Bidirectional yet asymmetric causality between urban systems and traffic dynamics in 30 cities worldwide

Resumen Técnico: Causalidad Bidireccional pero Asimétrica entre Sistemas Urbanos y Dinámicas de Tráfico

Planteamiento del Problema
Comprender la coevolución de los sistemas urbanos y las dinámicas de tráfico es esencial para una planificación urbana sostenible y resiliente. Si bien la literatura existente ha mapeado extensamente las asociaciones estadísticas entre factores del entorno construido (como redes viales, uso de suelo y morfología) y los estados del tráfico, estos estudios a menudo no logran distinguir la correlación de la causalidad. Persiste una brecha crítica en la caracterización exhaustiva de los mecanismos de retroalimentación bidireccionales y sus potenciales asimetrías en diversos contextos globales. Además, los métodos actuales de inferencia causal suelen tener dificultades para abordar simultáneamente la heterogeneidad espacial, la variación temporal y la compleja interacción entre la estructura, la forma y la función urbana. Los enfoques actuales se centran ya sea en la causalidad temporal en datos de series temporales o en la causalidad espacial en secciones transversales estáticas, careciendo de un marco integrado capaz de capturar la naturaleza espacio-temporal dinámica de la movilidad urbana.

Metodología
Para abordar estos desafíos, los autores proponen un marco de causalidad espacio-temporal que integra la Regresión Ponderada Espacio-Temporal (STWR) con un novedoso método de Mapeo de Cruce Convergente Espacio-Temporal (STCCM).

1. Datos y Unidades Espaciales: El estudio analiza 30 ciudades de seis continentes, seleccionadas según la disponibilidad de datos, los niveles de congestión y la distribución global. Las dinámicas de tráfico se miden mediante un indicador de congestión derivado de los factores de atasco de HERE Technologies. Los sistemas urbanos se caracterizan a través de una "triple hélice" de componentes:

   • Estructura: Topologías de la red vial (p. ej., densidad de nodos, centralidad).
   • Forma: Métricas morfológicas a nivel de paisaje (p. ej., densidad de parches, densidad de bordes).
   • Función: Atributos de uso de suelo (p. ej., áreas comerciales, residenciales, de transporte).
     Las unidades espaciales se definen como Celdas de Voronoi con Amortiguamiento (BVCells), construidas mediante el agrupamiento de nodos de intersección vial y aplicando un amortiguamiento de 500 m para capturar la dinámica de tráfico localizada y los entornos circundantes.

2. Regresión Ponderada Espacio-Temporal (STWR): Este paso cuantifica las relaciones espacialmente heterogéneas y temporalmente variables entre las características del sistema urbano y las dinámicas de tráfico. La STWR genera coeficientes locales para cada característica, que luego se suavizan y agregan para crear indicadores compuestos de estructura, forma y función urbana. Esto permite al modelo capturar cómo varía la fuerza de la asociación a través del espacio y el tiempo (p. ej., entre días laborables y días de descanso).

3. Mapeo de Cruce Convergente Espacio-Temporal (STCCM): Basándose en los indicadores compuestos, se emplea el STCCM para inferir relaciones causales bidireccionales. A diferencia del Convergent Cross-Mapping (CCM) estándar o del Geographical CCM (GCCM), el STCCM integra conjuntamente la dependencia espacial y la variación temporal en la reconstrucción del espacio de estados.

   • Mecanismo: El método reconstruye los colectores de sombra (shadow manifolds) para los sistemas urbanos ($X$) y las dinámicas de tráfico ($Y$) utilizando rezagos espaciales y instantáneas temporales, enfocándose específicamente en periodos de congestión.
   • Inferencia: La causalidad se determina por la convergencia de la habilidad de mapeo cruzado ($\rho$) a medida que aumenta el tamaño de la biblioteca ($L$). Si la predictibilidad de $Y$ a partir de $X$ ($\rho_{X \to Y}$) converge y supera a la inversa ($\rho_{Y \to X}$), se infiere una dirección causal dominante.
   • Asimetría: La magnitud de la diferencia ($\Delta\rho$) entre las dos direcciones cuantifica la asimetría de la relación causal.

4. Agrupamiento (Clustering): Un enfoque de agrupamiento impulsado por la causalidad utiliza el Dynamic Time Warping (DTW) para la similitud de la forma de la curva y la distancia de Jaccard para el traslape de magnitud, con el fin de agrupar las ciudades en arquetipos causales distintos.

Contribuciones Clave

• Innovación Metodológica: El desarrollo del STCCM, que extiende la inferencia causal al dominio espacio-temporal integrando dependencias espaciales (mediante rezagos espaciales en la reconstrucción del espacio de estados) con la dinámica temporal, superando las limitaciones de los modelos previos de GCCM y CCM.
• Marco Conceptual: La aplicación de la "triple hélice" (estructura, forma, función) para desentrañar sistemáticamente los distintos mecanismos a través de los cuales los sistemas urbanos influyen en el tráfico.
• Análisis Empírico Global: Un análisis exhaustivo de la causalidad bidireccional en 30 ciudades diversas, yendo más allá de los estudios de caso de una sola ciudad para identificar patrones y arquetipos globales.

Resultados

• Causalidad Bidireccional pero Asimétrica: El estudio confirma que la causalidad fluye en ambas direcciones entre los sistemas urbanos y las dinámicas de tráfico. Sin embargo, existe una clara asimetría: los sistemas urbanos generalmente ejercen una influencia causal más fuerte sobre las dinámicas de tráfico que viceversa. Esto es estadísticamente significativo en la mayoría de las ciudades (26–29 de 30, dependiendo del componente).
• Dominancia de la Forma y la Función: Mientras que la estructura urbana (redes viales) muestra la mayor correlación estadística ($R^2$) con las dinámicas de tráfico, la forma y función urbanas a menudo demuestran una influencia causal más fuerte ($\rho$). Por ejemplo, en Singapur, la estructura tuvo el $R^2$ más alto (0.95), pero la forma mostró la mayor fuerza causal ($\rho = 0.65$). Esto sugiere que, si bien las redes viales restringen el movimiento, la disposición espacial y la distribución del uso de suelo (factores de la demanda) son los principales impulsores de los patrones de congestión.
• Variación Temporal: Los patrones causales difieren entre los días de descanso y los días laborables. Los días de descanso muestran señales causales más fuertes y distintas, probablemente debido al comportamiento de viaje autoorganizado. Los días laborables exhiben una causalidad "atenuada" en algunas ciudades, donde los horarios de desplazamiento fijos conducen a la saturación, reduciendo la distintividad de las vías causales.
• Tres Arquetipos Causales: Las 30 ciudades se agruparon en tres grupos distintos:
  1. Fuertemente Acopladas: Ciudades (p. ej., Nueva Delhi, Singapur) con una fuerte causalidad bidireccional, donde las variables urbanas explican una parte significativa de la varianza del tráfico.
  2. Heterogéneas en Patrones: Ciudades (p. ej., Helsinki, Viena) con una causalidad moderada pero con variaciones internas distintas, que requieren una planificación diagnóstica y específica al contexto.
  3. Atenuadas en Días Laborables: Ciudades (p. ej., Zúrich, Sídney) donde los vínculos causales se debilitan significamente durante los días laborables, lo que sugiere que las palancas urbanas estáticas son insuficientes sin una gestión de la demanda operativa.

Significancia y Reivindicaciones
El artículo sostiene que pasar de la asociación estadística a la inferencia causal es crítico para una planificación urbana y de transporte efectiva. Los hallazgos desafían la dependencia de las soluciones de oferta (p. ej., expansión de redes viales) al demostrar que los factores de la demanda (forma y función urbana) a menudo impulsan las dinámicas de tráfico de manera más profunda. Los arquetipos causales identificados proporcionan una base para el aprendizaje de ciudad a ciudad, permitiendo a los planificadores adaptar las intervenciones según si una ciudad está fuertemente acoplada, es heterogénea o está atenuada. Los autores enfatizan que su marco ofrece un plano escalable para traducir los diagnósticos causales en estrategias dirigidas y sensibles al contexto para la mitigación de la congestión y el desarrollo sostenible, reconociendo al mismo tiempo las limitaciones respecto a la dependencia de los datos vehiculares y la necesidad de trabajos futuros sobre la integración multimodal y la heterogeneidad subregional.