Existe una escasez extrema de conocimientos útiles sobre el transporte urbano, especialmente en los países en desarrollo. Al mismo tiempo, el transporte urbano en los países en desarrollo es objeto de inversiones masivas prioritarias. Por ejemplo, el transporte es el sector con mayor volumen de préstamos del Banco Mundial y representó más del 20 % de sus compromisos netos a 2016.
Los trabajos académicos existentes sobre el desempeño de los sistemas de transporte urbano en el mundo en desarrollo suelen centrarse en una característica concreta del sistema en una gran ciudad. Por ejemplo, Tsivanidis (2018) estudia el transporte rápido en autobús en Bogotá, Hanna et al. (2017) analizan el carril de alta ocupación (HOV) en Yakarta, Ang et al. (2018) estudian los límites de velocidad en São Paulo y Kreindler (2018) analiza la tarificación por congestión en Bangalore. Estos innovadores estudios aportan perspectivas de política útiles, pero la falta de datos de toda la ciudad para comparar resultados entre ciudades impide un análisis más exhaustivo de los factores determinantes de la movilidad urbana. La prensa popular también aborda con regularidad debates sobre la movilidad urbana, centrándose en gran medida en la congestión como causa de malos resultados y prestando, a menudo, poca atención a otros factores determinantes de la movilidad.
Contribuimos a este debate desarrollando una metodología sistemática para medir el desempeño del transporte motorizado en general dentro de una ciudad y aplicándola para estudiar las 154 ciudades más grandes de India (Akbar et al. 2018). Mediante un servicio popular de cartografía y transporte en línea, generamos información sobre más de 22 millones de instancias de viajes contrafactuales en estas ciudades. Luego utilizamos nuestra metodología para medir la movilidad vehicular dentro de las ciudades y descomponerla en movilidad sin congestión y un factor de congestión.
Surgen cuatro lecciones principales. En primer lugar, existen diferencias sustanciales en la movilidad entre las grandes ciudades indias. La ciudad más rápida es casi el doble de rápida que la más lenta. Para ilustrarlo, la Figura 1 muestra la velocidad de desplazamiento de los vehículos motorizados a lo largo del día en Chandigarh, una ciudad india especialmente rápida, y en Calcuta, una ciudad especialmente lenta. Esto no se debe a que Chandigarh sea demasiado pequeña para tener tráfico serio. Tiene más de un millón de habitantes y las velocidades típicas en hora punta allí son casi 10 km/h más lentas que las velocidades más rápidas nocturnas.
Figura 1 Velocidad de desplazamiento de los vehículos motorizados a lo largo del día en dos ciudades estadounidenses y dos ciudades indias
En segundo lugar, en general los desplazamientos son lentos en las ciudades indias, incluso fuera de las horas punta, en comparación con Estados Unidos. Además de Chandigarh y Calcuta, la Figura 1 también muestra datos de velocidad comparables de Grand Rapids, una ciudad estadounidense rápida, y de Chicago, una lenta. Incluso la zona central de Chicago, una de las ubicaciones con mayor congestión de Estados Unidos, es en general más rápida que una de las ciudades indias más rápidas, Chandigarh.
En tercer lugar, la variación de la movilidad entre ciudades se debe principalmente a la movilidad sin congestión, y no a los retrasos por congestión. La Figura 2 muestra que, de media, apenas hay variación a lo largo de las horas del día en nuestra muestra de 154 ciudades. Debido a la lenta movilidad sin congestión, una ciudad pobre como Varanasi (Benarés) es más lenta que la ciudad india media en todo momento, incluso de noche en ausencia de tráfico. Observamos diferencias intradiarias mucho mayores en la movilidad en las grandes ciudades, especialmente en las más grandes cerca de su centro, como ilustra Delhi en la figura.
Figura 2 Velocidad de desplazamiento de los vehículos motorizados a lo largo del día en ciudades indias
De forma más general, un índice de movilidad sin congestión explica más del 50 % de la varianza en la movilidad general entre ciudades. Un sencillo análisis de bienestar también sugiere que una mejora del 10 % en la movilidad sin congestión genera beneficios mucho mayores que la implantación de una tarificación óptima por congestión en toda la India urbana, incluso después de tener en cuenta el potencial de la tarificación por congestión para reducir el nivel significativo de falta de fiabilidad en los tiempos de viaje que documentamos.
Estos hallazgos desafían la sabiduría convencional de que la congestión del tráfico es la principal razón por la que algunas ciudades son lentas y otras rápidas. Como ejemplo destacado, un informe reciente del Boston Consulting Group (2018) afirma que Calcuta tiene la mayor congestión de tráfico entre las cuatro principales ciudades indias, utilizando una metodología que simplemente asume que todas las reducciones de velocidad por debajo del límite señalizado se deben a la congestión. Nosotros constatamos que Calcuta es, de hecho, la menos congestionada de las cuatro, pero la más lenta debido a su baja movilidad sin congestión. Esta distinción tiene importantes implicaciones para las políticas, ya que la velocidad sin congestión no puede mejorarse mediante la tarificación por congestión, la promoción o restricción del uso compartido de vehículos, u otras políticas que a menudo se proponen para combatir la congestión.
Por último, constatamos que las ciudades más densas y más pobladas son más lentas; que existe una relación en forma de joroba entre la renta per cápita de las ciudades y la movilidad, con las ciudades más rápidas en los niveles de renta media alta; y que la movilidad de una ciudad está relacionada con las características de su red viaria.
Este conjunto de resultados desafía la opinión popular de que la urbanización y el desarrollo económico conducen a ciudades cada vez más grandes y a tasas crecientes de motorización, y, finalmente, a un bloqueo total del tráfico. Sí encontramos indicios de congestión en las ciudades indias más grandes y una fuerte asociación entre la congestión y el acceso de los hogares a vehículos motorizados. Sin embargo, el desarrollo económico también trae consigo una mejor infraestructura de transporte, que facilita la movilidad sin congestión.
De hecho, los indicadores de desarrollo económico urbano, como el crecimiento demográfico reciente más rápido, los niveles de renta más altos (excepto en la cúspide) y las tasas de motorización más elevadas, se asocian en general con una mejor movilidad general, a pesar de una congestión peor. Por ejemplo, encontramos indicios sugerentes de que una mejor movilidad se asocia con una red de cuadrícula más regular y con más vías principales.
El tipo de datos que utilizamos también puede servir para conocer los fundamentos de los desplazamientos urbanos más allá de la movilidad y la congestión. Por ejemplo, pueden mejorar nuestra comprensión de los usos del suelo y de los patrones de precios de la propiedad en las ciudades en relación con el transporte. Aunque este tipo de datos es menos rico en detalle que las encuestas de movilidad tradicionales, pueden recopilarse a una fracción del coste: cientos de dólares en lugar de decenas de millones para una encuesta de viajes completa. Dado el bajo coste de recopilar estos datos, pueden seleccionarse fácilmente muestras grandes dirigidas a áreas pequeñas y a cuestiones concretas.
Estos datos también pueden recopilarse con una frecuencia mucho mayor que el intervalo típico de cinco a ocho años entre encuestas de movilidad tradicionales consecutivas, lo que permite evaluar los cambios de política a corto plazo (Kreindler 2016, Hanna et al. 2017, Ang et al. 2018). Creemos que los futuros estudios de este tipo arrojarán luz útil sobre muchos aspectos de la política de transporte en las ciudades. Son posibles muchas otras aplicaciones, entre ellas, por ejemplo, el seguimiento de la recuperación de las ciudades tras grandes desastres naturales.
Por ello, esperamos que se pongan a disposición de la investigación más datos que sustentan la producción de información de viaje en tiempo real. Los datos que utilizamos nos permiten conocer la movilidad y el precio (coste en tiempo) de los desplazamientos para todos los viajes posibles en todo momento. Las magnitudes análogas (es decir, el número de viajeros) potencialmente pueden conocerse a partir de los mismos datos subyacentes. Con precios y cantidades, será posible el estudio detallado de la congestión, tanto en tramos viarios concretos como en áreas más amplias.
Las observaciones repetidas de los mismos viajeros también permitirían un análisis mucho mejor del comportamiento de viaje individual. Por ejemplo, Kreindler (2018) utiliza un panel de datos a nivel de viaje de 2.000 viajeros habituales procedentes de una aplicación para teléfonos inteligentes para conocer la respuesta individual a la congestión en horas punta y para medir el impacto en el bienestar de diversas políticas de tarificación destinadas a aliviar la congestión en Bangalore. Con el debido respeto a la privacidad, la disponibilidad de muestras más amplias de viajes individuales en distintas ciudades permitiría un análisis exhaustivo de las consecuencias para el bienestar de una mejor movilidad y accesibilidad urbanas.
