Hur skapar vi hållbara transportsystem för människor? Det är vad det handlar om. (Obs: inte min dotter på bilden, men ja, det verkar verkligen vara någon med gener från nordöstra England och Irland 😉)

De sex affärsområdena hos Trivector Traffic är:

• Human mobilitet
• Framtidssäkrad samhällsplanering
• Attraktiv kollektivtrafik
• Robusta transportsystem
• Samskapad stadsutveckling
• (Värdeskapande) digitalisering.

Tillsammans utgör de de element som behövs för att skapa ett hållbart transportsystem. Det handlar om att förstå människor och hur de använder transportsystemen, säkerställa både kortsiktig och långsiktig planering, involvera rätt personer och expertis samt utveckla rätt digital och fysisk infrastruktur.

Digitalisering är idag en förutsättning för arbete inom transportsektorn, men också en möjliggörare för att driva mer hållbarhet om den används på rätt sätt. Nedan följer mina 10 reflektioner om digitaliseringens roll för mer hållbar mobilitet, baserade på samtalen med mina kollegor.

1. Digitalisering som verktyg och inte ett mål i sig

Vi hör mycket om digitalisering och användning av teknik och digitala lösningar som (kanske till och med) ”löser” våra hållbarhetsproblem. Digitalisering och teknik är dock inte ett mål i sig. Målet är att skapa mer hållbara transportsystem där alla har möjlighet att få tillgång till de varor och tjänster de vill på ett sätt som är anpassat för dem.

2. Data, data, data

Grunden för all digitalisering är data: rätt data för att tillhandahålla digitala tjänster, rätt data för att optimera planering, rätt data för att identifiera de bästa åtgärderna att genomföra och följa upp på. Den ”rätta” datan är inte lätt att definiera, men om vi vill stödja ett mer rättvist transportsystem, då måste vi förstå hur olika användare av transportsystemet påverkas av val (vilka socioekonomiska grupper till exempel) och hur man utformar rätt lösningar för dessa grupper.

3. Potentialen för nya analyser

Transportsystemet, människorna och godset som rör sig i systemet ger oss stora mängder data. Ny teknik ger oss möjligheter att samla in ny data (t.ex. rörelse av mobiltelefoner, identifiering av cykelflöden via maskinvision (kameror), realtidsdata från olika färdmedel, etc.). Datan är kraftigt underutnyttjad. Ny data och nya typer av data innebär kanske att traditionella analyser inte kan göras, medan nya analyser kan göras. Ökad processorkraft och parallella programmeringsmetoder gör det också möjligt att utföra stora beräkningar på ett sätt som tidigare inte var möjligt.

4. Att gå från Excel till nya kompetenser

Traditionellt har de datamängder som används i transportplanering och analys varit hanterbara inom kalkylblad – du kan öppna datamängderna i Excel även om analysen ibland görs med statistisk programvara. Nya (och mycket större) datamängder kräver nya färdigheter. Data engineering och data science blir allt vanligare inom transportområdet och behövs. De stora mängder data som används för analys kräver nya processer för automatisering och kvalitetskontroll. Det behöver också finnas en ny typ av dokumentation. Hur datan presenteras för att skapa något meningsfullt är också extremt viktigt och kräver kompetenser som korsar transport och planering, databehandling och visualisering. Inte bara hur man hanterar datan – utan förstå vad datan betyder för oss?

5. Personuppgifter, datasäkerhet och GDPR

Det är inte svårt att föreställa sig de potentiellt förödande konsekvenserna om känslig data om transportinfrastruktur och individer hamnar i fel händer. Datasäkerhet är extremt viktigt. Det betyder dock inte att vi aldrig ska samla in och använda data. Vi behöver ha tekniken och processerna på plats och tydlighet kring hur vi hanterar detta. För närvarande är ofta default att inte dela data och GDPR används ofta som en ursäkt när organisationer inte vill dela.

6. Att få tillgång till (rätt) data kräver (nya) affärsmodeller

Att få tillgång till rätt data handlar delvis om att säkerställa datasäkerhet, men också om att se över affärsmodellerna kopplade till data. Data kan ofta produceras som en biprodukt av andra produkter/lösningar. Till exempel mobilnätverksdata som en biprodukt av mobiltelefonuppkoppling, eller cykeldelningsdata som en biprodukt av cykeldelningssystem. Att rensa datan, säkerställa kvaliteten och göra den tillgänglig för något värdefullt innebär en kostnad. Att låsa upp datan innebär då att hitta någon som är villig att betala för det värde som denna data ger.

7. Bias i data

Bias kommer i många former och skepnader. En tanke är ofta till traditionella undersökningar där det finns en bias på vem som svarar. Det finns också bias i vilken typ av data som är tillgänglig inom transportsektorn. Det finns till exempel mycket data om fordon (särskilt de moderna med hög uppkopplingsgrad) medan det finns mycket mindre data om gång och cykling. Vad är det vi egentligen vill använda datan till?

8. Att låsa upp data med rätt ramverk

Det finns ett värde i data, men för att låsa upp det krävs ramverk som möjliggör detta. Organisationer (både offentliga och privata) har data som kan vara användbar för andra och kan hjälpa till att skapa värde för samhället som helhet (t.ex. genom nya eller bättre digitala tjänster). Det behövs ramverk för att låsa upp detta. Detta kan göras till exempel i upphandlingar (företaget som vill ha uppdraget måste tillhandahålla data om sina transporter) och den kontext som genereras av standarder för öppna data och från EU-nivå om Mobility Data Spaces kan förhoppningsvis möjliggöra detta till viss del.

9. Strukturerad data och maskinläsbarhet

En del av tankarna kring ramverk handlar också om att strukturera data och göra den maskinläsbar. I praktiska termer innebär detta att det behöver finnas en samstämmighet i hur data struktureras (format, dokumentation) och tillgås. Alla som har arbetat med svenska csv-filer har stött på ett exempel på ett sådant praktiskt problem (inte kommatecken-separerade alls utan semikolon-separerade… 🤬🤯).

10. Jag kan inte skriva den här artikeln utan att nämna AI

När vi har rätt datamängder kan vi tillämpa avancerade modeller som ibland kommer att vara AI-modeller*. Jag har inte pratat om användningen av LLM (large language models) i intervjuerna med mina kollegor, men det blir en naturlig del av vårt arbete att använda dessa verktyg också. Det är särskilt användbart för att hjälpa till med kodsyntax och dokumentation

* Ämnet AI inom transportsektorn är något jag gärna skulle prata mer om. Kanske ämnet för en annan artikel? Men jag vill bara säga här att ”algoritm” och ”AI” inte är synonyma, även om de för närvarande ofta behandlas som sådana.

Läs mer:

De tidigare publicerade artiklarna (på engelska):

• Artikel #1: Digitalization for Future-proofed Strategic Planning
• Artikel #2: Using digitalisation for more Huma(e) mobility
• Artikel #3: Digitalisation for collaborative urban development
• Artikel #4: Attractive and digital public transport
• Artikel #5: Digitalisation for robust transport systems