La Intel·ligència Artificial (IA) ha emergit com una força transformadora en la planificació i gestió de la mobilitat urbana i interurbana, prometent sistemes més eficients, rutes optimitzades i una millor experiència per a l’usuari. No obstant això, sota aquesta capa d’eficiència es troba un repte fonamental: la presència de “dades ocultes” que, per la seva absència o subrepresentació en els models d’IA actuals, perpetuen i fins i tot agreugen les desigualtats en l’accés a la mobilitat. Com a experta en mobilitat i IA, sostinc que la introducció sistemàtica de dades que defineixin la pobresa de transport és crucial per a una presa de decisions realment inclusiva.

La Il·lusió de les Dades Completes: Biaixos Ocults en els Models d’IA de Mobilitat

Els models d’IA que actualment alimenten els nostres sistemes de transport es basen principalment en dades de trànsit, velocitat mitjana, fluxos de passatgers en hores punta, o l’ús de títols de transport convencionals com la T-mobilitat. Aquestes dades, tot i ser valuoses per optimitzar la xarxa des d’una perspectiva de fluïdesa i capacitat, sovint ignoren la realitat de segments poblacionals específics, la seva experiència de mobilitat i les barreres que afronten diàriament. Aquí és on emergeix el concepte de “dades ocultes”.

Aquestes dades ocultes no són necessàriament informació secreta, sinó dades no recollides, no analitzades o no prioritzades pels models existents. Es manifesten en diverses formes:

• Factors no econòmics de la mobilitat: Més enllà del cost, la disponibilitat real d’opcions de transport, la freqüència i qualitat del servei, els temps excessius de desplaçament, o les condicions insegures o poc dignes de viatge. Els models actuals sovint no incorporen mètriques de “pobresa de temps” en els desplaçaments, que limiten la participació social.

• Experiències subjectives i qualitatives: La percepció de seguretat, la comoditat, la capacitat de planificar amb antelació o la frustració davant la manca d’opcions. Aquestes dades, sovint recollides mitjançant enquestes qualitatives o grups focals, no són fàcilment integrables en algoritmes quantitatius tradicionals.

• La interseccionalitat de la vulnerabilitat: Els models actuals tenen dificultats per capturar com les barreres de mobilitat s’entrellacen amb altres factors com el gènere (dones amb patrons de mobilitat per cures o inseguretat nocturna), l’edat (gent gran, infants i joves), la discapacitat (necessitat de transport adaptat i acompanyament), o la situació administrativa (persones en situació irregular amb dificultats per accedir a tarifes socials).

• La realitat de zones rurals i perifèriques: Molts models se centren en grans nuclis urbans, deixant de banda la manca de serveis regulars, la dispersió territorial i la dependència forçada del vehicle privat en àrees rurals o perifèriques. Aquesta “falta de cotxe forçada” per motius econòmics en nuclis amb menys serveis és una dada crucial que escapa als models que només comptabilitzen el trànsit.

Aquests buits en la informació de base generen biaixos algorítmics que, en lloc de resoldre problemes socials, poden reforçar les divisions existents, ja que les solucions d’IA es dissenyen per optimitzar el que ja es mesura, sense considerar les necessitats dels qui queden fora del radar.

La Pobresa de Transport: Un Punt Cec Crític

La pobresa de transport es pot definir (i dic es pot, per que encara no existeix una definició consensuada), com la incapacitat d’un individu o llar de disposar d’alternatives de transport adequades, assequibles i accessibles, o quan el sistema de transport limita l’accés a béns i serveis essencials, o quan hi ha dificultats per afrontar els costos associats. Aquest fenomen va més enllà dels ingressos, incloent la disponibilitat real d’opcions, la seva freqüència, qualitat i el temps de desplaçament necessari. Sense un transport adequat, moltes persones queden al marge de drets bàsics i oportunitats socials, com l’educació, l’ocupació, la salut o la participació cultural.

El projecte “Transport Cultural” impulsat pel Clúster In-Move by Railgrup i finançat per Acció, origen de la proposta MOU CULTURA, identifica explícitament aquestes barreres: alts costos del transport privat, insuficiència del transport públic en horaris i rutes, manca de vehicles adaptats, i la complexitat logística i de personal (com l’acompanyament). De fet, el 93,7% de les entitats socials enquestades consideren el transport una barrera clau per accedir a la cultura. A Catalunya, s’estima que uns 2 milions de persones es troben en situació de vulnerabilitat o exclusió social, el públic objectiu d’aquest projecte.

Il·luminant el Camí: L’Impacte Transformador de les Dades de Pobresa de Transport en els Models d’IA

La introducció sistemàtica de dades necessàries per definir i mesurar la pobresa de transport transformaria la presa de decisions en mobilitat de manera fonamental. En lloc de models d’IA que només busquen l’eficiència a cegues, tindríem sistemes que promouen l’equitat i la justícia social.

Aquesta integració permetria:

• Disseny de serveis més equitatius i personalitzats: Els algoritmes d’IA podrien realitzar un “matching intel·ligent” entre l’oferta cultural accessible i/o altres serveis essencials com l’accés als serveis de salut, educació i treball, i les necessitats específiques de mobilitat dels usuaris vulnerables, incloent transport adaptat, acompanyament voluntari o opcions de transport compartit. 

• Optimització de recursos amb un enfocament social: La IA podria no només minimitzar la petjada de carboni i els trajectes redundants, sinó també assignar vehicles i voluntaris de manera que maximitzin l’accés per als col·lectius amb més dificultats. Això implicaria una millor coordinació entre agents públics, socials i de mobilitat.

• Polítiques públiques més informades i impactants: Un “Observatori de Mobilitat Inclusiva” podria utilitzar Big Data i IA per identificar patrons de pobresa de transport, com zones on les targetes de transport es deixen d’usar per esgotament del pressupost o rutes ineficients per accedir a llocs de feina. Aquesta informació permetria prioritzar inversions en infraestructures i línies que connectin barris de renda baixa amb pols d’ocupació.

• Foment de la participació i la cohesió social: En fer els serveis essencials i la cultura realment accessibles, és més fàcil que les persones s’empoderin i es redueix l’aïllament crònic, especialment en zones amb baixa densitat de serveis. La participació activa dels col·lectius vulnerables en el disseny de les solucions esdevé fonamental.

• Mesura real de l’impacte social: Amb aquestes dades, es podria mesurar amb rigor indicadors com el nombre d’usuaris vulnerables atesos, la seva satisfacció, l’impacte en la millora de l’autonomia personal i la contribució als Objectius de Desenvolupament Sostenible (ODS), especialment el 10 (reducció de les desigualtats) i l’11 (ciutats i comunitats sostenibles).Resumint, si els nostres models d’IA en mobilitat són com a ulls que observen la ciutat, fins ara han estat miops a la realitat de molts dels seus habitants. En incorporar de manera deliberada i ètica les dades de pobresa de transport, estem ajustant les lents d’aquests ulls, permetent-los veure la totalitat del paisatge social. Només així podrem dissenyar un sistema de mobilitat que no només mou persones d’un punt A a un punt B de la manera més ràpida, sinó que ho fa de manera justa, inclusiva i digna per a tothom, convertint la mobilitat en un veritable dret i un pilar de cohesió social. Ignorar aquestes dades ocultes és com conduir amb només un ull obert, inevitablement deixant a moltes persones enrere.