Beyond Reported Trips: A Bayesian Framework for Correcting Household Travel Surveys

Cada día, millones de personas se desplazan por las ciudades, saltando de casa al trabajo, deteniéndose para comprar víveres o dando un rápido paseo a la casa de un amigo. Los planificadores de transporte dependen de encuestas para comprender estos movimientos, pidiendo a los hogares que anoten cada viaje que realicen en un solo día. Esta información ayuda a las ciudades a decidir dónde construir nuevos carriles bici, cuántos autobuses operar y si es necesaria una nueva línea de metro. Sin embargo, estas encuestas tienen una debilidad de larga data: las personas son pésimas recordando todo lo que hicieron. Cuando se les pide que recuerden un día de desplazamientos, la mayoría olvida los viajes cortos y espontáneos: la recolección rápida en la tienda de la esquina, el breve paseo al buzón o la parada para dejar un paquete. Recuerdan los eventos grandes y estructurados, como ir al trabajo o a la escuela, pero los movimientos pequeños y discrecionales suelen desvanecerse de la memoria. Esto crea una imagen distorsionada de cómo viven realmente las personas, lo que lleva a los planificadores a subestimar el caminar y el andar en bicicleta, y a sobreestimar el tiempo que las personas pasan en automóviles.

Para solucionar esto, los investigadores han comenzado a utilizar teléfonos inteligentes para rastrear el movimiento de forma pasiva, registrando exactamente a dónde va la gente sin pedirles que lo recuerden. Pero estos estudios basados en teléfonos suelen ser pequeños y carecen de la información personal detallada que ofrecen las grandes encuestas de hogares. Un nuevo estudio realizado por investigadores de la Universidad de Toronto y del Instituto Tecnológico de Massachusetts cierra esta brecha. Desarrollaron un método para combinar el amplio alcance de las encuestas tradicionales con el detalle preciso del seguimiento por teléfono inteligente. Al utilizar un enfoque estadístico que trata los datos del teléfono como una forma de corregir los vacíos de memoria de la encuesta, pudieron reconstruir los viajes perdidos que la gente olvidó reportar. El resultado es un mapa más preciso de la vida diaria que conserva los ricos detalles demográficos de la gran encuesta, añadiendo al mismo tiempo las piezas faltantes del rompecabezas de los desplazamientos.

Los investigadores se centraron en el Área de Toronto y Hamilton, utilizando datos de la Encuesta de Transporte de Mañana de 2022, una enorme encuesta de hogares que captura los hábitos de viaje en toda la región. Combinaron esto con dos estudios más pequeños y detallados realizados en 2023 y 2025, donde los participantes portaban teléfonos inteligentes que registraban automáticamente sus movimientos. El equipo notó un patrón claro: la encuesta tradicional mostraba que las personas realizaban aproximadamente 2.06 viajes por persona en un día laborable, mientras que los datos del teléfono mostraban significativamente más, alrededor de 3.16 a 3.83 viajes. La diferencia no era aleatoria; era sistemática. Las personas olvidaban consistentemente los viajes cortos y no esenciales. Los investigadores separaron estos viajes en dos categorías: viajes "esqueleto", que son los anclajes principales del día como el trayecto al trabajo o la escuela, y viajes "no esqueleto", que son los movimientos flexibles y discrecionales como ir de compras o visitar amigos. Encontraron que los viajes esqueleto se reportaban con bastante precisión, pero los viajes no esqueleto se omitían con frecuencia, especialmente cuando un miembro de la familia reportaba el viaje de otro.

Para recuperar estos viajes perdidos, el equipo construyó un marco que actúa como un kit de reparación estadística. Comenzaron con los datos de la gran encuesta como base, que representan lo que la gente dijo haber hecho. Luego, utilizaron los datos del teléfono inteligente para actualizar y refinar esas cifras. Imagine los datos de la encuesta como un boceto tosco de un viaje diario, y los datos del teléfono como una fotografía de alta resolución que revela los detalles finos que el boceto omitió. Los investigadores utilizaron un método que permite mezclar estas dos fuentes, tratando la encuesta como una suposición inicial y los datos del teléfono como nueva evidencia que corrige esa suposición. Hicieron esto por separado para las personas que reportaban su propio viaje y para aquellas que reportaban para alguien más, porque los errores en el reporte son diferentes para cada grupo. Cuando alguien informa por un cónyuge o un hijo, a menudo omite incluso más las paradas intermedias pequeñas que cuando informa por sí mismo.

Los resultados mostraron un cambio significativo en los números una vez aplicada la corrección. Para las personas que reportaron su propio viaje, el promedio de viajes por día aumentó de 3.05 a 3.90. Para aquellos que reportaron por otros, la cifra saltó de 2.64 a 3.63. Este aumento fue impulsado casi en su totalidad por la recuperación de los viajes no esqueleto. Los investigadores no añadieron viajes al azar; reconstruyeron cuidadosamente los faltantes basándose en los patrones encontrados en los datos del teléfono. Determinaron cuál era probablemente el propósito del viaje perdido, cuándo probablemente ocurrió, qué tan lejos era y cómo viajó la persona. Por ejemplo, descubrieron que los viajes perdidos eran desproporcionadamente cortos y a menudo implicaban caminar o visitar a amigos, actividades que se olvidan fácilmente en un día ocupado. Los datos corregidos mostraron una mayor proporción de caminatas y una distribución más uniforme de los viajes a lo largo del día, en lugar de centrarse solo en las horas pico de la mañana y la tarde.

El estudio también reveló que la naturaleza de los viajes perdidos dependía en gran medida de quién estaba informando. Los encuestadores indirectos (o proxies), que informan por otros miembros de la familia, tenían mucha más probabilidad de omitir viajes discrecionales que aquellos que informaban por sí mismos. Esto sugiere que cuando un padre completa un diario para su hijo, puede recordar el trayecto a la escuela, pero olvidar la parada del niño en un parque o en casa de un amigo. Al modelar estas diferencias por separado, los investigadores pudieron aplicar la correación adecuada a cada grupo. El conjunto de datos final corregido mantuvo la estructura original de la gran encuesta, lo que significa que todavía reflejaba con precisión la edad, los ingresos y la ubicación de la población, pero ahora contaba una historia más veraz sobre cómo se movían esas personas. La distribución de los propósitos de los viajes cambió para incluir más compras y recreación, y el tiempo de los viajes mostró más actividad durante el medio del día y en la noche, llenando los vacíos que la encuesta tradicional dejaba vacíos.

Este trabajo ofrece una forma práctica de mejorar los datos que las ciudades utilizan para tomar decisiones. Los planificadores suelen depender de estas encuestas para establecer metas de reducción del uso del automóvil o aumento de las caminatas, pero si las encuestas omiten los viajes cortos, esas metas podrían establecerse demasiado bajo. Al integrar los datos pasivos de los teléfonos inteligentes, los investigadores proporcionaron un método para ver el panorama completo de los viajes diarios sin necesidad de reemplazar totalmente las grandes encuestas establecidas. Los datos corregidos sugieren que las personas son más activas y caminan más de lo que se pensaba anteriormente, particularmente en los viajes locales cortos. Aunque los viajes reconstruidos son estimaciones estadísticas en lugar de observaciones directas de individuos específicos, proporcionan una base mucho más confiable para comprender el comportamiento de viaje. El estudio concluye que este enfoque puede ayudar a las ciudades a planificar mejor la realidad de cómo se mueve la gente, asegurando que la infraestructura y las políticas coincidan con los ritmos reales, y a menudo olvidados, de la vida diaria.