Salte a conteúdo principal

Hitachi

Inovação Social

Enfrentando os Desafios da Coleta e Análise de Dados para Alcançar a Equidade na Mobilidade

Por Harsha Badarinarayan Ph.D., Vice-Presidente, Hitachi America, Ltd.

Como a Coleta de Dados Granulares e a Análise Avançada Ajudam na Busca pela Equidade no Transporte

Channel Artwork
Meeting the Challenges of Data Collection and Analysis to Achieve Mobility Equity
Meeting the Challenges of Data Collection and Analysis to Achieve Mobility Equity
6:01

A equidade na mobilidade desempenha um papel fundamental na garantia de acesso justo e igualitário a todas as necessidades da sociedade, de escolas a supermercados. A coleta de dados precisos e representativos, portanto, sustenta o acesso igualitário não apenas ao trânsito, mas também a todos os serviços essenciais em uma comunidade.

O desafio de coletar dados precisos e analisá-los de forma eficaz é mais bem enfrentado por meio de parcerias público-privadas. A colaboração entre esses setores é a chave para esclarecer os objetivos da coleta de dados e o valor dos dados analisados. Sem essa clareza, a análise pode ser comprometida, resultando potencialmente em conclusões tendenciosas que podem não servir ao bem público.

O setor privado está bem posicionado para financiar grandes projetos com eficiência máxima, e suas instalações com tecnologias de coleta de dados impactantes permitem a coleta de dados granular e direcionada necessária para obter um conjunto de dados representativo. A experiência em coleta e análise de dados de organizações como a Hitachi os torna parceiros poderosos para fornecer às comunidades tecnologia inovadora para avançar em direção à igualdade no transporte.

Desafios da coleta de dados: Confiabilidade, repetibilidade e respeito à privacidade

Para alcançar a equidade no transporte, as autoridades devem ter uma fonte confiável de dados abrangentes e contemporâneos. A coleta deve ocorrer por meio de uma compreensão completa das necessidades reais da comunidade, e os próprios dados devem ajudar a atender a essas necessidades. A confiança em dados históricos é insuficiente, pois pode não levar em conta as mudanças na população ou representar com precisão as populações carentes.

A participação e o compartilhamento de informações por indivíduos fornecem a base mais fundamental para a construção de modelos de dados que abordam a equidade no transporte. Mas explorar essa fonte de dados crucial exige que as organizações conquistem a confiança do público, demonstrando responsabilidade com informações de identificação pessoal (PII, em inglês), transparência transacional e responsabilidade.

Por exemplo, quando os dados revelam PII, esses detalhes devem ser tratados de acordo com as políticas de privacidade que regem o uso. Muitas vezes, as informações de identificação pessoal podem ser totalmente evitadas. Por exemplo, as organizações podem remover dados refinados, como dados de localização de celulares, e substituí-los por dados agregados.

As organizações também devem demonstrar transparência transacional, informando os clientes sobre os dados que coletarão, como os coletarão e a finalidade de seu uso. Os dados devem ser mantidos nos mais altos padrões de coleta, armazenamento e liberação de acordo com as políticas e práticas existentes para PII.

Uma maneira de incutir confiança é que um intermediário confiável e neutro gerencie esses dados e preserve a privacidade dos consumidores finais, garantindo que os dados usados criem valor com segurança e justiça.

Finalmente, o processo de coleta de dados deve facilitar a repetibilidade e a escalabilidade usando um registro padronizado da abordagem.

A tecnologia aborda os desafios da análise de dados

As organizações também enfrentam desafios na fase de análise de dados, como o custo de análises avançadas e a necessidade de ferramentas, recursos e conhecimentos adequados. É aqui que brilham as parcerias público-privadas. As autoridades de trânsito e os municípios podem fazer parcerias com empresas privadas de tecnologia, que têm as ferramentas e o conhecimento já testados em campo e prontos para serem implantados, para desenvolver os modelos certos.

Padronizar o compartilhamento de dados é um primeiro passo importante para melhorar o acesso e reduzir custos e despesas gerais processuais. Um padrão de troca de dados de código aberto, por exemplo, pode fornecer acesso comum a dados entre vários provedores, municípios e clientes. Os formuladores de políticas e as partes interessadas do setor privado também devem estar cientes dos desafios de mobilidade que as comunidades rurais enfrentam. Áreas com populações significativamente menores e infraestrutura de trânsito menos desenvolvida podem ter menos opções de transporte. O Rural Transit Fact Book observa que apenas 4% das famílias rurais usam transporte público, contra 31% de suas contrapartes urbanas.1 Ao mesmo tempo, a disponibilidade de serviços de compartilhamento de caronas e serviços de transporte é muitas vezes limitada nessas comunidades.

O uso eficiente de dados nessas áreas pode ajudar a desenvolver modelos matemáticos de alta fidelidade que podem melhorar o gerenciamento de desempenho em nível de ecossistema em toda programação, coordenação e manutenção de frotas rurais. Ensaios de controle de método misto e randomizados podem identificar viés inerente nos dados. Outras técnicas, como combinar várias fontes de dados, podem ser valiosas para verificação cruzada e validação.

Analytics e IA fornecem o diferencial de patrimônio

A análise de dados e a inteligência artificial (IA) são essenciais para esses esforços. O software de planejamento e agendamento avançado baseado em IA, por exemplo, pode otimizar operações e gerenciar ativos com mais eficiência, direcionando veículos para onde a demanda é maior, além de oferecer suporte a manutenção e reparos preditivos. E a análise de vídeo suportada por câmeras, LiDAR e outras tecnologias (com implementação apropriada de medidas de privacidade) pode avaliar os volumes de uso de transporte público em populações onde o celular e outros dados digitais são menos comuns.

Analytics e IA podem prever com precisão a demanda para que as autoridades de trânsito possam fornecer um serviço de trânsito mais personalizado sem desmontar e redesenhar sistemas inteiros. Eles ajudam as organizações a superar limites geográficos e eliminar ineficiências de dados enquanto melhoram o serviço.

Colaborando para construir um ecossistema igualitário

A visão de mobilidade da Hitachi vai além da tecnologia relacionada aos próprios veículos para todo o ecossistema de transporte. Essa perspectiva é ideal para lançar inovações que ajudem os municípios a alcançar a equidade em comunidades carentes. Ele apoia a formação de parcerias com as principais partes interessadas, incluindo fornecedores de infraestrutura, comunicação e serviços de coleta e armazenamento de dados que interagem com a tecnologia1- avançada de transporte, análise e segurança cibernética da Hitachi.

Harsha Badarinarayan, Vice President, Hitachi America, Ltd.

Harsha Badarinarayan, Ph.D.
Vice President, Hitachi America, Ltd.

Harsha Badarinarayan é vice-presidente de Pesquisa e Desenvolvimento da Hitachi America, Ltd. Ele está na Hitachi há mais de 18 anos. Em sua função atual, Harsha está envolvido em Estratégia e Planejamento de Tecnologia para expansão de negócios automotivos nos EUA, especificamente relacionado a Veículos Autônomos e Mobilidade Conectada. Seu trabalho se concentra no desenvolvimento de tecnologia de direção automatizada e na identificação de oportunidades potenciais de entrada no mercado (GTM) para casos de uso relacionados ao setor automotivo. Harsha detém 15 patentes nos EUA e é autor ou coautor de mais de 30 publicações técnicas.

linkedin

1
O Caderno de Informações do Trânsito Rural https://www.ugpti.org/resources/reports/downloads/2017-rural-transit-fact-book.pdf