Big Bang Data en Transporte

Big Bang Data en Transporte
Cómo ​Big Data ​puede ensamblar soluciones de ingeniería en transporte
con la gestión sociotécnica de la movilidad en la ciudad.
Daniel Yankelevich, Pragma Consultores, [email protected]
Juan Echague, Pragma Consultores, [email protected]
Camilo Melani, Pragma Consultores, [email protected]
Mariela Nerome, Ministerio de Transporte de la Nación Argentina/Unidad Ejecutora
Central, [email protected]
Artopoulos, Alejandro, Universidad de San Andrés, [email protected]
1. Introducción
Cada día se están creando 2,5 trillones de bytes de datos. La información generada por
cámaras, sensores inteligentes, registros de transacciones de compra, señales de GPS del
teléfono celular, entre otros, se está constituyendo, por los grandes volúmenes de datos,
en un nuevo insumo que no solo puede generar más valor económico sino también bien
social.
Big data es la utilización de técnicas de ciencias de los datos sobre grandes volúmenes de
datos estructurados y no estructurados para producir información y conocimiento.
Conocimiento que puede dar una solución instantánea a los problemas detectados si el
1
análisis de los datos se hace en línea y automática (M2M, Machine to Machine).
El ​big data ​permite a los servicios públicos conocer cambios en los patrones de
movimiento, que correctamente interpretados, permiten dar una respuesta inmediata a
los problemas de transporte, tales como reducir los tiempos de viaje y rediseñar rutas
1
http://www.odbms.org/blog/2012/06/big-data-for-good/​ consultado en 10.1.16
1
para optimizarlas.
Entre las experiencias de vanguardia encontramos la de la Agencia de Transporte de
Boston que utiliza la información provista por celulares inteligentes sobre movimientos
bruscos para ubicar los baches en las autopistas. El proyecto piloto Smart Santander ayuda
a los conductores a encontrar plazas de estacionamiento libres, reduciendo el tiempo de
búsqueda y el consumo energético de los vehículos.
En Latino América encontramos que este mismo tipo de aplicación se implementó en
Bahía Blanca, Argentina. (Artopoulos, 2015). En tanto en Río de Janeiro se detectan
obstáculos en la vía pública y se coordinan con guardias municipales cercanos al problema
para ayudar en su solución.
2
Todas estas experiencias están abriendo el camino a una nueva forma de concebir el
transporte. Pasando de ser un problema netamente ingenieril y logístico a
uno
modificado por la existencia de datos masivos, siendo estos datos la huella digital del
comportamiento social, reflejo de la cultura. Sin embargo esta nueva alianza del ​Big Data
entre ingeniería-informática-sociología todavía está lejos de ser una realidad. Hubo
grandes proyectos de transporte urbano en Latinoamérica que fueron monólogos de la
ingeniería, como el caso del ​Transantiago​ (Ureta 2015).
La mayoría de los avances se hicieron en la teoría. A comienzos del siglo XXI se consolida
el concepto de movilidad y se diferencia de los estudios basados en la concepción más
clásica del transporte centrada en la cuantificación y el análisis de la oferta de transporte,
los servicios y los equipamientos tanto existentes como proyectados. Los análisis de
movilidad tienen como objeto de estudio las personas que se mueven y sus necesidades
de desplazamiento (Miralles-Guasch y Cebollada, 2003).
http://www.ciudadano-activo.com/2014/07/08/la-aplicacion-del-big-data-al-transporte-urbano/​ consultado
en 10.1.16
2
2
El estudio de la movilidad se convierte en un concepto importante a la hora de la inclusión
social para los grupos más vulnerables, en la medida que permite el acceso a las
oportunidades y a los servicios urbanos. El “capital” de movilidad de las personas tiene
decisiva intervención sobre su capital social, pudiendo reducirlo, limitarlo o canalizarlo
(Kauffman, 2002).
Las condiciones históricas de movilidad urbana de los países de América Latina son
consideradas resultados de procesos de desarrollo económico y social, y de gestión de
políticas públicas de transporte y movilidad focalizadas en el espacio para la circulación en
base a las necesidades del uso del automóvil. Parece que la integración alcanzó tan solo
una división del trabajo. En tanto los estudios de la movilidad se ocupan de releer el
pasado, la gestión de la movilidad implementa soluciones de ingeniería para atacar las
condiciones de accesibilidad al transporte. Sin embargo quedan sin aprovecharse los
múltiples canales de diálogo que podría constituirse si la nueva alianza se profundizara.
El desafío que se presenta es que a partir de la gestión y planificación de la movilidad, se
transforme el espacio de circulación en un espacio equitativo, haciendo eje en el derecho
a la movilidad de los ciudadanos, y en la priorización de los modos públicos de transporte.
Big Data ​es una de las herramientas que permiten afrontar este desafío a partir de la
necesidad de abordar al sector público como un actor clave para dinamizar el potencial
científico y el abordaje multidisciplinario del diseño de políticas estratégicas de movilidad
urbana.
En este contexto las oportunidades a partir del manejo de Big Data implican analizar el
comportamiento de los usuarios y probar hipótesis, conocer cambios en los patrones de
movimiento que permitan dar respuesta a los problemas de movilidad, dar un salto en
cuanto a la cantidad, calidad y costo de la información, poder desarrollar herramientas de
planificación, operación y control a partir de la disponibilidad, integración, capacidad de
3
procesamiento y confidencialidad de los datos.
En este artículo se presentan los retos que enfrenta Latino América, utilizando como caso
testigo el de la tarjeta SUBE y el Ministerio de Transporte en Argentina, con el fin de
pensar estrategias para utilizar y optimizar los datos disponibles a partir de las
metodologías actuales (y potenciales) que puedan ser ensambladas con cambios en el uso
de los datos dentro de las organizaciones, es decir ensamblar la ingeniería con la gestión
sociotécnica de la movilidad en la ciudad.
2. El desafío metodológico
El planteo central de nuestro aporte pasa por trabajar sobre el desarrollo de capacidades
de análisis de equipos interdisciplinarios y el armado de infraestructura. Nuestra postura
se basa en la convicción de que los datos, a diferencia de otras fuentes
que
históricamente fueron poco confiables en la región, van a estar en cantidad y calidad, y
que la capacidad de cómputo también. Por lo tanto los problemas que nos plantean este
desafío metodológico en primer lugar se relacionan con superar los silos de datos.
En Latinoamérica las fuentes de datos suelen negar el acceso a los mismos dichos datos
con el objetivo de mantener cierto estatus o poder que estos datos le confieren a la
fuente. De manera que si bien los datos existen están, estos dichos datos son
independientes unos de otros, tienen distintos niveles de agregación, pertenecen a
diferentes jurisdicciones u organismos que difícilmente colaboran entre sí, etc.
Nos preguntamos: ¿Qué podemos hacer con los datos que están disponibles y
prepararnos para cuando tengamos acceso a más fuentes y para ir integrándolas fuentes
en forma incremental? Nos interesan las fuentes alternativas como las bicicletas, la
tarjeta de pasajes (como la SUBE), los procesamientos de los Centros de Monitoreo y
4
Control de Operaciones, Sistemas de Sensorización Urbana. Las fuentes principales por
temas regulatorios (o falta de regulación) no están disponibles (y sería riquísimo usarlas,
como datos de antenas de celular), otras existirán a futuro (Uber, Waze, sensores en los
teléfonos, IOT…).
La gestión de la movilidad urbana en la Argentina y en la región enfrenta un desafío
metodológico en lo referido a la utilización de Big Data: comprender qué es lo que dicen y
no dicen los datos tratados en la actualidad y la manera en que se puede optimizar su
análisis, teniendo en cuenta que las Metodologías de utilización de Big Data en transporte
y movilidad no son inmunes a los problemas de las muestras de datos con los que se han
estado trabajando hasta la fecha: validación estadística, sesgos muestrales, correlación e
incorrecta imputación de datos faltantes.
En este sentido, la adecuación y homogeneización de las diferentes fuentes de datos
correspondientes a jurisdicciones, temporalidades, granularidades y periodicidades
diferentes es un problema a enfrentar en materia de infraestructura tecnológica.
Existen tres campos que conectan Big Data y Gestión Pública: operativo (referido a la
visualización y análisis de datos en tiempo real utilizando no solamente las redes de
transporte a partir de Centros de Control de Operaciones que integren todos los modos de
transporte público sino también a partir de la apertura de datos con las redes de telefonía
celular), planificación urbana (relacionando los datos georeferenciados, la interpretación
de los usos del espacio urbano y las distintas actividades desarrolladas diariamente) y la
anonimización (convergiendo la regulación que habilite la apertura de datos resguardando
la identidad de los usuarios).
Por último se trata de constituir capacidades de análisis de grandes datos en equipos que
integren esta nueva alianza: ingenieros, cientistas sociales, científicos de datos, y
diseñadores. Los problemas epistemológicos de estos grupos son la falta de una mirada
5
práctica holística que pueda ver el bosque antes que al árbol, y una mirada hiperempirista
del big data. ​(Borrows & Savage 2014)
3. Caso: Qué le aportan los datos de la tarjeta (prepaga) SUBE a una empresa de
transporte del Conurbano Bonaerense.
En esta sección se presenta un proyecto de análisis de datos de una empresa de
transporte, que involucró la recolección, preparación, visualización, transformación y
análisis de 3 años de datos de viajes de colectivos, incluyendo boletos y posicionamiento
geográfico. Este caso cubre el proyecto de punta a punta, incluyendo la incorporación de
los resultados en el proceso de negocio.
Sostenemos que una característica clave de los proyectos de Big Data debe encontrarse en
el proceso que se lleva a cabo y que inicia con la captura de grandes cantidades de datos,
pasando por el procesamiento (que en muchos casos requiere una infraestructura especial
o particular, con más de una computadora, en modo distribuido) hasta el análisis y el
aprovechamiento de la información en el negocio. En nuestro punto de vista, este último
paso (la inserción de la información en la toma de decisiones) es tan importante como el
uso de bases NoSQL o Hadoop o procesar varios terabytes. Es decir es tan importante la
gestión de la tecnología como la gestión sociotécnica del cambio organizacional. (Heeks
2008)
SUBE es una tarjeta prepaga emitida por el Gobierno Nacional Argentino a partir del año
2009 para facilitar la movilidad cotidiana de los habitantes del país en todos los modos de
Transporte Público. En la actualidad se encuentra implementada en la Región
Metropolitana de Buenos Aires (RMBA) y varias ciudades del interior. La red de uso está
6
compuesta por 11.000 colectivos, 5 líneas de subtes y las líneas ferroviarias
metropolitanas, y diariamente vende 12 MM de boletos de transporte.
Los datos para este análisis fueron provistos por una empresa de transporte de mediano
tamaño del conurbano bonaerense. Cuenta con 110 colectivos, 3 líneas, 11 ramales que
diariamente reciben las transacciones realizadas. Esta empresa cuenta con un servicio que
de forma on-line informa la posición GPS de cada colectivo. Accedimos a 3 años de venta
de boletos (40 millones) y la posición de cada colectivo (150 millones).
La metodología de trabajo fue exploratoria, pero seguimos un esquema de trabajo propio
en el cual la identificación de criterios de evaluación del negocio formó parte del proyecto
desde un inicio [5].
La preparación de datos es una parte importante en un proyecto de Big Data [6], de hecho
en muchos casos el “Data Cleansing” y preparación inicial toma más tiempo que el
análisis.
En este proyecto, la preparación de datos incluyó identificar y subsanar varias limitaciones
de los datos, por ejemplo, los relojes de los lectores del sistema SUBE y los GPS no están
sincronizados. Las granularidades de las diferentes fuentes de datos no es la misma, en el
caso de los GPS las posiciones se reportan en cada minuto. Asimismo, el trabajo se realizó
sobre datos anónimos lo que requirió trabajo adicional.
Las tareas de análisis incluyeron la elaboración de histogramas, gráficos de series
temporales, heatmaps en varias variables, generación de imágenes geo localizadas de la
concentración de venta de boletos, identificar los trayectos de mayor demanda, relacionar
los pasajeros frecuentes con el tiempo entre trayectos y generación de grafos.
Gran parte del análisis se focalizó en identificar casos o preguntas del negocio: ¿qué era lo
que el negocio se consideraba interesante para conocer y a qué le otorgaba valor?
7
Identificar el comportamiento de los usuarios que permitieran su segmentación. Contar
con toda la serie histórica desde que se implementó la tarjeta SUBE en esta empresa, nos
permitió observar con sumo detenimiento la curva de adopción del sistema y el
comportamiento de reemplazo del modelo anterior.
Este mecanismo permite analizar y establecer patrones sobre el proceso de adopción de
políticas públicas. Encaramos un estudio multiescala sobre la densidad de venta de
boletos en diferentes horarios (ver Ilustración 1). Los primeros datos se reflejan
claramente en la combinación de datos georreferenciados y clustering, y se observa como
en horarios matinales, las personas se desplazan desde barrios periféricos a lugares de
concentración comercial o industriales, y por las tardes este proceso se revierte.
El ​dataset contiene información muy prometedora y en ese sentido las expectativas eran
muy altas. A la vez, el objetivo no era realizar análisis sociológicos o generales sobre los
datos, sino lograr información relevante para el cliente, en particular información
accionable que permitiera mejorar su posición de negocio o responder preguntas de
negocio.
Este trabajo de análisis de datos permitió al cliente contar con herramientas para conocer
de forma profunda y con altísimo nivel de detalle la distribución de la demanda. Preguntas
clave del cliente como “patrones de venta durante el día” (ver Ilustración 2) o “cuál es el
patrón de viajes de los usuarios clientes frecuentes” pudo responderse con información
precisa, así como descubrir patrones inesperados.
El piloto realizado es la primera etapa de un verdadero estudio en profundidad de los
datos, que el cliente debe aprobar y suscribir. En algunos casos se utilizaron herramientas
de graficación para presentar los datos al cliente en forma intuitiva, y algunos resultados
preliminares de correlación de datos. En la segunda etapa este análisis podría llevarse a
8
cabo con mayor detalle.
Este trabajo permitió agregar valor a la empresa mediante varios mecanismos, ya que
conocer el detalle de la demanda habilita el uso de herramientas comerciales en forma
sistemática e informada, que de otra forma se aproximan por la intuición o la experiencia.
La intuición no siempre coincide con la situación real y actual en la dinámica del negocio,
ya que refleja el conocimiento de muchos años y una visión en algunos casos subjetiva de
una realidad cambiante. Para poder mejorar hay que saber medir y en este caso se logró
responder a las preguntas de negocio con el soporte de datos y con alta definición.
Datos potenciales: Análisis de Estudios realizados en la Argentina que pueden
complementarse con herramientas de Big Data.
En las últimas décadas se ha fortalecido, aunque en forma dispar y discontinua en el
tiempo, la gestión de los datos de transporte y movilidad de la República Argentina. Si
bien la integración y centralización de los datos a nivel nacional tiene horizonte de
implementación a partir del procesamiento de la Tarjeta SUBE, se han llevado a cabo
estudios de demanda en casos de estudio con el objetivo de definir diseños de políticas
públicas.
La Investigación de Transporte Urbano de Buenos Aires (INTRUPUBA), realizada por la
Secretaría de Transporte de la Nación durante los años 2006 y 2007, presenta los
resultados correspondientes a la demanda de pasajeros y las características de la oferta
del Sistema de Transporte Público de la Región Metropolitana de Buenos Aires
3
(Ferrocarril, Subterráneo, Pre metro y Colectivo). En el mismo marco, se ha realizado la
​Este estudio se llevó a cabo a partir de distintos tipos de relevamientos de la oferta (trazados, paradas, frecuencias,
tarifas, capacidad de los vehículos), la cuantificación de la demanda a partir de conteos de pasajeros relacionados a una
base geográfica y la caracterización de dicha demanda a partir de Encuestas Origen Destino (EOD) en estaciones
ferroviarias y subterráneas, en paradas y a bordo de vehículos de colectivos.
3
9
Encuesta de Movilidad Domiciliaria en el AMBA durante los años 2009 y 2010.
Desde la Unidad Ejecutora Central del Ministerio del Interior y Transporte se han realizado
Encuestas de Movilidad Domiciliaria (EMD) en distintas áreas metropolitanas del interior
del país. Las EMD fueron realizadas en el período 2008-2013 y de acuerdos a estándares
establecidos para la actualización de este tipo de datos, se debieran realizar de manera
periódica cada cinco años aproximadamente. Por otra parte se han realizado Conteos y
Encuestas Origen Destino a bordo de colectivos en corredores del AMBA.
Las EMD se realizaron en los hogares de las distintas áreas de estudio a partir de un diseño
muestral sin reemplazo y sistemático en el proceso de selección de las unidades en cada
4
etapa del relevamiento ​. A partir de los procesamientos de los datos se obtienen
indicadores de movilidad y transporte que permiten sustentar estudios y proyectos que
precisan una cuantificación y caracterización general de la demanda de las áreas
metropolitanas del país.
Se pueden establecer también análisis comparativos entre ciudades, tales como el
porcentaje de viajes realizados en un día hábil (Cuadro I). Si bien esta información no es
homogénea en todas las EMD, dado que en algunas se han relevado todos los viajes sin
importar la distancia y esto aumenta el porcentaje de viajes diarios realizados, permite
obtener un indicador para analizar no solo la movilidad urbana sino también, en
complemento con otros estudios, dinámicas de motilidad (referido a la movilidad
potencial) y de motivos de no movilidad de la población.
​El tamaño muestral en la EMD del AMBA fue de 22.500 hogares, mientras que en las áreas del interior del país
oscilaron entre 2000 y 5000 hogares. Se relevaron las características socioeconómicas de los hogares y las personas, los
viajes de todos los integrantes del hogar y sus respectivas etapas. La duración promedio de las EMD fue de
aproximadamente 1 hora y media por hogar.
4
10
Área Metropolitana de Argentina
% Población que realizó viajes
Cantidad de viajes diarios
501.343
Año de EMD
Área Metropolitana de Resistencia
60%
Área Metropolitana de Corrientes
58%
420.924
2012-2013
70%
1.136.924
2012
Área Metropolitana de Santa Fe
85%
1.484.030
2012
Área Metropolitana de Paraná
80%
737.406
2012
Área Metropolitana de Neuquén
56%
439.545
2012
56%
189.934
2012
Área Metropolitana de Tucumán
58%
1.436.710
2011
Área Metropolitana de Mendoza
77%
1.528.994
2010
Área Metropolitana de Posadas
68%
567.475
2010
64%
19.767.555
2009-2010
Área Metropolitana de Córdoba
75%
2.704.650
2009
Área Metropolitana de Rosario
60%
1.883.669
2008
Área Metropolitana de Salta
Área Metropolitana de Cipolletti
Área Metropolitana de Buenos Aires
2012-2013
Cuadro I EMD realizadas en la Argentina: cantidad de viajes totales y porcentaje de población que viaja. Fuente: Elaboración propia a partir de datos públicos de la UEC­ Ministerio del Interior y Transporte. http://uecmovilidad.gob.ar/category/publicaciones/encuestas/ Al focalizar el análisis en los modos de transporte utilizados en las distintas ciudades de la
5
Argentina, el colectivo, el auto y los viajes a pie corresponden a los modos más utilizados
(Cuadro II y Figura I).
Cuadro II Modos de Transporte utilizados en la Argentina por Área Metropolitana de acuerdo a EMD. Fuente:
5
Es importante considerar que para poder realizar el análisis en términos comparativos, solamente se ha considera el
Transporte Público Colectivo para todas las ciudades en estudio.
11
Elaboración propia a partir de datos públicos de la
http://uecmovilidad.gob.ar/category/publicaciones/encuestas/
UEC-
Ministerio
del
Interior y
Transporte.
Figura I. Modos de Transporte utilizados en la Argentina por Área Metropolitana de acuerdo a EMD. Fuente: Elaboración
propia
a
partir de datos
públicos
de la
UEC- Ministerio del Interior y Transporte.
http://uecmovilidad.gob.ar/category/publicaciones/encuestas/
Al realizar el análisis de partición modal por género, se observa que hay diferencias marcadas:
los modos no motorizados y el colectivo son más utilizados por las mujeres, mientras que en el
transporte público individual (automóvil particular y moto) es más utilizado por los hombres
(Figura II)
Figura II. Modos de Transporte utilizados en la Argentina por Área Metropolitana de acuerdo a EMD según gémero.
Fuente: Elaboración propia a partir de datos públicos de la UEC- Ministerio del Interior y Transporte.
http://uecmovilidad.gob.ar/category/publicaciones/encuestas/
12
Si se consideran los motivos de viaje realizados a nivel nacional se observa la tendencia de que
la mayor cantidad de viajes se realizan por motivo trabajo y estudio en todas las ciudades en
estudio.
Cuadro III. Motivos de viaje en la en la Argentina por Área Metropolitana de acuerdo a EMD. Fuente: Elaboración propia
a
partir
de
datos
públicos
de
la
UECMinisterio
del
Interior
y
Transporte.
http://uecmovilidad.gob.ar/category/publicaciones/encuestas/
Al considerar el promedio nacional de motivos de viaje, las proporciones se mantienen (Figura
III). Tanto el motivo trabajo como estudio comprenden el 63% de los viajes.
13
Figura III. Motivos de viaje en la en la Argentina por Área Metropolitana de acuerdo a EMD. Fuente: Elaboración propia a
partir
de
datos
públicos
de
la
UECMinisterio
del
Interior
y
Transporte.
http://uecmovilidad.gob.ar/category/publicaciones/encuestas/
La potencialidad de estos datos muestrales cobra una nueva dimensión al pensar en la fusión de
los mismos con datos en tiempo real, que permitan a la vez contrastarlos y complementarlos.
4. Impacto
El impacto es de tipo multidimensional. Ya cada aplicación de Big Data puede pensarse
desde el ciudadano, de las políticas públicas, de los proveedores de transporte, es decir
desde cada actor social del escenario sociotécnico.
Desde el punto de vista de la gestión del gobierno, el impacto es profundo, ya que la
visibilidad que aporta Big Data de los efectos de las políticas públicas en tiempo real
permite poner a prueba la visión ideológica o deseada del resultado.
El impacto para los ciudadanos es directo en la mejora de la vida cotidiana. La mayor parte
de la población urbana en Latinoamérica emplea una gran cantidad de tiempo en
14
trasladarse al trabajo o zonas comerciales o para realizar trámites. Aún pequeñas mejoras
en estos tiempos y condiciones de traslado son recibidos por la población como una
mejora de la vida cotidiana, además del impacto en las horas productivas (o de
esparcimiento, lo que impacta positivamente en el funcionamiento de la sociedad). Para
proveedores de servicios, se pueden implementar políticas de datos abiertos, que les
permitan contar y utilizar los datos.
5. Conclusiones
Como dijimos para poder llevar a cabo estos proyectos una vez puestos en marcha estos
primeros pilotos es necesario apostar al desarrollo de capacidades en sus
multidimensiones: en el análisis, recolección y uso de los datos, en las capacidades
analíticas de los grupos de investigación/consultoría, organizaciones de la sociedad civil,
organizaciones empresariales del transporte y los gestores públicos. Los desafíos se
encuentran tanto en el análisis como en la recolección y uso de los datos.
6. Bibliografía
Artopoulos, A. (2016) “Bahía Blanca: Ciudad del Nuevo Desarrollo” en “Casos exitosos de
Ciudades Inteligentes en la República Argentina” Alejandro Prince. Buenos Aires.
Burrows, R., & Savage, M. (2014). After the crisis? Big Data and the methodological
challenges of empirical sociology. Big Data & Society, 1(1).
Corporación Andina de Fomento (2011) Desarrollo urbano y movilidad en América Latina,
disponible
en
http://www.caf.com/media/4203/desarrollourbano_y_movilidad_americalatina.pdf
Gutiérrez, A. y Kralich, S. (2011) Presentación Dossier: De movilidades e inmovilidades
urbanas. Revista Transporte y Territorio Nº 4, Universidad de Buenos Aires. Pp. 1 a 9
disponible en ​www.rtt.filo.uba.ar/RTT00401001.pdf
Heeks, R. (2008). ICT4D 2.0: The next phase of applying ICT for international development.
Computer, 41(6), 26-33.
15
International Transport Forum. (2015) Big Data and Transport Understanding and
assessing options. Corporate Partnership Board Report.
Kaufmann, V. (2002) “Motilité, latence de mobilité et modes de vie urbains”, en Bonnet,
M. y Aubertel, P. (eds.), La ville aux limites de la mobilité.
Kazhamiakin, R., Marconi, A., Perillo, M., Pistore, M., Valetto, G., Piras, L., ... & Perri, N.
(2015, October). Using gamification to incentivize sustainable urban mobility. In Smart
Cities Conference (ISC2), 2015 IEEE First International (pp. 1-6). IEEE.
Miralles-Guasch Carmen y Cebollada, Ángel Cebollada. (2003) “Movilidad y transporte.
Opciones políticas para la ciudad”. Fundación Alternativa.
Unidad Ejecutora Central Movilidad del Ministerio del Interior y Transporte de la
República Argentina ​http://uecmovilidad.gob.ar/category/publicaciones/encuestas/
Ureta, S. (2015). Assembling Policy: Transantiago, Human Devices, and the Dream of a
World-class Society. Mit Press.
Regional Observatory of Intelligent Transport Systems for Latin America and the
Caribbean.
Vasconcellos, Eduardo. (2015) “Transporte Urbano y Movilidad. Reflexiones y Propuestas
en Desarrollo”. Unsam Edita, Buenos Aires.
16