28 octubre 2016

Cómo mejorar el transporte público con datos


En las grandes ciudades de países desarrollados, el análisis para mejorar el transporte público y la movilidad urbana se facilita debido a las inversiones en las últimas tecnologías de telecomunicaciones e infraestructuras de movilidad inteligente, así como al fácil acceso a los datos masivos que estos sistemas producen.

El caso de Londres, Inglaterra es muy ilustrativo del aprovechamiento esto último. Transport for London (TfL), ha desarrollado una analítica impresionante de sus datos masivos de transporte, generando procesos más eficientes y reduciendo costos tanto para el gobierno, como para los ciudadanos.

Un ejemplo de esto es la manera en la que generan datos de Origen-Destino, utilizando las tarjetas inteligentes de transporte público. Dicha tarjeta funciona para los autobuses, los trenes (que sean urbanos o intra-urbanos) y el teleférico de la ciudad y sus alrededores (usuarios también pueden usar una ‘app’ en lugar de una tarjeta). A su vez, el metro se cobra por distancia, lo cual exige que los usuarios escaneen sus tarjetas tanto al entrar como al salir del sistema, y como consecuencia proporciona los datos de origen y destino de los viajeros que utilizan este sistema. Sin embargo, los autobuses de Londres cobran una tarifa fija por viaje; los usuarios no tienen que escanear sus tarjetas al salir, haciendo que los datos de destino de aquellos usuarios no se capturan. Para responder a este vacío, TfL ha creado una herramienta de análisis de datos masivos que combina los datos de ubicación y boletos de autobús para inferir sobre los pares de origen-destino, creando un conjunto de datos de viajes multimodales. La información resultante ha sido utilizada para planear y reestructurar las rutas de transporte en algunas áreas de la ciudad (Weinstein, 2016; Gordon, 2012).

Ahora bien, en ciudades de países en vías de desarrollo, como la Ciudad de México, cabe preguntarse si es posible obtener datos sobre el movimiento del transporte público y sus usuarios cuando no pareciera contarse con los recursos como los de Londres.

Por un lado, está la opción de generar y recopilar datos de movilidad desde las señales de los teléfonos móviles, para lo cual se han generado diversos métodos[i]. Datos que son útiles para la analítica de la movilidad sin tener que invertir en  grandes cambios, costosos y tardados en la infraestructura del transporte masivo; para después evaluar si fueron o no exitosos. Sin embargo, estos métodos dependen fuertemente en el poder acceder a las enormes bases de datos de las empresas de telecomunicación, un acceso que no se da fácilmente, debido a privacidad de los datos.

Otra opción implica usar las redes de telecomunicación para recopilar datos sobre la movilidad de maneras más simples y colaborativa, pero con alcances restringidos. A esta opción ya se ha recurrido, con resultados limitados. En la Ciudad de México, entre el 29 de enero y el 14 de febrero 2016, se realizó Mapatón, una iniciativa que utiliza el crowdsourcing (colaboración abierta) para mapear las rutas de los diversos microbuses, autobuses y vagonetas de la Ciudad de México y subir los trazos a una base de datos abiertos. Para lograrlo se lanzó un juego de ciudad con distintos reconocimientos en efectivo y en especie para las personas que lograran mapear más rutas de transporte durante las dos semanas que duró el juego en el que podía participar cualquier persona con un teléfono inteligente.  El resultado del juego fue la participación de 3,624 usuarios, más de 4,000 trazos que representan el mapeo de 648 rutas de transporte de las 1,500 rutas que estima SEMOVI circulan a diario por la ciudad, es decir, alrededor del 43% del total.

Cabe aclarar que este ejercicio en sí no es novedoso. De hecho, un ejercicio similar ya se había realizado en Nairobi, Kenia, conocido como Digital Matatus Project. Dicha ciudad africana al igual que la Ciudad de México y su zona metropolitana tiene un sistema de transporte público no estructurado y con servicios informales. Para poder conocer todas las rutas y sus tarifas de transporte público, se mapeó cada una utilizando teléfonos celulares. Los resultados finales fueron datos abiertos que permitieron la creación de diferentes aplicaciones para teléfonos móviles que señalan las rutas y tarifas, así como un mapa público con todas las rutas de transporte público de la ciudad.

Transporte público de Nairobi, Kenia

Tanto los ejercicios de crowdsourcing en Nairobi, como los de la Ciudad de México, demuestran que, aún en países en desarrollo, se puede encontrar maneras no muy intensivas, basadas en las redes de telecomunicación y los teléfonos móviles, para recopilar datos sobre la movilidad. No obstante, los conjuntos de datos no son los más completos. Son datos estáticos y, por ello, no permiten mejorar la operación del transporte público continuamente. Estos métodos son los que se utilizan en casos en los cuales no hay otras opciones y son sólo un recurso, no una meta.

En este sentido, si bien el ejercicio de Mapatón puede considerarse un buen ejemplo, es claro que para las capacidades de México y la tecnología disponible, sus resultados incluso son menores que los de Nairobi. El gobierno de la Ciudad de México, a través de SEMOVI, tiene registro de las rutas de transporte concesionado de la ciudad, por lo que no debería de representar problema tener un registro electrónico de dichas rutas. Igualmente, a diferencia de la capital de Kenia, no se generó un mapa final o se dio pasos a aplicaciones móviles que utilizará el público. Habría que preguntarse ¿cuál fue la utilidad final del mapatón?

Por ello, la Ciudad de México no tiene necesidad de quedarse sólo en ejercicios como el Mapatón, y se debería de plantear ir mucho más lejos, creando un sistema de información centralizada del transporte público, uno que permita la recopilación masiva de datos, pues las bases ya existen. Hoy metrobús, metro y el tren ligero cuentan ya con una tarjeta inteligente de cobro. Sólo haría falta integrar a RTP y los trolebuses, por parte de la Ciudad de México, y a mexibús y el tren suburbano, por parte del Estado de México, que también ya cuentan con tarjetas inteligentes. En cuanto a los microbuses, su transformación paulatina de concesiones individuales a empresas, debería incluir como sumarse a la tarjeta de transporte de la ciudad, para prestar el servicio.

Además, es relativamente sencillo y barato hoy día rastrear la posición de un autobús con un teléfono móvil, con GPS y con conexión a internet. Incluso ya gran parte de las unidades de metrobús cuentan con sistemas de monitoreo en tiempo real desde un centro de control, el cual permite brindar información a los usuarios sobre el arribo de los autobuses mediante pantallas en las estaciones. RTP, Transportes Eléctricos y Metro podrían sumarse al seguimiento en tiempo real de sus unidades por una pequeña parte de su presupuesto. Mientras que a los microbuses podría ser un requisito para operar. Como ejemplo, se podría tener un monitoreo en tiempo real, como esta animación con trasporte público o esta otro con microbuses, pero con mucho más riqueza de información.  

La Ciudad de México podría estar en el camino de las mejores prácticas de generación y análisis de datos masivos, para mejorar el transporte público y la movilidad de la ciudad. Los habitantes de esta ciudad lo merecen. Hoy con los avances tecnológicos que existen resulta poco ambicioso sólo quedarse en ejercicios de recopilación de datos mediante crowdsourcing, por muy divertidos que estos sean. 

*Agradecemos los comentarios de Nely Patlán.


Originalmente publicado en Transeúnte, en Animal Político.

No hay comentarios.:

Publicar un comentario