 0 0
80 5 0 0 0 0 81 5 0 0 0 0 82 5 0 0 0 0
80 6 0 0 0 0 81 6 0 0 0 0 82 6 0 0 0 0
80 7 0 0 0 0 81 7 0 0 0 0 82 7 0 0 0 0
80 8 0 0 0 0 81 8 0 0 0 0 82 8 0 0 0 0
80 9 0 0 0 0 81 9 0 0 0 0 82 9 0 0 0 0
80 10 16 0 0 0 81 10 1 0 0 0 82 10 0 0 0 0
80 11 35 0 0 0 81 11 1 0 0 0 82 11 0 0 0 0
80 12 14 0 0 0 81 12 1 0 0 0 82 12 0 0 0 0
80 13 28 0 0 0 81 13 1 0 0 0 82 13 0 0 0 0
80 14 15 0 0 0 81 14 1 0 0 0 82 14 0 0 0 0
80 15 0 0 0 0 81 15 0 0 0 0 82 15 0 0 0 0
80 16 22 0 0 0 81 16 1 0 0 0 82 16 0 0 0 0
80 17 24 0 0 0 81 17 1 0 0 0 82 17 0 0 0 0
80 18 17 0 0 0 81 18 1 0 0 0 82 18 0 0 0 0
80 19 0 0 0 0 81 19 0 0 0 0 82 19 0 0 0 0
80 20 0 0 0 0 81 20 0 0 0 0 82 20 0 0 0 0
80 21 0 0 0 0 81 21 0 0 0 0 82 21 0 0 0 0
80 22 0 0 0 0 81 22 0 0 0 0 82 22 0 0 0 0
80 23 0 0 0 0 81 23 0 0 0 0 82 23 0 0 0 0
80 24 0 0 0 0 81 24 0 0 0 0 82 24 0 0 0 0
80 25 0 0 0 0 81 25 0 0 0 0 82 25 0 0 0 0
80 26 0 0 0 0 81 26 0 0 0 0 82 26 0 0 0 0
80 27 0 0 0 0 81 27 0 0 0 0 82 27 0 0 0 0
80 28 0 8 0 4 81 28 0 0 0 0 82 28 0 0 0 0
80 29 0 9 0 4 81 29 0 0 0 0 82 29 0 0 0 0
80 30 0 18 0 7 81 30 0 1 0 0 82 30 0 0 0 0
80 31 0 7 0 3 81 31 0 0 0 0 82 31 0 0 0 0
80 32 0 0 0 0 81 32 0 0 0 0 82 32 0 0 0 0
80 33 0 7 0 3 81 33 0 0 0 0 82 33 0 0 0 0
80 34 0 4 0 2 81 34 0 0 0 0 82 34 0 0 0 0
80 35 0 25 0 11 81 35 0 1 0 0 82 35 0 0 0 0
80 36 0 3 0 1 81 36 0 0 0 0 82 36 0 0 0 0
80 37 0 0 0 0 81 37 0 0 0 0 82 37 0 0 0 0
80 38 0 0 0 0 81 38 0 0 0 0 82 38 0 0 0 0
80 39 0 0 0 0 81 39 0 0 0 0 82 39 0 0 0 0
80 40 0 0 0 0 81 40 0 0 0 0 82 40 0 0 0 0
80 41 0 0 0 0 81 41 0 0 0 0 82 41 0 0 0 0
80 42 0 0 0 0 81 42 0 0 0 0 82 42 0 0 0 0
80 43 0 0 0 0 81 43 0 0 0 0 82 43 0 0 0 0
80 44 0 0 0 0 81 44 0 0 0 0 82 44 0 0 0 0
80 45 0 0 0 0 81 45 0 0 0 0 82 45 0 0 0 0
80 46 0 0 0 0 81 46 0 0 0 0 82 46 0 0 0 0
80 47 0 0 0 0 81 47 0 0 0 0 82 47 0 0 0 0
80 48 0 0 0 0 81 48 0 0 0 0 82 48 0 0 0 0
80 49 0 0 0 0 81 49 0 0 0 0 82 49 0 0 0 0
80 50 0 0 0 0 81 50 0 0 0 0 82 50 0 0 0 0
80 51 0 0 0 0 81 51 0 0 0 0 82 51 0 0 0 0
80 52 0 0 0 0 81 52 0 0 0 0 82 52 0 0 0 0
80 53 0 0 0 0 81 53 0 0 0 0 82 53 0 0 0 0
80 54 0 0 0 0 81 54 0 0 0 0 82 54 0 0 0 0
80 55 0 0 0 0 81 55 0 0 0 0 82 55 0 0 0 0
80 56 0 0 0 0 81 56 0 0 0 0 82 56 0 0 0 0
80 57 0 0 0 0 81 57 0 0 0 0 82 57 0 0 0 0
80 58 0 0 0 0 81 58 0 0 0 0 82 58 0 0 0 0
80 59 0 0 0 0 81 59 0 0 0 0 82 59 0 0 0 0
80 60 0 0 0 0 81 60 0 0 0 0 82 60 0 0 0 0
80 61 0 0 0 0 81 61 0 0 0 0 82 61 0 0 0 0
80 62 0 0 0 0 81 62 0 0 0 0 82 62 0 0 0 0
80 63 0 0 0 0 81 63 0 0 0 0 82 63 0 0 0 0
80 64 0 0 0 0 81 64 0 0 0 0 82 64 0 0 0 0
80 65 0 0 0 0 81 65 0 0 0 0 82 65 0 0 0 0
80 66 0 0 0 0 81 66 0 0 0 0 82 66 0 0 0 0
80 67 0 0 0 0 81 67 0 0 0 0 82 67 0 0 0 0
80 68 0 0 0 0 81 68 0 0 0 0 82 68 0 0 0 0
80 69 0 0 0 0 81 69 0 0 0 0 82 69 0 0 0 0
80 70 0 0 0 0 81 70 0 0 0 0 82 70 0 0 0 0
80 71 0 0 0 0 81 71 0 0 0 0 82 71 0 0 0 0
80 72 0 0 0 0 81 72 0 0 0 0 82 72 0 0 0 0
80 73 0 0 0 0 81 73 0 0 0 0 82 73 0 0 0 0
80 75 0 0 0 0 81 75 0 0 0 0 82 75 0 0 0 0
80 76 0 0 0 0 81 76 0 0 0 0 82 76 0 0 0 0
80 77 0 0 0 0 81 77 0 0 0 0 82 77 0 0 0 0
80 78 0 0 0 0 81 78 0 0 0 0 82 78 0 0 0 0
80 79 0 0 0 0 81 79 0 0 0 0 82 79 0 0 0 0
80 81 0 0 0 0 81 80 0 0 0 0 82 80 0 0 0 0
80 82 0 0 0 0 81 82 0 0 0 0 82 81 0 0 0 0
80 83 0 0 0 0 81 83 0 0 0 0 82 83 0 0 0 0
80 84 0 0 0 0 81 84 0 0 0 0 82 84 0 0 0 0
80 85 0 0 0 0 81 85 0 0 0 0 82 85 0 0 0 0
80 86 0 0 0 0 81 86 0 0 0 0 82 86 0 0 0 0
80 87 0 0 0 0 81 87 0 0 0 0 82 87 0 0 0 0
80 88 0 0 0 0 81 88 0 0 0 0 82 88 0 0 0 0
80 89 0 0 0 0 81 89 0 0 0 0 82 89 0 0 0 0
80 90 0 0 0 0 81 90 0 0 0 0 82 90 0 0 0 0
80 91 0 0 0 0 81 91 0 0 0 0 82 91 0 0 0 0
80 92 0 0 0 0 81 92 0 0 0 0 82 92 0 0 0 0
80 93 0 0 0 0 81 93 0 0 0 0 82 93 0 0 0 0
80 94 0 0 0 0 81 94 0 0 0 0 82 94 0 0 0 0
80 95 0 0 0 0 81 95 0 0 0 0 82 95 0 0 0 0
80 96 0 0 0 0 81 96 0 0 0 0 82 96 0 0 0 0
80 97 0 0 0 0 81 97 0 0 0 0 82 97 0 0 0 0
80 98 0 0 0 0 81 98 0 0 0 0 82 98 0 0 0 0
80 99 0 0 0 0 81 99 0 0 0 0 82 99 0 0 0 0
80 100 0 0 0 0 81 100 0 0 0 0 82 100 0 0 0 0
80 101 0 0 0 0 81 101 0 0 0 0 82 101 0 0 0 0
80 102 0 0 0 0 81 102 0 0 0 0 82 102 0 0 0 0
80 103 0 0 0 0 81 103 0 0 0 0 82 103 0 0 0 0
80 104 0 0 0 0 81 104 0 0 0 0 82 104 0 0 0 0
80 105 0 0 0 0 81 105 0 0 0 0 82 105 0 0 0 0
80 106 0 0 0 0 81 106 0 0 0 0 82 106 0 0 0 0
80 107 0 0 0 0 81 107 0 0 0 0 82 107 0 0 0 0
80 108 0 0 0 0 81 108 0 0 0 0 82 108 0 0 0 0
80 109 0 0 0 0 81 109 0 0 0 0 82 109 0 0 0 0
80 110 0 0 0 0 81 110 0 0 0 0 82 110 0 0 0 0
80 111 0 0 0 0 81 111 0 0 0 0 82 111 0 0 0 0
80 112 0 0 0 0 81 112 0 0 0 0 82 112 0 0 0 0
80 114 0 0 0 0 81 114 0 0 0 0 82 114 0 0 0 0
80 115 0 0 0 0 81 115 0 0 0 0 82 115 0 0 0 0
80 116 0 0 0 0 81 116 0 0 0 0 82 116 0 0 0 0
80 117 0 0 0 0 81 117 0 0 0 0 82 117 0 0 0 0
80 118 0 0 0 0 81 118 0 0 0 0 82 118 0 0 0 0
80 119 0 0 0 0 81 119 0 0 0 0 82 119 0 0 0 0
80 120 0 0 0 0 81 120 0 0 0 0 82 120 0 0 0 0
80 121 0 0 0 0 81 121 0 0 0 0 82 121 0 0 0 0
80 122 0 0 0 0 81 122 0 0 0 0 82 122 0 0 0 0
80 123 0 0 0 0 81 123 0 0 0 0 82 123 0 0 0 0
80 124 0 0 0 0 81 124 0 0 0 0 82 124 0 0 0 0
80 125 0 0 0 0 81 125 0 0 0 0 82 125 0 0 0 0
80 126 0 0 0 0 81 126 0 0 0 0 82 126 0 0 0 0
80 127 0 0 0 0 81 127 0 0 0 0 82 127 0 0 0 0
80 128 0 0 0 0 81 128 0 0 0 0 82 128 0 0 0 0
80 129 0 0 0 0 81 129 0 0 0 0 82 129 0 0 0 0
80 130 0 0 0 0 81 130 0 0 0 0 82 130 0 0 0 0
80 131 0 0 0 0 81 131 0 0 0 0 82 131 0 0 0 0
80 132 0 0 0 0 81 132 0 0 0 0 82 132 0 0 0 0
80 133 0 0 0 0 81 133 0 0 0 0 82 133 0 0 0 0
80 135 0 0 0 0 81 135 0 0 0 0 82 135 0 0 0 0
80 136 0 0 0 0 81 136 0 0 0 0 82 136 0 0 0 0
80 137 0 0 0 0 81 137 0 0 0 0 82 137 0 0 0 0
80 139 0 0 0 0 81 139 0 0 0 0 82 139 0 0 0 0
80 140 0 0 0 0 81 140 0 0 0 0 82 140 0 0 0 0
80 141 0 0 0 0 81 141 0 0 0 0 82 141 0 0 0 0
83 1 0 0 0 0 84 1 0 0 0 0 85 1 0 1 1 0
83 2 0 0 0 0 84 2 0 0 0 0 85 2 0 1 1 0
83 3 0 0 0 0 84 3 0 0 0 0 85 3 1 2 2 0
83 4 0 0 0 0 84 4 0 0 0 0 85 4 0 2 2 0
83 5 0 0 0 0 84 5 0 0 0 0 85 5 1 5 5 1
83 6 0 0 0 0 84 6 0 0 0 0 85 6 1 4 5 1
83 7 0 0 0 0 84 7 0 0 0 0 85 7 1 3 3 1
83 8 0 0 0 0 84 8 0 0 0 0 85 8 1 4 4 1
83 9 0 0 0 0 84 9 0 0 0 0 85 9 0 1 1 0
83 10 1 0 0 0 84 10 0 0 0 0 85 10 0 1 0 0
83 11 1 0 0 0 84 11 1 0 0 0 85 11 0 1 0 0
83 12 0 0 0 0 84 12 0 0 0 0 85 12 0 0 0 0
83 13 1 0 0 0 84 13 1 0 0 0 85 13 0 1 0 0
83 14 0 0 0 0 84 14 0 0 0 0 85 14 0 1 0 0
83 15 0 0 0 0 84 15 0 0 0 0 85 15 0 0 0 0
83 16 1 0 0 0 84 16 0 0 0 0 85 16 0 1 0 0
83 17 1 0 0 0 84 17 0 0 0 0 85 17 0 1 0 0
83 18 1 0 0 0 84 18 0 0 0 0 85 18 0 1 0 0
83 19 0 0 0 0 84 19 0 0 0 0 85 19 0 0 0 0
83 20 0 0 0 0 84 20 0 0 0 0 85 20 0 0 0 0
83 21 0 0 0 0 84 21 0 0 0 0 85 21 0 1 1 0
83 22 0 0 0 0 84 22 0 0 0 0 85 22 0 0 0 0
83 23 0 0 0 0 84 23 0 0 0 0 85 23 0 0 0 0
83 24 0 0 0 0 84 24 0 0 0 0 85 24 0 0 0 0
83 25 0 0 0 0 84 25 0 0 0 0 85 25 0 0 0 0
83 26 0 0 0 0 84 26 0 0 0 0 85 26 0 0 0 0
83 27 0 0 0 0 84 27 0 0 0 0 85 27 0 0 0 0
83 28 0 0 0 0 84 28 0 0 0 0 85 28 1 3 0 0
83 29 0 0 0 0 84 29 0 0 0 0 85 29 1 3 0 0
83 30 0 1 0 0 84 30 0 0 0 0 85 30 1 6 1 1
83 31 0 0 0 0 84 31 0 0 0 0 85 31 1 2 0 0
83 32 0 0 0 0 84 32 0 0 0 0 85 32 0 0 0 0
83 33 0 0 0 0 84 33 0 0 0 0 85 33 1 2 0 0
83 34 0 0 0 0 84 34 0 0 0 0 85 34 0 1 0 0
83 35 0 1 0 0 84 35 0 1 0 0 85 35 2 9 1 1
83 36 0 0 0 0 84 36 0 0 0 0 85 36 0 1 0 0
83 37 0 0 0 0 84 37 0 0 0 0 85 37 0 0 0 0
83 38 0 0 0 0 84 38 0 0 0 0 85 38 0 0 0 0
83 39 0 0 0 0 84 39 0 0 0 0 85 39 0 0 0 0
83 40 0 0 0 0 84 40 0 0 0 0 85 40 1 1 0 0
83 41 0 0 0 0 84 41 0 0 0 0 85 41 1 1 0 0
83 42 0 0 0 0 84 42 0 0 0 0 85 42 0 0 0 0
83 43 0 0 0 0 84 43 0 0 0 0 85 43 1 1 0 0
83 44 0 0 0 0 84 44 0 0 0 0 85 44 0 0 0 0
83 45 0 0 0 0 84 45 0 0 0 0 85 45 1 1 0 0
83 46 0 0 0 0 84 46 0 0 0 0 85 46 1 0 0 0
83 47 0 0 0 0 84 47 0 0 0 0 85 47 1 1 0 0
83 48 0 0 0 0 84 48 0 0 0 0 85 48 0 0 0 0
83 49 0 0 0 0 84 49 0 0 0 0 85 49 0 0 0 0
83 50 0 0 0 0 84 50 0 0 0 0 85 50 0 0 0 0
83 51 0 0 0 0 84 51 0 0 0 0 85 51 0 0 0 0
83 52 0 0 0 0 84 52 0 0 0 0 85 52 0 0 0 0
83 53 0 0 0 0 84 53 0 0 0 0 85 53 0 0 0 0
83 54 0 0 0 0 84 54 0 0 0 0 85 54 0 0 0 0
83 55 0 0 0 0 84 55 0 0 0 0 85 55 0 1 0 0
83 56 0 0 0 0 84 56 0 0 0 0 85 56 0 0 0 0
83 57 0 0 0 0 84 57 0 0 0 0 85 57 0 0 0 0
83 58 0 0 0 0 84 58 0 0 0 0 85 58 0 0 0 0
83 59 0 0 0 0 84 59 0 0 0 0 85 59 2 1 0 0
83 60 0 0 0 0 84 60 0 0 0 0 85 60 0 0 0 0
83 61 0 0 0 0 84 61 0 0 0 0 85 61 0 0 0 0
83 62 0 0 0 0 84 62 0 0 0 0 85 62 0 0 0 0
83 63 0 0 0 0 84 63 0 0 0 0 85 63 0 0 0 0
83 64 0 0 0 0 84 64 0 0 0 0 85 64 0 0 0 0
83 65 0 0 0 0 84 65 0 0 0 0 85 65 0 0 0 0
83 66 0 0 0 0 84 66 0 0 0 0 85 66 0 0 0 0
83 67 0 0 0 0 84 67 0 0 0 0 85 67 0 0 0 0
83 68 0 0 0 0 84 68 0 0 0 0 85 68 0 0 0 0
83 69 0 0 0 0 84 69 0 0 0 0 85 69 1 0 0 0
83 70 0 0 0 0 84 70 0 0 0 0 85 70 0 0 0 0
83 71 0 0 0 0 84 71 0 0 0 0 85 71 0 0 0 0
83 72 0 0 0 0 84 72 0 0 0 0 85 72 0 0 0 0
83 73 0 0 0 0 84 73 0 0 0 0 85 73 2 2 0 0
83 75 0 0 0 0 84 75 0 0 0 0 85 75 0 0 0 0
83 76 0 0 0 0 84 76 0 0 0 0 85 76 0 0 0 0
83 77 0 0 0 0 84 77 0 0 0 0 85 77 0 0 0 0
83 78 0 0 0 0 84 78 0 0 0 0 85 78 1 0 0 0
83 79 0 0 0 0 84 79 0 0 0 0 85 79 1 1 0 0
83 80 0 0 0 0 84 80 0 0 0 0 85 80 1 0 0 0
83 81 0 0 0 0 84 81 0 0 0 0 85 81 0 0 0 0
83 82 0 0 0 0 84 82 0 0 0 0 85 82 1 0 0 0
83 84 0 0 0 0 84 83 0 0 0 0 85 83 1 1 1 1
83 85 0 0 0 0 84 85 0 0 0 0 85 84 0 0 0 0
83 86 0 0 0 0 84 86 0 0 0 0 85 86 0 1 6 0
83 87 0 0 0 0 84 87 0 0 0 0 85 87 1 1 11 0
83 88 0 0 0 0 84 88 0 0 0 0 85 88 0 1 7 0
83 89 0 0 0 0 84 89 0 0 0 0 85 89 1 1 11 0
83 90 0 0 0 0 84 90 0 0 0 0 85 90 1 1 15 0
83 91 0 0 0 0 84 91 0 0 0 0 85 91 1 1 13 0
83 92 0 0 0 0 84 92 0 0 0 0 85 92 0 0 0 0
83 93 0 0 0 0 84 93 0 0 0 0 85 93 0 0 1 0
83 94 0 0 0 0 84 94 0 0 0 0 85 94 0 0 1 0
83 95 0 0 0 0 84 95 0 0 0 0 85 95 0 0 1 0
83 96 0 0 0 0 84 96 0 0 0 0 85 96 0 0 0 0
83 97 0 0 0 0 84 97 0 0 0 0 85 97 1 0 2 0
83 98 0 0 0 0 84 98 0 0 0 0 85 98 0 0 0 0
83 99 0 0 0 0 84 99 0 0 0 0 85 99 1 0 0 0
83 100 0 0 0 0 84 100 0 0 0 0 85 100 0 0 0 0
83 101 0 0 0 0 84 101 0 0 0 0 85 101 0 0 0 0
83 102 0 0 0 0 84 102 0 0 0 0 85 102 0 0 0 0
83 103 0 0 0 0 84 103 0 0 0 0 85 103 0 0 0 0
83 104 0 0 0 0 84 104 0 0 0 0 85 104 0 0 0 0
83 105 0 0 0 0 84 105 0 0 0 0 85 105 0 0 0 0
83 106 0 0 0 0 84 106 0 0 0 0 85 106 0 0 0 0
83 107 0 0 0 0 84 107 0 0 0 0 85 107 0 0 0 0
83 108 0 0 0 0 84 108 0 0 0 0 85 108 0 0 0 0
83 109 0 0 0 0 84 109 0 0 0 0 85 109 0 0 0 0
83 110 0 0 0 0 84 110 0 0 0 0 85 110 0 0 0 0
83 111 0 0 0 0 84 111 0 0 0 0 85 111 1 0 2 0
83 112 0 0 0 0 84 112 0 0 0 0 85 112 0 0 0 0
83 114 0 0 0 0 84 114 0 0 0 0 85 114 0 0 0 0
83 115 0 0 0 0 84 115 0 0 0 0 85 115 0 0 0 0
83 116 0 0 0 0 84 116 0 0 0 0 85 116 0 0 0 0
83 117 0 0 0 0 84 117 0 0 0 0 85 117 0 0 0 0
83 118 0 0 0 0 84 118 0 0 0 0 85 118 1 3 3 1
83 119 0 0 0 0 84 119 0 0 0 0 85 119 0 1 1 0
83 120 0 0 0 0 84 120 0 0 0 0 85 120 2 2 0 0
83 121 0 0 0 0 84 121 0 0 0 0 85 121 2 1 5 0
83 122 0 0 0 0 84 122 0 0 0 0 85 122 1 1 10 0
83 123 0 0 0 0 84 123 0 0 0 0 85 123 0 0 0 0
83 124 0 0 0 0 84 124 0 0 0 0 85 124 0 0 0 0
83 125 0 0 0 0 84 125 0 0 0 0 85 125 0 0 0 0
83 126 0 0 0 0 84 126 0 0 0 0 85 126 2 1 0 0
83 127 0 0 0 0 84 127 0 0 0 0 85 127 1 1 0 0
83 128 0 0 0 0 84 128 0 0 0 0 85 128 0 1 0 0
83 129 0 0 0 0 84 129 0 0 0 0 85 129 0 0 0 0
83 130 0 0 0 0 84 130 0 0 0 0 85 130 0 0 0 0
83 131 0 0 0 0 84 131 0 0 0 0 85 131 0 0 0 0
83 132 0 0 0 0 84 132 0 0 0 0 85 132 1 0 0 0
83 133 0 0 0 0 84 133 0 0 0 0 85 133 0 0 0 0
83 135 0 0 0 0 84 135 0 0 0 0 85 135 0 0 0 0
83 136 0 0 0 0 84 136 0 0 0 0 85 136 0 0 0 0
83 137 0 0 0 0 84 137 0 0 0 0 85 137 0 0 0 0
83 139 0 0 0 0 84 139 0 0 0 0 85 139 2 1 5 1
83 140 0 0 0 0 84 140 0 0 0 0 85 140 1 0 3 0
83 141 0 0 0 0 84 141 0 0 0 0 85 141 4 3 1 0
86 1 0 1 1 0 87 1 9 34 39 7 88 1 8 31 35 6
86 2 0 2 2 0 87 2 12 45 52 9 88 2 11 42 46 8
86 3 1 3 3 1 87 3 20 78 89 16 88 3 19 73 80 14
86 4 1 2 3 0 87 4 19 72 82 14 88 4 17 67 73 13
86 5 2 6 7 1 87 5 47 181 206 36 88 5 43 168 185 33
86 6 2 6 7 1 87 6 45 175 199 35 88 6 42 162 179 32
86 7 1 4 4 1 87 7 30 115 131 23 88 7 28 107 117 21
86 8 1 5 6 1 87 8 41 158 180 32 88 8 38 147 162 29
86 9 0 1 1 0 87 9 8 32 36 6 88 9 8 30 33 6
86 10 0 1 0 0 87 10 4 23 6 0 88 10 3 21 6 0
86 11 0 2 0 0 87 11 8 49 13 0 88 11 7 45 12 0
86 12 0 1 0 0 87 12 3 20 5 0 88 12 3 18 5 0
86 13 0 1 0 0 87 13 6 39 11 0 88 13 6 36 10 0
86 14 0 1 0 0 87 14 3 21 6 0 88 14 3 20 5 0
86 15 0 0 0 0 87 15 3 1 1 0 88 15 3 1 1 0
86 16 0 1 0 0 87 16 5 31 9 0 88 16 5 29 8 0
86 17 0 1 0 0 87 17 5 33 9 0 88 17 5 31 8 0
86 18 0 1 0 0 87 18 4 24 7 0 88 18 4 22 6 0
86 19 0 0 0 0 87 19 1 1 2 0 88 19 1 1 2 0
86 20 0 0 0 0 87 20 1 1 1 0 88 20 1 1 1 0
86 21 0 1 1 0 87 21 12 22 27 4 88 21 11 20 24 4
86 22 0 0 0 0 87 22 4 8 10 1 88 22 4 8 9 1
86 23 0 0 0 0 87 23 2 3 4 1 88 23 2 3 4 1
86 24 0 1 1 0 87 24 9 17 21 3 88 24 9 16 19 3
86 25 0 0 0 0 87 25 3 5 6 1 88 25 3 5 6 1
86 26 0 0 0 0 87 26 1 2 2 0 88 26 1 2 2 0
86 27 0 0 0 0 87 27 6 10 13 2 88 27 5 10 11 2
86 28 1 4 0 0 87 28 27 117 15 12 88 28 25 109 14 11
86 29 1 4 1 0 87 29 29 126 16 13 88 29 27 117 15 12
86 30 2 8 1 1 87 30 55 244 31 25 88 30 51 227 28 23
86 31 1 3 0 0 87 31 21 92 12 9 88 31 19 85 11 9
86 32 0 0 0 0 87 32 0 0 0 0 88 32 0 0 0 0
86 33 1 3 0 0 87 33 21 94 12 9 88 33 20 88 11 9
86 34 0 2 0 0 87 34 12 54 7 5 88 34 11 50 6 5
86 35 3 12 1 1 87 35 80 351 45 35 88 35 74 327 41 33
86 36 0 1 0 0 87 36 9 41 5 4 88 36 9 38 5 4
86 37 0 0 0 0 87 37 11 10 2 1 88 37 10 9 2 1
86 38 0 0 0 0 87 38 10 9 2 1 88 38 9 8 1 1
86 39 0 0 0 0 87 39 0 0 0 0 88 39 0 0 0 0
86 40 2 1 0 0 87 40 47 42 8 4 88 40 44 39 7 4
86 41 1 1 0 0 87 41 35 31 6 3 88 41 32 29 5 3
86 42 0 0 0 0 87 42 7 3 2 1 88 42 7 3 1 1
86 43 2 1 0 0 87 43 47 41 7 4 88 43 43 38 7 4
86 44 0 0 0 0 87 44 6 5 1 1 88 44 5 5 1 1
86 45 1 1 0 0 87 45 32 29 5 3 88 45 30 27 5 3
86 46 1 1 0 0 87 46 20 18 3 2 88 46 19 17 3 2
86 47 2 2 0 0 87 47 54 48 9 5 88 47 50 45 8 5
86 48 0 0 0 0 87 48 3 5 4 0 88 48 2 5 4 0
86 49 0 0 0 0 87 49 1 2 2 0 88 49 1 2 2 0
86 50 0 0 0 0 87 50 2 3 3 0 88 50 2 3 2 0
86 51 0 0 0 0 87 51 3 6 5 0 88 51 3 5 4 0
86 52 0 0 0 0 87 52 2 4 3 0 88 52 2 4 3 0
86 53 0 0 0 0 87 53 3 5 4 0 88 53 2 4 4 0
86 54 0 0 0 0 87 54 2 3 2 0 88 54 1 3 2 0
86 55 0 1 1 0 87 55 13 25 20 2 88 55 12 23 18 2
86 56 0 1 0 0 87 56 9 17 14 1 88 56 9 16 13 1
86 57 0 0 0 0 87 57 0 1 1 0 88 57 0 1 0 0
86 58 0 0 0 0 87 58 12 5 3 1 88 58 11 4 3 1
86 59 2 1 1 0 87 59 71 28 16 7 88 59 66 26 15 7
86 60 0 0 0 0 87 60 6 2 1 1 88 60 6 2 1 1
86 61 0 0 0 0 87 61 5 2 1 0 88 61 4 2 1 0
86 62 0 0 0 0 87 62 13 5 3 1 88 62 12 5 3 1
86 63 0 0 0 0 87 63 9 3 2 1 88 63 8 3 2 1
86 64 0 0 0 0 87 64 1 0 0 0 88 64 1 0 0 0
86 65 0 0 0 0 87 65 11 4 2 1 88 65 10 4 2 1
86 66 0 0 0 0 87 66 9 3 2 1 88 66 8 3 2 1
86 67 0 0 0 0 87 67 7 3 2 1 88 67 6 2 1 1
86 68 0 0 0 0 87 68 5 2 1 0 88 68 4 2 1 0
86 69 1 0 0 0 87 69 24 9 6 2 88 69 23 9 5 2
86 70 0 0 0 0 87 70 1 0 0 0 88 70 1 0 0 0
86 71 0 0 0 0 87 71 9 7 2 1 88 71 9 7 2 1
86 72 1 0 0 0 87 72 15 12 3 2 88 72 14 11 3 2
86 73 3 2 1 0 87 73 83 66 20 11 88 73 77 61 18 10
86 75 0 0 0 0 87 75 8 6 2 1 88 75 7 6 2 1
86 76 0 0 0 0 87 76 0 0 0 0 88 76 0 0 0 0
86 77 0 0 0 0 87 77 1 1 0 0 88 77 1 1 0 0
86 78 1 1 0 0 87 78 24 19 6 3 88 78 22 17 5 3
86 79 1 1 0 0 87 79 24 22 4 2 88 79 23 20 4 2
86 80 1 1 1 0 87 80 26 16 21 11 88 80 24 15 19 10
86 81 0 0 0 0 87 81 11 7 9 5 88 81 10 6 8 4
86 82 1 0 1 0 87 82 21 13 17 9 88 82 19 12 15 8
86 83 2 1 1 1 87 83 51 32 42 22 88 83 47 30 37 20
86 84 0 0 0 0 87 84 4 3 4 2 88 84 4 3 3 2
86 85 0 0 0 0 87 85 0 0 0 0 88 85 0 0 0 0
86 87 1 1 16 0 87 86 20 23 280 7 88 86 18 21 251 7
86 88 1 1 9 0 87 88 20 23 283 7 88 87 32 37 445 12
86 89 1 1 16 0 87 89 33 39 476 12 88 89 31 36 428 11
86 90 2 2 22 1 87 90 46 53 656 17 88 90 43 50 590 16
86 91 1 2 18 0 87 91 39 45 554 14 88 91 36 42 498 13
86 92 0 0 0 0 87 92 8 3 2 1 88 92 7 3 2 1
86 93 0 0 1 0 87 93 8 4 25 2 88 93 8 4 23 2
86 94 0 0 1 0 87 94 11 5 32 3 88 94 10 5 28 3
86 95 1 0 2 0 87 95 17 8 52 5 88 95 16 8 47 5
86 96 0 0 0 0 87 96 1 1 4 0 88 96 1 1 4 0
86 97 1 1 3 0 87 97 33 16 100 10 88 97 31 15 89 9
86 98 0 0 0 0 87 98 4 2 1 0 88 98 4 1 1 0
86 99 1 0 0 0 87 99 36 14 10 2 88 99 33 13 9 2
86 100 1 0 0 0 87 100 19 7 6 1 88 100 18 7 5 1
86 101 0 0 0 0 87 101 8 3 2 0 88 101 7 3 2 0
86 102 0 0 0 0 87 102 8 3 2 0 88 102 8 3 2 0
86 103 0 0 0 0 87 103 3 1 1 0 88 103 3 1 1 0
86 104 0 0 0 0 87 104 6 2 2 0 88 104 6 2 2 0
86 105 0 0 0 0 87 105 5 2 1 0 88 105 5 2 1 0
86 106 0 0 0 0 87 106 1 2 1 0 88 106 1 1 1 0
86 107 1 0 0 0 87 107 16 6 5 1 88 107 15 6 4 1
86 108 0 0 0 0 87 108 10 4 3 0 88 108 9 3 3 0
86 109 0 0 0 0 87 109 2 1 1 0 88 109 2 1 0 0
86 110 0 0 0 0 87 110 1 2 2 0 88 110 1 2 2 0
86 111 1 1 3 0 87 111 35 16 104 10 88 111 32 15 94 9
86 112 0 0 0 0 87 112 0 0 0 0 88 112 0 0 0 0
86 114 0 0 0 0 87 114 0 0 0 0 88 114 0 0 0 0
86 115 0 0 0 0 87 115 0 0 0 0 88 115 0 0 0 0
86 116 0 0 0 0 87 116 10 4 2 1 88 116 10 4 2 1
86 117 0 0 0 0 87 117 1 0 0 0 88 117 1 0 0 0
86 118 1 4 4 1 87 118 28 107 122 21 88 118 26 100 110 20
86 119 0 1 1 0 87 119 9 34 39 7 88 119 8 31 35 6
86 120 3 2 0 0 87 120 80 71 13 8 88 120 74 66 12 7
86 121 2 1 7 1 87 121 67 31 200 19 88 121 62 29 180 18
86 122 1 1 14 0 87 122 31 36 439 11 88 122 29 33 395 11
86 123 0 0 0 0 87 123 2 1 0 0 88 123 2 1 0 0
86 124 0 0 0 0 87 124 0 0 0 0 88 124 0 0 0 0
86 125 0 0 0 0 87 125 11 8 3 1 88 125 10 8 2 1
86 126 2 2 0 0 87 126 65 58 10 6 88 126 60 54 9 6
86 127 1 1 0 0 87 127 26 23 4 3 88 127 25 22 4 2
86 128 0 1 1 0 87 128 11 21 17 2 88 128 10 19 15 2
86 129 0 0 0 0 87 129 3 1 1 0 88 129 3 1 1 0
86 130 0 0 0 0 87 130 12 5 3 1 88 130 11 4 2 1
86 131 0 0 0 0 87 131 12 4 3 1 88 131 11 4 2 1
86 132 1 0 0 0 87 132 31 12 9 2 88 132 29 11 8 1
86 133 0 0 0 0 87 133 3 1 1 0 88 133 3 1 1 0
86 135 0 0 0 0 87 135 3 6 5 0 88 135 3 5 4 0
86 136 1 0 0 0 87 136 16 13 4 2 88 136 15 12 3 2
86 137 0 0 0 0 87 137 0 0 0 0 88 137 0 0 0 0
86 139 3 1 8 1 87 139 78 37 234 23 88 139 73 34 210 21
86 140 1 1 4 0 87 140 42 20 126 12 88 140 39 18 113 11
86 141 5 4 1 1 87 141 155 123 37 20 88 141 144 114 33 18
89 1 8 30 34 6 90 1 10 39 46 8 91 1 8 30 35 6
89 2 10 40 45 8 90 2 14 52 61 10 91 2 10 40 47 8
89 3 18 69 78 14 90 3 23 90 106 18 91 3 18 70 80 14
89 4 16 63 71 13 90 4 21 83 97 17 91 4 17 64 74 13
89 5 41 159 180 32 90 5 54 208 244 42 91 5 42 161 186 32
89 6 40 153 174 31 90 6 52 201 236 40 91 6 40 156 179 31
89 7 26 101 114 20 90 7 34 132 155 26 91 7 27 102 118 20
89 8 36 139 158 28 90 8 47 183 214 37 91 8 37 141 163 28
89 9 7 28 32 6 90 9 10 37 43 7 91 9 7 28 33 6
89 10 3 20 5 0 90 10 4 26 7 0 91 10 3 20 6 0
89 11 7 43 12 0 90 11 9 56 16 0 91 11 7 43 12 0
89 12 3 17 5 0 90 12 4 23 6 0 91 12 3 18 5 0
89 13 6 34 9 0 90 13 7 45 13 0 91 13 6 35 10 0
89 14 3 19 5 0 90 14 4 24 7 0 91 14 3 19 5 0
89 15 3 1 1 0 90 15 3 1 1 0 91 15 3 1 1 0
89 16 4 27 7 0 90 16 6 36 10 0 91 16 5 28 8 0
89 17 5 29 8 0 90 17 6 38 11 0 91 17 5 29 8 0
89 18 3 21 6 0 90 18 4 27 8 0 91 18 3 21 6 0
89 19 1 1 2 0 90 19 1 2 2 0 91 19 1 1 2 0
89 20 1 1 1 0 90 20 1 1 2 0 91 20 1 1 1 0
89 21 10 19 23 3 90 21 14 25 32 5 91 21 10 19 24 4
89 22 4 7 9 1 90 22 5 9 12 2 91 22 4 7 9 1
89 23 2 3 4 1 90 23 2 4 5 1 91 23 2 3 4 1
89 24 8 15 18 3 90 24 11 20 25 4 91 24 8 15 19 3
89 25 2 5 6 1 90 25 3 6 8 1 91 25 2 5 6 1
89 26 1 2 2 0 90 26 1 2 3 0 91 26 1 2 2 0
89 27 5 9 11 2 90 27 6 12 15 2 91 27 5 9 11 2
89 28 23 103 13 10 90 28 31 135 18 14 91 28 24 105 14 11
89 29 25 111 14 11 90 29 33 145 19 15 91 29 26 113 15 11
89 30 49 215 27 22 90 30 64 282 37 28 91 30 50 218 28 22
89 31 18 81 10 8 90 31 24 106 14 11 91 31 19 82 11 8
89 32 0 0 0 0 90 32 0 0 0 0 91 32 0 0 0 0
89 33 19 83 11 8 90 33 25 109 14 11 91 33 19 84 11 8
89 34 11 47 6 5 90 34 14 62 8 6 91 34 11 48 6 5
89 35 70 308 39 31 90 35 92 405 53 41 91 35 71 314 41 32
89 36 8 36 5 4 90 36 11 48 6 5 91 36 8 37 5 4
89 37 9 8 2 1 90 37 12 11 2 1 91 37 10 9 2 1
89 38 9 8 1 1 90 38 11 10 2 1 91 38 9 8 1 1
89 39 0 0 0 0 90 39 0 0 0 0 91 39 0 0 0 0
89 40 41 37 7 4 90 40 54 48 9 5 91 40 42 37 7 4
89 41 31 27 5 3 90 41 40 36 7 4 91 41 31 28 5 3
89 42 6 2 1 1 90 42 8 3 2 1 91 42 6 3 1 1
89 43 41 36 7 4 90 43 54 48 9 5 91 43 42 37 7 4
89 44 5 5 1 0 90 44 7 6 1 1 91 44 5 5 1 1
89 45 28 25 5 3 90 45 37 33 6 4 91 45 29 26 5 3
89 46 18 16 3 2 90 46 23 21 4 2 91 46 18 16 3 2
89 47 48 42 8 5 90 47 63 56 10 6 91 47 48 43 8 5
89 48 2 4 4 0 90 48 3 6 5 0 91 48 2 4 4 0
89 49 1 2 2 0 90 49 1 2 2 0 91 49 1 2 2 0
89 50 2 3 2 0 90 50 2 4 3 0 91 50 2 3 2 0
89 51 3 5 4 0 90 51 4 7 6 1 91 51 3 5 4 0
89 52 2 4 3 0 90 52 3 5 4 0 91 52 2 4 3 0
89 53 2 4 3 0 90 53 3 6 5 0 91 53 2 4 4 0
89 54 1 2 2 0 90 54 2 3 3 0 91 54 1 3 2 0
89 55 12 22 18 2 90 55 15 28 24 2 91 55 12 22 18 2
89 56 8 15 12 1 90 56 11 20 16 2 91 56 8 15 13 1
89 57 0 1 0 0 90 57 0 1 1 0 91 57 0 1 0 0
89 58 11 4 2 1 90 58 14 5 3 1 91 58 11 4 3 1
89 59 62 24 14 6 90 59 82 32 19 8 91 59 64 25 15 7
89 60 6 2 1 1 90 60 7 3 2 1 91 60 6 2 1 1
89 61 4 2 1 0 90 61 5 2 1 1 91 61 4 2 1 0
89 62 11 4 2 1 90 62 14 6 3 1 91 62 11 4 3 1
89 63 8 3 2 1 90 63 10 4 2 1 91 63 8 3 2 1
89 64 1 0 0 0 90 64 1 0 0 0 91 64 1 0 0 0
89 65 10 4 2 1 90 65 13 5 3 1 91 65 10 4 2 1
89 66 7 3 2 1 90 66 10 4 2 1 91 66 8 3 2 1
89 67 6 2 1 1 90 67 8 3 2 1 91 67 6 2 1 1
89 68 4 2 1 0 90 68 5 2 1 1 91 68 4 2 1 0
89 69 21 8 5 2 90 69 28 11 7 3 91 69 22 8 5 2
89 70 1 0 0 0 90 70 1 0 0 0 91 70 1 0 0 0
89 71 8 7 2 1 90 71 11 9 3 1 91 71 8 7 2 1
89 72 13 10 3 2 90 72 17 13 4 2 91 72 13 10 3 2
89 73 73 58 17 9 90 73 96 76 23 12 91 73 74 59 18 10
89 75 7 5 2 1 90 75 9 7 2 1 91 75 7 5 2 1
89 76 0 0 0 0 90 76 0 0 0 0 91 76 0 0 0 0
89 77 1 1 0 0 90 77 1 1 0 0 91 77 1 1 0 0
89 78 21 16 5 3 90 78 27 22 7 4 91 78 21 17 5 3
89 79 21 19 3 2 90 79 28 25 5 3 91 79 22 19 4 2
89 80 22 14 18 10 90 80 30 19 25 13 91 80 23 15 19 10
89 81 9 6 8 4 90 81 12 8 10 5 91 81 10 6 8 4
89 82 18 12 15 8 90 82 24 15 20 11 91 82 19 12 15 8
89 83 44 28 36 19 90 83 58 37 49 26 91 83 45 29 38 20
89 84 4 2 3 2 90 84 5 3 4 2 91 84 4 2 3 2
89 85 0 0 0 0 90 85 0 0 0 0 91 85 0 0 0 0
89 86 17 20 245 6 90 86 23 26 331 8 91 86 18 20 252 6
89 87 31 35 433 11 90 87 40 47 587 15 91 87 31 36 446 12
89 88 17 20 248 6 90 88 23 27 335 9 91 88 18 21 255 7
89 90 40 47 574 15 90 89 39 45 564 14 91 89 30 35 429 11
89 91 34 40 485 13 90 91 45 52 657 17 91 90 41 48 591 15
89 92 7 3 1 1 90 92 9 3 2 1 91 92 7 3 2 1
89 93 7 3 22 2 90 93 10 5 30 3 91 93 8 4 23 2
89 94 9 4 28 3 90 94 12 6 37 4 91 94 9 4 28 3
89 95 15 7 46 4 90 95 20 9 62 6 91 95 16 7 47 5
89 96 1 1 4 0 90 96 2 1 5 0 91 96 1 1 4 0
89 97 29 14 87 8 90 97 39 18 118 11 91 97 30 14 90 9
89 98 4 1 1 0 90 98 5 2 1 0 91 98 4 1 1 0
89 99 31 12 9 2 90 99 41 16 12 2 91 99 32 12 9 2
89 100 17 6 5 1 90 100 22 8 7 1 91 100 17 7 5 1
89 101 7 3 2 0 90 101 9 3 3 0 91 101 7 3 2 0
89 102 7 3 2 0 90 102 10 4 3 0 91 102 8 3 2 0
89 103 3 1 1 0 90 103 4 1 1 0 91 103 3 1 1 0
89 104 6 2 2 0 90 104 7 3 2 0 91 104 6 2 2 0
89 105 4 2 1 0 90 105 6 2 2 0 91 105 5 2 1 0
89 106 1 1 1 0 90 106 1 2 2 0 91 106 1 1 1 0
89 107 14 5 4 1 90 107 18 7 5 1 91 107 14 5 4 1
89 108 8 3 2 0 90 108 11 4 3 1 91 108 9 3 3 0
89 109 2 1 0 0 90 109 2 1 1 0 91 109 2 1 0 0
89 110 1 1 2 0 90 110 1 2 2 0 91 110 1 2 2 0
89 111 31 14 91 9 90 111 40 19 123 12 91 111 31 15 94 9
89 112 0 0 0 0 90 112 0 0 0 0 91 112 0 0 0 0
89 114 0 0 0 0 90 114 0 0 0 0 91 114 0 0 0 0
89 115 0 0 0 0 90 115 0 0 0 0 91 115 0 0 0 0
89 116 9 4 2 1 90 116 12 5 3 1 91 116 9 4 2 1
89 117 1 0 0 0 90 117 1 1 0 0 91 117 1 0 0 0
89 118 24 94 107 19 90 118 32 124 145 25 91 118 25 96 110 19
89 119 8 30 34 6 90 119 10 39 46 8 91 119 8 30 35 6
89 120 70 62 11 7 90 120 92 82 15 9 91 120 71 63 12 7
89 121 59 28 175 17 90 121 77 36 237 22 91 121 60 28 180 17
89 122 27 31 385 10 90 122 36 41 521 13 91 122 28 32 396 10
89 123 2 1 0 0 90 123 2 2 0 0 91 123 2 1 0 0
89 124 0 0 0 0 90 124 0 0 0 0 91 124 0 0 0 0
89 125 9 7 2 1 90 125 12 10 3 2 91 125 10 8 2 1
89 126 57 51 9 5 90 126 75 67 12 7 91 126 58 52 9 6
89 127 23 21 4 2 90 127 31 27 5 3 91 127 24 21 4 2
89 128 10 18 15 1 90 128 13 24 20 2 91 128 10 18 15 1
89 129 3 1 1 0 90 129 4 1 1 0 91 129 3 1 1 0
89 130 11 4 2 1 90 130 14 5 3 1 91 130 11 4 2 1
89 131 10 4 2 1 90 131 13 5 3 1 91 131 10 4 2 1
89 132 27 10 8 1 90 132 36 13 11 2 91 132 28 10 8 1
89 133 3 1 1 0 90 133 4 1 1 0 91 133 3 1 1 0
89 135 3 5 4 0 90 135 4 7 6 1 91 135 3 5 4 0
89 136 14 11 3 2 90 136 19 15 4 2 91 136 14 11 3 2
89 137 0 0 0 0 90 137 0 0 0 0 91 137 0 0 0 0
89 139 69 32 205 20 90 139 91 42 277 26 91 139 70 33 211 20
89 140 37 17 110 11 90 140 49 23 149 14 91 140 38 18 114 11
89 141 136 108 32 17 90 141 179 142 43 23 91 141 139 110 33 18
92 1 20 43 1 2 93 1 11 23 23 3 94 1 11 22 22 3
92 2 26 58 2 3 93 2 15 30 31 4 94 2 14 30 30 4
92 3 46 100 3 5 93 3 25 52 53 7 94 3 25 51 52 7
92 4 42 91 3 5 93 4 23 48 48 6 94 4 23 47 47 6
92 5 105 230 7 13 93 5 59 121 122 16 94 5 57 118 119 16
92 6 102 222 7 12 93 6 57 117 118 16 94 6 55 114 116 15
92 7 67 146 5 8 93 7 37 77 78 10 94 7 36 75 76 10
92 8 92 202 6 11 93 8 51 106 107 14 94 8 50 103 105 14
92 9 19 41 1 2 93 9 10 21 22 3 94 9 10 21 21 3
92 10 25 17 3 0 93 10 2 3 0 1 94 10 2 3 0 1
92 11 53 37 7 0 93 11 5 7 0 3 94 11 5 6 0 3
92 12 22 15 3 0 93 12 2 3 0 1 94 12 2 3 0 1
92 13 43 30 5 0 93 13 4 5 0 2 94 13 4 5 0 2
92 14 23 16 3 0 93 14 2 3 0 1 94 14 2 3 0 1
92 15 7 0 0 0 93 15 1 1 0 0 94 15 1 1 0 0
92 16 34 24 4 0 93 16 3 4 0 2 94 16 3 4 0 2
92 17 36 25 5 0 93 17 3 4 0 2 94 17 3 4 0 2
92 18 26 18 3 0 93 18 2 3 0 1 94 18 2 3 0 1
92 19 19 7 2 0 93 19 0 1 0 0 94 19 0 1 0 0
92 20 15 6 2 0 93 20 0 1 0 0 94 20 0 1 0 0
92 21 281 102 27 3 93 21 4 19 7 2 94 21 4 18 7 2
92 22 106 38 10 1 93 22 2 7 3 1 94 22 2 7 3 1
92 23 43 16 4 0 93 23 1 3 1 0 94 23 1 3 1 0
92 24 220 80 22 2 93 24 3 15 6 2 94 24 3 14 6 2
92 25 67 24 7 1 93 25 1 4 2 1 94 25 1 4 2 1
92 26 23 8 2 0 93 26 0 2 1 0 94 26 0 2 1 0
92 27 133 48 13 1 93 27 2 9 4 1 94 27 2 9 3 1
92 28 113 106 9 2 93 28 16 59 5 2 94 28 16 58 5 2
92 29 122 114 10 2 93 29 17 64 5 2 94 29 17 62 5 2
92 30 236 221 19 5 93 30 33 123 10 3 94 30 32 120 10 3
92 31 89 83 7 2 93 31 12 46 4 1 94 31 12 45 4 1
92 32 0 0 0 0 93 32 0 0 0 0 94 32 0 0 0 0
92 33 91 85 7 2 93 33 13 47 4 1 94 33 12 46 4 1
92 34 52 48 4 1 93 34 7 27 2 1 94 34 7 26 2 1
92 35 340 318 27 7 93 35 48 177 14 5 94 35 47 173 14 5
92 36 40 37 3 1 93 36 6 21 2 1 94 36 5 20 2 1
92 37 14 9 0 0 93 37 1 2 1 1 94 37 1 2 1 1
92 38 12 8 0 0 93 38 1 2 1 0 94 38 1 2 1 0
92 39 0 0 0 0 93 39 0 0 0 0 94 39 0 0 0 0
92 40 60 41 0 2 93 40 3 9 6 2 94 40 3 9 6 2
92 41 45 30 0 2 93 41 3 7 5 2 94 41 2 7 5 2
92 42 97 7 95 2 93 42 6 0 4 0 94 42 6 0 4 0
92 43 60 41 0 2 93 43 3 9 6 2 94 43 3 9 6 2
92 44 7 5 0 0 93 44 0 1 1 0 94 44 0 1 1 0
92 45 41 28 0 1 93 45 2 6 4 2 94 45 2 6 4 2
92 46 26 18 0 1 93 46 1 4 3 1 94 46 1 4 3 1
92 47 69 47 0 2 93 47 4 11 8 3 94 47 4 10 7 3
92 48 24 4 4 1 93 48 4 0 0 0 94 48 4 0 0 0
92 49 11 2 2 0 93 49 2 0 0 0 94 49 2 0 0 0
92 50 17 3 3 1 93 50 3 0 0 0 94 50 3 0 0 0
92 51 28 5 5 1 93 51 5 0 0 0 94 51 5 0 0 0
92 52 20 4 4 1 93 52 4 0 0 0 94 52 3 0 0 0
92 53 24 4 4 1 93 53 4 0 0 0 94 53 4 0 0 0
92 54 14 2 3 1 93 54 2 0 0 0 94 54 2 0 0 0
92 55 121 21 22 4 93 55 21 0 0 0 94 55 20 0 0 0
92 56 84 15 15 3 93 56 14 0 0 0 94 56 14 0 0 0
92 57 3 1 1 0 93 57 1 0 0 0 94 57 1 0 0 0
92 58 164 12 161 3 93 58 11 1 6 0 94 58 10 1 6 0
92 59 953 70 935 19 93 59 62 4 36 0 94 59 61 4 35 0
92 60 86 6 84 2 93 60 6 0 3 0 94 60 5 0 3 0
92 61 61 5 60 1 93 61 4 0 2 0 94 61 4 0 2 0
92 62 168 12 165 3 93 62 11 1 6 0 94 62 11 1 6 0
92 63 115 8 112 2 93 63 7 0 4 0 94 63 7 0 4 0
92 64 9 1 9 0 93 64 1 0 0 0 94 64 1 0 0 0
92 65 147 11 144 3 93 65 10 1 6 0 94 65 9 1 5 0
92 66 114 8 112 2 93 66 7 0 4 0 94 66 7 0 4 0
92 67 89 7 88 2 93 67 6 0 3 0 94 67 6 0 3 0
92 68 63 5 62 1 93 68 4 0 2 0 94 68 4 0 2 0
92 69 325 24 319 7 93 69 21 1 12 0 94 69 21 1 12 0
92 70 14 1 14 0 93 70 1 0 1 0 94 70 1 0 1 0
92 71 14 4 0 0 93 71 19 8 0 1 94 71 19 8 0 1
92 72 22 6 0 0 93 72 30 12 1 2 94 72 29 12 1 2
92 73 121 34 0 0 93 73 168 70 4 12 94 73 164 68 4 12
92 75 11 3 0 0 93 75 15 6 0 1 94 75 15 6 0 1
92 76 0 0 0 0 93 76 0 0 0 0 94 76 0 0 0 0
92 77 2 0 0 0 93 77 2 1 0 0 94 77 2 1 0 0
92 78 34 10 0 0 93 78 48 20 1 3 94 78 47 19 1 3
92 79 31 21 0 1 93 79 2 5 3 1 94 79 2 5 3 1
92 80 83 9 5 3 93 80 26 18 23 0 94 80 25 18 22 0
92 81 35 4 2 1 93 81 11 8 9 0 94 81 11 7 9 0
92 82 68 7 4 3 93 82 21 15 18 0 94 82 21 14 18 0
92 83 164 17 10 6 93 83 51 36 45 0 94 83 50 35 44 0
92 84 14 1 1 1 93 84 4 3 4 0 94 84 4 3 4 0
92 85 0 0 0 0 93 85 0 0 0 0 94 85 0 0 0 0
92 86 11 2 0 0 93 86 8 5 50 3 94 86 7 5 49 3
92 87 20 4 0 0 93 87 14 9 89 5 94 87 13 9 87 5
92 88 11 2 0 0 93 88 8 5 51 3 94 88 8 5 50 3
92 89 19 4 0 0 93 89 13 9 86 5 94 89 13 8 84 5
92 90 26 5 0 0 93 90 18 12 118 7 94 90 18 12 115 7
92 91 22 5 0 0 93 91 15 10 100 6 94 91 15 10 97 6
92 93 8 1 0 0 93 92 7 0 4 0 94 92 6 0 4 0
92 94 10 2 0 0 93 94 4 5 37 1 94 93 3 4 28 1
92 95 16 3 0 1 93 95 6 9 61 1 94 95 6 8 59 1
92 96 1 0 0 0 93 96 0 1 5 0 94 96 0 1 5 0
92 97 30 5 0 1 93 97 11 17 116 3 94 97 11 16 113 3
92 98 10 0 0 0 93 98 1 1 0 0 94 98 1 1 0 0
92 99 85 0 4 3 93 99 12 11 0 0 94 99 11 11 0 0
92 100 46 0 2 2 93 100 6 6 0 0 94 100 6 6 0 0
92 101 18 0 1 1 93 101 3 2 0 0 94 101 2 2 0 0
92 102 20 0 1 1 93 102 3 3 0 0 94 102 3 3 0 0
92 103 8 0 0 0 93 103 1 1 0 0 94 103 1 1 0 0
92 104 15 0 1 1 93 104 2 2 0 0 94 104 2 2 0 0
92 105 12 0 1 0 93 105 2 2 0 0 94 105 2 2 0 0
92 106 8 1 1 0 93 106 1 0 0 0 94 106 1 0 0 0
92 107 38 0 2 1 93 107 5 5 0 0 94 107 5 5 0 0
92 108 23 0 1 1 93 108 3 3 0 0 94 108 3 3 0 0
92 109 4 0 0 0 93 109 1 1 0 0 94 109 1 1 0 0
92 110 22 8 2 0 93 110 0 1 1 0 94 110 0 1 1 0
92 111 32 6 0 1 93 111 12 17 121 3 94 111 12 17 118 3
92 112 0 0 0 0 93 112 0 0 0 0 94 112 0 0 0 0
92 114 0 0 0 0 93 114 0 0 0 0 94 114 0 0 0 0
92 115 0 0 0 0 93 115 0 0 0 0 94 115 0 0 0 0
92 116 140 10 138 3 93 116 9 1 5 0 94 116 9 1 5 0
92 117 3 0 0 0 93 117 0 0 0 0 94 117 0 0 0 0
92 118 63 137 4 7 93 118 35 72 73 10 94 118 34 70 71 9
92 119 20 43 1 2 93 119 11 23 23 3 94 119 11 22 22 3
92 120 102 69 0 4 93 120 6 16 11 4 94 120 6 15 11 4
92 121 60 11 0 2 93 121 23 33 232 5 94 121 22 33 227 5
92 122 18 4 0 0 93 122 12 8 79 5 94 122 12 8 77 5
92 123 3 1 0 0 93 123 4 1 0 0 94 123 3 1 0 0
92 124 0 0 0 0 93 124 0 0 0 0 94 124 0 0 0 0
92 125 16 4 0 0 93 125 22 9 1 2 94 125 21 9 1 1
92 126 83 57 0 3 93 126 5 13 9 3 94 126 5 12 9 3
92 127 34 23 0 1 93 127 2 5 4 1 94 127 2 5 4 1
92 128 102 18 19 4 93 128 18 0 0 0 94 128 17 0 0 0
92 129 42 3 41 1 93 129 3 0 2 0 94 129 3 0 2 0
92 130 161 12 158 3 93 130 10 1 6 0 94 130 10 1 6 0
92 131 155 11 153 3 93 131 10 1 6 0 94 131 10 1 6 0
92 132 74 0 3 3 93 132 10 10 0 0 94 132 10 9 0 0
92 133 7 0 0 0 93 133 1 1 0 0 94 133 1 1 0 0
92 135 29 5 5 1 93 135 5 0 0 0 94 135 5 0 0 0
92 136 23 7 0 0 93 136 33 13 1 2 94 136 32 13 1 2
92 137 0 0 0 0 93 137 0 0 0 0 94 137 0 0 0 0
92 139 71 13 0 2 93 139 27 39 272 6 94 139 26 38 266 6
92 140 38 7 0 1 93 140 14 21 147 3 94 140 14 21 143 3
92 141 227 63 0 0 93 141 315 131 8 22 94 141 307 127 8 22
95 1 19 39 40 5 96 1 7 14 14 2 97 1 0 0 0 0
95 2 26 53 54 7 96 2 9 19 19 2 97 2 0 0 0 0
95 3 44 91 93 12 96 3 16 32 32 4 97 3 0 0 0 0
95 4 40 83 85 11 96 4 14 29 29 4 97 4 0 0 0 0
95 5 102 210 215 28 96 5 36 74 74 10 97 5 0 0 0 0
95 6 98 203 208 27 96 6 35 71 72 10 97 6 0 0 0 0
95 7 65 133 136 18 96 7 23 47 47 6 97 7 0 0 0 0
95 8 89 184 189 25 96 8 31 65 65 9 97 8 0 0 0 0
95 9 18 37 38 5 96 9 6 13 13 2 97 9 0 0 0 0
95 10 4 5 0 2 96 10 1 2 0 1 97 10 0 0 0 0
95 11 8 11 0 5 96 11 3 4 0 2 97 11 0 0 0 0
95 12 3 5 0 2 96 12 1 2 0 1 97 12 0 0 0 0
95 13 7 9 0 4 96 13 2 3 0 1 97 13 0 0 0 0
95 14 4 5 0 2 96 14 1 2 0 1 97 14 0 0 0 0
95 15 2 2 0 0 96 15 1 1 0 0 97 15 0 0 0 0
95 16 5 7 0 3 96 16 2 3 0 1 97 16 0 0 0 0
95 17 6 8 0 4 96 17 2 3 0 1 97 17 0 0 0 0
95 18 4 6 0 3 96 18 1 2 0 1 97 18 0 0 0 0
95 19 0 2 1 0 96 19 0 1 0 0 97 19 0 0 0 0
95 20 0 2 1 0 96 20 0 1 0 0 97 20 0 0 0 0
95 21 7 33 13 4 96 21 3 11 4 1 97 21 0 0 0 0
95 22 3 12 5 1 96 22 1 4 2 1 97 22 0 0 0 0
95 23 1 5 2 1 96 23 0 2 1 0 97 23 0 0 0 0
95 24 6 26 10 3 96 24 2 9 4 1 97 24 0 0 0 0
95 25 2 8 3 1 96 25 1 3 1 0 97 25 0 0 0 0
95 26 1 3 1 0 96 26 0 1 0 0 97 26 0 0 0 0
95 27 3 15 6 2 96 27 1 5 2 1 97 27 0 0 0 0
95 28 28 103 8 3 96 28 10 36 3 1 97 28 0 0 0 0
95 29 30 111 9 3 96 29 10 39 3 1 97 29 0 0 0 0
95 30 58 215 17 6 96 30 20 75 6 2 97 30 0 0 0 0
95 31 22 81 6 2 96 31 8 28 2 1 97 31 0 0 0 0
95 32 0 0 0 0 96 32 0 0 0 0 97 32 0 0 0 0
95 33 22 83 7 2 96 33 8 29 2 1 97 33 0 0 0 0
95 34 13 47 4 1 96 34 4 17 1 0 97 34 0 0 0 0
95 35 83 308 25 9 96 35 29 108 9 3 97 35 0 1 0 0
95 36 10 36 3 1 96 36 3 13 1 0 97 36 0 0 0 0
95 37 1 4 3 1 96 37 0 1 1 0 97 37 0 0 0 0
95 38 1 3 2 1 96 38 0 1 1 0 97 38 0 0 0 0
95 39 0 0 0 0 96 39 0 0 0 0 97 39 0 0 0 0
95 40 6 16 11 4 96 40 2 6 4 1 97 40 0 0 0 0
95 41 4 12 8 3 96 41 2 4 3 1 97 41 0 0 0 0
95 42 11 1 6 0 96 42 4 0 2 0 97 42 0 0 0 0
95 43 6 16 11 4 96 43 2 6 4 1 97 43 0 0 0 0
95 44 1 2 1 1 96 44 0 1 0 0 97 44 0 0 0 0
95 45 4 11 8 3 96 45 1 4 3 1 97 45 0 0 0 0
95 46 3 7 5 2 96 46 1 2 2 1 97 46 0 0 0 0
95 47 7 19 13 5 96 47 2 7 5 2 97 47 0 0 0 0
95 48 7 0 0 0 96 48 3 0 0 0 97 48 0 0 0 0
95 49 3 0 0 0 96 49 1 0 0 0 97 49 0 0 0 0
95 50 5 0 0 0 96 50 2 0 0 0 97 50 0 0 0 0
95 51 8 0 0 0 96 51 3 0 0 0 97 51 0 0 0 0
95 52 6 0 0 0 96 52 2 0 0 0 97 52 0 0 0 0
95 53 7 0 0 0 96 53 2 0 0 0 97 53 0 0 0 0
95 54 4 0 0 0 96 54 1 0 0 0 97 54 0 0 0 0
95 55 36 0 0 0 96 55 13 0 0 0 97 55 0 0 0 0
95 56 25 0 0 0 96 56 9 0 0 0 97 56 0 0 0 0
95 57 1 0 0 0 96 57 0 0 0 0 97 57 0 0 0 0
95 58 19 1 11 0 96 58 7 0 4 0 97 58 0 0 0 0
95 59 108 6 63 0 96 59 38 2 22 0 97 59 0 0 0 0
95 60 10 1 6 0 96 60 3 0 2 0 97 60 0 0 0 0
95 61 7 0 4 0 96 61 2 0 1 0 97 61 0 0 0 0
95 62 19 1 11 0 96 62 7 0 4 0 97 62 0 0 0 0
95 63 13 1 8 0 96 63 5 0 3 0 97 63 0 0 0 0
95 64 1 0 1 0 96 64 0 0 0 0 97 64 0 0 0 0
95 65 17 1 10 0 96 65 6 0 3 0 97 65 0 0 0 0
95 66 13 1 8 0 96 66 5 0 3 0 97 66 0 0 0 0
95 67 10 1 6 0 96 67 4 0 2 0 97 67 0 0 0 0
95 68 7 0 4 0 96 68 3 0 1 0 97 68 0 0 0 0
95 69 37 2 22 0 96 69 13 1 7 0 97 69 0 0 0 0
95 70 2 0 1 0 96 70 1 0 0 0 97 70 0 0 0 0
95 71 33 14 1 2 96 71 12 5 0 1 97 71 0 0 0 0
95 72 52 22 1 4 96 72 18 8 0 1 97 72 0 0 0 0
95 73 293 122 7 21 96 73 103 43 2 7 97 73 1 0 0 0
95 75 27 11 1 2 96 75 9 4 0 1 97 75 0 0 0 0
95 76 0 0 0 0 96 76 0 0 0 0 97 76 0 0 0 0
95 77 4 2 0 0 96 77 1 1 0 0 97 77 0 0 0 0
95 78 83 35 2 6 96 78 29 12 1 2 97 78 0 0 0 0
95 79 3 8 6 2 96 79 1 3 2 1 97 79 0 0 0 0
95 80 45 32 40 0 96 80 16 11 14 0 97 80 0 0 0 0
95 81 19 13 17 0 96 81 7 5 6 0 97 81 0 0 0 0
95 82 37 26 32 0 96 82 13 9 11 0 97 82 0 0 0 0
95 83 89 63 78 0 96 83 31 22 27 0 97 83 0 0 0 0
95 84 8 5 7 0 96 84 3 2 2 0 97 84 0 0 0 0
95 85 0 0 0 0 96 85 0 0 0 0 97 85 0 0 0 0
95 86 13 9 88 5 96 86 5 3 30 2 97 86 0 0 0 0
95 87 24 16 156 9 96 87 8 6 54 3 97 87 0 0 0 0
95 88 14 9 89 5 96 88 5 3 31 2 97 88 0 0 0 0
95 89 23 15 151 9 96 89 8 5 52 3 97 89 0 0 0 0
95 90 31 21 207 12 96 90 11 7 72 4 97 90 0 0 0 0
95 91 27 18 175 10 96 91 9 6 60 4 97 91 0 0 0 0
95 92 11 1 7 0 96 92 4 0 2 0 97 92 0 0 0 0
95 93 5 7 51 1 96 93 2 3 18 0 97 93 0 0 0 0
95 94 6 9 65 1 96 94 2 3 22 1 97 94 0 0 0 0
95 96 1 1 8 0 96 95 4 5 37 1 97 95 0 0 0 0
95 97 20 29 204 5 96 97 7 10 70 2 97 96 0 0 0 0
95 98 2 2 0 0 96 98 1 1 0 0 97 98 0 0 0 0
95 99 21 19 0 0 96 99 7 7 0 0 97 99 0 0 0 0
95 100 11 10 0 0 96 100 4 4 0 0 97 100 0 0 0 0
95 101 4 4 0 0 96 101 2 1 0 0 97 101 0 0 0 0
95 102 5 5 0 0 96 102 2 2 0 0 97 102 0 0 0 0
95 103 2 2 0 0 96 103 1 1 0 0 97 103 0 0 0 0
95 104 4 4 0 0 96 104 1 1 0 0 97 104 0 0 0 0
95 105 3 3 0 0 96 105 1 1 0 0 97 105 0 0 0 0
95 106 2 0 0 0 96 106 1 0 0 0 97 106 0 0 0 0
95 107 9 9 0 0 96 107 3 3 0 0 97 107 0 0 0 0
95 108 6 5 0 0 96 108 2 2 0 0 97 108 0 0 0 0
95 109 1 1 0 0 96 109 0 0 0 0 97 109 0 0 0 0
95 110 1 3 1 0 96 110 0 1 0 0 97 110 0 0 0 0
95 111 21 30 213 5 96 111 7 11 74 2 97 111 0 0 0 0
95 112 0 0 0 0 96 112 0 0 0 0 97 112 0 0 0 0
95 114 0 0 0 0 96 114 0 0 0 0 97 114 0 0 0 0
95 115 0 0 0 0 96 115 0 0 0 0 97 115 0 0 0 0
95 116 16 1 9 0 96 116 6 0 3 0 97 116 0 0 0 0
95 117 1 1 0 0 96 117 0 0 0 0 97 117 0 0 0 0
95 118 61 125 128 17 96 118 21 44 44 6 97 118 0 0 0 0
95 119 19 39 40 5 96 119 7 14 14 2 97 119 0 0 0 0
95 120 10 27 19 7 96 120 4 10 7 2 97 120 0 0 0 0
95 121 40 58 409 9 96 121 14 20 141 3 97 121 0 0 1 0
95 122 21 14 139 8 96 122 7 5 48 3 97 122 0 0 0 0
95 123 6 3 0 0 96 123 2 1 0 0 97 123 0 0 0 0
95 124 0 0 0 0 96 124 0 0 0 0 97 124 0 0 0 0
95 125 38 16 1 3 96 125 13 6 0 1 97 125 0 0 0 0
95 126 8 22 16 6 96 126 3 8 5 2 97 126 0 0 0 0
95 127 3 9 6 2 96 127 1 3 2 1 97 127 0 0 0 0
95 128 30 0 0 0 96 128 11 0 0 0 97 128 0 0 0 0
95 129 5 0 3 0 96 129 2 0 1 0 97 129 0 0 0 0
95 130 18 1 11 0 96 130 6 0 4 0 97 130 0 0 0 0
95 131 18 1 10 0 96 131 6 0 4 0 97 131 0 0 0 0
95 132 18 17 0 0 96 132 6 6 0 0 97 132 0 0 0 0
95 133 2 2 0 0 96 133 1 1 0 0 97 133 0 0 0 0
95 135 9 0 0 0 96 135 3 0 0 0 97 135 0 0 0 0
95 136 57 23 1 4 96 136 20 8 0 1 97 136 0 0 0 0
95 137 0 0 0 0 96 137 0 0 0 0 97 137 0 0 0 0
95 139 46 68 479 11 96 139 16 24 165 4 97 139 0 0 1 0
95 140 25 37 258 6 96 140 9 13 89 2 97 140 0 0 1 0
95 141 549 228 14 39 96 141 193 80 5 14 97 141 1 0 0 0
98 1 2 5 1 0 99 1 22 47 11 4 100 1 1 1 0 0
98 2 3 7 2 1 99 2 30 63 15 6 100 2 1 2 0 0
98 3 6 12 3 1 99 3 52 108 26 10 100 3 1 3 1 0
98 4 5 11 2 1 99 4 47 99 24 9 100 4 1 2 1 0
98 5 13 28 6 3 99 5 120 250 60 24 100 5 3 6 1 1
98 6 13 27 6 2 99 6 116 242 58 23 100 6 3 6 1 1
98 7 8 18 4 2 99 7 76 159 38 15 100 7 2 4 1 0
98 8 12 25 5 2 99 8 105 219 53 21 100 8 3 5 1 0
98 9 2 5 1 0 99 9 21 44 11 4 100 9 1 1 0 0
98 10 6 5 5 0 99 10 56 40 52 3 100 10 1 1 1 0
98 11 13 10 11 1 99 11 120 86 111 6 100 11 3 2 3 0
98 12 5 4 5 0 99 12 49 35 45 2 100 12 1 1 1 0
98 13 11 8 9 1 99 13 96 69 90 5 100 13 2 2 2 0
98 14 6 4 5 0 99 14 52 37 49 2 100 14 1 1 1 0
98 15 3 1 5 0 99 15 29 7 49 2 100 15 1 0 1 0
98 16 8 6 7 0 99 16 76 55 71 4 100 16 2 1 2 0
98 17 9 7 8 0 99 17 81 58 76 4 100 17 2 1 2 0
98 18 6 5 5 0 99 18 58 42 54 3 100 18 1 1 1 0
98 19 2 0 0 0 99 19 20 4 4 0 100 19 0 0 0 0
98 20 2 0 0 0 99 20 16 3 3 0 100 20 0 0 0 0
98 21 33 7 6 0 99 21 297 58 58 2 100 21 7 1 1 0
98 22 12 2 2 0 99 22 112 22 22 1 100 22 3 1 0 0
98 23 5 1 1 0 99 23 45 9 9 0 100 23 1 0 0 0
98 24 26 5 5 0 99 24 233 46 45 1 100 24 6 1 1 0
98 25 8 2 1 0 99 25 70 14 14 0 100 25 2 0 0 0
98 26 3 1 0 0 99 26 24 5 5 0 100 26 1 0 0 0
98 27 15 3 3 0 99 27 140 28 27 1 100 27 3 1 1 0
98 28 5 2 0 0 99 28 47 22 1 0 100 28 1 1 0 0
98 29 6 3 0 0 99 29 50 23 1 0 100 29 1 1 0 0
98 30 11 5 0 0 99 30 97 46 2 0 100 30 2 1 0 0
98 31 4 2 0 0 99 31 36 17 1 0 100 31 1 0 0 0
98 32 0 0 0 0 99 32 0 0 0 0 100 32 0 0 0 0
98 33 4 2 0 0 99 33 37 18 1 0 100 33 1 0 0 0
98 34 2 1 0 0 99 34 21 10 0 0 100 34 1 0 0 0
98 35 15 7 0 0 99 35 140 65 2 0 100 35 3 2 0 0
98 36 2 1 0 0 99 36 16 8 0 0 100 36 0 0 0 0
98 37 1 1 0 0 99 37 10 7 2 1 100 37 0 0 0 0
98 38 1 1 0 0 99 38 9 6 2 1 100 38 0 0 0 0
98 39 0 0 0 0 99 39 0 0 0 0 100 39 0 0 0 0
98 40 5 3 1 0 99 40 43 28 9 2 100 40 1 1 0 0
98 41 4 2 1 0 99 41 32 21 6 2 100 41 1 1 0 0
98 42 2 0 0 0 99 42 17 2 2 0 100 42 0 0 0 0
98 43 5 3 1 0 99 43 43 28 9 2 100 43 1 1 0 0
98 44 1 0 0 0 99 44 5 4 1 0 100 44 0 0 0 0
98 45 3 2 1 0 99 45 30 20 6 2 100 45 1 0 0 0
98 46 2 1 0 0 99 46 19 12 4 1 100 46 0 0 0 0
98 47 5 4 1 0 99 47 50 33 10 3 100 47 1 1 0 0
98 48 2 1 0 0 99 48 20 5 1 2 100 48 0 0 0 0
98 49 1 0 0 0 99 49 9 2 0 1 100 49 0 0 0 0
98 50 1 0 0 0 99 50 13 3 1 1 100 50 0 0 0 0
98 51 2 1 0 0 99 51 23 6 1 2 100 51 1 0 0 0
98 52 2 0 0 0 99 52 16 4 1 2 100 52 0 0 0 0
98 53 2 1 0 0 99 53 19 5 1 2 100 53 0 0 0 0
98 54 1 0 0 0 99 54 11 3 1 1 100 54 0 0 0 0
98 55 11 3 0 1 99 55 97 24 4 10 100 55 2 1 0 0
98 56 7 2 0 1 99 56 68 16 3 7 100 56 2 0 0 0
98 57 0 0 0 0 99 57 2 1 0 0 100 57 0 0 0 0
98 58 3 0 0 0 99 58 29 3 3 1 100 58 1 0 0 0
98 59 19 2 2 0 99 59 171 18 18 4 100 59 4 0 0 0
98 60 2 0 0 0 99 60 15 2 2 0 100 60 0 0 0 0
98 61 1 0 0 0 99 61 11 1 1 0 100 61 0 0 0 0
98 62 3 0 0 0 99 62 30 3 3 1 100 62 1 0 0 0
98 63 2 0 0 0 99 63 21 2 2 0 100 63 0 0 0 0
98 64 0 0 0 0 99 64 2 0 0 0 100 64 0 0 0 0
98 65 3 0 0 0 99 65 26 3 3 1 100 65 1 0 0 0
98 66 2 0 0 0 99 66 20 2 2 0 100 66 0 0 0 0
98 67 2 0 0 0 99 67 16 2 2 0 100 67 0 0 0 0
98 68 1 0 0 0 99 68 11 1 1 0 100 68 0 0 0 0
98 69 6 1 1 0 99 69 58 6 6 1 100 69 1 0 0 0
98 70 0 0 0 0 99 70 3 0 0 0 100 70 0 0 0 0
98 71 1 0 0 0 99 71 6 4 1 0 100 71 0 0 0 0
98 72 1 1 0 0 99 72 9 6 2 1 100 72 0 0 0 0
98 73 5 4 1 0 99 73 49 35 12 3 100 73 1 1 0 0
98 75 0 0 0 0 99 75 4 3 1 0 100 75 0 0 0 0
98 76 0 0 0 0 99 76 0 0 0 0 100 76 0 0 0 0
98 77 0 0 0 0 99 77 1 0 0 0 100 77 0 0 0 0
98 78 2 1 0 0 99 78 14 10 3 1 100 78 0 0 0 0
98 79 2 2 0 0 99 79 23 15 5 1 100 79 1 0 0 0
98 80 6 2 1 0 99 80 54 21 7 0 100 80 1 1 0 0
98 81 2 1 0 0 99 81 22 9 3 0 100 81 1 0 0 0
98 82 5 2 1 0 99 82 44 17 6 0 100 82 1 0 0 0
98 83 12 5 1 0 99 83 106 42 14 0 100 83 3 1 0 0
98 84 1 0 0 0 99 84 9 4 1 0 100 84 0 0 0 0
98 85 0 0 0 0 99 85 0 0 0 0 100 85 0 0 0 0
98 86 1 0 1 0 99 86 12 4 5 0 100 86 0 0 0 0
98 87 2 1 1 0 99 87 21 7 9 0 100 87 1 0 0 0
98 88 1 0 1 0 99 88 12 4 5 0 100 88 0 0 0 0
98 89 2 1 1 0 99 89 20 6 9 0 100 89 0 0 0 0
98 90 3 1 1 0 99 90 28 9 12 0 100 90 1 0 0 0
98 91 3 1 1 0 99 91 24 8 10 0 100 91 1 0 0 0
98 92 2 0 0 0 99 92 18 2 2 0 100 92 0 0 0 0
98 93 1 0 0 0 99 93 5 0 0 0 100 93 0 0 0 0
98 94 1 0 0 0 99 94 6 0 0 0 100 94 0 0 0 0
98 95 1 0 0 0 99 95 10 0 0 1 100 95 0 0 0 0
98 96 0 0 0 0 99 96 1 0 0 0 100 96 0 0 0 0
98 97 2 0 0 0 99 97 19 1 0 1 100 97 0 0 0 0
98 99 40 11 61 3 99 98 42 11 70 3 100 98 1 0 2 0
98 100 22 6 33 1 99 100 198 50 326 13 100 99 9 2 14 1
98 101 9 2 13 1 99 101 79 20 130 5 100 101 2 0 3 0
98 102 10 2 14 1 99 102 87 22 143 6 100 102 2 1 3 0
98 103 4 1 5 0 99 103 32 8 53 2 100 103 1 0 1 0
98 104 7 2 11 0 99 104 67 17 110 5 100 104 2 0 3 0
98 105 6 1 9 0 99 105 52 13 86 4 100 105 1 0 2 0
98 106 1 0 0 0 99 106 6 1 0 1 100 106 0 0 0 0
98 107 18 5 27 1 99 107 162 41 268 11 100 107 4 1 6 0
98 108 11 3 16 1 99 108 99 25 164 7 100 108 2 1 4 0
98 109 2 1 3 0 99 109 18 5 30 1 100 109 0 0 1 0
98 110 3 1 0 0 99 110 23 5 4 0 100 110 1 0 0 0
98 111 2 0 0 0 99 111 20 1 0 1 100 111 0 0 0 0
98 112 0 0 0 0 99 112 0 0 0 0 100 112 0 0 0 0
98 114 0 0 0 0 99 114 0 0 0 0 100 114 0 0 0 0
98 115 0 0 0 0 99 115 0 0 0 0 100 115 0 0 0 0
98 116 3 0 0 0 99 116 25 3 3 1 100 116 1 0 0 0
98 117 1 0 2 0 99 117 13 3 21 1 100 117 0 0 0 0
98 118 8 17 4 2 99 118 71 149 36 14 100 118 2 4 1 0
98 119 2 5 1 0 99 119 22 47 11 4 100 119 1 1 0 0
98 120 8 5 1 0 99 120 74 48 15 4 100 120 2 1 0 0
98 121 4 0 0 0 99 121 38 2 0 2 100 121 1 0 0 0
98 122 2 1 1 0 99 122 19 6 8 0 100 122 0 0 0 0
98 123 0 0 0 0 99 123 1 1 0 0 100 123 0 0 0 0
98 124 0 0 0 0 99 124 0 0 0 0 100 124 0 0 0 0
98 125 1 1 0 0 99 125 6 4 2 0 100 125 0 0 0 0
98 126 7 4 1 0 99 126 60 39 12 3 100 126 1 1 0 0
98 127 3 2 0 0 99 127 24 16 5 1 100 127 1 0 0 0
98 128 9 2 0 1 99 128 82 20 4 9 100 128 2 0 0 0
98 129 1 0 0 0 99 129 7 1 1 0 100 129 0 0 0 0
98 130 3 0 0 0 99 130 29 3 3 1 100 130 1 0 0 0
98 131 3 0 0 0 99 131 28 3 3 1 100 131 1 0 0 0
98 132 35 9 52 2 99 132 317 81 523 22 100 132 8 2 12 1
98 133 3 1 5 0 99 133 31 8 51 2 100 133 1 0 1 0
98 135 3 1 0 0 99 135 23 6 1 2 100 135 1 0 0 0
98 136 1 1 0 0 99 136 9 7 2 1 100 136 0 0 0 0
98 137 0 0 0 0 99 137 0 0 0 0 100 137 0 0 0 0
98 139 5 0 0 0 99 139 45 2 0 3 100 139 1 0 0 0
98 140 3 0 0 0 99 140 24 1 0 1 100 140 1 0 0 0
98 141 10 7 2 1 99 141 92 65 22 6 100 141 2 2 1 0
101 1 1 2 0 0 102 1 11 24 5 2 103 1 18 39 8 4
101 2 1 2 0 0 102 2 15 32 7 3 103 2 24 52 11 5
101 3 2 4 1 0 102 3 26 56 12 5 103 3 42 90 19 8
101 4 2 3 1 0 102 4 24 51 11 5 103 4 38 82 17 7
101 5 4 9 2 1 102 5 61 130 28 12 103 5 96 207 44 19
101 6 4 8 2 1 102 6 59 125 27 11 103 6 93 200 43 18
101 7 3 5 1 1 102 7 38 82 18 7 103 7 61 131 28 12
101 8 4 8 2 1 102 8 53 114 25 10 103 8 85 182 39 16
101 9 1 2 0 0 102 9 11 23 5 2 103 9 17 36 8 3
101 10 2 1 2 0 102 10 28 21 24 1 103 10 45 33 38 2
101 11 4 3 3 0 102 11 60 45 52 3 103 11 96 71 81 5
101 12 2 1 1 0 102 12 25 18 21 1 103 12 39 29 33 2
101 13 3 2 3 0 102 13 49 36 42 2 103 13 77 57 65 4
101 14 2 1 2 0 102 14 26 19 23 1 103 14 42 31 35 2
101 15 1 0 2 0 102 15 15 4 23 1 103 15 24 6 35 2
101 16 3 2 2 0 102 16 39 28 33 2 103 16 61 46 52 3
101 17 3 2 2 0 102 17 41 30 35 2 103 17 65 48 55 3
101 18 2 1 2 0 102 18 30 22 25 1 103 18 47 35 40 2
101 19 1 0 0 0 102 19 10 2 2 0 103 19 16 3 3 0
101 20 1 0 0 0 102 20 8 2 1 0 103 20 13 3 2 0
101 21 10 2 2 0 102 21 150 30 27 1 103 21 239 48 42 1
101 22 4 1 1 0 102 22 56 11 10 0 103 22 90 18 16 0
101 23 2 0 0 0 102 23 23 5 4 0 103 23 37 7 6 0
101 24 8 2 1 0 102 24 118 24 21 1 103 24 187 38 33 1
101 25 2 0 0 0 102 25 36 7 6 0 103 25 57 11 10 0
101 26 1 0 0 0 102 26 12 2 2 0 103 26 20 4 3 0
101 27 5 1 1 0 102 27 71 14 13 0 103 27 113 23 20 1
101 28 2 1 0 0 102 28 24 11 0 0 103 28 37 18 1 0
101 29 2 1 0 0 102 29 25 12 0 0 103 29 40 19 1 0
101 30 3 2 0 0 102 30 49 24 1 0 103 30 78 38 1 0
101 31 1 1 0 0 102 31 18 9 0 0 103 31 29 14 0 0
101 32 0 0 0 0 102 32 0 0 0 0 103 32 0 0 0 0
101 33 1 1 0 0 102 33 19 9 0 0 103 33 30 15 0 0
101 34 1 0 0 0 102 34 11 5 0 0 103 34 17 8 0 0
101 35 5 2 0 0 102 35 71 34 1 0 103 35 112 54 2 0
101 36 1 0 0 0 102 36 8 4 0 0 103 36 13 6 0 0
101 37 0 0 0 0 102 37 5 3 1 0 103 37 8 5 1 0
101 38 0 0 0 0 102 38 5 3 1 0 103 38 7 5 1 0
101 39 0 0 0 0 102 39 0 0 0 0 103 39 0 0 0 0
101 40 1 1 0 0 102 40 22 15 4 1 103 40 35 23 6 2
101 41 1 1 0 0 102 41 16 11 3 1 103 41 26 17 5 1
101 42 1 0 0 0 102 42 9 1 1 0 103 42 14 2 1 0
101 43 1 1 0 0 102 43 22 15 4 1 103 43 35 23 6 2
101 44 0 0 0 0 102 44 3 2 1 0 103 44 4 3 1 0
101 45 1 1 0 0 102 45 15 10 3 1 103 45 24 16 4 1
101 46 1 0 0 0 102 46 9 6 2 1 103 46 15 10 3 1
101 47 2 1 0 0 102 47 25 17 5 1 103 47 40 27 7 2
101 48 1 0 0 0 102 48 10 2 0 1 103 48 16 4 1 2
101 49 0 0 0 0 102 49 4 1 0 0 103 49 7 2 0 1
101 50 0 0 0 0 102 50 7 2 0 1 103 50 11 3 0 1
101 51 1 0 0 0 102 51 11 3 0 1 103 51 18 5 1 2
101 52 1 0 0 0 102 52 8 2 0 1 103 52 13 3 1 1
101 53 1 0 0 0 102 53 10 2 0 1 103 53 15 4 1 2
101 54 0 0 0 0 102 54 6 1 0 1 103 54 9 2 0 1
101 55 3 1 0 0 102 55 49 12 2 5 103 55 78 20 3 8
101 56 2 1 0 0 102 56 34 9 1 4 103 56 54 14 2 6
101 57 0 0 0 0 102 57 1 0 0 0 103 57 2 1 0 0
101 58 1 0 0 0 102 58 15 2 1 0 103 58 24 3 2 1
101 59 6 1 1 0 102 59 86 9 8 2 103 59 137 15 13 3
101 60 1 0 0 0 102 60 8 1 1 0 103 60 12 1 1 0
101 61 0 0 0 0 102 61 6 1 1 0 103 61 9 1 1 0
101 62 1 0 0 0 102 62 15 2 1 0 103 62 24 3 2 1
101 63 1 0 0 0 102 63 10 1 1 0 103 63 17 2 2 0
101 64 0 0 0 0 102 64 1 0 0 0 103 64 1 0 0 0
101 65 1 0 0 0 102 65 13 1 1 0 103 65 21 2 2 1
101 66 1 0 0 0 102 66 10 1 1 0 103 66 16 2 2 0
101 67 1 0 0 0 102 67 8 1 1 0 103 67 13 1 1 0
101 68 0 0 0 0 102 68 6 1 1 0 103 68 9 1 1 0
101 69 2 0 0 0 102 69 29 3 3 1 103 69 47 5 5 1
101 70 0 0 0 0 102 70 1 0 0 0 103 70 2 0 0 0
101 71 0 0 0 0 102 71 3 2 1 0 103 71 4 3 1 0
101 72 0 0 0 0 102 72 4 3 1 0 103 72 7 5 2 0
101 73 2 1 0 0 102 73 25 18 5 2 103 73 39 29 9 3
101 75 0 0 0 0 102 75 2 2 0 0 103 75 4 3 1 0
101 76 0 0 0 0 102 76 0 0 0 0 103 76 0 0 0 0
101 77 0 0 0 0 102 77 0 0 0 0 103 77 1 0 0 0
101 78 0 0 0 0 102 78 7 5 2 0 103 78 11 8 2 1
101 79 1 1 0 0 102 79 11 8 2 1 103 79 18 12 3 1
101 80 2 1 0 0 102 80 27 11 3 0 103 80 43 17 5 0
101 81 1 0 0 0 102 81 11 5 1 0 103 81 18 7 2 0
101 82 1 1 0 0 102 82 22 9 3 0 103 82 35 14 4 0
101 83 4 1 0 0 102 83 54 22 7 0 103 83 85 35 11 0
101 84 0 0 0 0 102 84 5 2 1 0 103 84 7 3 1 0
101 85 0 0 0 0 102 85 0 0 0 0 103 85 0 0 0 0
101 86 0 0 0 0 102 86 6 2 2 0 103 86 10 3 4 0
101 87 1 0 0 0 102 87 11 3 4 0 103 87 17 6 7 0
101 88 0 0 0 0 102 88 6 2 2 0 103 88 10 3 4 0
101 89 1 0 0 0 102 89 10 3 4 0 103 89 16 5 6 0
101 90 1 0 0 0 102 90 14 5 6 0 103 90 23 7 9 0
101 91 1 0 0 0 102 91 12 4 5 0 103 91 19 6 7 0
101 92 1 0 0 0 102 92 9 1 1 0 103 92 15 2 1 0
101 93 0 0 0 0 102 93 2 0 0 0 103 93 4 0 0 0
101 94 0 0 0 0 102 94 3 0 0 0 103 94 5 0 0 0
101 95 0 0 0 0 102 95 5 0 0 0 103 95 8 0 0 0
101 96 0 0 0 0 102 96 0 0 0 0 103 96 1 0 0 0
101 97 1 0 0 0 102 97 10 0 0 1 103 97 15 1 0 1
101 98 1 0 2 0 102 98 21 6 33 1 103 98 34 9 51 2
101 99 12 3 19 1 102 99 185 48 282 12 103 99 295 77 443 20
101 100 7 2 10 0 102 100 100 26 152 7 103 100 159 42 239 11
101 102 3 1 4 0 102 101 40 10 60 3 103 101 63 17 95 4
101 103 1 0 2 0 102 103 16 4 25 1 103 102 70 18 104 5
101 104 2 1 3 0 102 104 34 9 51 2 103 104 54 14 80 4
101 105 2 0 3 0 102 105 26 7 40 2 103 105 42 11 63 3
101 106 0 0 0 0 102 106 3 1 0 0 103 106 5 1 0 1
101 107 5 1 8 0 102 107 82 21 125 6 103 107 131 34 196 9
101 108 3 1 5 0 102 108 50 13 76 3 103 108 80 21 120 5
101 109 1 0 1 0 102 109 9 2 14 1 103 109 14 4 22 1
101 110 1 0 0 0 102 110 12 2 2 0 103 110 19 4 3 0
101 111 1 0 0 0 102 111 10 1 0 1 103 111 16 1 0 1
101 112 0 0 0 0 102 112 0 0 0 0 103 112 0 0 0 0
101 114 0 0 0 0 102 114 0 0 0 0 103 114 0 0 0 0
101 115 0 0 0 0 102 115 0 0 0 0 103 115 0 0 0 0
101 116 1 0 0 0 102 116 13 1 1 0 103 116 20 2 2 0
101 117 0 0 1 0 102 117 7 2 10 0 103 117 10 3 16 1
101 118 2 5 1 0 102 118 36 77 17 7 103 118 57 123 26 11
101 119 1 2 0 0 102 119 11 24 5 2 103 119 18 39 8 4
101 120 2 2 0 0 102 120 37 25 7 2 103 120 59 40 11 3
101 121 1 0 0 0 102 121 19 1 0 1 103 121 31 2 0 2
101 122 1 0 0 0 102 122 9 3 4 0 103 122 15 5 6 0
101 123 0 0 0 0 102 123 1 0 0 0 103 123 1 1 0 0
101 124 0 0 0 0 102 124 0 0 0 0 103 124 0 0 0 0
101 125 0 0 0 0 102 125 3 2 1 0 103 125 5 4 1 0
101 126 2 1 0 0 102 126 30 20 6 2 103 126 48 32 9 3
101 127 1 1 0 0 102 127 12 8 2 1 103 127 20 13 4 1
101 128 3 1 0 0 102 128 42 10 2 4 103 128 66 17 3 7
101 129 0 0 0 0 102 129 4 0 0 0 103 129 6 1 1 0
101 130 1 0 0 0 102 130 15 2 1 0 103 130 23 3 2 1
101 131 1 0 0 0 102 131 14 2 1 0 103 131 22 2 2 1
101 132 11 3 16 1 102 132 160 42 244 11 103 132 255 67 383 17
101 133 1 0 2 0 102 133 16 4 24 1 103 133 25 7 38 2
101 135 1 0 0 0 102 135 12 3 0 1 103 135 19 5 1 2
101 136 0 0 0 0 102 136 5 3 1 0 103 136 8 6 2 0
101 137 0 0 0 0 102 137 0 0 0 0 103 137 0 0 0 0
101 139 2 0 0 0 102 139 23 1 0 1 103 139 36 2 0 2
101 140 1 0 0 0 102 140 12 1 0 1 103 140 19 1 0 1
101 141 3 2 1 0 102 141 46 34 10 3 103 141 74 54 16 5
104 1 23 49 11 4 105 1 29 62 13 6 106 1 4 20 4 1
104 2 31 66 14 6 105 2 39 83 18 8 106 2 6 27 6 1
104 3 53 113 24 10 105 3 67 144 31 13 106 3 10 46 10 2
104 4 48 104 22 9 105 4 61 132 28 12 106 4 9 42 9 2
104 5 122 261 56 24 105 5 155 332 71 30 106 5 24 106 23 6
104 6 118 253 54 23 105 6 150 321 69 29 106 6 23 103 22 5
104 7 77 166 36 15 105 7 98 211 45 19 106 7 15 68 14 4
104 8 107 229 49 21 105 8 136 291 62 26 106 8 21 93 20 5
104 9 21 46 10 4 105 9 27 59 13 5 106 9 4 19 4 1
104 10 57 42 49 3 105 10 72 53 61 3 106 10 9 8 1 1
104 11 122 90 104 6 105 11 155 114 132 7 106 11 20 16 2 1
104 12 49 36 42 2 105 12 63 46 53 3 106 12 8 7 1 0
104 13 98 72 84 5 105 13 124 92 106 6 106 13 16 13 1 1
104 14 53 39 45 3 105 14 67 50 57 3 106 14 9 7 1 0
104 15 30 8 45 2 105 15 38 10 57 3 106 15 4 0 1 0
104 16 78 57 66 4 105 16 99 73 84 5 106 16 13 10 1 1
104 17 83 61 70 4 105 17 105 78 89 5 106 17 14 11 1 1
104 18 59 44 51 3 105 18 76 56 64 4 106 18 10 8 1 1
104 19 20 4 4 0 105 19 25 5 5 0 106 19 4 2 2 0
104 20 17 3 3 0 105 20 21 4 4 0 106 20 3 2 1 0
104 21 302 61 54 2 105 21 384 78 68 2 106 21 62 34 24 3
104 22 114 23 20 1 105 22 145 29 26 1 106 22 23 13 9 1
104 23 46 9 8 0 105 23 59 12 10 0 106 23 9 5 4 0
104 24 237 48 42 1 105 24 301 61 53 2 106 24 49 27 19 2
104 25 72 14 13 0 105 25 91 18 16 0 106 25 15 8 6 1
104 26 25 5 4 0 105 26 32 6 6 0 106 26 5 3 2 0
104 27 143 29 25 1 105 27 181 37 32 1 106 27 29 16 11 1
104 28 47 23 1 0 105 28 60 29 1 0 106 28 42 66 42 6
104 29 51 25 1 0 105 29 65 31 1 0 106 29 45 71 45 6
104 30 99 48 1 0 105 30 126 60 2 0 106 30 88 138 88 12
104 31 37 18 1 0 105 31 47 23 1 0 106 31 33 52 33 4
104 32 0 0 0 0 105 32 0 0 0 0 106 32 0 0 0 0
104 33 38 18 1 0 105 33 48 23 1 0 106 33 34 53 34 4
104 34 22 10 0 0 105 34 28 13 0 0 106 34 19 30 19 3
104 35 142 68 2 0 105 35 181 87 3 0 106 35 127 198 126 17
104 36 17 8 0 0 105 36 21 10 0 0 106 36 15 23 15 2
104 37 10 7 2 1 105 37 13 9 2 1 106 37 5 4 2 0
104 38 9 6 2 1 105 38 12 8 2 1 106 38 5 4 2 0
104 39 0 0 0 0 105 39 0 0 0 0 106 39 0 0 0 0
104 40 44 29 8 3 105 40 56 37 10 3 106 40 22 19 8 0
104 41 33 22 6 2 105 41 42 28 8 2 106 41 17 14 6 0
104 42 18 2 2 0 105 42 23 2 2 1 106 42 11 3 0 0
104 43 44 29 8 2 105 43 56 37 10 3 106 43 22 19 8 0
104 44 6 4 1 0 105 44 7 5 1 0 106 44 3 2 1 0
104 45 30 20 6 2 105 45 39 26 7 2 106 45 15 13 6 0
104 46 19 13 3 1 105 46 24 16 4 1 106 46 10 8 4 0
104 47 51 34 9 3 105 47 65 43 12 4 106 47 26 22 9 0
104 48 20 5 1 2 105 48 25 6 1 3 106 48 31 7 61 1
104 49 9 2 0 1 105 49 11 3 0 1 106 49 14 3 27 1
104 50 14 3 1 1 105 50 17 4 1 2 106 50 21 5 41 1
104 51 23 6 1 2 105 51 29 7 1 3 106 51 36 8 70 1
104 52 17 4 1 2 105 52 21 5 1 2 106 52 26 6 51 1
104 53 19 5 1 2 105 53 25 6 1 3 106 53 30 7 59 1
104 54 11 3 0 1 105 54 15 4 1 2 106 54 18 4 35 1
104 55 99 25 4 10 105 55 126 31 5 13 106 55 153 36 301 6
104 56 69 17 3 7 105 56 87 22 4 9 106 56 107 25 209 4
104 57 3 1 0 0 105 57 3 1 0 0 106 57 4 1 8 0
104 58 30 3 3 1 105 58 38 4 4 1 106 58 19 4 1 0
104 59 174 19 17 4 105 59 221 24 21 5 106 59 111 25 3 3
104 60 16 2 2 0 105 60 20 2 2 0 106 60 10 2 0 0
104 61 11 1 1 0 105 61 14 2 1 0 106 61 7 2 0 0
104 62 31 3 3 1 105 62 39 4 4 1 106 62 20 4 1 0
104 63 21 2 2 1 105 63 27 3 3 1 106 63 13 3 0 0
104 64 2 0 0 0 105 64 2 0 0 0 106 64 1 0 0 0
104 65 27 3 3 1 105 65 34 4 3 1 106 65 17 4 1 0
104 66 21 2 2 1 105 66 26 3 3 1 106 66 13 3 0 0
104 67 16 2 2 0 105 67 21 2 2 0 106 67 10 2 0 0
104 68 12 1 1 0 105 68 15 2 1 0 106 68 7 2 0 0
104 69 59 6 6 1 105 69 75 8 7 2 106 69 38 9 1 1
104 70 3 0 0 0 105 70 3 0 0 0 106 70 2 0 0 0
104 71 6 4 1 0 105 71 7 5 2 0 106 71 6 2 1 0
104 72 9 6 2 1 105 72 11 8 2 1 106 72 9 3 1 1
104 73 50 36 11 3 105 73 63 46 14 4 106 73 49 15 5 3
104 75 5 3 1 0 105 75 6 4 1 0 106 75 4 1 0 0
104 76 0 0 0 0 105 76 0 0 0 0 106 76 0 0 0 0
104 77 1 0 0 0 105 77 1 1 0 0 106 77 1 0 0 0
104 78 14 10 3 1 105 78 18 13 4 1 106 78 14 4 1 1
104 79 23 15 4 1 105 79 29 20 5 2 106 79 12 10 4 0
104 80 55 22 7 0 105 80 69 28 9 0 106 80 23 7 0 2
104 81 23 9 3 0 105 81 29 12 4 0 106 81 10 3 0 1
104 82 45 18 6 0 105 82 57 23 7 0 106 82 19 6 0 1
104 83 108 44 13 0 105 83 137 55 17 0 106 83 46 13 0 3
104 84 9 4 1 0 105 84 12 5 1 0 106 84 4 1 0 0
104 85 0 0 0 0 105 85 0 0 0 0 106 85 0 0 0 0
104 86 12 4 5 0 105 86 15 5 6 0 106 86 5 9 1 0
104 87 22 7 8 0 105 87 27 9 11 0 106 87 9 16 1 0
104 88 12 4 5 0 105 88 16 5 6 0 106 88 5 9 1 0
104 89 21 7 8 0 105 89 26 9 10 0 106 89 8 16 1 0
104 90 29 9 11 0 105 90 36 12 14 0 106 90 11 21 2 1
104 91 24 8 9 0 105 91 31 10 12 0 106 91 10 18 2 0
104 92 18 2 2 0 105 92 23 3 2 1 106 92 12 3 0 0
104 93 5 0 0 0 105 93 6 0 0 0 106 93 2 5 0 0
104 94 6 0 0 0 105 94 8 0 0 0 106 94 3 6 0 0
104 95 10 1 0 1 105 95 13 1 0 1 106 95 5 10 0 1
104 96 1 0 0 0 105 96 1 0 0 0 106 96 0 1 0 0
104 97 19 1 0 1 105 97 24 1 0 1 106 97 9 19 0 1
104 98 43 11 65 3 105 98 55 14 83 4 106 98 5 1 1 1
104 99 374 97 565 25 105 99 474 124 715 32 106 99 47 4 9 4
104 100 201 52 304 14 105 100 256 67 385 17 106 100 25 2 5 2
104 101 80 21 121 5 105 101 102 27 153 7 106 101 10 1 2 1
104 102 88 23 133 6 105 102 112 29 169 8 106 102 11 1 2 1
104 103 33 9 50 2 105 103 42 11 63 3 106 103 4 0 1 0
104 105 53 14 80 4 105 104 86 22 129 6 106 104 9 1 2 1
104 106 6 2 0 1 105 106 8 2 0 1 106 105 7 1 1 1
104 107 165 43 250 11 105 107 210 55 316 14 106 107 21 2 4 2
104 108 101 26 153 7 105 108 128 34 193 9 106 108 13 1 2 1
104 109 18 5 28 1 105 109 23 6 35 2 106 109 2 0 0 0
104 110 23 5 4 0 105 110 30 6 5 0 106 110 5 3 2 0
104 111 20 1 0 1 105 111 26 1 0 2 106 111 9 20 0 1
104 112 0 0 0 0 105 112 0 0 0 0 106 112 0 0 0 0
104 114 0 0 0 0 105 114 0 0 0 0 106 114 0 0 0 0
104 115 0 0 0 0 105 115 0 0 0 0 106 115 0 0 0 0
104 116 26 3 2 1 105 116 33 4 3 1 106 116 16 4 0 0
104 117 13 3 20 1 105 117 17 4 25 1 106 117 2 0 0 0
104 118 72 155 33 14 105 118 92 197 42 18 106 118 14 63 13 3
104 119 23 49 11 4 105 119 29 62 13 6 106 119 4 20 4 1
104 120 75 50 14 4 105 120 95 64 17 5 106 120 38 33 14 0
104 121 39 2 0 2 105 121 49 3 0 3 106 121 18 39 0 2
104 122 19 6 8 0 105 122 24 8 10 0 106 122 8 14 1 0
104 123 1 1 0 0 105 123 1 1 0 0 106 123 1 0 0 0
104 124 0 0 0 0 105 124 0 0 0 0 106 124 0 0 0 0
104 125 6 5 1 0 105 125 8 6 2 1 106 125 6 2 1 0
104 126 61 41 11 3 105 126 78 52 14 4 106 126 31 27 11 0
104 127 25 17 5 1 105 127 31 21 6 2 106 127 13 11 5 0
104 128 84 21 3 9 105 128 106 27 4 11 106 128 130 31 254 5
104 129 8 1 1 0 105 129 10 1 1 0 106 129 5 1 0 0
104 130 29 3 3 1 105 130 37 4 4 1 106 130 19 4 1 0
104 131 28 3 3 1 105 131 36 4 3 1 106 131 18 4 1 0
104 132 323 84 488 22 105 132 410 107 618 28 106 132 41 4 8 4
104 133 32 8 48 2 105 133 40 11 61 3 106 133 4 0 1 0
104 135 23 6 1 2 105 135 30 7 1 3 106 135 36 9 71 2
104 136 10 7 2 1 105 136 12 9 3 1 106 136 9 3 1 1
104 137 0 0 0 0 105 137 0 0 0 0 106 137 0 0 0 0
104 139 45 2 0 3 105 139 58 3 0 3 106 139 21 45 0 3
104 140 24 1 0 1 105 140 31 2 0 2 106 140 11 24 0 2
104 141 93 68 20 6 105 141 119 86 26 8 106 141 92 28 10 5
107 1 2 4 1 0 108 1 0 1 0 0 109 1 24 52 11 5
107 2 3 5 1 0 108 2 0 1 0 0 109 2 32 69 15 6
107 3 4 9 2 1 108 3 1 2 0 0 109 3 55 119 25 11
107 4 4 8 2 1 108 4 1 1 0 0 109 4 51 109 23 10
107 5 10 21 5 2 108 5 2 4 1 0 109 5 128 275 58 25
107 6 10 20 5 2 108 6 2 4 1 0 109 6 124 266 56 24
107 7 6 13 3 1 108 7 1 2 1 0 109 7 81 175 37 16
107 8 9 19 4 2 108 8 2 3 1 0 109 8 112 241 51 22
107 9 2 4 1 0 108 9 0 1 0 0 109 9 23 48 10 4
107 10 5 3 4 0 108 10 1 1 1 0 109 10 60 44 50 3
107 11 10 7 9 0 108 11 2 1 2 0 109 11 128 95 108 6
107 12 4 3 4 0 108 12 1 1 1 0 109 12 52 38 44 2
107 13 8 6 7 0 108 13 1 1 1 0 109 13 103 76 87 5
107 14 4 3 4 0 108 14 1 1 1 0 109 14 56 41 47 3
107 15 2 1 4 0 108 15 0 0 1 0 109 15 31 8 47 2
107 16 6 5 6 0 108 16 1 1 1 0 109 16 82 61 69 4
107 17 7 5 6 0 108 17 1 1 1 0 109 17 87 64 73 4
107 18 5 4 4 0 108 18 1 1 1 0 109 18 62 46 53 3
107 19 2 0 0 0 108 19 0 0 0 0 109 19 21 4 4 0
107 20 1 0 0 0 108 20 0 0 0 0 109 20 17 4 3 0
107 21 25 5 5 0 108 21 4 1 1 0 109 21 317 64 56 2
107 22 9 2 2 0 108 22 2 0 0 0 109 22 119 24 21 1
107 23 4 1 1 0 108 23 1 0 0 0 109 23 48 10 9 0
107 24 19 4 4 0 108 24 3 1 1 0 109 24 249 50 44 1
107 25 6 1 1 0 108 25 1 0 0 0 109 25 75 15 13 0
107 26 2 0 0 0 108 26 0 0 0 0 109 26 26 5 5 0
107 27 12 2 2 0 108 27 2 0 0 0 109 27 150 30 26 1
107 28 4 2 0 0 108 28 1 0 0 0 109 28 50 24 1 0
107 29 4 2 0 0 108 29 1 0 0 0 109 29 54 26 1 0
107 30 8 4 0 0 108 30 1 1 0 0 109 30 104 50 2 0
107 31 3 1 0 0 108 31 1 0 0 0 109 31 39 19 1 0
107 32 0 0 0 0 108 32 0 0 0 0 109 32 0 0 0 0
107 33 3 1 0 0 108 33 1 0 0 0 109 33 40 19 1 0
107 34 2 1 0 0 108 34 0 0 0 0 109 34 23 11 0 0
107 35 12 6 0 0 108 35 2 1 0 0 109 35 149 72 2 0
107 36 1 1 0 0 108 36 0 0 0 0 109 36 18 8 0 0
107 37 1 1 0 0 108 37 0 0 0 0 109 37 11 7 2 1
107 38 1 0 0 0 108 38 0 0 0 0 109 38 10 6 2 1
107 39 0 0 0 0 108 39 0 0 0 0 109 39 0 0 0 0
107 40 4 2 1 0 108 40 1 0 0 0 109 40 46 31 8 3
107 41 3 2 1 0 108 41 0 0 0 0 109 41 34 23 6 2
107 42 1 0 0 0 108 42 0 0 0 0 109 42 19 2 2 0
107 43 4 2 1 0 108 43 1 0 0 0 109 43 46 31 8 3
107 44 0 0 0 0 108 44 0 0 0 0 109 44 6 4 1 0
107 45 2 2 0 0 108 45 0 0 0 0 109 45 32 21 6 2
107 46 2 1 0 0 108 46 0 0 0 0 109 46 20 13 4 1
107 47 4 3 1 0 108 47 1 0 0 0 109 47 53 36 10 3
107 48 2 0 0 0 108 48 0 0 0 0 109 48 21 5 1 2
107 49 1 0 0 0 108 49 0 0 0 0 109 49 9 2 0 1
107 50 1 0 0 0 108 50 0 0 0 0 109 50 14 4 1 1
107 51 2 0 0 0 108 51 0 0 0 0 109 51 24 6 1 2
107 52 1 0 0 0 108 52 0 0 0 0 109 52 18 4 1 2
107 53 2 0 0 0 108 53 0 0 0 0 109 53 20 5 1 2
107 54 1 0 0 0 108 54 0 0 0 0 109 54 12 3 0 1
107 55 8 2 0 1 108 55 1 0 0 0 109 55 104 26 4 11
107 56 6 1 0 1 108 56 1 0 0 0 109 56 72 18 3 7
107 57 0 0 0 0 108 57 0 0 0 0 109 57 3 1 0 0
107 58 2 0 0 0 108 58 0 0 0 0 109 58 31 3 3 1
107 59 14 2 1 0 108 59 2 0 0 0 109 59 182 20 18 4
107 60 1 0 0 0 108 60 0 0 0 0 109 60 16 2 2 0
107 61 1 0 0 0 108 61 0 0 0 0 109 61 12 1 1 0
107 62 3 0 0 0 108 62 0 0 0 0 109 62 32 4 3 1
107 63 2 0 0 0 108 63 0 0 0 0 109 63 22 2 2 1
107 64 0 0 0 0 108 64 0 0 0 0 109 64 2 0 0 0
107 65 2 0 0 0 108 65 0 0 0 0 109 65 28 3 3 1
107 66 2 0 0 0 108 66 0 0 0 0 109 66 22 2 2 1
107 67 1 0 0 0 108 67 0 0 0 0 109 67 17 2 2 0
107 68 1 0 0 0 108 68 0 0 0 0 109 68 12 1 1 0
107 69 5 1 0 0 108 69 1 0 0 0 109 69 62 7 6 1
107 70 0 0 0 0 108 70 0 0 0 0 109 70 3 0 0 0
107 71 0 0 0 0 108 71 0 0 0 0 109 71 6 4 1 0
107 72 1 1 0 0 108 72 0 0 0 0 109 72 9 7 2 1
107 73 4 3 1 0 108 73 1 1 0 0 109 73 52 38 11 3
107 75 0 0 0 0 108 75 0 0 0 0 109 75 5 3 1 0
107 76 0 0 0 0 108 76 0 0 0 0 109 76 0 0 0 0
107 77 0 0 0 0 108 77 0 0 0 0 109 77 1 0 0 0
107 78 1 1 0 0 108 78 0 0 0 0 109 78 15 11 3 1
107 79 2 1 0 0 108 79 0 0 0 0 109 79 24 16 4 1
107 80 4 2 1 0 108 80 1 0 0 0 109 80 57 23 7 0
107 81 2 1 0 0 108 81 0 0 0 0 109 81 24 10 3 0
107 82 4 1 0 0 108 82 1 0 0 0 109 82 47 19 6 0
107 83 9 4 1 0 108 83 2 1 0 0 109 83 113 46 14 0
107 84 1 0 0 0 108 84 0 0 0 0 109 84 10 4 1 0
107 85 0 0 0 0 108 85 0 0 0 0 109 85 0 0 0 0
107 86 1 0 0 0 108 86 0 0 0 0 109 86 13 4 5 0
107 87 2 1 1 0 108 87 0 0 0 0 109 87 23 7 9 0
107 88 1 0 0 0 108 88 0 0 0 0 109 88 13 4 5 0
107 89 2 1 1 0 108 89 0 0 0 0 109 89 22 7 8 0
107 90 2 1 1 0 108 90 0 0 0 0 109 90 30 10 12 0
107 91 2 1 1 0 108 91 0 0 0 0 109 91 25 8 10 0
107 92 2 0 0 0 108 92 0 0 0 0 109 92 19 2 2 0
107 93 0 0 0 0 108 93 0 0 0 0 109 93 5 0 0 0
107 94 1 0 0 0 108 94 0 0 0 0 109 94 6 0 0 0
107 95 1 0 0 0 108 95 0 0 0 0 109 95 11 1 0 1
107 96 0 0 0 0 108 96 0 0 0 0 109 96 1 0 0 0
107 97 2 0 0 0 108 97 0 0 0 0 109 97 20 1 0 1
107 98 4 1 5 0 108 98 1 0 1 0 109 98 45 12 68 3
107 99 31 8 47 2 108 99 5 1 8 0 109 99 392 103 585 26
107 100 16 4 26 1 108 100 3 1 4 0 109 100 211 55 315 14
107 101 7 2 10 0 108 101 1 0 2 0 109 101 84 22 126 6
107 102 7 2 11 0 108 102 1 0 2 0 109 102 93 24 138 6
107 103 3 1 4 0 108 103 0 0 1 0 109 103 35 9 52 2
107 104 6 1 9 0 108 104 1 0 1 0 109 104 71 19 106 5
107 105 4 1 7 0 108 105 1 0 1 0 109 105 56 15 83 4
107 106 1 0 0 0 108 106 0 0 0 0 109 106 7 2 0 1
107 108 8 2 13 1 108 107 2 1 4 0 109 107 173 45 259 12
107 109 1 0 2 0 108 109 0 0 0 0 109 108 106 28 158 7
107 110 2 0 0 0 108 110 0 0 0 0 109 110 25 5 4 0
107 111 2 0 0 0 108 111 0 0 0 0 109 111 21 1 0 1
107 112 0 0 0 0 108 112 0 0 0 0 109 112 0 0 0 0
107 114 0 0 0 0 108 114 0 0 0 0 109 114 0 0 0 0
107 115 0 0 0 0 108 115 0 0 0 0 109 115 0 0 0 0
107 116 2 0 0 0 108 116 0 0 0 0 109 116 27 3 3 1
107 117 1 0 2 0 108 117 0 0 0 0 109 117 14 4 21 1
107 118 6 13 3 1 108 118 1 2 0 0 109 118 76 164 35 15
107 119 2 4 1 0 108 119 0 1 0 0 109 119 24 52 11 5
107 120 6 4 1 0 108 120 1 1 0 0 109 120 79 53 14 4
107 121 3 0 0 0 108 121 1 0 0 0 109 121 41 2 0 2
107 122 2 1 1 0 108 122 0 0 0 0 109 122 20 7 8 0
107 123 0 0 0 0 108 123 0 0 0 0 109 123 1 1 0 0
107 124 0 0 0 0 108 124 0 0 0 0 109 124 0 0 0 0
107 125 1 0 0 0 108 125 0 0 0 0 109 125 7 5 1 0
107 126 5 3 1 0 108 126 1 1 0 0 109 126 64 43 12 4
107 127 2 1 0 0 108 127 0 0 0 0 109 127 26 17 5 1
107 128 7 2 0 1 108 128 1 0 0 0 109 128 88 22 4 9
107 129 1 0 0 0 108 129 0 0 0 0 109 129 8 1 1 0
107 130 2 0 0 0 108 130 0 0 0 0 109 130 31 3 3 1
107 131 2 0 0 0 108 131 0 0 0 0 109 131 30 3 3 1
107 132 26 7 41 2 108 132 5 1 7 0 109 132 339 89 506 23
107 133 3 1 4 0 108 133 0 0 1 0 109 133 33 9 50 2
107 135 2 0 0 0 108 135 0 0 0 0 109 135 25 6 1 3
107 136 1 1 0 0 108 136 0 0 0 0 109 136 10 7 2 1
107 137 0 0 0 0 108 137 0 0 0 0 109 137 0 0 0 0
107 139 4 0 0 0 108 139 1 0 0 0 109 139 48 2 0 3
107 140 2 0 0 0 108 140 0 0 0 0 109 140 26 1 0 2
107 141 8 5 2 0 108 141 1 1 0 0 109 141 98 71 21 6
110 1 1 2 2 0 111 1 6 12 12 2 112 1 1 1 0 0
110 2 1 3 3 0 111 2 8 16 16 2 112 2 1 2 0 0
110 3 1 5 4 1 111 3 13 27 28 4 112 3 1 3 1 0
110 4 1 5 4 1 111 4 12 25 26 3 112 4 1 2 0 0
110 5 3 13 10 2 111 5 30 62 65 8 112 5 3 6 1 1
110 6 3 12 10 2 111 6 29 60 63 8 112 6 3 6 1 1
110 7 2 8 6 1 111 7 19 40 41 5 112 7 2 4 1 0
110 8 2 11 9 2 111 8 26 55 57 7 112 8 2 5 1 0
110 9 0 2 2 0 111 9 5 11 11 1 112 9 0 1 0 0
110 10 2 2 2 0 111 10 1 2 0 1 112 10 1 1 1 0
110 11 4 4 4 0 111 11 2 3 0 2 112 11 3 2 2 0
110 12 2 2 2 0 111 12 1 1 0 1 112 12 1 1 1 0
110 13 3 3 4 0 111 13 2 3 0 1 112 13 2 2 2 0
110 14 2 2 2 0 111 14 1 1 0 1 112 14 1 1 1 0
110 15 0 0 0 0 111 15 0 0 0 0 112 15 1 0 1 0
110 16 3 3 3 0 111 16 2 2 0 1 112 16 2 1 1 0
110 17 3 3 3 0 111 17 2 2 0 1 112 17 2 1 2 0
110 18 2 2 2 0 111 18 1 2 0 1 112 18 1 1 1 0
110 19 1 0 2 0 111 19 0 1 0 0 112 19 0 0 0 0
110 20 1 0 2 0 111 20 0 1 0 0 112 20 0 0 0 0
110 21 18 6 32 1 111 21 2 10 4 1 112 21 7 1 1 0
110 22 7 2 12 0 111 22 1 4 1 0 112 22 3 1 0 0
110 23 3 1 5 0 111 23 0 1 1 0 112 23 1 0 0 0
110 24 14 4 25 1 111 24 2 8 3 1 112 24 5 1 1 0
110 25 4 1 8 0 111 25 0 2 1 0 112 25 2 0 0 0
110 26 1 0 3 0 111 26 0 1 0 0 112 26 1 0 0 0
110 27 8 3 15 0 111 27 1 5 2 1 112 27 3 1 1 0
110 28 6 4 6 1 111 28 8 30 3 1 112 28 1 1 0 0
110 29 6 4 6 1 111 29 9 33 3 1 112 29 1 1 0 0
110 30 12 8 12 2 111 30 17 64 5 2 112 30 2 1 0 0
110 31 4 3 4 1 111 31 6 24 2 1 112 31 1 0 0 0
110 32 0 0 0 0 111 32 0 0 0 0 112 32 0 0 0 0
110 33 4 3 4 1 111 33 7 25 2 1 112 33 1 0 0 0
110 34 3 2 3 0 111 34 4 14 1 0 112 34 0 0 0 0
110 35 17 11 17 3 111 35 25 91 8 3 112 35 3 2 0 0
110 36 2 1 2 0 111 36 3 11 1 0 112 36 0 0 0 0
110 37 1 1 0 0 111 37 0 1 1 0 112 37 0 0 0 0
110 38 1 1 0 0 111 38 0 1 1 0 112 38 0 0 0 0
110 39 0 0 0 0 111 39 0 0 0 0 112 39 0 0 0 0
110 40 4 2 1 0 111 40 2 5 3 1 112 40 1 1 0 0
110 41 3 2 1 0 111 41 1 4 3 1 112 41 1 1 0 0
110 42 1 0 0 0 111 42 3 0 2 0 112 42 0 0 0 0
110 43 4 2 1 0 111 43 2 5 3 1 112 43 1 1 0 0
110 44 0 0 0 0 111 44 0 1 0 0 112 44 0 0 0 0
110 45 3 2 1 0 111 45 1 3 2 1 112 45 1 0 0 0
110 46 2 1 1 0 111 46 1 2 1 1 112 46 0 0 0 0
110 47 4 3 1 0 111 47 2 5 4 1 112 47 1 1 0 0
110 48 0 0 0 0 111 48 2 0 0 0 112 48 0 0 0 0
110 49 0 0 0 0 111 49 1 0 0 0 112 49 0 0 0 0
110 50 0 0 0 0 111 50 1 0 0 0 112 50 0 0 0 0
110 51 0 0 0 0 111 51 2 0 0 0 112 51 1 0 0 0
110 52 0 0 0 0 111 52 2 0 0 0 112 52 0 0 0 0
110 53 0 0 0 0 111 53 2 0 0 0 112 53 0 0 0 0
110 54 0 0 0 0 111 54 1 0 0 0 112 54 0 0 0 0
110 55 2 1 1 0 111 55 11 0 0 0 112 55 2 1 0 0
110 56 1 1 1 0 111 56 7 0 0 0 112 56 2 0 0 0
110 57 0 0 0 0 111 57 0 0 0 0 112 57 0 0 0 0
110 58 1 1 0 0 111 58 6 0 3 0 112 58 1 0 0 0
110 59 8 4 2 0 111 59 32 2 19 0 112 59 4 0 0 0
110 60 1 0 0 0 111 60 3 0 2 0 112 60 0 0 0 0
110 61 1 0 0 0 111 61 2 0 1 0 112 61 0 0 0 0
110 62 1 1 0 0 111 62 6 0 3 0 112 62 1 0 0 0
110 63 1 0 0 0 111 63 4 0 2 0 112 63 0 0 0 0
110 64 0 0 0 0 111 64 0 0 0 0 112 64 0 0 0 0
110 65 1 1 0 0 111 65 5 0 3 0 112 65 1 0 0 0
110 66 1 0 0 0 111 66 4 0 2 0 112 66 0 0 0 0
110 67 1 0 0 0 111 67 3 0 2 0 112 67 0 0 0 0
110 68 1 0 0 0 111 68 2 0 1 0 112 68 0 0 0 0
110 69 3 1 1 0 111 69 11 1 7 0 112 69 1 0 0 0
110 70 0 0 0 0 111 70 0 0 0 0 112 70 0 0 0 0
110 71 0 0 0 0 111 71 10 4 0 1 112 71 0 0 0 0
110 72 1 1 0 0 111 72 15 6 0 1 112 72 0 0 0 0
110 73 4 4 0 1 111 73 87 36 2 6 112 73 1 1 0 0
110 75 0 0 0 0 111 75 8 3 0 1 112 75 0 0 0 0
110 76 0 0 0 0 111 76 0 0 0 0 112 76 0 0 0 0
110 77 0 0 0 0 111 77 1 0 0 0 112 77 0 0 0 0
110 78 1 1 0 0 111 78 25 10 1 2 112 78 0 0 0 0
110 79 2 1 1 0 111 79 1 2 2 1 112 79 1 0 0 0
110 80 3 2 0 0 111 80 13 9 12 0 112 80 1 1 0 0
110 81 1 1 0 0 111 81 6 4 5 0 112 81 1 0 0 0
110 82 2 1 0 0 111 82 11 8 10 0 112 82 1 0 0 0
110 83 6 3 0 1 111 83 26 19 24 0 112 83 2 1 0 0
110 84 1 0 0 0 111 84 2 2 2 0 112 84 0 0 0 0
110 85 0 0 0 0 111 85 0 0 0 0 112 85 0 0 0 0
110 86 0 1 0 0 111 86 4 3 27 2 112 86 0 0 0 0
110 87 0 1 0 0 111 87 7 5 47 3 112 87 0 0 0 0
110 88 0 1 0 0 111 88 4 3 27 2 112 88 0 0 0 0
110 89 0 1 0 0 111 89 7 4 46 3 112 89 0 0 0 0
110 90 1 2 1 0 111 90 9 6 63 4 112 90 1 0 0 0
110 91 0 1 1 0 111 91 8 5 53 3 112 91 1 0 0 0
110 92 1 0 0 0 111 92 3 0 2 0 112 92 0 0 0 0
110 93 0 0 0 0 111 93 1 2 15 0 112 93 0 0 0 0
110 94 0 0 0 0 111 94 2 3 20 0 112 94 0 0 0 0
110 95 0 0 0 0 111 95 3 4 32 1 112 95 0 0 0 0
110 96 0 0 0 0 111 96 0 0 3 0 112 96 0 0 0 0
110 97 0 0 0 0 111 97 6 9 62 1 112 97 0 0 0 0
110 98 1 0 0 0 111 98 1 1 0 0 112 98 1 0 1 0
110 99 5 2 3 0 111 99 6 6 0 0 112 99 9 2 13 1
110 100 3 1 1 0 111 100 3 3 0 0 112 100 5 1 7 0
110 101 1 0 1 0 111 101 1 1 0 0 112 101 2 0 3 0
110 102 1 0 1 0 111 102 1 1 0 0 112 102 2 1 3 0
110 103 0 0 0 0 111 103 1 1 0 0 112 103 1 0 1 0
110 104 1 0 0 0 111 104 1 1 0 0 112 104 2 0 2 0
110 105 1 0 0 0 111 105 1 1 0 0 112 105 1 0 2 0
110 106 0 0 0 0 111 106 1 0 0 0 112 106 0 0 0 0
110 107 2 1 1 0 111 107 3 3 0 0 112 107 4 1 6 0
110 108 1 0 1 0 111 108 2 2 0 0 112 108 2 1 3 0
110 109 0 0 0 0 111 109 0 0 0 0 112 109 0 0 1 0
110 111 0 0 0 0 111 110 0 1 0 0 112 110 1 0 0 0
110 112 0 0 0 0 111 112 0 0 0 0 112 111 0 0 0 0
110 114 0 0 0 0 111 114 0 0 0 0 112 114 0 0 0 0
110 115 0 0 0 0 111 115 0 0 0 0 112 115 0 0 0 0
110 116 1 1 0 0 111 116 5 0 3 0 112 116 1 0 0 0
110 117 0 0 0 0 111 117 0 0 0 0 112 117 0 0 0 0
110 118 2 8 6 1 111 118 18 37 39 5 112 118 2 4 1 0
110 119 1 2 2 0 111 119 6 12 12 2 112 119 1 1 0 0
110 120 6 4 2 0 111 120 3 8 6 2 112 120 2 1 0 0
110 121 1 1 0 0 111 121 12 17 124 3 112 121 1 0 0 0
110 122 0 1 0 0 111 122 6 4 42 2 112 122 0 0 0 0
110 123 0 0 0 0 111 123 2 1 0 0 112 123 0 0 0 0
110 124 0 0 0 0 111 124 0 0 0 0 112 124 0 0 0 0
110 125 0 0 0 0 111 125 11 5 0 1 112 125 0 0 0 0
110 126 5 3 2 0 111 126 2 7 5 2 112 126 1 1 0 0
110 127 2 1 1 0 111 127 1 3 2 1 112 127 1 0 0 0
110 128 2 1 1 0 111 128 9 0 0 0 112 128 2 0 0 0
110 129 0 0 0 0 111 129 1 0 1 0 112 129 0 0 0 0
110 130 1 1 0 0 111 130 5 0 3 0 112 130 1 0 0 0
110 131 1 1 0 0 111 131 5 0 3 0 112 131 1 0 0 0
110 132 4 1 2 0 111 132 5 5 0 0 112 132 7 2 11 0
110 133 0 0 0 0 111 133 1 0 0 0 112 133 1 0 1 0
110 135 0 0 0 0 111 135 3 0 0 0 112 135 1 0 0 0
110 136 1 1 0 0 111 136 17 7 0 1 112 136 0 0 0 0
110 137 0 0 0 0 111 137 0 0 0 0 112 137 0 0 0 0
110 139 1 1 0 0 111 139 14 20 145 3 112 139 1 0 0 0
110 140 0 1 0 0 111 140 7 11 78 2 112 140 1 0 0 0
110 141 7 7 0 2 111 141 162 68 4 11 112 141 2 2 0 0
114 1 3 6 1 1 115 1 0 0 0 0 116 1 2 4 0 0
114 2 3 7 2 1 115 2 0 0 0 0 116 2 2 5 0 0
114 3 6 13 3 1 115 3 0 0 0 0 116 3 4 9 0 0
114 4 5 12 2 1 115 4 0 0 0 0 116 4 4 8 0 0
114 5 14 30 6 3 115 5 0 0 0 0 116 5 10 21 1 1
114 6 13 29 6 3 115 6 0 0 0 0 116 6 9 20 1 1
114 7 9 19 4 2 115 7 0 0 0 0 116 7 6 13 0 1
114 8 12 26 5 2 115 8 0 0 0 0 116 8 8 18 1 1
114 9 2 5 1 0 115 9 0 0 0 0 116 9 2 4 0 0
114 10 6 5 5 0 115 10 0 0 0 0 116 10 2 2 0 0
114 11 14 10 12 1 115 11 0 0 0 0 116 11 5 3 1 0
114 12 6 4 5 0 115 12 0 0 0 0 116 12 2 1 0 0
114 13 11 8 9 1 115 13 0 0 0 0 116 13 4 3 0 0
114 14 6 4 5 0 115 14 0 0 0 0 116 14 2 1 0 0
114 15 3 1 5 0 115 15 0 0 0 0 116 15 1 0 0 0
114 16 9 7 7 0 115 16 0 0 0 0 116 16 3 2 0 0
114 17 9 7 8 0 115 17 0 0 0 0 116 17 3 2 0 0
114 18 7 5 6 0 115 18 0 0 0 0 116 18 2 2 0 0
114 19 2 0 0 0 115 19 0 0 0 0 116 19 2 1 0 0
114 20 2 0 0 0 115 20 0 0 0 0 116 20 1 1 0 0
114 21 34 7 6 0 115 21 0 0 0 0 116 21 25 9 3 0
114 22 13 3 2 0 115 22 0 0 0 0 116 22 10 3 1 0
114 23 5 1 1 0 115 23 0 0 0 0 116 23 4 1 0 0
114 24 27 5 5 0 115 24 0 0 0 0 116 24 20 7 2 0
114 25 8 2 1 0 115 25 0 0 0 0 116 25 6 2 1 0
114 26 3 1 0 0 115 26 0 0 0 0 116 26 2 1 0 0
114 27 16 3 3 0 115 27 0 0 0 0 116 27 12 4 1 0
114 28 5 3 0 0 115 28 0 0 0 0 116 28 10 10 1 0
114 29 6 3 0 0 115 29 0 0 0 0 116 29 11 10 1 0
114 30 11 5 0 0 115 30 0 0 0 0 116 30 21 20 2 0
114 31 4 2 0 0 115 31 0 0 0 0 116 31 8 7 1 0
114 32 0 0 0 0 115 32 0 0 0 0 116 32 0 0 0 0
114 33 4 2 0 0 115 33 0 0 0 0 116 33 8 8 1 0
114 34 2 1 0 0 115 34 0 0 0 0 116 34 5 4 0 0
114 35 16 8 0 0 115 35 0 0 0 0 116 35 31 29 2 1
114 36 2 1 0 0 115 36 0 0 0 0 116 36 4 3 0 0
114 37 1 1 0 0 115 37 0 0 0 0 116 37 1 1 0 0
114 38 1 1 0 0 115 38 0 0 0 0 116 38 1 1 0 0
114 39 0 0 0 0 115 39 0 0 0 0 116 39 0 0 0 0
114 40 5 3 1 0 115 40 0 0 0 0 116 40 5 4 0 0
114 41 4 2 1 0 115 41 0 0 0 0 116 41 4 3 0 0
114 42 2 0 0 0 115 42 0 0 0 0 116 42 9 1 9 0
114 43 5 3 1 0 115 43 0 0 0 0 116 43 5 4 0 0
114 44 1 0 0 0 115 44 0 0 0 0 116 44 1 0 0 0
114 45 3 2 1 0 115 45 0 0 0 0 116 45 4 3 0 0
114 46 2 1 0 0 115 46 0 0 0 0 116 46 2 2 0 0
114 47 6 4 1 0 115 47 0 0 0 0 116 47 6 4 0 0
114 48 2 1 0 0 115 48 0 0 0 0 116 48 2 0 0 0
114 49 1 0 0 0 115 49 0 0 0 0 116 49 1 0 0 0
114 50 2 0 0 0 115 50 0 0 0 0 116 50 2 0 0 0
114 51 3 1 0 0 115 51 0 0 0 0 116 51 3 0 0 0
114 52 2 0 0 0 115 52 0 0 0 0 116 52 2 0 0 0
114 53 2 1 0 0 115 53 0 0 0 0 116 53 2 0 0 0
114 54 1 0 0 0 115 54 0 0 0 0 116 54 1 0 0 0
114 55 11 3 0 1 115 55 0 0 0 0 116 55 11 2 2 0
114 56 8 2 0 1 115 56 0 0 0 0 116 56 8 1 1 0
114 57 0 0 0 0 115 57 0 0 0 0 116 57 0 0 0 0
114 58 3 0 0 0 115 58 0 0 0 0 116 58 15 1 15 0
114 59 20 2 2 0 115 59 0 0 0 0 116 59 86 6 85 2
114 60 2 0 0 0 115 60 0 0 0 0 116 60 8 1 8 0
114 61 1 0 0 0 115 61 0 0 0 0 116 61 6 0 5 0
114 62 3 0 0 0 115 62 0 0 0 0 116 62 15 1 15 0
114 63 2 0 0 0 115 63 0 0 0 0 116 63 10 1 10 0
114 64 0 0 0 0 115 64 0 0 0 0 116 64 1 0 1 0
114 65 3 0 0 0 115 65 0 0 0 0 116 65 13 1 13 0
114 66 2 0 0 0 115 66 0 0 0 0 116 66 10 1 10 0
114 67 2 0 0 0 115 67 0 0 0 0 116 67 8 1 8 0
114 68 1 0 0 0 115 68 0 0 0 0 116 68 6 0 6 0
114 69 7 1 1 0 115 69 0 0 0 0 116 69 29 2 29 1
114 70 0 0 0 0 115 70 0 0 0 0 116 70 1 0 1 0
114 71 1 0 0 0 115 71 0 0 0 0 116 71 1 0 0 0
114 72 1 1 0 0 115 72 0 0 0 0 116 72 2 1 0 0
114 73 6 4 1 0 115 73 0 0 0 0 116 73 11 3 0 0
114 75 1 0 0 0 115 75 0 0 0 0 116 75 1 0 0 0
114 76 0 0 0 0 115 76 0 0 0 0 116 76 0 0 0 0
114 77 0 0 0 0 115 77 0 0 0 0 116 77 0 0 0 0
114 78 2 1 0 0 115 78 0 0 0 0 116 78 3 1 0 0
114 79 3 2 0 0 115 79 0 0 0 0 116 79 3 2 0 0
114 80 6 3 1 0 115 80 0 0 0 0 116 80 7 1 0 0
114 81 3 1 0 0 115 81 0 0 0 0 116 81 3 0 0 0
114 82 5 2 1 0 115 82 0 0 0 0 116 82 6 1 0 0
114 83 12 5 1 0 115 83 0 0 0 0 116 83 15 2 1 1
114 84 1 0 0 0 115 84 0 0 0 0 116 84 1 0 0 0
114 85 0 0 0 0 115 85 0 0 0 0 116 85 0 0 0 0
114 86 1 0 1 0 115 86 0 0 0 0 116 86 1 0 0 0
114 87 2 1 1 0 115 87 0 0 0 0 116 87 2 0 0 0
114 88 1 0 1 0 115 88 0 0 0 0 116 88 1 0 0 0
114 89 2 1 1 0 115 89 0 0 0 0 116 89 2 0 0 0
114 90 3 1 1 0 115 90 0 0 0 0 116 90 2 0 0 0
114 91 3 1 1 0 115 91 0 0 0 0 116 91 2 0 0 0
114 92 2 0 0 0 115 92 0 0 0 0 116 92 9 1 9 0
114 93 1 0 0 0 115 93 0 0 0 0 116 93 1 0 0 0
114 94 1 0 0 0 115 94 0 0 0 0 116 94 1 0 0 0
114 95 1 0 0 0 115 95 0 0 0 0 116 95 1 0 0 0
114 96 0 0 0 0 115 96 0 0 0 0 116 96 0 0 0 0
114 97 2 0 0 0 115 97 0 0 0 0 116 97 3 0 0 0
114 98 5 1 7 0 115 98 0 0 0 0 116 98 1 0 0 0
114 99 42 11 63 3 115 99 0 0 0 0 116 99 8 0 0 0
114 100 23 6 34 2 115 100 0 0 0 0 116 100 4 0 0 0
114 101 9 2 13 1 115 101 0 0 0 0 116 101 2 0 0 0
114 102 10 3 15 1 115 102 0 0 0 0 116 102 2 0 0 0
114 103 4 1 6 0 115 103 0 0 0 0 116 103 1 0 0 0
114 104 8 2 11 1 115 104 0 0 0 0 116 104 1 0 0 0
114 105 6 2 9 0 115 105 0 0 0 0 116 105 1 0 0 0
114 106 1 0 0 0 115 106 0 0 0 0 116 106 1 0 0 0
114 107 19 5 28 1 115 107 0 0 0 0 116 107 3 0 0 0
114 108 11 3 17 1 115 108 0 0 0 0 116 108 2 0 0 0
114 109 2 1 3 0 115 109 0 0 0 0 116 109 0 0 0 0
114 110 3 1 0 0 115 110 0 0 0 0 116 110 2 1 0 0
114 111 2 0 0 0 115 111 0 0 0 0 116 111 3 1 0 0
114 112 0 0 0 0 115 112 0 0 0 0 116 112 0 0 0 0
114 115 0 0 0 0 115 114 0 0 0 0 116 114 0 0 0 0
114 116 3 0 0 0 115 116 0 0 0 0 116 115 0 0 0 0
114 117 1 0 2 0 115 117 0 0 0 0 116 117 0 0 0 0
114 118 8 18 4 2 115 118 0 0 0 0 116 118 6 12 0 1
114 119 3 6 1 1 115 119 0 0 0 0 116 119 2 4 0 0
114 120 8 6 2 0 115 120 0 0 0 0 116 120 9 6 0 0
114 121 4 0 0 0 115 121 0 0 0 0 116 121 5 1 0 0
114 122 2 1 1 0 115 122 0 0 0 0 116 122 2 0 0 0
114 123 0 0 0 0 115 123 0 0 0 0 116 123 0 0 0 0
114 124 0 0 0 0 115 124 0 0 0 0 116 124 0 0 0 0
114 125 1 1 0 0 115 125 0 0 0 0 116 125 1 0 0 0
114 126 7 5 1 0 115 126 0 0 0 0 116 126 8 5 0 0
114 127 3 2 1 0 115 127 0 0 0 0 116 127 3 2 0 0
114 128 9 2 0 1 115 128 0 0 0 0 116 128 9 2 2 0
114 129 1 0 0 0 115 129 0 0 0 0 116 129 4 0 4 0
114 130 3 0 0 0 115 130 0 0 0 0 116 130 15 1 14 0
114 131 3 0 0 0 115 131 0 0 0 0 116 131 14 1 14 0
114 132 36 10 54 2 115 132 0 0 0 0 116 132 7 0 0 0
114 133 4 1 5 0 115 133 0 0 0 0 116 133 1 0 0 0
114 135 3 1 0 0 115 135 0 0 0 0 116 135 3 0 0 0
114 136 1 1 0 0 115 136 0 0 0 0 116 136 2 1 0 0
114 137 0 0 0 0 115 137 0 0 0 0 116 137 0 0 0 0
114 139 5 0 0 0 115 139 0 0 0 0 116 139 6 1 0 0
114 140 3 0 0 0 115 140 0 0 0 0 116 140 3 1 0 0
114 141 11 8 2 1 115 141 0 0 0 0 116 141 21 6 0 0
117 1 11 23 5 2 118 1 3 7 61 3 119 1 7 14 114 6
117 2 14 31 7 3 118 2 5 10 82 4 119 2 9 19 152 8
117 3 25 53 11 5 118 3 8 17 141 7 119 3 16 32 263 14
117 4 23 49 10 4 118 4 7 15 129 7 119 4 14 29 241 13
117 5 57 124 26 11 118 5 19 38 326 17 119 5 36 74 607 32
117 6 55 119 25 11 118 6 18 37 315 16 119 6 35 72 587 31
117 7 36 78 17 7 118 7 12 24 207 11 119 7 23 47 385 20
117 8 50 108 23 10 118 8 16 34 286 15 119 8 32 65 532 28
117 9 10 22 5 2 118 9 3 7 57 3 119 9 6 13 107 6
117 10 27 20 23 1 118 10 4 5 13 2 119 10 8 9 24 4
117 11 57 43 48 3 118 11 9 10 28 5 119 11 17 19 52 9
117 12 23 17 20 1 118 12 4 4 11 2 119 12 7 8 21 4
117 13 46 34 39 2 118 13 7 8 23 4 119 13 14 15 42 7
117 14 25 19 21 1 118 14 4 4 12 2 119 14 7 8 23 4
117 15 14 4 21 1 118 15 1 1 1 0 119 15 2 3 1 0
117 16 37 27 31 2 118 16 6 6 18 3 119 16 11 12 33 6
117 17 39 29 33 2 118 17 6 7 19 3 119 17 12 13 35 6
117 18 28 21 24 1 118 18 4 5 14 2 119 18 8 9 26 4
117 19 9 2 2 0 118 19 1 1 2 0 119 19 3 3 3 0
117 20 8 2 1 0 118 20 1 1 1 0 119 20 2 2 2 0
117 21 142 29 25 1 118 21 22 20 24 3 119 21 43 38 44 6
117 22 54 11 9 0 118 22 8 7 9 1 119 22 16 14 17 2
117 23 22 4 4 0 118 23 3 3 4 0 119 23 7 6 7 1
117 24 112 23 20 1 118 24 17 15 19 3 119 24 34 30 35 5
117 25 34 7 6 0 118 25 5 5 6 1 119 25 10 9 11 1
117 26 12 2 2 0 118 26 2 2 2 0 119 26 4 3 4 1
117 27 67 14 12 0 118 27 10 9 11 2 119 27 20 18 21 3
117 28 22 11 0 0 118 28 9 23 17 4 119 28 18 45 32 8
117 29 24 12 0 0 118 29 10 25 18 4 119 29 19 48 34 8
117 30 47 22 1 0 118 30 19 49 36 8 119 30 37 94 67 16
117 31 17 8 0 0 118 31 7 18 13 3 119 31 14 35 25 6
117 32 0 0 0 0 118 32 0 0 0 0 119 32 0 0 0 0
117 33 18 9 0 0 118 33 7 19 14 3 119 33 14 36 26 6
117 34 10 5 0 0 118 34 4 11 8 2 119 34 8 21 15 4
117 35 67 32 1 0 118 35 27 70 51 12 119 35 53 135 96 23
117 36 8 4 0 0 118 36 3 8 6 1 119 36 6 16 11 3
117 37 5 3 1 0 118 37 1 3 2 1 119 37 3 5 3 2
117 38 4 3 1 0 118 38 1 2 1 1 119 38 2 5 3 2
117 39 0 0 0 0 118 39 0 0 0 0 119 39 0 0 0 0
117 40 21 14 4 1 118 40 6 12 7 5 119 40 11 23 13 9
117 41 15 10 3 1 118 41 4 9 5 3 119 41 8 17 10 7
117 42 8 1 1 0 118 42 3 2 0 0 119 42 5 3 0 0
117 43 21 14 4 1 118 43 6 12 7 5 119 43 11 23 13 9
117 44 3 2 0 0 118 44 1 1 1 1 119 44 1 3 2 1
117 45 14 10 3 1 118 45 4 8 5 3 119 45 8 16 9 6
117 46 9 6 2 1 118 46 3 5 3 2 119 46 5 10 6 4
117 47 24 16 4 1 118 47 7 14 8 5 119 47 13 26 15 10
117 48 9 2 0 1 118 48 3 2 1 1 119 48 6 3 2 1
117 49 4 1 0 0 118 49 1 1 1 0 119 49 3 1 1 1
117 50 6 2 0 1 118 50 2 1 1 0 119 50 4 2 1 1
117 51 11 3 0 1 118 51 4 2 1 1 119 51 7 4 2 1
117 52 8 2 0 1 118 52 3 1 1 1 119 52 5 3 2 1
117 53 9 2 0 1 118 53 3 2 1 1 119 53 6 3 2 1
117 54 5 1 0 1 118 54 2 1 1 0 119 54 4 2 1 1
117 55 47 12 2 5 118 55 17 8 6 3 119 55 32 16 11 6
117 56 32 8 1 3 118 56 11 6 4 2 119 56 22 11 7 4
117 57 1 0 0 0 118 57 0 0 0 0 119 57 1 0 0 0
117 58 14 2 1 0 118 58 5 3 0 0 119 58 9 6 0 1
117 59 82 9 8 2 118 59 26 17 2 2 119 59 51 32 3 4
117 60 7 1 1 0 118 60 2 1 0 0 119 60 5 3 0 0
117 61 5 1 1 0 118 61 2 1 0 0 119 61 3 2 0 0
117 62 14 2 1 0 118 62 5 3 0 0 119 62 9 6 1 1
117 63 10 1 1 0 118 63 3 2 0 0 119 63 6 4 0 0
117 64 1 0 0 0 118 64 0 0 0 0 119 64 0 0 0 0
117 65 13 1 1 0 118 65 4 3 0 0 119 65 8 5 0 1
117 66 10 1 1 0 118 66 3 2 0 0 119 66 6 4 0 0
117 67 8 1 1 0 118 67 2 2 0 0 119 67 5 3 0 0
117 68 5 1 1 0 118 68 2 1 0 0 119 68 3 2 0 0
117 69 28 3 3 1 118 69 9 6 1 1 119 69 17 11 1 1
117 70 1 0 0 0 118 70 0 0 0 0 119 70 1 0 0 0
117 71 3 2 1 0 118 71 2 2 1 1 119 71 5 4 2 1
117 72 4 3 1 0 118 72 4 3 2 1 119 72 7 6 4 2
117 73 23 17 5 2 118 73 21 16 11 5 119 73 40 31 21 11
117 75 2 2 0 0 118 75 2 1 1 1 119 75 4 3 2 1
117 76 0 0 0 0 118 76 0 0 0 0 119 76 0 0 0 0
117 77 0 0 0 0 118 77 0 0 0 0 119 77 1 0 0 0
117 78 7 5 1 0 118 78 6 5 3 2 119 78 11 9 6 3
117 79 11 7 2 1 118 79 3 6 4 2 119 79 6 12 7 5
117 80 26 10 3 0 118 80 25 10 9 5 119 80 48 19 17 9
117 81 11 4 1 0 118 81 10 4 4 2 119 81 20 8 7 4
117 82 21 9 3 0 118 82 20 8 7 4 119 82 39 16 14 8
117 83 51 21 6 0 118 83 49 20 18 10 119 83 95 38 34 18
117 84 4 2 1 0 118 84 4 2 2 1 119 84 8 3 3 2
117 85 0 0 0 0 118 85 0 0 0 0 119 85 0 0 0 0
117 86 6 2 2 0 118 86 0 6 9 1 119 86 1 11 16 2
117 87 10 3 4 0 118 87 1 10 16 2 119 87 2 20 29 3
117 88 6 2 2 0 118 88 0 6 9 1 119 88 1 11 17 2
117 89 10 3 4 0 118 89 1 10 15 2 119 89 2 19 28 3
117 90 13 4 5 0 118 90 1 14 21 2 119 90 2 27 38 4
117 91 11 4 4 0 118 91 1 12 17 2 119 91 2 22 33 3
117 92 9 1 1 0 118 92 3 2 0 0 119 92 5 3 0 0
117 93 2 0 0 0 118 93 1 2 2 1 119 93 2 4 3 1
117 94 3 0 0 0 118 94 1 2 2 1 119 94 3 5 4 2
117 95 5 0 0 0 118 95 2 4 4 2 119 95 4 8 7 3
117 96 0 0 0 0 118 96 0 0 0 0 119 96 0 1 1 0
117 97 9 0 0 1 118 97 4 8 7 3 119 97 9 15 13 6
117 98 20 5 30 1 118 98 1 2 1 0 119 98 3 4 2 0
117 99 176 46 262 12 118 99 13 18 8 2 119 99 25 34 15 3
117 100 95 25 141 6 118 100 7 10 4 1 119 100 13 19 8 2
117 101 38 10 56 3 118 101 3 4 2 0 119 101 5 7 3 1
117 102 42 11 62 3 118 102 3 4 2 0 119 102 6 8 4 1
117 103 16 4 23 1 118 103 1 2 1 0 119 103 2 3 1 0
117 104 32 8 48 2 118 104 2 3 1 0 119 104 5 6 3 1
117 105 25 7 37 2 118 105 2 3 1 0 119 105 4 5 2 0
117 106 3 1 0 0 118 106 1 1 0 0 119 106 2 1 1 0
117 107 78 20 116 5 118 107 6 8 4 1 119 107 11 15 7 2
117 108 48 12 71 3 118 108 3 5 2 0 119 108 7 9 4 1
117 109 9 2 13 1 118 109 1 1 0 0 119 109 1 2 1 0
117 110 11 2 2 0 118 110 2 2 2 0 119 110 3 3 3 0
117 111 10 0 0 1 118 111 5 8 7 3 119 111 9 16 14 6
117 112 0 0 0 0 118 112 0 0 0 0 119 112 0 0 0 0
117 114 0 0 0 0 118 114 0 0 0 0 119 114 0 0 0 0
117 115 0 0 0 0 118 115 0 0 0 0 119 115 0 0 0 0
117 116 12 1 1 0 118 116 4 2 0 0 119 116 8 5 0 1
117 118 34 73 16 7 118 117 0 1 0 0 119 117 1 1 1 0
117 119 11 23 5 2 118 119 3 7 61 3 119 118 21 44 361 19
117 120 35 24 6 2 118 120 10 20 12 8 119 120 19 39 22 15
117 121 18 1 0 1 118 121 9 16 14 6 119 121 17 31 27 11
117 122 9 3 3 0 118 122 1 9 14 1 119 122 1 18 26 3
117 123 0 0 0 0 118 123 0 0 0 0 119 123 1 1 0 0
117 124 0 0 0 0 118 124 0 0 0 0 119 124 0 0 0 0
117 125 3 2 1 0 118 125 3 2 1 1 119 125 5 4 3 1
117 126 29 19 5 2 118 126 8 16 10 6 119 126 16 32 18 12
117 127 12 8 2 1 118 127 3 7 4 3 119 127 6 13 7 5
117 128 39 10 2 4 118 128 14 7 5 3 119 128 27 14 9 5
117 129 4 0 0 0 118 129 1 1 0 0 119 129 2 1 0 0
117 130 14 2 1 0 118 130 4 3 0 0 119 130 9 5 0 1
117 131 13 1 1 0 118 131 4 3 0 0 119 131 8 5 0 1
117 132 152 40 227 10 118 132 11 15 7 2 119 132 22 30 13 3
117 133 15 4 22 1 118 133 1 2 1 0 119 133 2 3 1 0
117 135 11 3 0 1 118 135 4 2 1 1 119 135 8 4 3 2
117 136 5 3 1 0 118 136 4 3 2 1 119 136 8 6 4 2
117 137 0 0 0 0 118 137 0 0 0 0 119 137 0 0 0 0
117 139 21 1 0 1 118 139 10 18 17 7 119 139 20 36 31 13
117 140 11 1 0 1 118 140 6 10 9 4 119 140 11 19 17 7
117 141 44 32 10 3 118 141 39 30 21 10 119 141 75 58 39 20
120 1 2 5 1 1 121 1 1 1 1 0 122 1 1 4 4 1
120 2 3 7 2 1 121 2 1 2 2 0 122 2 1 5 5 1
120 3 4 13 3 1 121 3 1 3 3 0 122 3 2 8 9 2
120 4 4 12 3 1 121 4 1 2 3 0 122 4 2 8 9 2
120 5 10 29 7 3 121 5 3 6 7 1 122 5 5 19 21 4
120 6 10 28 6 3 121 6 3 6 6 1 122 6 5 18 21 4
120 7 7 18 4 2 121 7 2 4 4 1 122 7 3 12 14 2
120 8 9 25 6 3 121 8 3 5 6 1 122 8 4 17 19 3
120 9 2 5 1 1 121 9 1 1 1 0 122 9 1 3 4 1
120 10 1 1 1 1 121 10 0 0 0 0 122 10 0 2 1 0
120 11 1 2 2 1 121 11 0 0 0 0 122 11 1 5 1 0
120 12 0 1 1 1 121 12 0 0 0 0 122 12 0 2 1 0
120 13 1 1 1 1 121 13 0 0 0 0 122 13 1 4 1 0
120 14 0 1 1 1 121 14 0 0 0 0 122 14 0 2 1 0
120 15 0 0 0 0 121 15 0 0 0 0 122 15 0 0 0 0
120 16 1 1 1 1 121 16 0 0 0 0 122 16 1 3 1 0
120 17 1 1 1 1 121 17 0 0 0 0 122 17 1 3 1 0
120 18 1 1 1 1 121 18 0 0 0 0 122 18 0 2 1 0
120 19 1 0 0 0 121 19 0 0 0 0 122 19 0 0 0 0
120 20 1 0 0 0 121 20 0 0 0 0 122 20 0 0 0 0
120 21 17 6 7 0 121 21 0 1 0 0 122 21 1 2 3 0
120 22 6 2 3 0 121 22 0 0 0 0 122 22 0 1 1 0
120 23 3 1 1 0 121 23 0 0 0 0 122 23 0 0 0 0
120 24 13 4 5 0 121 24 0 1 0 0 122 24 1 2 2 0
120 25 4 1 2 0 121 25 0 0 0 0 122 25 0 1 1 0
120 26 1 0 1 0 121 26 0 0 0 0 122 26 0 0 0 0
120 27 8 3 3 0 121 27 0 0 0 0 122 27 1 1 1 0
120 28 8 6 9 1 121 28 1 3 0 0 122 28 3 12 2 1
120 29 9 6 10 1 121 29 1 3 0 0 122 29 3 13 2 1
120 30 17 12 20 1 121 30 2 6 1 0 122 30 6 26 3 3
120 31 6 4 7 1 121 31 1 2 0 0 122 31 2 10 1 1
120 32 0 0 0 0 121 32 0 0 0 0 122 32 0 0 0 0
120 33 6 5 8 1 121 33 1 2 0 0 122 33 2 10 1 1
120 34 4 3 4 0 121 34 0 1 0 0 122 34 1 6 1 1
120 35 24 17 28 2 121 35 2 9 1 0 122 35 8 37 5 4
120 36 3 2 3 0 121 36 0 1 0 0 122 36 1 4 1 0
120 37 2 2 8 0 121 37 0 0 0 0 122 37 1 1 0 0
120 38 2 2 7 0 121 38 0 0 0 0 122 38 1 1 0 0
120 39 0 0 0 0 121 39 0 0 0 0 122 39 0 0 0 0
120 40 11 9 35 1 121 40 0 0 0 0 122 40 5 4 1 0
120 41 8 7 26 1 121 41 0 0 0 0 122 41 4 3 1 0
120 42 1 0 0 0 121 42 0 0 0 0 122 42 1 0 0 0
120 43 11 9 35 1 121 43 0 0 0 0 122 43 5 4 1 0
120 44 1 1 4 0 121 44 0 0 0 0 122 44 1 1 0 0
120 45 7 6 24 1 121 45 0 0 0 0 122 45 3 3 1 0
120 46 5 4 15 1 121 46 0 0 0 0 122 46 2 2 0 0
120 47 12 11 40 2 121 47 0 1 0 0 122 47 6 5 1 1
120 48 2 1 2 0 121 48 0 0 0 0 122 48 0 1 0 0
120 49 1 0 1 0 121 49 0 0 0 0 122 49 0 0 0 0
120 50 1 1 1 0 121 50 0 0 0 0 122 50 0 0 0 0
120 51 2 1 2 0 121 51 0 0 0 0 122 51 0 1 0 0
120 52 2 1 1 0 121 52 0 0 0 0 122 52 0 0 0 0
120 53 2 1 2 0 121 53 0 0 0 0 122 53 0 1 0 0
120 54 1 1 1 0 121 54 0 0 0 0 122 54 0 0 0 0
120 55 9 5 8 0 121 55 1 0 0 0 122 55 1 3 2 0
120 56 6 4 6 0 121 56 1 0 0 0 122 56 1 2 1 0
120 57 0 0 0 0 121 57 0 0 0 0 122 57 0 0 0 0
120 58 2 0 0 0 121 58 1 0 0 0 122 58 1 0 0 0
120 59 10 3 1 0 121 59 3 0 2 0 122 59 7 3 2 1
120 60 1 0 0 0 121 60 0 0 0 0 122 60 1 0 0 0
120 61 1 0 0 0 121 61 0 0 0 0 122 61 0 0 0 0
120 62 2 0 0 0 121 62 1 0 0 0 122 62 1 1 0 0
120 63 1 0 0 0 121 63 0 0 0 0 122 63 1 0 0 0
120 64 0 0 0 0 121 64 0 0 0 0 122 64 0 0 0 0
120 65 1 0 0 0 121 65 0 0 0 0 122 65 1 0 0 0
120 66 1 0 0 0 121 66 0 0 0 0 122 66 1 0 0 0
120 67 1 0 0 0 121 67 0 0 0 0 122 67 1 0 0 0
120 68 1 0 0 0 121 68 0 0 0 0 122 68 0 0 0 0
120 69 3 1 0 0 121 69 1 0 1 0 122 69 3 1 1 0
120 70 0 0 0 0 121 70 0 0 0 0 122 70 0 0 0 0
120 71 2 0 2 0 121 71 1 0 0 0 122 71 1 1 0 0
120 72 4 0 2 0 121 72 1 1 0 0 122 72 2 1 0 0
120 73 20 1 13 2 121 73 8 3 0 1 122 73 9 7 2 1
120 75 2 0 1 0 121 75 1 0 0 0 122 75 1 1 0 0
120 76 0 0 0 0 121 76 0 0 0 0 122 76 0 0 0 0
120 77 0 0 0 0 121 77 0 0 0 0 122 77 0 0 0 0
120 78 6 0 4 1 121 78 2 1 0 0 122 78 2 2 1 0
120 79 6 5 18 1 121 79 0 0 0 0 122 79 3 2 0 0
120 80 6 1 0 0 121 80 1 1 1 0 122 80 3 2 2 1
120 81 3 0 0 0 121 81 1 0 1 0 122 81 1 1 1 0
120 82 5 1 0 0 121 82 1 1 1 0 122 82 2 1 2 1
120 83 12 2 0 1 121 83 3 2 2 0 122 83 5 3 4 2
120 84 1 0 0 0 121 84 0 0 0 0 122 84 0 0 0 0
120 85 0 0 0 0 121 85 0 0 0 0 122 85 0 0 0 0
120 86 1 2 0 0 121 86 0 0 3 0 122 86 2 2 29 1
120 87 3 4 1 0 121 87 1 0 5 0 122 87 4 4 52 1
120 88 1 2 0 0 121 88 0 0 3 0 122 88 2 2 30 1
120 89 3 4 1 0 121 89 1 0 5 0 122 89 4 4 50 1
120 90 3 5 1 0 121 90 1 1 6 0 122 90 5 6 68 2
120 91 3 4 1 0 121 91 1 1 5 0 122 91 4 5 58 2
120 92 1 0 0 0 121 92 0 0 0 0 122 92 1 0 0 0
120 93 1 0 0 0 121 93 0 0 2 0 122 93 1 0 3 0
120 94 1 0 0 0 121 94 0 0 2 0 122 94 1 1 3 0
120 95 2 1 1 0 121 95 0 0 3 0 122 95 2 1 5 1
120 96 0 0 0 0 121 96 0 0 0 0 122 96 0 0 0 0
120 97 4 1 1 0 121 97 1 1 6 0 122 97 4 2 10 1
120 98 0 0 0 0 121 98 0 0 0 0 122 98 0 0 0 0
120 99 3 1 1 0 121 99 1 1 0 0 122 99 4 1 1 0
120 100 2 0 1 0 121 100 0 0 0 0 122 100 2 1 1 0
120 101 1 0 0 0 121 101 0 0 0 0 122 101 1 0 0 0
120 102 1 0 0 0 121 102 0 0 0 0 122 102 1 0 0 0
120 103 0 0 0 0 121 103 0 0 0 0 122 103 0 0 0 0
120 104 1 0 0 0 121 104 0 0 0 0 122 104 1 0 0 0
120 105 0 0 0 0 121 105 0 0 0 0 122 105 1 0 0 0
120 106 1 0 1 0 121 106 0 0 0 0 122 106 0 0 0 0
120 107 1 0 0 0 121 107 0 0 0 0 122 107 2 1 0 0
120 108 1 0 0 0 121 108 0 0 0 0 122 108 1 0 0 0
120 109 0 0 0 0 121 109 0 0 0 0 122 109 0 0 0 0
120 110 1 0 1 0 121 110 0 0 0 0 122 110 0 0 0 0
120 111 4 1 1 0 121 111 1 1 6 0 122 111 4 2 11 1
120 112 0 0 0 0 121 112 0 0 0 0 122 112 0 0 0 0
120 114 0 0 0 0 121 114 0 0 0 0 122 114 0 0 0 0
120 115 0 0 0 0 121 115 0 0 0 0 122 115 0 0 0 0
120 116 1 0 0 0 121 116 0 0 0 0 122 116 1 0 0 0
120 117 0 0 0 0 121 117 0 0 0 0 122 117 0 0 0 0
120 118 6 17 4 2 121 118 2 4 4 0 122 118 3 11 13 2
120 119 2 5 1 1 121 119 1 1 1 0 122 119 1 4 4 1
120 121 8 3 3 0 121 120 0 1 1 0 122 120 8 7 1 1
120 122 2 4 1 0 121 122 1 0 4 0 122 121 7 3 21 2
120 123 0 0 0 0 121 123 0 0 0 0 122 123 0 0 0 0
120 124 0 0 0 0 121 124 0 0 0 0 122 124 0 0 0 0
120 125 3 0 2 0 121 125 1 0 0 0 122 125 1 1 0 0
120 126 15 13 48 2 121 126 0 1 0 0 122 126 7 6 1 1
120 127 6 5 20 1 121 127 0 0 0 0 122 127 3 2 0 0
120 128 8 4 7 0 121 128 1 0 0 0 122 128 1 2 2 0
120 129 0 0 0 0 121 129 0 0 0 0 122 129 0 0 0 0
120 130 2 0 0 0 121 130 1 0 0 0 122 130 1 0 0 0
120 131 2 0 0 0 121 131 1 0 0 0 122 131 1 0 0 0
120 132 2 1 1 0 121 132 1 0 0 0 122 132 3 1 1 0
120 133 0 0 0 0 121 133 0 0 0 0 122 133 0 0 0 0
120 135 2 1 2 0 121 135 0 0 0 0 122 135 0 1 0 0
120 136 4 0 3 0 121 136 2 1 0 0 122 136 2 1 0 0
120 137 0 0 0 0 121 137 0 0 0 0 122 137 0 0 0 0
120 139 9 3 3 0 121 139 1 2 14 0 122 139 8 4 24 2
120 140 5 2 2 0 121 140 1 1 8 0 122 140 4 2 13 1
120 141 38 1 25 3 121 141 16 7 0 1 122 141 16 13 4 2
123 1 8 21 2 5 124 1 2 5 1 1 125 1 0 0 0 0
123 2 11 28 3 7 124 2 2 7 1 1 125 2 0 1 0 0
123 3 19 49 6 12 124 3 4 12 3 1 125 3 0 1 0 0
123 4 17 45 5 11 124 4 4 11 2 1 125 4 0 1 0 0
123 5 43 112 13 27 124 5 10 27 6 3 125 5 1 2 0 1
123 6 42 109 12 26 124 6 9 26 6 3 125 6 1 2 0 1
123 7 27 71 8 17 124 7 6 17 4 2 125 7 1 1 0 0
123 8 38 98 11 24 124 8 8 24 5 3 125 8 1 2 0 0
123 9 8 20 2 5 124 9 2 5 1 1 125 9 0 0 0 0
123 10 15 8 0 1 124 10 1 1 1 1 125 10 0 0 0 0
123 11 31 17 1 3 124 11 1 2 1 1 125 11 1 0 0 0
123 12 13 7 0 1 124 12 0 1 1 0 125 12 0 0 0 0
123 13 25 13 1 2 124 13 1 1 1 1 125 13 1 0 0 0
123 14 14 7 0 1 124 14 0 1 1 1 125 14 0 0 0 0
123 15 3 1 1 0 124 15 0 0 0 0 125 15 0 0 0 0
123 16 20 11 1 2 124 16 1 1 1 1 125 16 0 0 0 0
123 17 21 11 1 2 124 17 1 1 1 1 125 17 0 0 0 0
123 18 15 8 0 1 124 18 1 1 1 1 125 18 0 0 0 0
123 19 4 2 0 0 124 19 1 0 0 0 125 19 0 0 0 0
123 20 3 1 0 0 124 20 1 0 0 0 125 20 0 0 0 0
123 21 56 23 4 4 124 21 16 5 6 0 125 21 1 0 0 0
123 22 21 9 2 1 124 22 6 2 2 0 125 22 0 0 0 0
123 23 9 4 1 1 124 23 2 1 1 0 125 23 0 0 0 0
123 24 44 18 3 3 124 24 12 4 5 0 125 24 1 0 0 0
123 25 13 5 1 1 124 25 4 1 1 0 125 25 0 0 0 0
123 26 5 2 0 0 124 26 1 0 0 0 125 26 0 0 0 0
123 27 27 11 2 2 124 27 7 2 3 0 125 27 1 0 0 0
123 28 25 21 0 1 124 28 7 5 8 1 125 28 1 0 0 0
123 29 27 23 0 1 124 29 8 6 9 1 125 29 1 0 0 0
123 30 52 45 0 2 124 30 16 11 17 1 125 30 1 1 0 0
123 31 20 17 0 1 124 31 6 4 6 0 125 31 0 0 0 0
123 32 0 0 0 0 124 32 0 0 0 0 125 32 0 0 0 0
123 33 20 17 0 1 124 33 6 4 7 1 125 33 0 0 0 0
123 34 11 10 0 0 124 34 3 2 4 0 125 34 0 0 0 0
123 35 75 64 0 3 124 35 22 16 25 2 125 35 2 1 0 0
123 36 9 8 0 0 124 36 3 2 3 0 125 36 0 0 0 0
123 37 11 3 5 2 124 37 2 2 7 0 125 37 0 0 0 0
123 38 10 2 4 1 124 38 2 2 6 0 125 38 0 0 0 0
123 39 0 0 0 0 124 39 0 0 0 0 125 39 0 0 0 0
123 40 48 12 21 7 124 40 10 9 31 1 125 40 1 0 0 0
123 41 36 9 16 5 124 41 7 6 23 1 125 41 1 0 0 0
123 42 4 0 1 0 124 42 1 0 0 0 125 42 0 0 0 0
123 43 48 12 21 7 124 43 10 9 30 1 125 43 1 0 0 0
123 44 6 1 3 1 124 44 1 1 4 0 125 44 0 0 0 0
123 45 33 8 15 5 124 45 7 6 21 1 125 45 1 0 0 0
123 46 21 5 9 3 124 46 4 4 13 1 125 46 0 0 0 0
123 47 55 14 24 8 124 47 12 10 35 1 125 47 1 0 1 0
123 48 3 1 1 1 124 48 2 1 1 0 125 48 0 0 0 0
123 49 1 1 1 0 124 49 1 0 1 0 125 49 0 0 0 0
123 50 2 1 1 0 124 50 1 1 1 0 125 50 0 0 0 0
123 51 3 2 2 1 124 51 2 1 2 0 125 51 0 0 0 0
123 52 2 1 1 1 124 52 1 1 1 0 125 52 0 0 0 0
123 53 3 1 1 1 124 53 2 1 1 0 125 53 0 0 0 0
123 54 2 1 1 0 124 54 1 1 1 0 125 54 0 0 0 0
123 55 14 7 7 3 124 55 9 5 7 0 125 55 0 0 0 0
123 56 10 5 5 2 124 56 6 3 5 0 125 56 0 0 0 0
123 57 0 0 0 0 124 57 0 0 0 0 125 57 0 0 0 0
123 58 7 0 1 0 124 58 2 0 0 0 125 58 0 0 0 0
123 59 40 2 5 1 124 59 9 2 1 0 125 59 1 0 0 0
123 60 4 0 0 0 124 60 1 0 0 0 125 60 0 0 0 0
123 61 3 0 0 0 124 61 1 0 0 0 125 61 0 0 0 0
123 62 7 0 1 0 124 62 2 0 0 0 125 62 0 0 0 0
123 63 5 0 1 0 124 63 1 0 0 0 125 63 0 0 0 0
123 64 0 0 0 0 124 64 0 0 0 0 125 64 0 0 0 0
123 65 6 0 1 0 124 65 1 0 0 0 125 65 0 0 0 0
123 66 5 0 1 0 124 66 1 0 0 0 125 66 0 0 0 0
123 67 4 0 1 0 124 67 1 0 0 0 125 67 0 0 0 0
123 68 3 0 0 0 124 68 1 0 0 0 125 68 0 0 0 0
123 69 14 1 2 0 124 69 3 1 0 0 125 69 0 0 0 0
123 70 1 0 0 0 124 70 0 0 0 0 125 70 0 0 0 0
123 71 32 6 40 2 124 71 2 0 1 0 125 71 1 0 1 0
123 72 50 9 64 3 124 72 3 0 2 0 125 72 1 0 1 0
123 73 280 51 357 15 124 73 19 1 12 2 125 73 6 1 7 0
123 75 26 5 33 1 124 75 2 0 1 0 125 75 1 0 1 0
123 76 0 0 0 0 124 76 0 0 0 0 125 76 0 0 0 0
123 77 4 1 5 0 124 77 0 0 0 0 125 77 0 0 0 0
123 78 80 14 102 4 124 78 5 0 3 0 125 78 2 0 2 0
123 79 25 6 11 4 124 79 5 4 16 1 125 79 1 0 0 0
123 80 12 0 0 3 124 80 6 1 0 0 125 80 0 0 0 0
123 81 5 0 0 1 124 81 2 0 0 0 125 81 0 0 0 0
123 82 9 0 0 2 124 82 5 1 0 0 125 82 0 0 0 0
123 83 23 0 0 6 124 83 12 2 0 1 125 83 0 0 0 0
123 84 2 0 0 0 124 84 1 0 0 0 125 84 0 0 0 0
123 85 0 0 0 0 124 85 0 0 0 0 125 85 0 0 0 0
123 86 11 5 0 1 124 86 1 2 0 0 125 86 0 0 0 0
123 87 19 9 0 3 124 87 2 4 1 0 125 87 0 0 0 0
123 88 11 5 0 1 124 88 1 2 0 0 125 88 0 0 0 0
123 89 18 8 0 2 124 89 2 4 1 0 125 89 0 0 0 0
123 90 25 11 0 3 124 90 3 5 1 0 125 90 1 0 0 0
123 91 21 10 0 3 124 91 3 4 1 0 125 91 0 0 0 0
123 92 4 0 1 0 124 92 1 0 0 0 125 92 0 0 0 0
123 93 6 1 1 0 124 93 1 0 0 0 125 93 0 0 0 0
123 94 7 1 1 0 124 94 1 0 0 0 125 94 0 0 0 0
123 95 12 2 2 1 124 95 2 1 1 0 125 95 0 0 0 0
123 96 1 0 0 0 124 96 0 0 0 0 125 96 0 0 0 0
123 97 23 4 3 1 124 97 4 1 1 0 125 97 0 0 0 0
123 98 4 2 1 0 124 98 0 0 0 0 125 98 0 0 0 0
123 99 38 13 9 0 124 99 3 1 1 0 125 99 1 0 0 0
123 100 20 7 5 0 124 100 1 0 0 0 125 100 0 0 0 0
123 101 8 3 2 0 124 101 1 0 0 0 125 101 0 0 0 0
123 102 9 3 2 0 124 102 1 0 0 0 125 102 0 0 0 0
123 103 3 1 1 0 124 103 0 0 0 0 125 103 0 0 0 0
123 104 7 2 2 0 124 104 0 0 0 0 125 104 0 0 0 0
123 105 5 2 1 0 124 105 0 0 0 0 125 105 0 0 0 0
123 106 1 0 0 0 124 106 1 0 0 0 125 106 0 0 0 0
123 107 17 6 4 0 124 107 1 0 0 0 125 107 0 0 0 0
123 108 10 4 2 0 124 108 1 0 0 0 125 108 0 0 0 0
123 109 2 1 0 0 124 109 0 0 0 0 125 109 0 0 0 0
123 110 4 2 0 0 124 110 1 0 0 0 125 110 0 0 0 0
123 111 24 4 3 1 124 111 4 1 1 0 125 111 1 0 0 0
123 112 0 0 0 0 124 112 0 0 0 0 125 112 0 0 0 0
123 114 0 0 0 0 124 114 0 0 0 0 125 114 0 0 0 0
123 115 0 0 0 0 124 115 0 0 0 0 125 115 0 0 0 0
123 116 6 0 1 0 124 116 1 0 0 0 125 116 0 0 0 0
123 117 1 0 0 0 124 117 0 0 0 0 125 117 0 0 0 0
123 118 26 67 8 16 124 118 6 16 3 2 125 118 1 1 0 0
123 119 8 21 2 5 124 119 2 5 1 1 125 119 0 0 0 0
123 120 81 20 36 12 124 120 17 15 52 2 125 120 2 0 1 0
123 121 47 7 6 3 124 121 8 2 2 0 125 121 1 0 0 0
123 122 17 8 0 2 124 122 2 3 1 0 125 122 0 0 0 0
123 124 0 0 0 0 124 123 0 0 0 0 125 123 0 0 0 0
123 125 36 7 46 2 124 125 2 0 2 0 125 124 0 0 0 0
123 126 66 16 29 9 124 126 14 12 42 2 125 126 1 0 1 0
123 127 27 7 12 4 124 127 6 5 17 1 125 127 1 0 0 0
123 128 12 6 6 3 124 128 7 4 6 0 125 128 0 0 0 0
123 129 2 0 0 0 124 129 0 0 0 0 125 129 0 0 0 0
123 130 7 0 1 0 124 130 2 0 0 0 125 130 0 0 0 0
123 131 7 0 1 0 124 131 1 0 0 0 125 131 0 0 0 0
123 132 33 11 8 0 124 132 2 1 1 0 125 132 1 0 0 0
123 133 3 1 1 0 124 133 0 0 0 0 125 133 0 0 0 0
123 135 3 2 2 1 124 135 2 1 2 0 125 135 0 0 0 0
123 136 54 10 69 3 124 136 4 0 2 0 125 136 1 0 1 0
123 137 0 0 0 0 124 137 0 0 0 0 125 137 0 0 0 0
123 139 55 8 7 3 124 139 9 3 3 0 125 139 1 0 0 0
123 140 30 4 4 2 124 140 5 2 1 0 125 140 1 0 0 0
123 141 524 95 668 29 124 141 36 1 22 3 125 141 11 2 14 1
126 1 1 2 0 0 127 1 1 3 1 0 128 1 34 148 35 8
126 2 1 3 1 0 127 2 1 4 1 0 128 2 46 198 47 10
126 3 2 4 1 1 127 3 2 7 2 1 128 3 79 341 81 18
126 4 1 4 1 0 127 4 2 6 1 1 128 4 73 312 74 17
126 5 4 10 2 1 127 5 6 16 4 2 128 5 183 788 188 42
126 6 3 10 2 1 127 6 6 16 3 2 128 6 177 762 182 40
126 7 2 6 1 1 127 7 4 10 2 1 128 7 116 500 119 26
126 8 3 9 2 1 127 8 5 14 3 2 128 8 160 691 165 37
126 9 1 2 0 0 127 9 1 3 1 0 128 9 32 139 33 7
126 10 0 0 0 0 127 10 0 0 0 0 128 10 73 56 6 4
126 11 0 1 1 0 127 11 1 1 1 1 128 11 156 120 13 8
126 12 0 0 0 0 127 12 0 0 0 0 128 12 63 49 5 3
126 13 0 0 0 0 127 13 1 1 1 1 128 13 125 96 11 7
126 14 0 0 0 0 127 14 0 0 0 0 128 14 68 52 6 4
126 15 0 0 0 0 127 15 0 0 0 0 128 15 29 3 6 3
126 16 0 0 0 0 127 16 0 1 1 0 128 16 99 76 8 5
126 17 0 0 0 0 127 17 0 1 1 0 128 17 106 81 9 6
126 18 0 0 0 0 127 18 0 0 0 0 128 18 76 58 6 4
126 19 0 0 0 0 127 19 1 0 0 0 128 19 31 17 13 1
126 20 0 0 0 0 127 20 1 0 0 0 128 20 26 14 11 1
126 21 6 2 2 0 127 21 9 3 4 0 128 21 474 255 199 19
126 22 2 1 1 0 127 22 3 1 1 0 128 22 179 96 75 7
126 23 1 0 0 0 127 23 1 0 1 0 128 23 72 39 30 3
126 24 5 2 2 0 127 24 7 2 3 0 128 24 372 200 156 15
126 25 1 0 1 0 127 25 2 1 1 0 128 25 112 60 47 5
126 26 0 0 0 0 127 26 1 0 0 0 128 26 39 21 16 2
126 27 3 1 1 0 127 27 4 1 2 0 128 27 224 121 94 9
126 28 3 2 3 0 127 28 4 3 5 0 128 28 323 490 350 42
126 29 3 2 4 0 127 29 5 3 5 0 128 29 347 527 377 45
126 30 6 4 7 0 127 30 9 7 10 1 128 30 674 1022 730 87
126 31 2 2 3 0 127 31 3 2 4 0 128 31 253 384 274 33
126 32 0 0 0 0 127 32 0 0 0 0 128 32 0 0 0 0
126 33 2 2 3 0 127 33 4 3 4 0 128 33 260 394 281 34
126 34 1 1 1 0 127 34 2 1 2 0 128 34 148 224 160 19
126 35 8 6 10 1 127 35 13 10 15 1 128 35 968 1469 1050 125
126 36 1 1 1 0 127 36 2 1 2 0 128 36 114 173 124 15
126 37 1 1 3 0 127 37 1 1 4 0 128 37 39 33 16 0
126 38 1 1 3 0 127 38 1 1 4 0 128 38 35 30 14 0
126 39 0 0 0 0 127 39 0 0 0 0 128 39 0 0 0 0
126 40 4 3 12 0 127 40 6 5 19 1 128 40 170 143 68 0
126 41 3 2 9 0 127 41 4 4 14 1 128 41 127 106 50 0
126 42 0 0 0 0 127 42 1 0 0 0 128 42 87 19 3 2
126 43 4 3 12 0 127 43 6 5 18 1 128 43 169 142 67 0
126 44 0 0 2 0 127 44 1 1 2 0 128 44 21 18 8 0
126 45 3 2 8 0 127 45 4 4 13 0 128 45 118 99 47 0
126 46 2 1 5 0 127 46 3 2 8 0 128 46 73 62 29 0
126 47 4 4 14 1 127 47 7 6 21 1 128 47 197 165 78 0
126 48 1 0 1 0 127 48 1 1 1 0 128 48 236 54 502 10
126 49 0 0 0 0 127 49 0 0 0 0 128 49 104 24 220 4
126 50 0 0 0 0 127 50 1 0 1 0 128 50 161 37 343 7
126 51 1 0 1 0 127 51 1 1 1 0 128 51 273 62 581 11
126 52 1 0 0 0 127 52 1 0 1 0 128 52 199 45 423 8
126 53 1 0 1 0 127 53 1 1 1 0 128 53 231 53 491 10
126 54 0 0 0 0 127 54 1 0 1 0 128 54 136 31 290 6
126 55 3 2 3 0 127 55 5 3 4 0 128 55 1175 268 2500 48
126 56 2 1 2 0 127 56 4 2 3 0 128 56 816 186 1737 34
126 57 0 0 0 0 127 57 0 0 0 0 128 57 30 7 64 1
126 58 1 0 0 0 127 58 1 0 0 0 128 58 147 32 5 3
126 59 3 1 0 0 127 59 5 1 1 0 128 59 852 188 28 20
126 60 0 0 0 0 127 60 0 0 0 0 128 60 77 17 2 2
126 61 0 0 0 0 127 61 0 0 0 0 128 61 55 12 2 1
126 62 1 0 0 0 127 62 1 0 0 0 128 62 150 33 5 4
126 63 0 0 0 0 127 63 1 0 0 0 128 63 103 23 3 2
126 64 0 0 0 0 127 64 0 0 0 0 128 64 8 2 0 0
126 65 1 0 0 0 127 65 1 0 0 0 128 65 131 29 4 3
126 66 0 0 0 0 127 66 1 0 0 0 128 66 102 23 3 2
126 67 0 0 0 0 127 67 1 0 0 0 128 67 80 18 3 2
126 68 0 0 0 0 127 68 0 0 0 0 128 68 57 13 2 1
126 69 1 0 0 0 127 69 2 0 0 0 128 69 290 64 9 7
126 70 0 0 0 0 127 70 0 0 0 0 128 70 13 3 0 0
126 71 1 0 1 0 127 71 1 0 1 0 128 71 43 13 5 2
126 72 1 0 1 0 127 72 2 0 1 0 128 72 67 20 8 4
126 73 7 0 5 1 127 73 11 0 7 1 128 73 376 112 43 22
126 75 1 0 0 0 127 75 1 0 1 0 128 75 34 10 4 2
126 76 0 0 0 0 127 76 0 0 0 0 128 76 0 0 0 0
126 77 0 0 0 0 127 77 0 0 0 0 128 77 5 1 1 0
126 78 2 0 1 0 127 78 3 0 2 0 128 78 107 32 12 6
126 79 2 2 6 0 127 79 3 3 10 0 128 79 89 75 35 0
126 80 2 0 0 0 127 80 4 1 0 0 128 80 178 50 0 12
126 81 1 0 0 0 127 81 1 0 0 0 128 81 75 21 0 5
126 82 2 0 0 0 127 82 3 1 0 0 128 82 145 41 0 10
126 83 4 1 0 0 127 83 7 1 0 1 128 83 352 100 0 25
126 84 0 0 0 0 127 84 1 0 0 0 128 84 30 9 0 2
126 85 0 0 0 0 127 85 0 0 0 0 128 85 0 0 0 0
126 86 1 1 0 0 127 86 1 1 0 0 128 86 37 68 6 2
126 87 1 1 0 0 127 87 1 2 0 0 128 87 66 120 11 3
126 88 1 1 0 0 127 88 1 1 0 0 128 88 38 69 6 2
126 89 1 1 0 0 127 89 1 2 0 0 128 89 63 116 11 3
126 90 1 2 0 0 127 90 2 3 0 0 128 90 87 159 15 4
126 91 1 2 0 0 127 91 2 2 0 0 128 91 73 134 12 3
126 92 0 0 0 0 127 92 1 0 0 0 128 92 90 20 3 2
126 93 0 0 0 0 127 93 1 0 0 0 128 93 17 36 0 2
126 94 0 0 0 0 127 94 1 0 0 0 128 94 22 45 0 3
126 95 1 0 0 0 127 95 1 0 0 0 128 95 36 74 0 5
126 96 0 0 0 0 127 96 0 0 0 0 128 96 3 6 0 0
126 97 1 0 0 0 127 97 2 1 1 0 128 97 68 142 0 9
126 98 0 0 0 0 127 98 0 0 0 0 128 98 42 4 9 4
126 99 1 0 0 0 127 99 2 0 1 0 128 99 361 33 74 33
126 100 1 0 0 0 127 100 1 0 0 0 128 100 194 18 40 18
126 101 0 0 0 0 127 101 0 0 0 0 128 101 77 7 16 7
126 102 0 0 0 0 127 102 0 0 0 0 128 102 85 8 17 8
126 103 0 0 0 0 127 103 0 0 0 0 128 103 32 3 7 3
126 104 0 0 0 0 127 104 0 0 0 0 128 104 65 6 13 6
126 105 0 0 0 0 127 105 0 0 0 0 128 105 51 5 11 5
126 106 0 0 0 0 127 106 0 0 0 0 128 106 74 17 158 3
126 107 0 0 0 0 127 107 1 0 0 0 128 107 159 14 33 14
126 108 0 0 0 0 127 108 0 0 0 0 128 108 98 9 20 9
126 109 0 0 0 0 127 109 0 0 0 0 128 109 18 2 4 2
126 110 0 0 0 0 127 110 1 0 0 0 128 110 37 20 15 2
126 111 1 0 0 0 127 111 2 1 1 0 128 111 71 149 0 10
126 112 0 0 0 0 127 112 0 0 0 0 128 112 0 0 0 0
126 114 0 0 0 0 127 114 0 0 0 0 128 114 0 0 0 0
126 115 0 0 0 0 127 115 0 0 0 0 128 115 0 0 0 0
126 116 1 0 0 0 127 116 1 0 0 0 128 116 125 28 4 3
126 117 0 0 0 0 127 117 0 0 0 0 128 117 13 1 3 1
126 118 2 6 1 1 127 118 3 10 2 1 128 118 109 468 112 25
126 119 1 2 0 0 127 119 1 3 1 0 128 119 34 148 35 8
126 120 6 6 21 1 127 120 10 9 32 1 128 120 290 243 115 0
126 121 3 1 1 0 127 121 4 1 1 0 128 121 137 286 0 19
126 122 1 1 0 0 127 122 1 2 0 0 128 122 58 107 10 3
126 123 0 0 0 0 127 123 0 0 0 0 128 123 8 2 1 0
126 124 0 0 0 0 127 124 0 0 0 0 128 124 0 0 0 0
126 125 1 0 1 0 127 125 1 0 1 0 128 125 48 14 6 3
126 127 2 2 7 0 127 126 8 7 26 1 128 126 236 198 94 0
126 128 3 2 2 0 127 128 4 2 4 0 128 127 96 80 38 0
126 129 0 0 0 0 127 129 0 0 0 0 128 129 37 8 1 1
126 130 1 0 0 0 127 130 1 0 0 0 128 130 144 32 5 3
126 131 1 0 0 0 127 131 1 0 0 0 128 131 139 31 5 3
126 132 1 0 0 0 127 132 1 0 0 0 128 132 312 28 64 28
126 133 0 0 0 0 127 133 0 0 0 0 128 133 31 3 6 3
126 135 1 0 1 0 127 135 1 1 1 0 128 135 278 63 592 11
126 136 1 0 1 0 127 136 2 0 1 0 128 136 73 22 8 4
126 137 0 0 0 0 127 137 0 0 0 0 128 137 0 0 0 0
126 139 3 1 1 0 127 139 5 2 2 0 128 139 160 335 0 22
126 140 2 1 1 0 127 140 3 1 1 0 128 140 86 180 0 12
126 141 13 0 9 1 127 141 21 1 13 2 128 141 703 210 81 41
129 1 1 3 0 0 130 1 16 34 1 2 131 1 1 3 0 0
129 2 2 4 0 0 130 2 21 46 1 3 131 2 2 4 0 0
129 3 3 7 0 0 130 3 37 79 2 4 131 3 3 7 0 0
129 4 3 6 0 0 130 4 33 73 2 4 131 4 3 7 0 0
129 5 7 15 0 1 130 5 84 183 6 10 131 5 8 17 1 1
129 6 7 15 0 1 130 6 82 177 6 10 131 6 8 16 1 1
129 7 4 10 0 1 130 7 54 116 4 6 131 7 5 11 0 1
129 8 6 13 0 1 130 8 74 160 5 9 131 8 7 15 0 1
129 9 1 3 0 0 130 9 15 32 1 2 131 9 1 3 0 0
129 10 2 1 0 0 130 10 20 14 3 0 131 10 2 1 0 0
129 11 4 2 0 0 130 11 43 29 5 0 131 11 4 3 1 0
129 12 1 1 0 0 130 12 17 12 2 0 131 12 2 1 0 0
129 13 3 2 0 0 130 13 34 24 4 0 131 13 3 2 0 0
129 14 2 1 0 0 130 14 19 13 2 0 131 14 2 1 0 0
129 15 0 0 0 0 130 15 5 0 0 0 131 15 1 0 0 0
129 16 2 2 0 0 130 16 27 19 3 0 131 16 3 2 0 0
129 17 2 2 0 0 130 17 29 20 4 0 131 17 3 2 0 0
129 18 2 1 0 0 130 18 21 14 3 0 131 18 2 1 0 0
129 19 1 0 0 0 130 19 15 5 1 0 131 19 1 0 0 0
129 20 1 0 0 0 130 20 12 4 1 0 131 20 1 0 0 0
129 21 19 7 2 0 130 21 225 81 22 2 131 21 21 7 2 0
129 22 7 3 1 0 130 22 85 31 8 1 131 22 8 3 1 0
129 23 3 1 0 0 130 23 34 12 3 0 131 23 3 1 0 0
129 24 15 5 1 0 130 24 176 64 17 2 131 24 16 6 2 0
129 25 4 2 0 0 130 25 53 19 5 1 131 25 5 2 0 0
129 26 2 1 0 0 130 26 19 7 2 0 131 26 2 1 0 0
129 27 9 3 1 0 130 27 106 38 11 1 131 27 10 4 1 0
129 28 8 7 1 0 130 28 91 84 7 2 131 28 8 8 1 0
129 29 8 8 1 0 130 29 98 91 8 2 131 29 9 8 1 0
129 30 16 15 1 0 130 30 189 176 15 4 131 30 17 16 1 0
129 31 6 6 0 0 130 31 71 66 6 1 131 31 7 6 1 0
129 32 0 0 0 0 130 32 0 0 0 0 131 32 0 0 0 0
129 33 6 6 0 0 130 33 73 68 6 1 131 33 7 6 1 0
129 34 3 3 0 0 130 34 41 39 3 1 131 34 4 4 0 0
129 35 23 21 2 0 130 35 272 253 22 5 131 35 25 23 2 1
129 36 3 3 0 0 130 36 32 30 3 1 131 36 3 3 0 0
129 37 1 1 0 0 130 37 11 7 0 0 131 37 1 1 0 0
129 38 1 1 0 0 130 38 10 7 0 0 131 38 1 1 0 0
129 39 0 0 0 0 130 39 0 0 0 0 131 39 0 0 0 0
129 40 4 3 0 0 130 40 48 32 0 2 131 40 4 3 0 0
129 41 3 2 0 0 130 41 36 24 0 1 131 41 3 2 0 0
129 42 6 0 6 0 130 42 78 6 77 2 131 42 7 1 7 0
129 43 4 3 0 0 130 43 48 32 0 2 131 43 4 3 0 0
129 44 0 0 0 0 130 44 6 4 0 0 131 44 1 0 0 0
129 45 3 2 0 0 130 45 33 22 0 1 131 45 3 2 0 0
129 46 2 1 0 0 130 46 21 14 0 1 131 46 2 1 0 0
129 47 5 3 0 0 130 47 55 38 0 2 131 47 5 3 0 0
129 48 2 0 0 0 130 48 19 3 4 1 131 48 2 0 0 0
129 49 1 0 0 0 130 49 9 1 2 0 131 49 1 0 0 0
129 50 1 0 0 0 130 50 13 2 2 0 131 50 1 0 0 0
129 51 2 0 0 0 130 51 22 4 4 1 131 51 2 0 0 0
129 52 1 0 0 0 130 52 16 3 3 1 131 52 2 0 0 0
129 53 2 0 0 0 130 53 19 3 4 1 131 53 2 0 0 0
129 54 1 0 0 0 130 54 11 2 2 0 131 54 1 0 0 0
129 55 8 1 1 0 130 55 97 17 18 4 131 55 9 2 2 0
129 56 6 1 1 0 130 56 67 12 12 2 131 56 6 1 1 0
129 57 0 0 0 0 130 57 2 0 0 0 131 57 0 0 0 0
129 58 11 1 11 0 130 58 131 10 130 3 131 58 12 1 12 0
129 59 63 5 61 1 130 59 762 56 757 16 131 59 70 5 70 1
129 60 6 0 6 0 130 60 69 5 68 1 131 60 6 0 6 0
129 61 4 0 4 0 130 61 49 4 49 1 131 61 5 0 4 0
129 62 11 1 11 0 130 62 134 10 133 3 131 62 12 1 12 0
129 63 8 1 7 0 130 63 92 7 91 2 131 63 8 1 8 0
129 64 1 0 1 0 130 64 7 1 7 0 131 64 1 0 1 0
129 65 10 1 9 0 130 65 118 9 117 2 131 65 11 1 11 0
129 66 8 1 7 0 130 66 91 7 91 2 131 66 8 1 8 0
129 67 6 0 6 0 130 67 72 5 71 1 131 67 7 0 7 0
129 68 4 0 4 0 130 68 51 4 50 1 131 68 5 0 5 0
129 69 22 2 21 0 130 69 260 19 258 5 131 69 24 2 24 0
129 70 1 0 1 0 130 70 11 1 11 0 131 70 1 0 1 0
129 71 1 0 0 0 130 71 11 3 0 0 131 71 1 0 0 0
129 72 1 0 0 0 130 72 17 5 0 0 131 72 2 0 0 0
129 73 8 2 0 0 130 73 97 27 0 0 131 73 9 2 0 0
129 75 1 0 0 0 130 75 9 2 0 0 131 75 1 0 0 0
129 76 0 0 0 0 130 76 0 0 0 0 131 76 0 0 0 0
129 77 0 0 0 0 130 77 1 0 0 0 131 77 0 0 0 0
129 78 2 1 0 0 130 78 28 8 0 0 131 78 3 1 0 0
129 79 2 1 0 0 130 79 25 17 0 1 131 79 2 2 0 0
129 80 5 1 0 0 130 80 66 7 4 3 131 80 6 1 0 0
129 81 2 0 0 0 130 81 28 3 2 1 131 81 3 0 0 0
129 82 4 0 0 0 130 82 54 6 3 2 131 82 5 1 0 0
129 83 11 1 1 0 130 83 131 14 8 5 131 83 12 1 1 0
129 84 1 0 0 0 130 84 11 1 1 0 131 84 1 0 0 0
129 85 0 0 0 0 130 85 0 0 0 0 131 85 0 0 0 0
129 86 1 0 0 0 130 86 9 2 0 0 131 86 1 0 0 0
129 87 1 0 0 0 130 87 16 3 0 0 131 87 1 0 0 0
129 88 1 0 0 0 130 88 9 2 0 0 131 88 1 0 0 0
129 89 1 0 0 0 130 89 15 3 0 0 131 89 1 0 0 0
129 90 2 0 0 0 130 90 21 4 0 0 131 90 2 0 0 0
129 91 1 0 0 0 130 91 18 4 0 0 131 91 2 0 0 0
129 92 7 0 6 0 130 92 80 6 80 2 131 92 7 1 7 0
129 93 1 0 0 0 130 93 6 1 0 0 131 93 1 0 0 0
129 94 1 0 0 0 130 94 8 1 0 0 131 94 1 0 0 0
129 95 1 0 0 0 130 95 13 2 0 0 131 95 1 0 0 0
129 96 0 0 0 0 130 96 1 0 0 0 131 96 0 0 0 0
129 97 2 0 0 0 130 97 24 4 0 1 131 97 2 0 0 0
129 98 1 0 0 0 130 98 8 0 0 0 131 98 1 0 0 0
129 99 6 0 0 0 130 99 68 0 3 2 131 99 6 0 0 0
129 100 3 0 0 0 130 100 37 0 2 1 131 100 3 0 0 0
129 101 1 0 0 0 130 101 15 0 1 1 131 101 1 0 0 0
129 102 1 0 0 0 130 102 16 0 1 1 131 102 1 0 0 0
129 103 0 0 0 0 130 103 6 0 0 0 131 103 1 0 0 0
129 104 1 0 0 0 130 104 12 0 1 0 131 104 1 0 0 0
129 105 1 0 0 0 130 105 10 0 0 0 131 105 1 0 0 0
129 106 1 0 0 0 130 106 6 1 1 0 131 106 1 0 0 0
129 107 3 0 0 0 130 107 30 0 1 1 131 107 3 0 0 0
129 108 2 0 0 0 130 108 18 0 1 1 131 108 2 0 0 0
129 109 0 0 0 0 130 109 3 0 0 0 131 109 0 0 0 0
129 110 1 1 0 0 130 110 17 6 2 0 131 110 2 1 0 0
129 111 2 0 0 0 130 111 25 5 0 1 131 111 2 0 0 0
129 112 0 0 0 0 130 112 0 0 0 0 131 112 0 0 0 0
129 114 0 0 0 0 130 114 0 0 0 0 131 114 0 0 0 0
129 115 0 0 0 0 130 115 0 0 0 0 131 115 0 0 0 0
129 116 9 1 9 0 130 116 112 8 111 2 131 116 10 1 10 0
129 117 0 0 0 0 130 117 2 0 0 0 131 117 0 0 0 0
129 118 4 9 0 0 130 118 50 109 3 6 131 118 5 10 0 1
129 119 1 3 0 0 130 119 16 34 1 2 131 119 1 3 0 0
129 120 7 5 0 0 130 120 82 55 0 3 131 120 8 5 0 0
129 121 4 1 0 0 130 121 48 9 0 2 131 121 4 1 0 0
129 122 1 0 0 0 130 122 14 3 0 0 131 122 1 0 0 0
129 123 0 0 0 0 130 123 2 1 0 0 131 123 0 0 0 0
129 124 0 0 0 0 130 124 0 0 0 0 131 124 0 0 0 0
129 125 1 0 0 0 130 125 12 3 0 0 131 125 1 0 0 0
129 126 6 4 0 0 130 126 66 45 0 2 131 126 6 4 0 0
129 127 2 2 0 0 130 127 27 18 0 1 131 127 2 2 0 0
129 128 7 1 1 0 130 128 82 14 15 3 131 128 8 1 1 0
129 130 11 1 10 0 130 129 33 2 33 1 131 129 3 0 3 0
129 131 10 1 10 0 130 131 124 9 124 3 131 130 12 1 12 0
129 132 5 0 0 0 130 132 59 0 3 2 131 132 5 0 0 0
129 133 0 0 0 0 130 133 6 0 0 0 131 133 1 0 0 0
129 135 2 0 0 0 130 135 23 4 4 1 131 135 2 0 0 0
129 136 2 0 0 0 130 136 19 5 0 0 131 136 2 0 0 0
129 137 0 0 0 0 130 137 0 0 0 0 131 137 0 0 0 0
129 139 5 1 0 0 130 139 57 10 0 2 131 139 5 1 0 0
129 140 3 0 0 0 130 140 30 6 0 1 131 140 3 1 0 0
129 141 15 4 0 0 130 141 181 50 0 0 131 141 17 5 0 0
132 1 11 22 5 2 133 1 4 8 2 1 135 1 0 0 0 0
132 2 14 30 7 3 133 2 5 11 2 1 135 2 0 0 0 0
132 3 24 51 12 5 133 3 8 18 4 2 135 3 0 0 0 0
132 4 22 47 11 4 133 4 8 17 4 2 135 4 0 0 0 0
132 5 56 118 28 11 133 5 20 42 9 4 135 5 0 0 0 0
132 6 54 114 27 11 133 6 19 41 9 4 135 6 0 0 0 0
132 7 36 75 18 7 133 7 12 27 6 2 135 7 0 0 0 0
132 8 49 103 24 10 133 8 17 37 8 3 135 8 0 0 0 0
132 9 10 21 5 2 133 9 3 7 2 1 135 9 0 0 0 0
132 10 26 19 24 1 133 10 9 7 8 0 135 10 0 0 0 0
132 11 56 41 51 3 133 11 20 15 17 1 135 11 0 0 0 0
132 12 23 16 21 1 133 12 8 6 7 0 135 12 0 0 0 0
132 13 45 33 41 2 133 13 16 12 13 1 135 13 0 0 0 0
132 14 24 18 22 1 133 14 9 6 7 0 135 14 0 0 0 0
132 15 14 4 22 1 133 15 5 1 7 0 135 15 0 0 0 0
132 16 36 26 33 2 133 16 13 9 11 1 135 16 0 0 0 0
132 17 38 27 35 2 133 17 13 10 11 1 135 17 0 0 0 0
132 18 27 20 25 1 133 18 10 7 8 0 135 18 0 0 0 0
132 19 9 2 2 0 133 19 3 1 1 0 135 19 0 0 0 0
132 20 8 2 1 0 133 20 3 1 0 0 135 20 0 0 0 0
132 21 139 27 27 1 133 21 49 10 9 0 135 21 0 0 0 0
132 22 52 10 10 0 133 22 18 4 3 0 135 22 0 0 0 0
132 23 21 4 4 0 133 23 7 2 1 0 135 23 0 0 0 0
132 24 109 22 21 1 133 24 38 8 7 0 135 24 0 0 0 0
132 25 33 7 6 0 133 25 12 2 2 0 135 25 0 0 0 0
132 26 11 2 2 0 133 26 4 1 1 0 135 26 0 0 0 0
132 27 66 13 13 0 133 27 23 5 4 0 135 27 0 0 0 0
132 28 22 10 0 0 133 28 8 4 0 0 135 28 0 0 0 0
132 29 23 11 0 0 133 29 8 4 0 0 135 29 0 0 0 0
132 30 46 21 1 0 133 30 16 8 0 0 135 30 0 1 0 0
132 31 17 8 0 0 133 31 6 3 0 0 135 31 0 0 0 0
132 32 0 0 0 0 133 32 0 0 0 0 135 32 0 0 0 0
132 33 18 8 0 0 133 33 6 3 0 0 135 33 0 0 0 0
132 34 10 5 0 0 133 34 3 2 0 0 135 34 0 0 0 0
132 35 65 31 1 0 133 35 23 11 0 0 135 35 1 1 1 0
132 36 8 4 0 0 133 36 3 1 0 0 135 36 0 0 0 0
132 37 5 3 1 0 133 37 2 1 0 0 135 37 0 0 0 0
132 38 4 3 1 0 133 38 1 1 0 0 135 38 0 0 0 0
132 39 0 0 0 0 133 39 0 0 0 0 135 39 0 0 0 0
132 40 20 13 4 1 133 40 7 5 1 0 135 40 0 0 0 0
132 41 15 10 3 1 133 41 5 4 1 0 135 41 0 0 0 0
132 42 8 1 1 0 133 42 3 0 0 0 135 42 0 0 0 0
132 43 20 13 4 1 133 43 7 5 1 0 135 43 0 0 0 0
132 44 3 2 0 0 133 44 1 1 0 0 135 44 0 0 0 0
132 45 14 9 3 1 133 45 5 3 1 0 135 45 0 0 0 0
132 46 9 6 2 1 133 46 3 2 1 0 135 46 0 0 0 0
132 47 23 15 5 1 133 47 8 6 1 0 135 47 0 0 0 0
132 48 9 2 0 1 133 48 3 1 0 0 135 48 0 0 0 0
132 49 4 1 0 0 133 49 1 0 0 0 135 49 0 0 0 0
132 50 6 2 0 1 133 50 2 1 0 0 135 50 0 0 0 0
132 51 11 3 0 1 133 51 4 1 0 0 135 51 0 0 0 0
132 52 8 2 0 1 133 52 3 1 0 0 135 52 0 0 0 0
132 53 9 2 0 1 133 53 3 1 0 0 135 53 0 0 0 0
132 54 5 1 0 1 133 54 2 0 0 0 135 54 0 0 0 0
132 55 46 11 2 5 133 55 16 4 1 2 135 55 1 0 1 0
132 56 32 8 1 3 133 56 11 3 0 1 135 56 0 0 1 0
132 57 1 0 0 0 133 57 0 0 0 0 135 57 0 0 0 0
132 58 14 1 1 0 133 58 5 1 0 0 135 58 0 0 0 0
132 59 80 9 8 2 133 59 28 3 3 1 135 59 1 0 0 0
132 60 7 1 1 0 133 60 3 0 0 0 135 60 0 0 0 0
132 61 5 1 1 0 133 61 2 0 0 0 135 61 0 0 0 0
132 62 14 2 1 0 133 62 5 1 0 0 135 62 0 0 0 0
132 63 10 1 1 0 133 63 3 0 0 0 135 63 0 0 0 0
132 64 1 0 0 0 133 64 0 0 0 0 135 64 0 0 0 0
132 65 12 1 1 0 133 65 4 0 0 0 135 65 0 0 0 0
132 66 10 1 1 0 133 66 3 0 0 0 135 66 0 0 0 0
132 67 8 1 1 0 133 67 3 0 0 0 135 67 0 0 0 0
132 68 5 1 1 0 133 68 2 0 0 0 135 68 0 0 0 0
132 69 27 3 3 1 133 69 10 1 1 0 135 69 0 0 0 0
132 70 1 0 0 0 133 70 0 0 0 0 135 70 0 0 0 0
132 71 3 2 1 0 133 71 1 1 0 0 135 71 0 0 0 0
132 72 4 3 1 0 133 72 1 1 0 0 135 72 0 0 0 0
132 73 23 16 5 2 133 73 8 6 2 1 135 73 0 0 0 0
132 75 2 1 0 0 133 75 1 1 0 0 135 75 0 0 0 0
132 76 0 0 0 0 133 76 0 0 0 0 135 76 0 0 0 0
132 77 0 0 0 0 133 77 0 0 0 0 135 77 0 0 0 0
132 78 7 5 2 0 133 78 2 2 0 0 135 78 0 0 0 0
132 79 11 7 2 1 133 79 4 2 1 0 135 79 0 0 0 0
132 80 25 10 3 0 133 80 9 4 1 0 135 80 0 0 0 0
132 81 11 4 1 0 133 81 4 1 0 0 135 81 0 0 0 0
132 82 20 8 3 0 133 82 7 3 1 0 135 82 0 0 0 0
132 83 50 20 7 0 133 83 17 7 2 0 135 83 0 0 0 0
132 84 4 2 1 0 133 84 1 1 0 0 135 84 0 0 0 0
132 85 0 0 0 0 133 85 0 0 0 0 135 85 0 0 0 0
132 86 6 2 2 0 133 86 2 1 1 0 135 86 0 0 0 0
132 87 10 3 4 0 133 87 3 1 1 0 135 87 0 0 0 0
132 88 6 2 2 0 133 88 2 1 1 0 135 88 0 0 0 0
132 89 10 3 4 0 133 89 3 1 1 0 135 89 0 0 0 0
132 90 13 4 6 0 133 90 5 2 2 0 135 90 0 0 0 0
132 91 11 4 5 0 133 91 4 1 2 0 135 91 0 0 0 0
132 92 8 1 1 0 133 92 3 0 0 0 135 92 0 0 0 0
132 93 2 0 0 0 133 93 1 0 0 0 135 93 0 0 0 0
132 94 3 0 0 0 133 94 1 0 0 0 135 94 0 0 0 0
132 95 5 0 0 0 133 95 2 0 0 0 135 95 0 0 0 0
132 96 0 0 0 0 133 96 0 0 0 0 135 96 0 0 0 0
132 97 9 0 0 1 133 97 3 0 0 0 135 97 0 0 0 0
132 98 20 5 32 1 133 98 7 2 10 0 135 98 0 0 0 0
132 99 172 44 279 12 133 99 60 16 90 4 135 99 0 0 0 0
132 100 93 24 150 6 133 100 32 8 49 2 135 100 0 0 0 0
132 101 37 9 60 2 133 101 13 3 19 1 135 101 0 0 0 0
132 102 41 10 66 3 133 102 14 4 21 1 135 102 0 0 0 0
132 103 15 4 25 1 133 103 5 1 8 0 135 103 0 0 0 0
132 104 31 8 51 2 133 104 11 3 16 1 135 104 0 0 0 0
132 105 24 6 40 2 133 105 9 2 13 1 135 105 0 0 0 0
132 106 3 1 0 0 133 106 1 0 0 0 135 106 0 0 0 0
132 107 76 19 123 5 133 107 27 7 40 2 135 107 0 0 0 0
132 108 47 12 76 3 133 108 16 4 24 1 135 108 0 0 0 0
132 109 8 2 14 1 133 109 3 1 4 0 135 109 0 0 0 0
132 110 11 2 2 0 133 110 4 1 1 0 135 110 0 0 0 0
132 111 9 0 0 1 133 111 3 0 0 0 135 111 0 0 0 0
132 112 0 0 0 0 133 112 0 0 0 0 135 112 0 0 0 0
132 114 0 0 0 0 133 114 0 0 0 0 135 114 0 0 0 0
132 115 0 0 0 0 133 115 0 0 0 0 135 115 0 0 0 0
132 116 12 1 1 0 133 116 4 0 0 0 135 116 0 0 0 0
132 117 6 2 10 0 133 117 2 1 3 0 135 117 0 0 0 0
132 118 33 70 17 7 133 118 12 25 5 2 135 118 0 0 0 0
132 119 11 22 5 2 133 119 4 8 2 1 135 119 0 0 0 0
132 120 34 23 7 2 133 120 12 8 2 1 135 120 0 0 0 0
132 121 18 1 0 1 133 121 6 0 0 0 135 121 0 0 0 0
132 122 9 3 4 0 133 122 3 1 1 0 135 122 0 0 0 0
132 123 0 0 0 0 133 123 0 0 0 0 135 123 0 0 0 0
132 124 0 0 0 0 133 124 0 0 0 0 135 124 0 0 0 0
132 125 3 2 1 0 133 125 1 1 0 0 135 125 0 0 0 0
132 126 28 18 6 2 133 126 10 7 2 1 135 126 0 0 0 0
132 127 11 7 2 1 133 127 4 3 1 0 135 127 0 0 0 0
132 128 38 9 2 4 133 128 13 3 1 1 135 128 1 0 1 0
132 129 4 0 0 0 133 129 1 0 0 0 135 129 0 0 0 0
132 130 13 1 1 0 133 130 5 1 0 0 135 130 0 0 0 0
132 131 13 1 1 0 133 131 5 0 0 0 135 131 0 0 0 0
132 133 15 4 24 1 133 132 52 14 78 3 135 132 0 0 0 0
132 135 11 3 0 1 133 135 4 1 0 0 135 133 0 0 0 0
132 136 4 3 1 0 133 136 2 1 0 0 135 136 0 0 0 0
132 137 0 0 0 0 133 137 0 0 0 0 135 137 0 0 0 0
132 139 21 1 0 1 133 139 7 0 0 0 135 139 0 0 0 0
132 140 11 1 0 1 133 140 4 0 0 0 135 140 0 0 0 0
132 141 43 31 10 3 133 141 15 11 3 1 135 141 0 0 0 0
136 1 3 8 1 2 137 1 0 0 0 0 139 1 2 4 4 1
136 2 4 10 1 2 137 2 0 0 0 0 139 2 2 5 5 1
136 3 7 18 2 4 137 3 0 0 0 0 139 3 4 9 9 1
136 4 6 16 2 4 137 4 0 0 0 0 139 4 4 8 9 1
136 5 16 41 5 10 137 5 0 0 0 0 139 5 10 20 22 3
136 6 15 40 5 10 137 6 0 0 0 0 139 6 9 19 21 3
136 7 10 26 3 6 137 7 0 0 0 0 139 7 6 13 14 2
136 8 14 36 4 9 137 8 0 0 0 0 139 8 8 17 19 2
136 9 3 7 1 2 137 9 0 0 0 0 139 9 2 4 4 0
136 10 5 3 0 0 137 10 0 0 0 0 139 10 0 1 0 0
136 11 11 6 0 1 137 11 0 0 0 0 139 11 1 1 0 0
136 12 5 2 0 0 137 12 0 0 0 0 139 12 0 0 0 0
136 13 9 5 0 1 137 13 0 0 0 0 139 13 1 1 0 0
136 14 5 3 0 0 137 14 0 0 0 0 139 14 0 0 0 0
136 15 1 0 0 0 137 15 0 0 0 0 139 15 0 0 0 0
136 16 7 4 0 1 137 16 0 0 0 0 139 16 0 1 0 0
136 17 8 4 0 1 137 17 0 0 0 0 139 17 1 1 0 0
136 18 6 3 0 0 137 18 0 0 0 0 139 18 0 1 0 0
136 19 1 1 0 0 137 19 0 0 0 0 139 19 0 0 0 0
136 20 1 0 0 0 137 20 0 0 0 0 139 20 0 0 0 0
136 21 21 8 2 1 137 21 0 0 0 0 139 21 1 3 1 0
136 22 8 3 1 0 137 22 0 0 0 0 139 22 0 1 0 0
136 23 3 1 0 0 137 23 0 0 0 0 139 23 0 0 0 0
136 24 16 7 1 1 137 24 0 0 0 0 139 24 1 2 1 0
136 25 5 2 0 0 137 25 0 0 0 0 139 25 0 1 0 0
136 26 2 1 0 0 137 26 0 0 0 0 139 26 0 0 0 0
136 27 10 4 1 1 137 27 0 0 0 0 139 27 0 1 1 0
136 28 9 8 0 0 137 28 0 0 0 0 139 28 3 10 1 0
136 29 10 8 0 0 137 29 0 0 0 0 139 29 3 10 1 0
136 30 19 16 0 1 137 30 0 0 0 0 139 30 5 20 2 1
136 31 7 6 0 0 137 31 0 0 0 0 139 31 2 8 1 0
136 32 0 0 0 0 137 32 0 0 0 0 139 32 0 0 0 0
136 33 7 6 0 0 137 33 0 0 0 0 139 33 2 8 1 0
136 34 4 4 0 0 137 34 0 0 0 0 139 34 1 4 0 0
136 35 28 23 0 1 137 35 0 0 0 0 139 35 8 29 3 1
136 36 3 3 0 0 137 36 0 0 0 0 139 36 1 3 0 0
136 37 4 1 2 1 137 37 0 0 0 0 139 37 0 0 0 0
136 38 4 1 2 1 137 38 0 0 0 0 139 38 0 0 0 0
136 39 0 0 0 0 137 39 0 0 0 0 139 39 0 0 0 0
136 40 18 4 8 2 137 40 0 0 0 0 139 40 1 2 1 0
136 41 13 3 6 2 137 41 0 0 0 0 139 41 0 1 1 0
136 42 2 0 0 0 137 42 0 0 0 0 139 42 1 0 1 0
136 43 18 4 8 2 137 43 0 0 0 0 139 43 1 2 1 0
136 44 2 1 1 0 137 44 0 0 0 0 139 44 0 0 0 0
136 45 12 3 5 2 137 45 0 0 0 0 139 45 0 1 1 0
136 46 8 2 3 1 137 46 0 0 0 0 139 46 0 1 0 0
136 47 20 5 9 3 137 47 0 0 0 0 139 47 1 2 1 0
136 48 1 1 1 0 137 48 0 0 0 0 139 48 1 0 0 0
136 49 0 0 0 0 137 49 0 0 0 0 139 49 0 0 0 0
136 50 1 0 0 0 137 50 0 0 0 0 139 50 0 0 0 0
136 51 1 1 1 0 137 51 0 0 0 0 139 51 1 0 0 0
136 52 1 0 0 0 137 52 0 0 0 0 139 52 1 0 0 0
136 53 1 1 1 0 137 53 0 0 0 0 139 53 1 0 0 0
136 54 1 0 0 0 137 54 0 0 0 0 139 54 0 0 0 0
136 55 5 3 3 1 137 55 0 0 0 0 139 55 3 0 0 0
136 56 4 2 2 1 137 56 0 0 0 0 139 56 2 0 0 0
136 57 0 0 0 0 137 57 0 0 0 0 139 57 0 0 0 0
136 58 3 0 0 0 137 58 0 0 0 0 139 58 2 0 1 0
136 59 15 1 2 1 137 59 0 0 0 0 139 59 10 1 6 0
136 60 1 0 0 0 137 60 0 0 0 0 139 60 1 0 1 0
136 61 1 0 0 0 137 61 0 0 0 0 139 61 1 0 0 0
136 62 3 0 0 0 137 62 0 0 0 0 139 62 2 0 1 0
136 63 2 0 0 0 137 63 0 0 0 0 139 63 1 0 1 0
136 64 0 0 0 0 137 64 0 0 0 0 139 64 0 0 0 0
136 65 2 0 0 0 137 65 0 0 0 0 139 65 2 0 1 0
136 66 2 0 0 0 137 66 0 0 0 0 139 66 1 0 1 0
136 67 1 0 0 0 137 67 0 0 0 0 139 67 1 0 1 0
136 68 1 0 0 0 137 68 0 0 0 0 139 68 1 0 0 0
136 69 5 0 1 0 137 69 0 0 0 0 139 69 3 0 2 0
136 70 0 0 0 0 137 70 0 0 0 0 139 70 0 0 0 0
136 71 12 2 15 1 137 71 0 0 0 0 139 71 3 1 0 0
136 72 18 3 24 1 137 72 0 0 0 0 139 72 5 2 0 0
136 73 103 19 134 6 137 73 0 0 0 0 139 73 28 12 1 2
136 75 9 2 12 1 137 75 0 0 0 0 139 75 3 1 0 0
136 76 0 0 0 0 137 76 0 0 0 0 139 76 0 0 0 0
136 77 1 0 2 0 137 77 0 0 0 0 139 77 0 0 0 0
136 78 29 5 38 2 137 78 0 0 0 0 139 78 8 3 0 1
136 79 9 2 4 1 137 79 0 0 0 0 139 79 0 1 1 0
136 80 4 0 0 1 137 80 0 0 0 0 139 80 4 3 4 0
136 81 2 0 0 0 137 81 0 0 0 0 139 81 2 1 2 0
136 82 3 0 0 1 137 82 0 0 0 0 139 82 3 2 3 0
136 83 8 0 0 2 137 83 0 0 0 0 139 83 8 6 8 0
136 84 1 0 0 0 137 84 0 0 0 0 139 84 1 1 1 0
136 85 0 0 0 0 137 85 0 0 0 0 139 85 0 0 0 0
136 86 4 2 0 1 137 86 0 0 0 0 139 86 1 1 9 0
136 87 7 3 0 1 137 87 0 0 0 0 139 87 2 1 16 1
136 88 4 2 0 1 137 88 0 0 0 0 139 88 1 1 9 1
136 89 7 3 0 1 137 89 0 0 0 0 139 89 2 1 15 1
136 90 9 4 0 1 137 90 0 0 0 0 139 90 3 2 21 1
136 91 8 3 0 1 137 91 0 0 0 0 139 91 3 2 18 1
136 92 2 0 0 0 137 92 0 0 0 0 139 92 1 0 1 0
136 93 2 0 0 0 137 93 0 0 0 0 139 93 0 1 5 0
136 94 3 0 0 0 137 94 0 0 0 0 139 94 1 1 7 0
136 95 4 1 1 0 137 95 0 0 0 0 139 95 1 1 11 0
136 96 0 0 0 0 137 96 0 0 0 0 139 96 0 0 1 0
136 97 9 1 1 1 137 97 0 0 0 0 139 97 2 3 21 0
136 98 2 1 0 0 137 98 0 0 0 0 139 98 0 0 0 0
136 99 14 5 3 0 137 99 0 0 0 0 139 99 2 2 0 0
136 100 7 3 2 0 137 100 0 0 0 0 139 100 1 1 0 0
136 101 3 1 1 0 137 101 0 0 0 0 139 101 0 0 0 0
136 102 3 1 1 0 137 102 0 0 0 0 139 102 0 0 0 0
136 103 1 0 0 0 137 103 0 0 0 0 139 103 0 0 0 0
136 104 3 1 1 0 137 104 0 0 0 0 139 104 0 0 0 0
136 105 2 1 0 0 137 105 0 0 0 0 139 105 0 0 0 0
136 106 0 0 0 0 137 106 0 0 0 0 139 106 0 0 0 0
136 107 6 2 1 0 137 107 0 0 0 0 139 107 1 1 0 0
136 108 4 1 1 0 137 108 0 0 0 0 139 108 1 0 0 0
136 109 1 0 0 0 137 109 0 0 0 0 139 109 0 0 0 0
136 110 2 1 0 0 137 110 0 0 0 0 139 110 0 0 0 0
136 111 9 1 1 1 137 111 0 0 0 0 139 111 2 3 22 0
136 112 0 0 0 0 137 112 0 0 0 0 139 112 0 0 0 0
136 114 0 0 0 0 137 114 0 0 0 0 139 114 0 0 0 0
136 115 0 0 0 0 137 115 0 0 0 0 139 115 0 0 0 0
136 116 2 0 0 0 137 116 0 0 0 0 139 116 2 0 1 0
136 117 0 0 0 0 137 117 0 0 0 0 139 117 0 0 0 0
136 118 9 24 3 6 137 118 0 0 0 0 139 118 6 12 13 2
136 119 3 8 1 2 137 119 0 0 0 0 139 119 2 4 4 1
136 120 30 7 13 4 137 120 0 0 0 0 139 120 1 3 2 1
136 121 17 3 2 1 137 121 0 0 0 0 139 121 4 6 42 1
136 122 6 3 0 1 137 122 0 0 0 0 139 122 2 1 14 1
136 123 2 0 3 0 137 123 0 0 0 0 139 123 1 0 0 0
136 124 0 0 0 0 137 124 0 0 0 0 139 124 0 0 0 0
136 125 13 2 17 1 137 125 0 0 0 0 139 125 4 1 0 0
136 126 24 6 11 3 137 126 0 0 0 0 139 126 1 2 2 1
136 127 10 2 4 1 137 127 0 0 0 0 139 127 0 1 1 0
136 128 4 2 2 1 137 128 0 0 0 0 139 128 3 0 0 0
136 129 1 0 0 0 137 129 0 0 0 0 139 129 0 0 0 0
136 130 2 0 0 0 137 130 0 0 0 0 139 130 2 0 1 0
136 131 2 0 0 0 137 131 0 0 0 0 139 131 2 0 1 0
136 132 12 4 3 0 137 132 0 0 0 0 139 132 2 2 0 0
136 133 1 0 0 0 137 133 0 0 0 0 139 133 0 0 0 0
136 135 1 1 1 0 137 135 0 0 0 0 139 135 1 0 0 0
136 137 0 0 0 0 137 136 0 0 0 0 139 136 5 2 0 0
136 139 20 3 3 1 137 139 0 0 0 0 139 137 0 0 0 0
136 140 11 2 1 1 137 140 0 0 0 0 139 140 2 3 26 1
136 141 193 35 251 11 137 141 0 0 0 0 139 141 52 22 1 4
ORIGEN DESTINO PRIVADO PÚBLICO A PIE BICICLETA ORIGEN DESTINO PRIVADO PÚBLICO A PIE BICICLETA
140 1 2 4 5 1 141 1 0 1 0 0
140 2 3 6 6 1 141 2 1 1 0 0
140 3 5 10 11 1 141 3 1 2 0 1
140 4 4 9 10 1 141 4 1 2 0 1
140 5 11 23 24 3 141 5 2 5 1 1
140 6 11 22 24 3 141 6 2 5 1 1
140 7 7 15 15 2 141 7 1 3 1 1
140 8 10 20 21 3 141 8 2 5 1 1
140 9 2 4 4 1 141 9 0 1 0 0
140 10 0 1 0 0 141 10 1 0 0 0
140 11 1 1 0 1 141 11 2 1 0 0
140 12 0 1 0 0 141 12 1 0 0 0
140 13 1 1 0 0 141 13 1 1 0 0
140 14 0 1 0 0 141 14 1 0 0 0
140 15 0 0 0 0 141 15 0 0 0 0
140 16 1 1 0 0 141 16 1 0 0 0
140 17 1 1 0 0 141 17 1 1 0 0
140 18 0 1 0 0 141 18 1 0 0 0
140 19 0 0 0 0 141 19 0 0 0 0
140 20 0 0 0 0 141 20 0 0 0 0
140 21 1 4 1 0 141 21 3 1 0 0
140 22 0 1 1 0 141 22 1 0 0 0
140 23 0 1 0 0 141 23 0 0 0 0
140 24 1 3 1 0 141 24 2 1 0 0
140 25 0 1 0 0 141 25 1 0 0 0
140 26 0 0 0 0 141 26 0 0 0 0
140 27 0 2 1 0 141 27 1 1 0 0
140 28 3 11 1 0 141 28 1 1 0 0
140 29 3 12 1 0 141 29 1 1 0 0
140 30 6 24 2 1 141 30 3 2 0 0
140 31 2 9 1 0 141 31 1 1 0 0
140 32 0 0 0 0 141 32 0 0 0 0
140 33 2 9 1 0 141 33 1 1 0 0
140 34 1 5 0 0 141 34 1 0 0 0
140 35 9 34 3 1 141 35 4 3 0 0
140 36 1 4 0 0 141 36 0 0 0 0
140 37 0 0 0 0 141 37 1 0 0 0
140 38 0 0 0 0 141 38 1 0 0 0
140 39 0 0 0 0 141 39 0 0 0 0
140 40 1 2 1 0 141 40 2 1 1 0
140 41 0 1 1 0 141 41 2 0 1 0
140 42 1 0 1 0 141 42 0 0 0 0
140 43 1 2 1 0 141 43 2 1 1 0
140 44 0 0 0 0 141 44 0 0 0 0
140 45 0 1 1 0 141 45 2 0 1 0
140 46 0 1 1 0 141 46 1 0 1 0
140 47 1 2 1 1 141 47 3 1 2 0
140 48 1 0 0 0 141 48 0 0 0 0
140 49 0 0 0 0 141 49 0 0 0 0
140 50 1 0 0 0 141 50 0 0 0 0
140 51 1 0 0 0 141 51 0 0 0 0
140 52 1 0 0 0 141 52 0 0 0 0
140 53 1 0 0 0 141 53 0 0 0 0
140 54 0 0 0 0 141 54 0 0 0 0
140 55 4 0 0 0 141 55 1 0 0 0
140 56 3 0 0 0 141 56 1 0 0 0
140 57 0 0 0 0 141 57 0 0 0 0
140 58 2 0 1 0 141 58 0 0 0 0
140 59 12 1 7 0 141 59 2 0 0 0
140 60 1 0 1 0 141 60 0 0 0 0
140 61 1 0 0 0 141 61 0 0 0 0
140 62 2 0 1 0 141 62 0 0 0 0
140 63 1 0 1 0 141 63 0 0 0 0
140 64 0 0 0 0 141 64 0 0 0 0
140 65 2 0 1 0 141 65 0 0 0 0
140 66 1 0 1 0 141 66 0 0 0 0
140 67 1 0 1 0 141 67 0 0 0 0
140 68 1 0 0 0 141 68 0 0 0 0
140 69 4 0 2 0 141 69 1 0 0 0
140 70 0 0 0 0 141 70 0 0 0 0
140 71 4 2 0 0 141 71 2 0 3 0
140 72 6 2 0 0 141 72 3 0 4 0
140 73 32 13 1 2 141 73 15 2 25 1
140 75 3 1 0 0 141 75 1 0 2 0
140 76 0 0 0 0 141 76 0 0 0 0
140 77 0 0 0 0 141 77 0 0 0 0
140 78 9 4 0 1 141 78 4 1 7 0
140 79 0 1 1 0 141 79 1 0 1 0
140 80 5 3 5 0 141 80 1 0 0 0
140 81 2 1 2 0 141 81 0 0 0 0
140 82 4 3 4 0 141 82 0 0 0 0
140 83 10 7 9 0 141 83 1 0 0 0
140 84 1 1 1 0 141 84 0 0 0 0
140 85 0 0 0 0 141 85 0 0 0 0
140 86 1 1 10 1 141 86 1 0 0 0
140 87 3 2 18 1 141 87 1 0 0 0
140 88 1 1 10 1 141 88 1 0 0 0
140 89 3 2 17 1 141 89 1 0 0 0
140 90 3 2 24 1 141 90 1 1 0 0
140 91 3 2 20 1 141 91 1 0 0 0
140 92 1 0 1 0 141 92 0 0 0 0
140 93 1 1 6 0 141 93 0 0 0 0
140 94 1 1 7 0 141 94 0 0 0 0
140 95 1 2 12 0 141 95 1 0 0 0
140 96 0 0 1 0 141 96 0 0 0 0
140 97 2 3 23 1 141 97 1 0 0 0
140 98 0 0 0 0 141 98 0 0 0 0
140 99 2 2 0 0 141 99 2 1 1 0
140 100 1 1 0 0 141 100 1 0 0 0
140 101 0 0 0 0 141 101 0 0 0 0
140 102 1 1 0 0 141 102 0 0 0 0
140 103 0 0 0 0 141 103 0 0 0 0
140 104 0 0 0 0 141 104 0 0 0 0
140 105 0 0 0 0 141 105 0 0 0 0
140 106 0 0 0 0 141 106 0 0 0 0
140 107 1 1 0 0 141 107 1 0 0 0
140 108 1 1 0 0 141 108 1 0 0 0
140 109 0 0 0 0 141 109 0 0 0 0
140 110 0 0 0 0 141 110 0 0 0 0
140 111 2 3 24 1 141 111 1 0 0 0
140 112 0 0 0 0 141 112 0 0 0 0
140 114 0 0 0 0 141 114 0 0 0 0
140 115 0 0 0 0 141 115 0 0 0 0
140 116 2 0 1 0 141 116 0 0 0 0
140 117 0 0 0 0 141 117 0 0 0 0
140 118 7 14 15 2 141 118 1 3 1 1
140 119 2 4 5 1 141 119 0 1 0 0
140 120 1 3 2 1 141 120 4 1 2 1
140 121 4 6 46 1 141 121 2 0 0 0
140 122 2 2 16 1 141 122 1 0 0 0
140 123 1 0 0 0 141 123 0 0 1 0
140 124 0 0 0 0 141 124 0 0 0 0
140 125 4 2 0 0 141 125 2 0 3 0
140 126 1 2 2 1 141 126 3 1 2 0
140 127 0 1 1 0 141 127 1 0 1 0
140 128 3 0 0 0 141 128 1 0 0 0
140 129 1 0 0 0 141 129 0 0 0 0
140 130 2 0 1 0 141 130 0 0 0 0
140 131 2 0 1 0 141 131 0 0 0 0
140 132 2 2 0 0 141 132 2 1 1 0
140 133 0 0 0 0 141 133 0 0 0 0
140 135 1 0 0 0 141 135 0 0 0 0
140 136 6 3 0 0 141 136 3 0 5 0
140 137 0 0 0 0 141 137 0 0 0 0
140 139 5 8 54 1 141 139 3 0 0 0
140 141 60 25 2 4 141 140 2 0 0 0
[1] Romero Pérez, L.M., del Castillo Granados, J.M. «Complementos de Transporte y Servicios Urbanos»
Documentación asignatura del Máster de Ingeniería de Caminos, Canales y Puertos de la Universidad
de Sevilla, Curso 2017/18.
[2] Herrera Carrasco, J, Marín Cansino, A., Muñoz Pereira, J.F., «Estudio del Modo de Transporte en
Bicicleta» Trabajo de la asignatura de Planificación del Transporte del Máster de Ingeniería de Caminos,
Canales y Puertos de la Universidad de Sevilla, Curso 2018/19.
[3] Carapeto Díaz, M., «Estudio del estado de la movilidad en Sevilla y propuesta de una hipotética
implantación de un PTT en la futura sede laboral Torre Pelli como ejemplo a seguir con le fin de mejorar
el modelo de sostenibilidad vial de la ciudad » Trabajo Fin de Máster del Máster de Ingeniería Ambiental
de la Universidad de Sevilla, Curso 2018/19.
[4] «Plan de Movilidad Urbana Sostenible del municipio de Sevilla» Ayuntamiento de Sevilla, 2019.
[5] Ameneiro, A., "Los barrios de la periferia generan más de la mitad de los desplazamientos",
«https://www.diariodesevilla.es/sevilla/Encuesta-movilidad-Sevilla-barrios-periferia-generan-mitad-
desplazamientos_0_1348965604.html» Diario de Sevilla, 26 Abril, 2019.
[6] Vázquez, C., Bono, F., "Valencia, el movimiento se demuestra pedaleando",

«https://elpais.com/politica/2019/05/15/actualidad/1557944360_825523.html » El País, 26 Abril, 2019.
[7] "Valencia es la segunda ciudad de España dónde más se usa la bicicleta", «https://www.levante-
emv.com/valencia/2019/04/15/valencia-segunda-ciudad-espana-bici/1862833.html» Levante, El
mercantil Valenciano, 15 Abril, 2019.
[8] Ameneiro, A., "Alquiler de patinetes eléctricos: Sevilla publica las bases para seleccionar a dos empresas",
«https://www.diariodesevilla.es/sevilla/Alquiler-patinetes-electricos-Sevilla-bases-seleccionar-empresas-
publica_0_1469853386.html» Diario de Sevilla, 1 Junio, 2020.
[9] Ameneiro, A., "La ilegalidad de los patinetes eléctricos de alquiler en Sevilla",
«https://www.diariodesevilla.es/la-catenaria/patinetes-electricos-alquiler-Sevilla-ilegalidad-Bird-
Lime_0_1408059740.html» Diario de Sevilla, 9 Noviembre, 2019.
[10] Rodrigo, N., Castillo, E., "¿Cuánto gana su vecino? El INE activa una herramienta con datos de renta por
barrio", «https://cincodias.elpais.com/cincodias/2019/09/11/economia/1568196393_140669.html» El
País, 13 Septiembre, 2019.
[11] Andrino, B., Grasso, D., Llaneras, K., "El mapa de la renta de los españoles, calle a calle",
«https://elpais.com/economia/2019/09/11/actualidad/1568217626_928704.html» El País, 13 Septiembre,
2019.
[12] Censo de Población y Viviendas 2011,

«https://www.ine.es/censos2011_datos/cen11_datos_resultados.htm» Instituto Nacional de Estadísticas,
INE.
[13] Atlas de Distribución de la Renta en los Hogares,

«https://www.ine.es/experimental/atlas/exp_atlas_tab.htm» Instituto Nacional de Estadísticas, INE.
[14] Sede Electrónica del Catastro, « http://www.catastro.meh.es/».
[15] Distribución espacial de la Población en Andalucía,

«http://www.juntadeandalucia.es/institutodeestadisticaycartografia/distribucionpob/index.htm» Instituto
de Estadística y Cartografía de Andalucía, IECA.
[16] Plan de Movilidad Urbana Sostenible, PMUS, «https://www.sevilla.org/actualidad/blog/plan-de-

movilidad-urbana-sostenible-de-sevilla» Ayuntamiento de Sevilla.
[17] Instituto Geográfico Nacional, IGN, «https://www.ign.es/web/ign/portal».
[18] Datos Espaciales de Referencia de Andalucía, DERA,

«https://www.juntadeandalucia.es/institutodeestadisticaycartografia/DERA/index.htm».
[19] MATLAB, «https://es.mathworks.com/».
[20] Códigos postales de municipios, «https://www.correos.es/ss/Satellite/site/Aplicacion_C-1349167812778-

1363184049882/includeTemplate=COR_Aplicacion-sidioma=es_ES» CORREOS.
[21] Aprendizaje Automático o Machine Learning, Google, «https://developers.google.com/machine-

learning/crash-course/prereqs-and-prework».
[22] Wikipedia, «https://es.wikipedia.org/wiki/Wikipedia:Portada».
[23] Google Maps, «https://www.google.es/maps».

GLOSARIO
ADRH Atlas de Distribución de la Renta de los Hogares
BDLPA Base de Datos Longitudinal de Población de Andalucía
BICE Bien Inmueble de Características Especiales
DERA Datos Espaciales de Referencia de Andalucía
DGC Dirección General del Catastro
ED50 European Datum 1950
EPSG European Petroleum Survey Group
ETRS89 European Terrestrial Reference System 1989
IECA Instituto de Cartografía y Estadística de Andalucía
IGN Instituto Geográfico Nacional
INE Instituto Nacional de Estadística
KNN K-nearest neighbors
MATLAB MATrix LABoratory
OECD Organización para la Cooperación y el Desarrollo Económicos
PMUS Plan de Movilidad Urbana Sostenible
PNOA Plan Nacional de Ortografía Aérea
RDL Real Decreto Ley
SRS Spatial Reference System
SVM Support Vector Machines
TAZ Zona de Análisis de Transporte
TFM Trabajo Finde Máster
TRLCI Texto Refundido de la Ley de Catastro Inmobiliario
UE Unión Europea
UTM Universal Transverse Mercator
WGS84 World Geodetic System 1984

Tfm-1860 Herrera Carrasco, Josã - 2

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tfm-1860 Herrera Carrasco, Josã - 2

Cargado por

Copyright:

Formatos disponibles

Trabajo Fin de Máster

Ingeniería de Caminos, Canales y Puertos

Evaluación de Modelos de Transporte mediante

Autor: José Herrera Carrasco

Equation Chapter 1 Section 1

Dpto. Ingeniería y Ciencia de los Materiales y

Evaluación de Modelos de Transporte mediante

Dpto. de Ingeniería y Ciencia de los Materiales y del Transporte

Autor: José Herrera Carrasco

Tutor: Luís Miguel Romero Pérez

Acuerdan otorgarle la calificación de:

El Secretario del Tribunal

Prometo, no dejar nunca problema sin solución

A mi familia, a mis amigos

A la que venimos a vivir

Figura 1-1. Situación del municipio de Sevilla (Sevilla). Fuente: Wikipedia 12

1.2. Ámbito de Estudio

Figura 1-1. Situación del municipio de Sevilla (Sevilla). Fuente: Wikipedia

2 MODELOS DE GENERACIÓN – ATRACCIÓN DE

2.2. Modelos de Distribución de Viajes

2.2.1. Definiciones previas

Donde aparecen las siguientes magnitudes:

2.2.2. Enfoques de distribución

2.2.3. Tipos de modelos

2.3. Modelos de Reparto Modal

2.3.1. Marco Teórico de los Modelos de Elección

3 CENSO DE POBLACIÓN Y VIVIENDAS 2011

3.1.1. Elementos claves de la operación censal

3.1.3. Aspectos básicos

3.1.4. Ámbito de los Censos

Ámbito geográfico de los Censos

3.2. Información que aporta el Censo 2011

3.2.1. Tablas predefinidas

3.2.2. Sistemas avanzados de consultas

3.2.3. Indicadores para secciones censales y cartografía digitalizada

3.2.4. Indicadores para las celdas de 1 km2 y cartografía digitalizada

3.2.5. Fichero de Microdatos

 Grupo 1 – Características de las personas

4. Número de plazas de garaje

3.3. Indicadores Secciones Censales

3.3.2. Creación de base de datos con variables de secciones censales

ITAZ = ∑ ISC · xSC−TAZ

3.3.3. Indicadores para las celdas de 1 km2

Se puede llevar a cabo las mismas operaciones que anteriormente:

3.4. Microdatos del Censo

3.4.2. Estudio Estadístico

7218 1417 1989 5679 463 4094 91 245 95

34% 7% 9% 27% 2% 19% <1% 1% 1%

encuesta no está aportando una información representativa de la movilidad real.

Modo de transporte Censo 2011 (%) Artículo 2019 (%)

Coche privado (conductor y

Transporte público (bus, metro y

Figura 3-8. Reparto en % de modos de desplazamiento complementario (MDESP2). Fuente: Elaboración

de Movilidad Sostenible de Sevilla, PMUS 2017

Figura 3-9. Estación de bicicletas Sevici. Fuente: Wikipedia

Figura 3-11. Patinetes eléctricos en el centro de Sevilla. Fuente: ABC Sevilla

CATEGORÍA DE MODO DE DESPLAZAMIENTO

esto último así es por temas de privacidad para los encuestados.

- Córdoba ciudad y municipio de los alrededores:

MUNICIPIOS DE MENOS DE 2000 HABITANTES 4536

DESTINOS DE LOS VIAJES EN LA CIUDAD DE SEVILLA

viajes es la Isla de la Cartuja.