Colaboración especial de Marc Durán ( Becario Sicómoro en el Máster de Física de los Sistemas Complejos del IFISC)

Introducción

El transporte  ha estado presente en nuestras sociedades desde el principio de los tiempos, siendo un elemento fundamental en la consolidación y el desarrollo de nuestros modelos de convivencia colectiva. Actualmente, un núcleo urbano no se podría concebir sin un buen sistema de transporte que satisfaga las necesidades de los habitantes y ofrezca soporte a una serie de dinámicas que dependen de una u otra manera de él.

Las grandes urbes a menudo se enfrentan a problemas complejos relacionados con la organización de sus sistemas de transporte, vinculados con la necesidad de garantizar su funcionamiento eficaz, dar la mayor cobertura posible y hacer un uso eficiente de los recursos con los que cuenta. Estos desafíos además pueden incluir tanto aspectos operativos (como hacer frente a las congestiones del tráfico), aspectos medioambientales  (contaminación ambiental), sociales  (la falta de accesibilidad para ciertos colectivos) y  de gestión (asignación de recursos), entre otros.

Problemáticas que no solo tienen importancia en lo relativo a la movilidad de los ciudadanos, sino que también repercuten en la calidad de vida de las personas y la economía local.

En este post exploraremos cómo la aplicación de la teoría de sistemas complejos y el análisis de datos pueden ayudarnos a comprender y optimizar los sistemas de transporte en las grandes ciudades. En particular, tomaremos como caso de estudio la ciudad de Nueva York,  ya que es una de las urbes más congestionadas del planeta y con una de las redes de transporte más extensa [1], para reflexionar sobre la utilidad que pueden tener  los sistemas de alquiler de bicicletas que se han vuelto tan  populares  últimamente en la solución de algunos de los problemas de movilidad que experimentan.

Análisis de Datos

El origen de este trabajo será la recopilación y el análisis de los datos, desde un punto de vista de la geometría descriptiva, gracias a que, en la actualidad, estamos rodeados de datos que pueden ayudarnos a entender mejor el funcionamiento de la red de transporte de cualquier gran ciudad.

En nuestro caso utilizaremos datos del servicio de alquiler de bicicletas de Nueva York como ejemplo, debido a la cantidad de datos disponibles  y a la facilidad para recolectarlos [2]. Estos datos incluyen información sobre la estación dónde se recoge y se deja la bicicleta, los horarios de uso, la duración de los viajes y otros aspectos relevantes, que nos dan una idea de las dinámicas de funcionamiento y uso de este sistema de trasporte, así como la forma en que interactúan con los sistemas masivos de transporte urbano (metro y autobuses) para darnos una idea clara del funcionamiento  del «Sistema de Transporte» entendido en términos globales.

A continuación, ilustramos los pasos llevados a cabo en el marco del análisis.

1. Descifrando Patrones de Uso

Comencemos observando cómo y cuándo se utiliza el sistema de transporte a lo largo de una semana. Al observar los datos de los viajes, podemos identificar diferentes patrones. Por ejemplo, podemos ver claramente como durante los días laborables, el sistema experimenta picos de actividad durante las horas de trabajo y el horario escolar, marcados con azul más oscuro en la figura de abajo. Por otro lado, podemos ver que en los fines de semana se presenta un patrón de uso más constante a lo largo del día, ya que no hay picos de actividad del sistema de alquiler de bicicletas.

También podemos observar que duración tienen los viaje, dónde podemos ver que la mediana es de 15 minutos, aunque la mayoría de los viajes duran alrededor de 8 minutos.

2. El Impacto del Clima

El clima también influye en la utilización del transporte en una ciudad. Observando cuándo y cómo varía el uso de bicicletas compartidas en diferentes estaciones del año, podemos identificar tendencias estacionales. Por ejemplo, podemos observar un aumento en la actividad durante los meses más cálidos, lo que sugiere que las condiciones climáticas afectan directamente a las decisiones de movilidad de los ciudadanos. Gracias a estas dinámicas podemos mejorar el confort de los usuarios, programando mejor las sesiones de mantenimiento de las bicicletas y sus estaciones.

Este análisis de datos ha sido útil para comprender algunos aspectos de esta problemática, pero dada la naturaleza compleja de los sistemas de transporte en las ciudades, se hace necesario ir más allá y abordarlos desde otra perspectiva.

La estadística descriptiva tiende a simplificar la realidad al resumirla en medidas estadísticas como la media, la mediana o la moda. Esto proporciona un resumen de las características principales de un conjunto de datos, pero no ofrecen información sobre las causas subyacentes o las razones detrás de ciertos patrones o tendencias, es decir, aunque puede revelar patrones y tendencias, no puede determinar la causa y efecto de esos patrones.

Esto puede llevar a perder detalles importantes y a no capturar la complejidad inherente de un sistema de transporte. Por eso, al adoptar una metodología basada en sistemas complejos, se busca una comprensión más completa y holística de los fenómenos, superando las limitaciones asociadas con enfoques más convencionales de estadística descriptiva.

1.Centralidades y Comunidades

Dentro de cualquier red de transporte, algunas estaciones son más importantes que otras. Calcular diferentes métricas de centralidad ayuda a identificar estas estaciones cruciales, como las más conectadas con otras o las más intermediarias en la red, es decir están mejor ubicadas entre otras estaciones, facilitando la conectividad entre diferentes partes de la ciudad.

Además, también podemos detectar comunidades de estaciones densamente conectadas entre sí. Estos hallazgos pueden ayudarnos a tomar decisiones informadas sobre dónde asignar recursos, determinar modelos de precios adecuados y en general cómo mejorar la eficiencia en el sistema de transporte.

Analizando de esta manera cualquier red de transporte, sobre las que se construye el sistema de transporte de cualquier gran, podemos identificar estaciones y conexiones clave que proporcionan una base sólida para tomar decisiones estratégicas destinadas a optimizar la eficiencia y la accesibilidad del sistema de transporte urbano.

Conclusiones

El análisis de redes junto con el análisis de datos ofrecen herramientas poderosas para entender y mejorar nuestros sistemas de transporte. Los resultados obtenidos presentan varias implicaciones prácticas que pueden influir directamente en la toma de decisiones para mejorar el transporte de una ciudad.

La identificación de patrones de uso a lo largo de la semana y las tendencias estacionales, permite una mejor asignación de recursos, como la distribución de bicicletas en momentos de mayor demanda y una óptima planificación del calendario laboral para los empleados. El análisis de la red de transporte, destacando centralidades y comunidades, proporciona información valiosa para la planificación del espacio urbano.

Identificar las estaciones más cruciales y las conexiones intermedias ayuda en la expansión y ubicación estratégica de infraestructuras, mejorando la conectividad entre diferentes partes de la ciudad. Estos métodos y resultados son aplicables a cualquier sistema de transporte en el mundo, proporcionando una visión más profunda de cómo funcionan las ciudades y cómo hacerlas más eficientes y sostenibles. Por tanto, hemos visto cómo la fusión de la ciencia de datos y de los sistemas complejos ofrece una estrategia única y robusta para abordar los desafíos en constante evolución de la movilidad urbana.

Aunque su potencial no termina aquí, ya que el análisis de datos desde la perspectiva de los sistemas complejos puede aplicarse a muchos ámbitos y disciplinas, ofreciendo muchísimas soluciones prácticas. Por ejemplo, analizar redes de webs comerciales para maximizar tus ventas, sistemas de red eléctrica para minimizar el coste de la electricidad o en aspectos más sociales como saber con quién es más conveniente entablar una conversación cuando llegas a una conferencia, ya que no es lo mismo llegar y sentarse cerca de alguien importante y que sabes que tiene buenos contactos, es decir, que es céntrico en la red de negocios, que alguien que no lo es tanto, ¿verdad? Y tú, ¿dónde aplicarías el análisis de red y de datos?

Referencias

[1] https://www.nbcnewycom/news/local/nyc-ranks-as-the-city-with-worst-traffic- congestion-in-the-u-s-study-finds/3438472/

[2] https://citibikenyc.com/