Saltar al contenido →

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.

Publicado en Blog Sin categoría