Monitorización de la demanda de viajes en Bogotá y Buenos Aires durante la pandemia

Resumen del proyecto

El transporte público suele considerarse como la columna vertebral de la movilidad urbana sostenible. El impacto de la crisis de la COVID-19 en la demanda de transporte público, afectado por las restricciones a la movilidad, las medidas de distanciamiento social y el miedo al contagio, ha sido un desafío importante para las autoridades y operadores de transporte. Las ciudades de América Latina no han sido una excepción: mientras la demanda disminuyó en un 60-90 % en la mayoría de las ciudades durante 2020, afectando a los ingresos, los costes operativos fueron significativamente más altos.

El Banco Mundial (BM) se propuso ayudar a las ciudades latinoamericanas a estudiar en profundidad las causas y consecuencias del declive en el uso del transporte público. El BM identificó que la creciente disponibilidad de datos geolocalizados procedentes de dispositivos móviles es una oportunidad para que el sector del transporte monitorice de cerca la evolución de los patrones de demanda de viajes, así como que los planificadores de transporte necesitan herramientas para aprovechar eficazmente esta oportunidad. En 2021, el BM confió en Nommon para desarrollar una metodología que pudiera ser adoptada por cualquier ciudad de América Latina para calcular indicadores de demanda de viajes, empleando la mejor combinación de la amplia variedad de fuentes de datos disponibles en cada ciudad, como datos anonimizados provenientes de redes de telefonía, datos de tarjetas inteligentes de transporte público y encuestas de movilidad, entre otras. El BM involucró a las ciudades de Buenos Aires, Medellín y Bogotá como casos de estudio para demostrar la metodología desarrollada.

“Los datos geolocalizados ofrecen grandes oportunidades para comprender mejor los patrones de movilidad urbana. La metodología desarrollada por Nommon permitió al Banco Mundial apoyar a las ciudades latinoamericanas a aprovechar estas nuevas fuentes de datos, en un momento en el que la región necesitaba información actualizada para explorar las últimas tendencias que están transformando el sector del transporte.”

Aiga Stokenberga, Senior Economist, Transport Global Practice, Banco Mundial.

Solución

Nommon diseñó una metodología para ayudar a las ciudades a monitorizar los patrones de demanda de viajes basándose en dos de sus soluciones de analítica de datos de movilidad: Mobility Insights, que analiza los registros anonimizados procedentes de las redes de telefonía móvil y los integra con otras fuentes de datos para generar matrices origen-destino y otros indicadores de movilidad (independientemente del modo de transporte elegido por el usuario); y Transit Insights, que extrae datos de las tarjetas inteligentes de transporte público para ofrecer una imagen precisa y permanentemente actualizada de los patrones de viaje en estos servicios.

La metodología aborda uno de los retos clave a la hora de analizar los patrones de movilidad urbana a partir de datos de geolocalización: la identificación del modo de transporte elegido por cada viajero. Los datos de telefonía ofrecen un nivel de detalle sin precedentes sobre los patrones de generación y distribución de viajes, pero a menudo no son suficientes para caracterizar la elección del modo en ámbitos urbanos ya que, dada su resolución espaciotemporal, una única secuencia de registros móviles suele ser compatible con varias opciones de modo. La metodología proporciona tres opciones alternativas para superar esta limitación: (i) implementar Transit Insights para obtener matrices origen-destino del sistema de transporte público y usar esta información como referencia para asignar viajes a estos servicios; (ii) entrenar modelos basados en técnicas de aprendizaje automático con las encuestas de movilidad disponibles que luego sirvan para clasificar los viajes observados por los datos provenientes de las redes de telefonía; (iii) un enfoque híbrido combinando ambos métodos. El proyecto también sirvió para mejorar algunas funcionalidades de Mobility Insights, como la identificación de viajes asociados con conductores profesionales (que no son parte de la demanda potencial de los servicios de transporte público) en base a patrones de viaje específicos (p.ej., elevado número de viajes no basados en el hogar).

La solución proporciona matrices origen-destino por hora del día, segmentadas según el perfil del usuario (lugar de residencia, edad y género) y las características del viaje (propósito del viaje, distancia, modo de transporte y viaje de pasajero o profesional). Los casos de uso de Bogotá y Buenos Aires abarcaron varios días hábiles, sábados y domingos de 2019, 2020 y 2021, de modo que las matrices origen-destino registraron los cambios en la generación de viajes, la distribución de viajes y el reparto modal durante la pandemia. La metodología incluyó una lista de indicadores para señalar las matrices origen-destino que fueron útiles para analizar aspectos específicos sobre las tendencias observadas a lo largo de la pandemia (por ejemplo, el teletrabajo, el comercio electrónico, etc.).

Resultados

Los resultados ayudaron a las autoridades locales de Bogotá y Buenos Aires a comprender mejor cómo cambiaron los patrones de viaje durante la pandemia y en qué medida el transporte público necesitaba adaptar sus servicios para satisfacer las nuevas necesidades de movilidad de la población. El proyecto reveló que la COVID-19 tuvo un impacto duradero en las tasas de generación de viajes, incluso después del levantamiento de las medidas de distanciamiento social: las tasas de generación de viajes de 2021 estuvieron muy por debajo de los niveles registrados en 2019 (-7,5 % en Bogotá y -17,5 % en Buenos Aires). Esta caída fue mayor entre la población de niveles socioeconómicos más altos. El hecho de que este sesgo fuera aún más pronunciado en los viajes al trabajo puede revelar diferencias en la adopción del teletrabajo según el nivel socioeconómico. La caída de la movilidad general experimentada en 2020 fue más intensa durante las horas pico, particularmente por la mañana (-23 % en Bogotá y -38 % en Buenos Aires, frente al 15 % y 25 % a nivel diario, respectivamente).

Una de las tendencias más notables fue la disminución de la distancia media de viaje, que pasó de 5 km en 2019 a 4,2 km en 2020 en Bogotá, y de 3,1 km en 2019 a 2,5 km en 2020 en Buenos Aires. Como los viajes cortos representaron una mayor proporción de la movilidad general, el reparto modal de las opciones no motorizadas (caminar y viajar en bicicleta) aumentó considerablemente: del 39 % en 2019 al 48 % en 2020 en Bogotá, y del 28 % en 2019 al 41% en 2020 en Buenos Aires. Curiosamente, la recuperación de la distancia media de viaje durante 2021 fue más notable en Buenos Aires (casi alcanzando los niveles de 2019) que en Bogotá, donde todavía fue un 12 % menor que en 2019.

En 2021, el número de usuarios del transporte público estuvo muy por debajo de los niveles de 2019, con una caída del 20 % en Bogotá y del 40 % en Buenos Aires. Esto fue resultado de dos factores: (i) la fuerte disminución en la demanda general de viajes de media y larga distancia dentro de las áreas metropolitanas (viajes de más de 5 km), donde la cuota modal del transporte público suele ser mayor; y (ii) los cambios del transporte público al vehículo privado, particularmente en Buenos Aires, donde la cuota modal de vehículos privados aumentó del 38 % al 47 % en 2020 y se mantuvo en niveles altos durante 2021 (43 %).

Lecciones aprendidas

Garantizar que el transporte público siga siendo una opción atractiva para los ciudadanos depende de la capacidad de las autoridades y operadores de transporte público de monitorizar las tendencias cambiantes de la demanda de viajes y adaptar los servicios para satisfacer las necesidades de movilidad de la población. La metodología desarrollada por Nommon para el Banco Mundial apoya a las ciudades en esta tarea, aprovechando la creciente disponibilidad de datos geolocalizados. En lugar de depender de una única fuente de datos, la solución propuesta se aprovecha de las ventajas que ofrecen las distintas fuentes a través de métodos de fusión de datos. Los modelos de machine learning que clasifican por modo de transporte los viajes observados a partir de los datos de telefonía, explotando la información de las encuestas de movilidad, son un buen ejemplo de estas técnicas de fusión de datos. La metodología tiene en cuenta los distintos contextos de las ciudades en cuanto a la disponibilidad de datos y ofrece una variedad de opciones para calcular los indicadores requeridos, facilitando la replicabilidad de la misma.