Debemos aceptar que las proyecciones de demanda apoyadas por nuestros modelos de transporte no son muy exactas (e.g. Flyvbjerg et al, 2006) y es bueno entender por qué. Podemos identificar cuatro limitaciones a nuestras proyecciones de movilidad futura: Limitaciones (a) del modelo, (b) de los datos del año de calibración, (c) de los datos futuros que son entradas del modelo, y (d) de los eventos inesperados que cambian tendencias y crean escenarios nuevos.
Todo modelo es una simplificación de la realidad y por tanto útil pero limitado. Nuestros modelos se basan en dos supuestos básicos y uno implícito. El primero supuesto es que los viajeros son capaces de comparar muchas alternativas y escoger racionalmente las que maximizan sus utilidades. Incorporamos en nuestros modelos una componente estocástica para representar el efecto de atributos no observados (color, conveniencia, marca) pero cada viajero escoge sin sesgo ni rezago, indiferente a las tendencias y valorizando ecuánimemente costos y beneficios. La crítica a este supuesto es bien conocida, ver por ejemplo a Kahneman (2013) que debería ser lectura obligatoria en transportes, y reconocida como válida. El segundo supuesto es que hay una fuerte tendencia a equilibrar oferta y demanda de modo que imponemos las condiciones de equilibrio simultáneo a nuestros modelos. En este esfuerzo, nuestra ambición es más pragmática que en la economía clásica. No pretendemos que el equilibrio refleje la realidad, que no lo hace. Sólo aspiramos a introducir un elemento de consistencia en la comparación de proyectos y planes; sin embargo, el énfasis en equilibrio limita el realismo de nuestros modelos.
El supuesto implícito, rara vez mencionado, es que los viajes y actividades son en su mayoría recurrentes: el supuesto de la regularidad de actividades (Activity Regularity Assumption). Cuando observamos viajes a menudo combinamos datos de varios días y los expandimos para representar un universo de viajes y actividades “promedio” en un día “representativo”; esta expansión trata en forma idéntica a los viajes recurrentes y no-recurrentes. Rara vez definimos qué son los viajes promedio y qué es un día representativo. Desgraciadamente, la evidencia disponible es que más de la mitad de los viajes son no-recurrentes.
Le segunda limitación a la exactitud de nuestras proyecciones es la debilidad de los datos que utilizamos para calibrar el año base. Quien haya participado en un trabajo de campo reconocerá estas limitaciones: respuestas incompletas, simplificadas, falsificadas, muestras pequeñas, entrevistas rechazadas, errores de transcripción, etc. Observaciones de diferentes días, y a veces incluso años, combinadas para obtener los viajes de un día representativo. Las limitaciones de estos datos del año base se transmiten a nuestros modelos probablemente amplificando sus propias limitaciones. La gran abundancia de nuevos sensores, tarjetas inteligentes y otras actividades que dejan una huella electrónica ayudarán a superar algunas de estas limitaciones. Transparencia: debo reconocer que soy socio de una empresa que utiliza datos anonimizados de estos sensores y telefonía celular para generar matrices origen-destino y otros indicadores de movilidad.
La tercera limitación es la de la exactitud de los datos futuros, en particular si estos se necesitan con un alto grado de granularidad. El Producto Interno Bruto (PIB) es uno de los factores más importantes que influyen sobre la cantidad de viajes motorizados de una región. La exactitud de las predicciones del PIB es particularmente pobre como lo demuestra cualquier comparación entre proyecciones y datos históricos. Los errores en las proyecciones de población crecen con su granularidad (ver por ejemplo http://escholarship.org/uc/item/1tw6g8pv#page-1); estos errores son significativos y afectan las entradas claves de los modelos usados para proyectar.
Por último, el futuro presenta incertidumbres que no pueden eliminarse. En el Chile de 1995 la bicicleta era para los niños y nadie predijo la importancia que tendría internet 15 años después, a pesar de que ya estaba en uso en esa fecha. Como personas cambiamos de opinión y de valores, nos afectan las modas y tendencias. Actividades que realizábamos ayer no se mantienen en el futuro (visitas a arrendar videos); los vehículos autónomos cambiaran radicalmente la movilidad aunque no sabemos exactamente cómo.
Estas cuatro limitaciones hacen que nuestras proyecciones sean menos exactas mientras más lejano sea su horizonte de planeación. La incertidumbre impone restricciones que ni el mejor modelo de hoy o de mañana puede eliminar. ¿Qué implica esto?
Por una parte, implica un desafío a la investigación. Primero, si el principal uso práctico de los modelos de transporte es la planificación y toma de decisiones, es posible que sea más importante desarrollar mejores formas de incorporar la incertidumbre en nuestras proyecciones que aspirar a un mayor realismo. El uso integral de escenarios, como lo hacen por ejemplo las autoridades de trasporte en Gran Bretaña y Nueva Zelandia, y el análisis estocástico de riesgos, apuntan en esa dirección. Segundo, la incertidumbre hace más valiosos aquellos proyectos que pueden ajustarse cuando las condiciones cambian, por ejemplo cuando la “movilidad como servicio” de los vehículos autónomos se hace realidad. Las ideas de opciones reales (real options en contraste con las opciones financieras) son útiles en ese sentido y un BRT es más adaptable que un Metro. Tercero, necesitamos desarrollar mejores formas de tratar viajes recurrentes y no-recurrentes en nuestros modelos. Los nuevos sensores (Bluetooth, telefonía móvil, tarjetas BIP) nos permiten este tipo de observación y deben ser una fuente de innovación en la modelación. Estos sensores también nos permiten estudiar experimentos espontáneos; que pasa con la movilidad cuando hay una emergencia ambiental, o se cierran algunas calles por trabajos. Gana relevancia la oportunidad de hacer experiencias piloto en menor escala para aprender a mejorar.
La incertidumbre implica también un cambio a nuestra práctica y la toma de decisiones. La ética profesional debería impedir que entreguemos una cifra única como resultado de nuestras proyecciones: razón Beneficio Costos = 1,2. Sólo podemos entregar un rango y quienes toman decisiones deben aprender a vivir sin la pseudo certeza de que el proyecto será un éxito porque el modelo lo dice. No podemos escudarnos en nuestros modelos; cualquier recomendación requiere entender bien sus limitaciones y aplicar un juicio profesional para incorporar aspectos no modelados y la experiencia de otros lugares y profesionales. Esto da al modelador-planificador (no debemos separarlos) un papel más protagónico pero al mismo tiempo más exigente en su formación integral, experiencia y voluntad de aprender.
Todo esto hace que sea más importante que nunca desarrollar nuestra capacidad de escuchar y observar críticamente y sin prejuicio la realidad; en forma personal y no mediada por libros o pantallas. Como decimos con el Prof. Ortúzar en un capítulo de un libro reciente: la mejor ayuda para mejorar nuestros modelos y proyecciones es un par de zapatos cómodos.
Flyvbjerg, B., M. Skarmis-Holm and S. Buhl (2006) “Inaccuracy in Traffic Forecasts”. Transport Reviews, Vol. 26, No. 1, 1–24, January 2006
Kahneman, D. (2013) “Thinking Fast and Slow”. Farrar, Straus and Giroux. New York.
Willumsen, L. G. and Ortúzar, J de D. (2016) Transport Planning. In Bliemer, M., Mulley, C. and Moutou, C. Eds. Handbook on Transport and Urban Planning in the Developed World. pp 338-354. Edward Elgar.
