La matriz origen-destino (OD) es una herramienta crítica para comprender la movilidad humana, con diversas aplicaciones. Sin embargo, la construcción de matrices OD puede plantear desafíos significativos de privacidad, ya que se puede exponer información sensible sobre los patrones de movilidad individual. En este documento, proponemos DistOD, un marco híbrido de preservación de la privacidad y distribuido para la agregación y cálculo de matrices OD sin depender de un servidor central de confianza. El marco propuesto realiza varias contribuciones clave. Primero, proponemos un método distribuido que permite a múltiples partes participantes identificar colaborativamente áreas de interés, que son regiones frecuentemente transitadas por individuos entre estas partes. Para optimizar la utilidad de los datos y minimizar la carga computacional, introducimos un mecanismo híbrido de preservación de la privacidad. Este mecanismo aplica privacidad diferencial distribuida en áreas de interés para garantizar una alta utilidad de los datos, mientras que utiliza privacidad diferencial localizada en regiones no destacadas para reducir los costos computacionales. Al combinar estos enfoques, nuestro método logra un equilibrio efectivo entre la eficiencia computacional y la precisión de la matriz OD. Experimentos extensos en conjuntos de datos del mundo real muestran que DistOD proporciona consistentemente una mayor utilidad de los datos que los métodos basados únicamente en privacidad diferencial localizada, así como una mayor eficiencia que los enfoques basados únicamente en privacidad diferencial distribuida.