POSIBILIDADES POR EXPLORAR
IV. LÍNEAS DE
INVESTIGACIÓN EN MARCHA
1. Incorporación de nuevas fuentes de datos
La constante aparición de tec- nologías emergentes da lugar a nuevas generaciones de fuentes de datos con gran potencial para aportar distintas perspectivas en el análisis de la movilidad.
Algunas de estas tecnologías surgen en el propio ámbito del transporte, como es el caso octubre y noviembre de 2020
coincidiendo con la segunda ola de la pandemia.
Al igual que en el caso de uso anterior, estas matrices origen- destino y el resto de indicadores fueron obtenidas mediante la solución analítica de Nommon Solutions and Technologies a partir de los registros anonimi- zados de telefonía móvil pro- cedentes de la red de Orange España (MITMA, 2021b). Dicha solución fue adaptada para in- crementar las capacidades de computación y automatizar las validaciones de datos de partida e información de salida, de ma- nera que fuera posible la produc- ción de indicadores de movilidad en un corto período de tiempo desde la recepción de los datos.
El MITMA desarrolló un portal de
GRÁFICO 4
EJEMPLO DE LA HERRAMIENTA DE VISUALIZACIÓN CREADA POR EL MITMA PARA EXPLOTAR LOS RESULTADOS DEL ANÁLISIS DE MONITORIZACIÓN DE LA MOVILIDAD
133
JAVIER BURRIEZA-GALÁN
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 171, 2022. ISSN: 0210-9107. «INFRAESTRUCTURAS TERRESTRES, TRANSPORTE Y MOVILIDAD DE PERSONAS»
data. Estas fuentes, que habi- tualmente nacen con un propó- sito diferente a caracterizar la movilidad, permiten un análisis continuo de los desplazamien- tos sin intervenir en los mismos.
Esto presenta numerosas opor- tunidades frente a las fuentes de datos tradicionales, tales como un mayor tamaño de muestra, una mayor frecuencia de actua- lización o menores sesgos en la caracterización de la demanda de transporte. Si bien no están exentas de retos, entre los que se encuentran asegurar la privacidad de los datos o el desarrollo de al- goritmos capaces de eliminar los errores de partida, las fuentes de datos big data se han convertido ya en un instrumento esencial para elaborar diagnósticos de la movilidad más completos y precisos que en el pasado. Esto permite una mejor toma de de- cisiones tanto a planificadores como a operadores de transpor- te, tal como demuestran los dos ejemplos de proyectos elaborados por el Ministerio de Transportes, Movilidad y Agenda Urbana de España basados en datos de te- lefonía móvil que presenta este artículo.
A pesar de que estas fuen- tes suponen un gran salto en capacidad analítica, la experien- cia sugiere que su aplicación no está necesariamente dirigida a sustituir por completo las fuen- tes de datos tradicionales, sino a complementar y optimizar su aplicación. La complejidad del fenómeno de la movilidad hace que sea difícil abarcar todas sus dimensiones mediante un único método de investigación. En mu- chos casos la combinación de fuentes pasivas y encuestas de movilidad es un enfoque óp- timo para adquirir una imagen lo más completa posible de la demanda de transporte.
La pandemia de COVID-19 ha incrementado el interés por este tipo de indicadores desde el pun- to de vista de la epidemiología, pero su aplicación es extensible a otras áreas, como los estudios acerca de la desigualdad y segre- gación social.
3. Del análisis descriptivo al análisis predictivo:
aplicación de inteligencia artificial
El estudio realizado por el MITMA durante la pandemia de COVID-19 es un buen ejemplo de las capacidades de las nuevas fuentes de datos para monito- rizar la movilidad. No obstante, las oportunidades de la recogida continua de información no se limitan únicamente a una mejor caracterización de la movilidad ac- tual. La construcción de bases de datos de demanda de transporte longitudinales con alto nivel de detalle abre la puerta al desarrollo de modelos predictivos basados en técnicas de inteligencia artifi- cial. Estos modelos se nutren de los patrones cíclicos de demanda asociados al calendario (estacio- nalidad, diferencias entre días de la semana, etc.), pero también de la incidencia de eventos puntuales, de la meteorología y de otros fac- tores dinámicos en la movilidad.
La disponibilidad de estas capaci- dades predictivas permite un gran número de casos de uso, relevan- tes tanto para planificadores de transporte como para operadores de servicios de movilidad.
V. CONCLUSIONES
En los últimos años, el sector de la movilidad ha experimentado un crecimiento en sus capacida- des de análisis de la demanda de transporte gracias a la aparición de nuevas fuentes de datos big el cálculo de nuevos indicado-
res de actividad socioeconómica y de uso del espacio público.
2. Obtención de nuevos indicadores de actividad de la población
La explotación de nuevas fuentes de datos para el análisis de la movilidad se ha centrado habitualmente en la obtención de matrices origen-destino a dis- tintas escalas (por ejemplo, a nivel de ciudad o región me- diante datos de telefonía móvil, a nivel de red de carreteras local con sensores wifi o bluetooth, etc.). Este foco se debe a que las matrices origen-destino son la manera más habitual de repre- sentar la dimensión de la deman- da en modelos de transporte, al expresar de una manera sintética los flujos de desplazamientos entre zonas, construyendo una matriz por cada segmentación que se desee. Sin embargo, las nuevas fuentes de datos permi- ten la construcción de otros indi- cadores de movilidad y actividad de la población en el territorio que van más allá de las matri- ces origen-destino. Un ejemplo está constituido por indicadores que miden la existencia de cade- nas de viaje triangulares (tours), con paradas intermedias para satisfacer algunas actividades (por ejemplo, compras) en los movimientos casa-trabajo. Este tipo de realidades no se reflejan en las matrices origen-destino y, sin embargo, son muy rele- vantes para entender la compe- titividad del transporte público frente al vehículo privado. Otro ejemplo está relacionado con indicadores de contacto social, que expresan la concurrencia de personas de distintos segmentos sociodemográficos en ciertos lu- gares e instantes determinados.
134
ESTUDIO DE LA MOVILIDAD CON LA TECNOLOGÍA BIG DATA: POSIBILIDADES POR EXPLORAR
PAPELES DE ECONOMÍA ESPAÑOLA, N.º 171, 2022. ISSN: 0210-9107. «INFRAESTRUCTURAS TERRESTRES, TRANSPORTE Y MOVILIDAD DE PERSONAS»
documento_diseno_general_del_
mnt.pdf
MITMA (2021b). Análisis de la movilidad en España con tecnología big data durante el estado de alarma para la gestión de la crisis de la COVID-19.
Informe metodológico. https://cdn.
mitma.gob.es/portal-web-drupal/
covid-19/bigdata/mitma_-_estudio_
movilidad_covid-19_informe_
metodologico_v3.pdf
MITMA (2021c). Open Data Movilidad.
www.mitma.gob.es/ministerio/
covid-19/evolucion-movilidad-big- data/opendata-movilidad
OTLE (2020). Estudio piloto de movilidad interprovincial. https://
observatoriotransporte.mitma.es/
estudio-experimental
Toole, J. l., Colak, S., STurT, B., alexander, l. P., evSukoff, a., y González, M.
C. (2015). The path most traveled:
Travel demand estimation using big data resources. Transportation R e s e a r c h P a r t C : E m e r g i n g Technologies, 58, pp. 162-177.
zhanG, r., Ye, x., WanG, k., li, d., y zhu, J. (2019). Development of commute mode choice model by integrating actively and passively collected travel data. Sustainability, 11(10), p. 2730.
Part C: Emerging Technologies, 68, pp. 285-299.
laneY, D. (2001). 3D data management:
Controlling data volume, velocity and variety. META Group Research note, 6(70), p. 1.
lenormand, m., louail, T., CanTú-roS, o.
G., PiCornell, m., herranz, r., ariaS, J.
m., BarThelemY, m., San miGuel, m.
y ramaSCo, J. J. (2015). Influence of sociodemographic characteristics on human mobility. Scientific Reports, 5(1), pp. 1-15.
milne, d. y WaTlinG, D. (2019). Big data and understanding change in the context of planning transport systems. Journal of Transport Geography, 76, pp. 235-244.
MITMA (2019). Estudio de la movilidad i n t e r p r o v i n c i a l d e v i a j e r o s aplicando la tecnología big data.
Informe metodológico. https://
cdn.fomento.gob.es/portal-web- drupal/Docs_OTLE/MFOM-Estudio_
Movilidad_Interprovincial_Informe_
Metodologico.pdf
MITMA (2021a). Modelo Nacional de Transportes de España. Diseño general del Modelo Nacional de Transportes. https://cdn.mitma.
gob.es/portal-web-drupal/hermes/
Las nuevas fuentes de datos ya son parte de la caja de he- rramientas de planificadores y operadores de movilidad, lo que convierte a España en uno de los países más avanzados en la materia. Sin embargo, existen numerosas líneas de investiga- ción en activo que continuarán mejorando las capacidades de análisis gracias a estas fuentes, incorporando nuevas tecnologías y desarrollando nuevos indicado- res y métodos de modelado de transporte a partir de la recogida continua de datos.
BIBLIOGRAFÍA
aYfanToPoulou, G., Burrieza-Galán, J., maSeGoSa, a., Grau, J. m. S., BoufidiS, n., marTínez, i. m., ... y roS, O. C.
(2020). Cataloging and Assessing C i t y - s c a l e M o b i l i t y D a t a . E n Conference on Sustainable Urban Mobility, pp. 1139-1148. Springer.
Chen, C., ma, J., SuSilo, Y., liu, Y. y WanG, M. (2016). The promises of big data and small data for travel behavior (aka human mobility) analysis. Transportation Research