Documentos de Académico
Documentos de Profesional
Documentos de Cultura
V3 101108 Modelling Corregido
V3 101108 Modelling Corregido
T R A D U C C I O N E S
Modelos de Transporte
Impreso en Espaa
Imprenta Pedro Cid, s.a., 2008
ndice
21
21
25
36
43
55
59
64
2. Prerrequisitos matemticos..................................................................
2.1. Introduccin...............................................................................
2.2. lgebra y funciones...................................................................
2.3. lgebra matricial.......................................................................
2.4. Elementos de clculo................................................................
2.5. Estadstica matemtica elemental.............................................
69
69
70
77
80
91
97
97
112
122
180
189
193
194
201
219
ndice
250
254
259
264
274
277
285
288
297
301
302
304
305
306
317
323
330
334
338
342
352
364
Introduccin...............................................................................
Determinacin del conjunto de elecciones...............................
Especificacin y forma funcional.............................................
Estimacin estadstica...............................................................
Mtodos de estimacin del MNP..............................................
Estimacin del modelo logit mixto de componentes de error...
369
371
373
378
401
407
Modelos
de
Transporte
447
449
451
454
461
465
474
481
482
488
497
507
511
515
516
528
543
557
565
569
571
573
577
604
610
613
10
ndice
640
652
664
673
Bibliografa.................................................................................................. 675
12
Modelos
de
Transporte
13
14
Modelos
de
Transporte
15
18
Modelos
de
Transporte
19
1.
Introduccin
22
Introduccin
De inters especial son los avances logrados en las ltimas dcadas en la informtica a bajo coste, tanto en el software como sobre todo en el hardware, lo cual
ha posibilitado la eliminacin de los cuellos de botella clsicos en el trata
miento masivo de datos. De hecho, las principales limitaciones van ahora por el
lado humano y tcnico: la planificacin de transporte contemporneo requiere
de profesionales muy bien cualificados as como de tcnicas de modelizacin
tericamente slidas con implementaciones computacionales eficientes y que
faciliten su interpretacin.
Asimismo, la mayora de los pases en desarrollo tambin sufren problemas
graves de congestin y contaminacin urbana en particular y de transporte en
general. Dichos problemas no son ya slo la falta de conexiones entre reas
rurales y los correspondientes mercados sino que tambin padecen los tpicos
problemas del mundo industrializado. Desgraciadamente, los pases en de
sarrollo tienen caractersticas diferentes que demandan tratamientos tambin
distintos: ingresos bajos, crecimiento rpido, alta demanda en el transporte
pblico, escasez de recursos, datos fiables y de personal cualificado.
Los comienzos del siglo XXI vienen caracterizados por dos importantes
hechos conceptuales que afectan a multitud de aspectos vitales y, por tanto,
al progreso socio-econmico. En primer lugar, el concepto de globalizacin,
as como la potenciacin de la sociedad del conocimiento y, en segundo lugar, y como soporte a ella, el fuerte desarrollo de las telecomunicaciones baratas
y de alta capacidad. La combinacin de ambas consigue la correspondiente
integracin en redes ms amplias cambiando la forma en que se abordan
muchos de los problemas actuales. Evidentemente, el mundo del transporte,
no puede ser ajeno a dichas transformaciones. Algunas de estas influencias
son: i) las variaciones sustanciales en las asignaciones de trficos a las redes
de transporte gracias a la agilidad que supone la rpida tramitacin de instruc
ciones a travs del mundo de Internet, una ventaja competitiva empresarial
nada despreciable en las economas modernas; ii) la decisiva implicacin del
sector privado en el suministro y la operacin del transporte hasta ahora en
determinados mbitos en manos del poder pblico; iii) el papel tambin de
cisivo de las telecomunicaciones en la posibilidad de reducir la necesidad de
viajar al poder, por ejemplo, tener reuniones no presenciales, sobre todo en
transacciones internacionales.
En cuanto se refiere a transporte, puede afirmarse que en el ltimo tercio
del siglo pasado se produjeron importantes avances tcnicos en la modelizacin,
especialmente en los principales centros de investigacin; estos desarrollos
Modelos
de
Transporte
23
24
Introduccin
Modelos
de
Transporte
25
del transporte, sosteniendo no slo que el uso de los modelos es inevitable sino
que el uso de modelos formales es altamente deseable.
Como se mencion anteriormente, la modelizacin del transporte es so
lamente una parte de la planificacin. Los procedimientos administrativos, el
marco institucional, profesionales expertos y con buen nivel de comunicacin
con quienes toman las decisiones, con los medios de comunicacin y con el
pblico, son los otros elementos que un sistema de planificacin eficaz debe
incluir. Por otro lado, la modelizacin del transporte y el proceso decisional
pueden ser combinados de diferente forma, en funcin de la experiencia local,
de sus tradiciones y competencias. Por tanto, antes de discutir cmo elegir un
modelo y una aproximacin a la planificacin, merece la pena definir algunas
de las caractersticas principales de los sistemas de transporte y de sus tpicos
asociados, as como ilustrar algunos problemas importantes que se presentan en
la modelizacin y de los cuales se dar cuenta en otros captulos de este libro.
26
Introduccin
Modelos
de
Transporte
27
28
Introduccin
Modelos
de
Transporte
29
30
Introduccin
Modelos
de
31
Transporte
Tiempo de viaje t
1 Flujo V
32
Introduccin
S = f {Q,V,M}
(1.1)
Q = f {I,M}
(1.2)
D = f {S,A}
(1.3)
Modelos
de
33
Transporte
Reduccin de
frecuencias en bus
Aumento
posesin
de coche
Disminucin
de la demanda de
transporte pblico
Incrementos
tarifarios
Ms congestin
y retrasos
Menor nmero
de km por autobs
34
Introduccin
repite cada ao, los niveles de congestin aumentan, los autobuses se retrasan,
sus frecuencias disminuyen y sus tarifas son cada vez ms altas; se constata,
por tanto, que la acumulacin de decisiones individuales razonables, provoca
un estado final peor para todos que el inicial.
Esta sencilla representacin tambin puede ayudar a identificar las posibles
medidas a tomar para ralentizar e incluso, invertir, este crculo vicioso. Estas
ideas se resumen en la figura 1.3.
Por ejemplo, medidas estructurales (fsicas) como el establecimiento de
carriles bus y otras medidas de prioridad a buses son particularmente atracti
vas, ya que dan como resultado una asignacin ms eficiente del espacio vial.
Por otro lado, las subvenciones al transporte pblico tienen sus detractores y
sus defensores; pueden reducir la necesidad de subir los precios a corto plazo,
pero tienden a generar grandes dficits y a proteger una gestin pobre, que
es en parte consecuencia de su propia ineficacia. Este aspecto ltimamente
ha hecho que, en pases en los que el transporte pblico se ejerce, por parte
de empresas u operadores privados en base a concesiones (Espaa, p. ej.), las
licitaciones se realicen en funcin de lo que se denomina Contratos de Gestin
Interesada, en los cuales se exige y vigila al empresario en el cumplimiento
de ciertos estndares de calidad (puntualidad, frecuencias, comportamiento y
atencin al usuario, adaptabilidad de bus, edad del bus, etc.), de forma que sus
Aumentos
de renta
Uso ms atractivo
del coche
ciones
Restric
ches
a los co
Aumento
posesin
de coche
Disminucin
de la demanda de
transporte pblico
ven
cio
Su
b
Incrementos
tarifarios
ne
Reduccin de
frecuencias en bus
Ms congestin
y retrasos
Prioridad a buses
Menor nmero
de km por autobs
Modelos
de
Transporte
35
36
Introduccin
Modelos
de
Transporte
37
38
Introduccin
Modelos
de
Transporte
39
40
Introduccin
Modelos
de
Transporte
41
42
Introduccin
Modelos
de
Transporte
43
44
Introduccin
Exgenos
Estratgica
Operacional
Endgenos
Tctica
Perspectivas
de Planificacin
y Gestin
Localizacin de actividades L
Demanda
Rendimiento
Alcance
de este
libro
Intervenciones en la oferta S
Minimizacin de costes
CM
Produccin
PR
deran algunos temas generales, como, por ejemplo, los roles de la teora y los
datos, la especificacin y la calibracin de modelos. Pero quizs, las elecciones
ms crticas son aquellas que sitan al planificador entre el uso de enfoques de
modelizacin agregados o desagregados, modelos de corte transversal o de series de tiempo y tcnicas de preferencias reveladas o declaradas.
Modelos
de
Transporte
45
46
Introduccin
Modelos
de
Transporte
47
48
Introduccin
Y = (X,)
(1.4)
Modelos
de
49
Transporte
Eleccin
Respuesta
Factores
que determinan
la eleccin
Poblacin
Medioambiente
Teora
del comportamiento
Atributos
Cambio de poltica
Muestra
Modelo
Simulacin
Previsin
50
Introduccin
Modelos
de
Transporte
51
52
Introduccin
resultados), y definitivamente mucho mayor que en el caso de los modelos agregados. Adems, se ha exagerado la diferencia entre los modelos de primera
y segunda generacin. Por ejemplo, los modelos desagregados fueron inicial
mente promocionados como radicalmente diferentes a los mtodos clsicos,
una revolucin en este campo del conocimiento. Sin embargo, bastante ms
tarde qued claro que era ms adecuado considerarlos una evolucin desde un
punto de vista de modelizacin (vase Williams y Ortzar, 1982b). De hecho,
en muchos casos, existe una equivalencia completa en la forma de pronosticar
(Daly, 1982a).
La diferencia esencial est en el tratamiento de la descripcin del compor
tamiento, en particular durante el proceso de desarrollo del modelo; en muchos
casos, el enfoque desagregado es claramente superior al conjunto de compor
tamientos individuales por zonas y estratos predefinidos de la poblacin.
Los intentos de clarificar el tema de en qu circunstancias sera preferible
utilizar un enfoque agregado o desagregado, han llegado a la conclusin de que
no existe un enfoque ms adecuado para todas las situaciones planteadas (vase
Daly y Ortzar, 1990). Estos intentos tambin han concluido que se requiere
una serie de directrices para ayudar a los profesionales desesperados a elegir
la herramienta de modelizacin ms apropiada para un contexto determinado.
En este libro se ha intentado dar respuesta a esta cuestin.
Modelos
de
Transporte
53
54
Introduccin
Modelos
de
Transporte
55
56
Introduccin
Zonificacin
Datos futuros
de Planificacin
Base de datos:
Ao base
Futuro
iteraciones
Generacin
Distribucin
Reparto modal
Asignacin a la red
Evaluacin
Modelos
de
Transporte
57
58
Introduccin
solamente en los ltimos aos se han desarrollado tcnicas que pueden tener
en cuenta estos efectos de forma sistemtica.
Una vez calibrado y validado el modelo segn las condiciones del ao
base es cuando puede ser aplicado a uno o ms horizontes de planificacin. Para hacer esto se deben plantear escenarios y planes que describan
las caractersticas relevantes del sistema de transporte y las variables de pla
nificacin en situaciones futuras. La elaboracin de escenarios realistas y
consistentes no es tarea fcil, ya que es muy sencillo caer en la trampa de construir alternativas futuras que no sean financieramente factibles ni realistas
en cuanto al probable desarrollo de los usos del suelo y de las actividades en
la zona de estudio. A pesar de estas dificultades, establecer escenarios es an
ms un arte que una tcnica y requiere mucha experiencia ingenieril combinada con un slido juicio poltico; desgraciadamente, stos son recursos
escasos que no suelen encontrarse al mismo tiempo en los equipos de plani
ficacin.
Una vez definidos un conjunto de escenarios y planes realistas para su
verificacin, se activa nuevamente la misma secuencia de modelos para simu
lar sus prestaciones. A continuacin se realiza una comparacin entre los cos
tes y beneficios de los diferentes proyectos bajo diferentes escenarios, con el
objetivo final de elegir el programa de inversin ms rentable y la poltica de
transporte ms adecuada que satisfaga la demanda por desplazamientos en la
zona de estudio.
Una cuestin importante en el modelo clsico de cuatro etapas es la ne
cesidad de verificar la utilizacin consistente de las variables que influyen
sobre la demanda. Por ejemplo, al final de la fase de asignacin de trfico se
obtendrn nuevos niveles de flujo y, por lo tanto, nuevos tiempos de viaje que,
probablemente, no sean los mismos tiempos de viaje supuestos al estimar la
distribucin de viajes y eleccin de modo. Por ello parecera necesario volver a
ejecutar los modelos de distribucin y eleccin modal basndose en los nuevos
tiempos de viaje deducidos de la asignacin, recalcular las nuevas matrices
modales y utilizarlas para la aplicacin, tambin de nuevo, del modelo de
asignacin y as sucesivamente. Desafortunadamente, en general este proceso
iterativo ingenioso, no conduce a un conjunto estable de modelos de distri
bucin, eleccin modal y asignacin con tiempos de viaje consistentes. En el
Captulo 11 se tratar este problema en detalle; su particular importancia est
en el riesgo de elegir un plan equivocado dependiendo solamente del nmero
de iteraciones que se est dispuesto a realizar.
Modelos
de
59
Transporte
Previsin de
las variables de
planificacin
Test del modelo y Solucin
60
2.
3.
4.
5.
6.
Introduccin
Modelos
de
Transporte
61
62
Introduccin
Generacin
de soluciones
a testear
Previsin de
las variables de
planificacin
Test del modelo y Solucin
Funcin de seguimiento
Construccin analtica
del modelo y calibracin
Modelos
de
Transporte
63
64
Introduccin
Modelos
2.
3.
4.
5.
de
Transporte
65
66
Introduccin
de viajes fija. Sin embargo, esta suposicin podra no ser vlida, incluso a
corto plazo, si las polticas de inters implicasen variaciones significativas
en el precio o en la accesibilidad.
Por otra parte, los profesionales a menudo han renunciado al esfuerzo de
utilizar modelos tericamente mejores, por varias razones, entre otras:
1. Son demasiados complejos. Esto implica que enfoques heursticos, reglas
empricas y procedimientos ad hoc son ms fciles de entender y, por lo
tanto, preferibles. ste es un argumento razonable; aqu no se propone usar
modelos del tipo caja negra sino todo lo contrario. Los resultados de
un modelo necesitan ser interpretados y esto slo puede conseguirse si
existe un nivel de comprensin razonable de las bases sobre las que el
modelo est construido. Sin ignorar la importancia del papel de la literatura
acadmica en avanzar el estado del arte, existe la necesidad de contar con
un mayor nmero de publicaciones que expliquen las bases de los modelos
sin recurrir a notaciones difciles o a conceptos oscuros para el profesional.
La mayora de los modelos no son tan complicados, aunque algunas de
las implantaciones estadsticas e informticas que se necesitan pueden ser
bastante sofisticadas. Buenas publicaciones, que tiendan a disminuir la
brecha entre profesionales y acadmicos, son una urgente necesidad.
2. Requieren datos que no estn disponibles o que son costosos de obtener.
Esta afirmacin no siempre es correcta; muchos modelos avanzados apro
vechan mejor los datos correspondientes a muestras pequeas de lo que lo
hacen algunos de los enfoques ms pragmticos. Las mejoras en los m
todos de recogida de datos tambin han reducido estos costes y mejorado
la precisin de la informacin.
3. Es mejor trabajar con matrices reales que con modelos del comporta
miento de los usuarios. Esto equivale a decir que es mejor trabajar con
matrices de viaje fijas, incluso si hay que expandirlas al horizonte de pla
nificacin considerado. Se ver, no obstante, que los errores de muestreo
y otros errores asociados a la recogida de datos ponen en duda la precisin
de esas matrices reales; es ms, es imposible que reaccionen frente a la
mayora de las polticas (p. ej., mejoras en la accesibilidad, nuevos servi
cios, variaciones de precios) ni son razonables bajo condiciones futuras de
sobresaturacin en escenarios del tipo hacer lo mnimo. Solamente el
usar observaciones puede conducir a tomar decisiones obtusas, a tener
una falsa sensacin de precisin y a subestimar el potencial de cambio.
Modelos
de
Transporte
67
2.
Prerrequisitos matemticos
2.1. Introduccin
70
Prerrequisitos matemticos
y = a + bx
(2.1)
x = (y a) / b
(2.2)
Modelos
de
71
Transporte
x + 2y 5
(2.3)
x + 2y 5 < 0
2x 4y 10
72
Prerrequisitos matemticos
i =1
= x1 + x2 + x3 + ... + xn
(2.4)
o bien:
m
j =1
= y1 y2 y3 ... ym
(2.5)
T = (T
ij
i =1 j =1
i1
i =1
(2.6)
y = xn
(2.7)
en la que los valores de la variable dependiente y vienen dados por los valores
de los parmetros y n, y de los de la variable independiente x; una funcin
requiere que, para cada valor de x en algn rango, se especifique un valor
correspondiente de la variable y. A menudo no deseamos referirnos a una
funcin particular, sino slo sealar que y es algn tipo de funcin de x o
viceversa; esto puede escribirse como:
y = f (x)
(2.8)
Modelos
de
73
Transporte
y
x3 x2
x
x1/2
x3
y = f (x1, x2 ,, xn)
(2.9)
ax = b
es equivalente a la ecuacin
ax b = 0
74
Prerrequisitos matemticos
y = f(x)
x1
x2
Modelos
de
75
Transporte
y = f(x)
y2
y1
y = ax+b
y = ax+b
b
(a)
x1
x2
(b)
76
Prerrequisitos matemticos
Dos rectas no paralelas se cortan siempre en un punto (ver Figura 2.5) que
se calcula resolviendo el sistema de ecuaciones como en el ejemplo siguiente:
y = x + 2
(2.11a)
y = x + 4
(2.11b)
y=x+2
4
3
2
y = x + 4
1
2
S N = u1 + u2 + ... + u N = un
n
(2.12)
un = un1 + d
(2.13)
Modelos
de
77
Transporte
S N = Nb +
N ( N 1)d
2
(2.14)
SN =
b(1 r n )
1 r
(2.15)
(2.16)
SN =
N ( N + 1)
2
SN =
x(1 x N )
para x 1
(1 x)
SN =
x
1 x
78
Prerrequisitos matemticos
i = 1,2,, N; y tal que j = 1,2,, M son los elementos de la matriz B. Por tanto,
puede escribirse que:
B11
B21
B=
BN 1
B12
B22
BN 2
B13 B1M
B23 B2 M
BN 3 BNM
(2.17)
Como puede verse, la matriz B tiene N filas y M columnas; por esta razn se la denomina matriz de N M. Un vector es un caso especial e impor
tante de matriz. Sera una matriz N 1 denominada matriz columna (otros
autores utilizan tambin las matrices fila). En aquel caso, el segundo ndice es
redundante, y su representacin matricial es {Vi}, es decir:
V1
V2
V = {Vi } = V3
VN
(2.18)
B11
B12
BT =
B1M
B21
B22
B2 M
B31 BN 1
B32 BN 2
B3 M BNM
(2.19)
VT = [V1,V2,V3, V N]
(2.20)
Modelos
de
79
Transporte
1 0 0
0 1 0
I=
0 0 1
(2.21)
C = A + B = B + A
(2.22)
Los elementos de la matriz C se definen as: Cij = Aij + Bij. Por ello se re
quiere que ambas matrices tengan la misma dimensin, as: N M. Lo mismo
sucede con la diferencia de matrices:
C = A B
(2.23)
C = kA
(2.24)
C = AB
(2.25)
80
Prerrequisitos matemticos
(2.26)
B -1B = BB -1 = I
(2.27)
Modelos
de
81
Transporte
2.4.1. Diferenciacin
Utilizando la ecuacin (2.10), la pendiente (gradiente) del segmento PQ en la
figura 2.6 puede escribirse como:
(x) = [ f(x0 + h) f(x0)] / h
d2 y
= b( b 1) x b2
x
d 2
(2.28)
y
y = f(x)
f(x0 + h)
f(x0)
x0
x0 + h
82
Prerrequisitos matemticos
Derivada f '(x)
(k constante)
(b constante, x > 0)
bxb1
(k constante)
ku'(x)
ku(x)
u(x) + v(x)
u '(x) + v'(x)
u(x)v(x)
u '(x)v(x) + u(x)v'(x)
u[v(x)]
u '[v(x)]v'(x)
2.4.2. Integracin
sta es la operacin inversa de la diferenciacin; si se conoce la pendiente de
una curva en cada punto de ella, entonces a la ecuacin de la propia curva se
la denomina integral. Por ejemplo, si g = g(x) es la ecuacin de la pendiente, la
ecuacin de la curva es:
y = g ( x)dx
y este resultado depende siempre de una constante arbitraria aditiva; por ejem
plo, si g = bxb1 (ver Tabla 2.1), la integral indefinida de g(x) viene dada por:
y = G ( x) = bx b1dx = x b + C
(2.29)
(2.30)
Por ejemplo, si se toma el caso simple de una lnea recta paralela al eje x,
de ecuacin y = f(x) = h y se quiere proceder a su integracin entre los valores
a y b (ver Figura 2.7b), resulta:
F(x) = hx + C
Modelos
de
83
Transporte
y
y = f(x)
c
d
(a)
(b)
Figura 2.7. reas bajo curvas: (a) caso general, (b) recta paralela al eje x.
y por tanto:
u ( x)dx = U ( x) + C
v( x)dx = V ( x) + C
entonces:
84
Prerrequisitos matemticos
1,0
0,5
y = 1/x
0,5
1,0
1,5
2,0
2,5 e 3,0
Como otras funciones logaritmo, el log (x) tiene las siguientes propiedades:
log (1) = 0
lim
log (t)
t
lim
log (t)
t0
log (uv) = log (u) + log (v)
Otra funcin muy utilizada es la funcin exponencial exp (x) o ex, definida
como el nmero w tal que log (w) = x, y como se sabe:
e(x + y) = exe y
Modelos
de
85
Transporte
elog(x) = x
Ambas funciones log (x) y exp (x) son fciles de diferenciar; por definicin:
d
1
log ( x) =
dx
x
(2.31)
d x
(e ) = e x
dx
(2.32)
x1
x2
x3
86
Prerrequisitos matemticos
caso de los puntos de inflexin como el (x3,0) de la figura 2.9. Para averiguar
si un cero de la funcin f(x) es mximo, mnimo o inflexin, hay que analizar
las derivadas segundas as:
La funcin f(x) presenta un mximo si f '(x) = 0, y adems:
f "(x) < 0
(2.33)
(2.34)
(2.35)
Estos casos se ilustran en la figura 2.10 y para evitar errores puede utilizar
se la siguiente regla nemotcnica. Imagnese la funcin como si fuera una copa
con lquido; si estuviera boca abajo, el lquido se derramara (signo menos) y
entonces se tratara de un mximo. Recprocamente si la copa estuviera boca
arriba, el lquido permanecera (signo ms) y se tratara de un mnimo.
y
(a)
(b)
(c)
Figura 2.10. Puntos estacionarios: (a) mximo, (b) mnimo, (c) punto de inflexin.
Modelos
de
87
Transporte
(a)
(b)
(c)
Figura 2.11. Funciones convexas: (a) convexa, (b) convexa, (c) no-convexa.
La figura 2.11 presenta algunos ejemplos de funciones convexas y noconvexas. Geomtricamente, una funcin es convexa si la lnea que une dos
puntos cualesquiera de dicha funcin, no intercepta a la curva ms que en esos
dos puntos. Vase como en la figura 2.11(a), en dos dimensiones, una funcin
convexa tendra un grfico en forma semejante a la de un cuenco. Entonces,
de la misma manera, se dice que una funcin g es cncava si la funcin f =g
es convexa. Una propiedad interesante de las funciones convexas es que la
suma de dos funciones convexas tambin es convexa.
y = f(x1,x2,,xn)
(2.36)
y = 2x1 + x23x3
88
Prerrequisitos matemticos
resulta que:
y
=2
x1
y
= 3x22 x3
x2
y
= x23
x3
y
= 0 i = 1, 2,..., n
xi
(2.37)
r1 ( x1 , x2 ,..., xn ) = b1
r2 ( x1 , x2 ,..., xn ) = b2
(2.38)
rK ( x1 , x2 ,..., xn ) = bK
L = f ( x1 , x2 ,...xn ) + k rk ( x1 , x2 ,..., xn ) bk
(2.39)
k =1
L
= 0 i = 1, 2,..., n
xi
(2.40)
Modelos
de
89
Transporte
y
L = 0 k = 1,2,,K
k
(2.41)
(2.42)
S = f ( x1 , x2 )
(2.43)
V = f ( x1 , x2 )dx1dx2
(2.44)
y representa el volumen bajo esta superficie entre los lmites que se consideren,
de la misma manera que para el caso de una sola variable representara el rea
bajo la curva entre los lmites fijados.
2.4.7. Elasticidades
La elasticidad de una variable dependiente y con respecto a otra variable xi en
una funcin como la que representa (2.9), viene dada por la expresin:
y
y xi
y
E ( y , xi ) =
=
xi y xi
xi
(2.45)
90
Prerrequisitos matemticos
D D
D
E ( D, T ) = D = D = 0, 33
= 0, 0033
T 0, 01
D
T
(2.46)
f ( x0 + h) = f ( x0 )
h0
h1
h2
h3
+ f '( x0 ) + f ''( x0 ) + f '''( x0 ) +
0!
1!
2!
3!
(2.47)
Modelos
de
91
Transporte
f ( x ) = f ( 0)
h0
h1
h2
h3
+ f '(0) + f ''(0) + f '''(0) +
0!
1!
2!
3!
(2.48)
e x = 1 + x + x 2 / 2! + x 3 / 3! + ...
2.5.1. Probabilidades
La definicin ms intuitiva del concepto de probabilidad es que la medida de
que un cierto resultado ocurra (p. ej., obtener un seis lanzando un dado) viene
dada por el lmite de su frecuencia relativa:
P (ei ) = pi = lim
ni
n
(2.49)
92
Prerrequisitos matemticos
0 pi 1
(2.50)
=1
(2.51)
35 pi = x(1 pi )
pi =
x
x + 35
E = {e1 , e2 ,..., ei }
P( E ) = pi ,
ei E
Ejemplo 2.1: dado el suceso E: {obtener por lo menos dos caras en tres
lanzamientos de una moneda}, los resultados que se pueden dar de los ocho
posibles son cuatro: (c, c, c), (c, c, s), (c, s, c), (s, c, c), (s, s, c), (s, c, s), (c, s, s) y
(s, s, s). Como cada resultado de los ocho tiene una probabilidad de 1/8 (si las
probabilidades de conseguir caras y cruces son iguales, es decir, si la moneda
no est trucada), la probabilidad del suceso E es 1/2.
Modelos
de
93
Transporte
Para combinaciones de eventos (es decir, dos caras pero de tal forma que no
todos los lanzamientos proporcionan el mismo resultado) llega a ser necesario
trabajar con los conceptos de unin () e interseccin () representados en la
figura 2.12. El rectngulo en la figura representa el espacio del evento y A y
B son eventos dentro de l. En general, es cierto que:
P ( A B ) = P ( A) + P ( B) P( A B)
(2.52)
P ( A B ) = P ( A) + P ( B)
(2.53)
B
Unin
D
Interseccin
P( A / B) =
P( A B)
P( B)
(2.54)
P( E F ) = P( E ) P( F )
(2.55)
94
Prerrequisitos matemticos
Rx = rango de la variable X
X = variable aleatoria
(mapeo)
s = suceso
x = valor
especfico
de X
ES
X(S) Rx
Ejemplo 2.2: al lanzar una moneda al espacio dos veces, se tiene que los
posibles resultados son: S = {cc, cs, sc, ss}. Si se define la variable aleatoria
X = nmero de caras, es fcil ver que slo puede tomar los tres siguientes
valores:
x = N de caras
x(cc) = 2
x(cs) = x(sc) = 1
x(ss) = 0
P(x = 2) = P (x = 0) = 1/4
Modelos
de
95
Transporte
f ( x) dx = 1
f ( x) 0,
(2.56)
(2.57)
E (a + bX + cY ) = a + bE ( X ) + cE (Y )
(2.58)
96
Prerrequisitos matemticos
P( X 0 ,5 ) = P( X ) = 0, 5
x =1
P( x < X 0 ,5 ) =
X 0 ,5
a
f ( x ) dx = 0, 5
(2.59)
Var ( X ) = E [ X E ( X )]
2
(2.60)
Var ( X ) = E X 2 2 XE ( X ) + [ E ( X )]
= E ( X )2 2 [ E ( X )] + [ E ( X )] = E ( X 2 ) [ E ( X )]
2
(2.61)
(2.62)
3.
Datos y rol del espacio
98
Modelos
de
Transporte
99
100
Modelos
de
Transporte
101
102
se ( x ) =
( N n)s 2
( N 1) n
(3.1)
se ( x ) =
( N n) S 2
Nn
(3.2)
se ( x ) =
S
n
(3.3)
n' =
S2
se ( x ) 2
(3.4)
n=
n'
n'
1+
N
(3.5)
Modelos
de
103
Transporte
(3.6)
104
Con coche
Sin coche
Tamao familiar
% de poblacin
4 o menos
Ms de 4
16
4 o menos
25
Ms de 4
50
Modelos
de
105
Transporte
n = 100m / 9 = 11,1m
P(i, X/)
106
(3.7)
(3.8)
(3.9)
Modelos
de
107
Transporte
(3.10)
(3.11)
f ( i,
) P( X )=/ P( i/ X , ) P( X )
X / ) = f ( i ) P( i/ X ,P(i/)
X
(3.12)
f ( i,X / ) = f ( i ) P( i/ X , ) P( X ) / P( i/ X , ) P( X )
(3.13)
Total
Usuario Bus
0,45
0,15
0,60
Usuario Coche
0,20
0,20
0,40
Total
0,65
0,35
1,00
108
Ingreso Alto
Total
Usuarios de coche
0,519
0,107
0,626
Usuarios de autobs
0,231
0,143
0,374
Total
0,750
0,250
1,000
Ingreso Alto
Total
Usuarios de coche
0,563
0,187
0,75
Usuarios de autobs
0,125
0,125
0,25
Total
0,688
0,312
1,00
Modelos
de
109
Transporte
0,20
= 0,572
0,15 + 0,20
0,143
= 0,572
0,107 + 0,143
0,125
= 0,400
0,187 + 0,125
110
0,45 + 0,15
= 0,8
0,563 + 0,187
0,20 + 0,20
= 1,6
0,125 + 0,125
Ntese que es necesario conocer los datos basados en la eleccin para cada
alternativa. No sera posible calibrar un modelo para coche y autobs basndose
solamente en observaciones para este ltimo modo de transporte.
Modelos
de
Transporte
111
112
de respuesta bajas (p. ej., algunas encuestas postales), pero se utilizan debido
a su menor coste.
Ejemplo 3.3: en una poblacin a estudiar, se sabe que su ingreso medio (I)
es de 33.600 $/ao y que su tasa de motorizacin media (TM) es de 0,44 coches/familia. Adems se realizaron pequeas encuestas en los diferentes modos,
con los siguientes resultados:
Modo
I ($ / ao)
TM (coches / familia)
Vehculo privado
78.000
1,15
Autobs
14.400
0,05
Metro
38.400
0,85
1 = F1 + F2 + F3
F1 = 0, 2451
F2 = 0, 6044
F3 = 0,1505
Modelos
de
Transporte
113
114
Datos
ingenieriles
Errores de percepcin,
informacin y tiempo
de respuesta
Datos
percibidos
Errores de registro,
redondeo
y comunicacin
Restricciones
Modo
elegido
Datos
registrados
Modelos
de
Transporte
115
opcin elegida por el individuo son percibidos como mejores y los de la opcin
rechazada como peores de lo que ambos son en la realidad, de forma que se
refuerza la racionalidad de la eleccin efectuada).
3.2.1.2. Errores de muestreo
Estos errores aparecen porque los modelos han de estimarse a partir de un con
junto finito de datos en lugar de la poblacin completa. Los errores de muestreo
tienden a ser inversamente proporcionales a la raz cuadrada del nmero de
observaciones (esto es, para reducirlos a la mitad es necesario cuadriplicar el
tamao de la muestra), por lo que su reduccin puede resultar muy costosa.
Daganzo (1980) ha estudiado el problema de definicin de estrategias de
muestreo ptimas para tratar de incrementar la exactitud de la estimacin.
3.2.1.3. Errores de clculo
Este tipo de error aparece porque los modelos generalmente se basan en proce
sos iterativos para los cuales la solucin exacta, si existe, no se logra obtener,
debido a su excesivo tiempo de clculo computacional.
En general estos errores son ms pequeos en comparacin con el resto,
excepto en casos tales como asignacin en redes congestionadas y problemas
de equilibrio entre oferta y demanda en sistemas completos de modelizacin,
donde pueden llegar a ser muy grandes (ver ESTRAUS, 1989).
3.2.1.4. Errores de especificacin
Aparecen cuando el fenmeno que se est intentando modelizar no se compren
de bien, o porque necesita ser simplificado por alguna razn, y ello se debe a
que ningn modelo puede representar la realidad de forma exacta. Un mejor
modelo, ms sofisticado, puede reducir este tipo de errores mediante una mayor
inversin en la etapa de recoleccin de datos y su procesamiento.
Dentro de este tipo, los errores ms importantes son los siguientes:
Inclusin de una variable irrelevante (p. ej., una variable que no afecte al
proceso de eleccin modelizado). Este error no producir sesgo en el modelo
(o sus estimaciones) si los parmetros aparecen de forma lineal, pero tender
a incrementar el error muestral. En un modelo no lineal, por el contrario,
puede producir sesgos (ver Tardiff, 1979).
Omisin de una variable relevante. Es quizs el error de especificacin
ms comn. Es interesante destacar que los modelos que incorporan un
116
Modelos
de
Transporte
117
118
z = f ( x1 , x2 , ... , xn )
f 2
f f
e =
ex +
ex ex rj
i xi
i
j i xi x j
2
z
(3.14)
ez f exi
=
exi xi ez
(3.15)
Modelos
de
119
Transporte
y suponiendo que los costes marginales de mejora de cada medida sean los
siguientes:
Coste marginal de mejora de la variable x (a 100 9) = $5,00
Coste marginal de mejora de la variable y (a 50 4) = $6,00
Coste marginal de mejora de la variable w (a 200 49) =$0,02
Aplicando la ecuacin (3.14) se obtiene:
10y2
ez
ez
ez
=
= 70,5;
= 0,0705
= 35,2;
ey
ew
ex 708,87
Estos tres ltimos valores son las tasas de mejora marginal correspondientes
a cada variable. Para obtener las mejoras marginales de ez, se deben dividir los
120
costes marginales de mejora de cada variable por sus tasas de mejora marginales
respectivas. Los costes marginales de perfeccionar ez debido a las diferentes
mejoras de las variables son los siguientes:
Mejora marginal en x = 5/35,2 = $0,142
Mejora marginal en y = 6/70,5 = $0,085
Mejora marginal en w = 0,02/0,0705 = $0,284
A partir de estos valores debera decidirse mejorar la exactitud de medicin
de la variable y si la reduccin marginal en ez fuera al menos de $0,085.
Se definamos la complejidad como un incremento en el nmero de variables
del modelo y/o un aumento del nmero de operaciones algebraicas con dichas
variables. Parece obvio que para reducir el error de especificacin (es) se debe
aumentar la complejidad del modelo. No obstante tambin es claro que al existir
ms variables que medir y/o al haber mayores problemas para su medida, el
error de medicin de los datos (em), tambin crecer.
2
2
Si el error total de modelizacin se define como E = (es + em ) , se puede
observar que el valor mnimo de E no tiene que estar necesariamente en el punto
de mxima complejidad (es decir, mximo realismo). La figura 3.2 demuestra
grficamente no slo que ello es cierto intuitivamente, sino tambin que segn
se incrementa el valor del error de medicin, el valor ptimo nicamente puede
alcanzarse con niveles decrecientes de complejidad del modelo.
Error
em
es
Complejidad
Modelos
de
121
Transporte
Ejemplo 3.5: sea una situacin en la que se debe elegir entre un modelo
extremadamente simple, del cual se conoce que el error total en la prognosis
es del 30%, y un nuevo modelo que posee una especificacin perfecta (es decir
es = 0), dado por:
z = x1 x2 x3 x4 x5
donde las variables xi son independientes y tienen un error de medicin del 10%
(es decir, em = 0,1xi). Para decidir qu modelo es ms conveniente, se puede
aplicar la ecuacin (3.14):
em
es
Pases pobres Pases ricos
Complejidad
122
Modelos
de
Transporte
123
124
Modelos
de
Transporte
125
decir en el medio y largo plazo. Tambin, dado que la mayor parte de sus usos
se relacionan con el transporte, la mejor prctica actual sugiere que el banco
de datos debera tener las siguientes caractersticas:
Los datos deben ser recolectados considerando las diferentes etapas del viaje,
asegurndose de que es posible relacionar modos especficos a diferentes
localizaciones, diferentes horarios del da y longitudes de viajes.
Han de incluirse todos los modos de viaje, incluso los no motorizados.
Los datos sobre los propsitos o motivos de los viajes deben recolectarse a
nivel altamente desagregado.
El perodo temporal de referencia debe ser lo ms amplio posible y entera
mente cubierto, por ejemplo, 24 horas en un da, siete das en una semana y
quizs 365 das al ao (a fin de cubrir las cuatro estaciones anuales).
Los datos relevantes han de ser relativos a todos los miembros de la familia.
Los datos tienen que ser de elevada calidad y suficientemente robustos como
para poder ser utilizados a nivel disgregado (Daly y Ortzar, 1990).
Deben ser utilizados sistemas de recoleccin integrales que comprendan
tanto encuestas en hogares como datos referentes al origen-destino que pro
vengan de otras fuentes como encuestas en cordn.
Desdichadamente, la recoleccin de datos a travs de este mtodo, que pro
picia un alto nivel de exactitud, no es tarea simple y a menudo es obstaculizado
por la dificultad de convencer en las entrevistas a un conjunto suficientemente
amplio de individuos, a que participen en este esfuerzo. Por tanto, en funcin de
los objetivos de la modelizacin (es decir, anlisis estratgico versus estudios
detallados de planificacin tctica), e1 analista puede decidir simplificar la
carga sobre los entrevistados contentndose con adquirir informacin menos
detallada.
3.3.2.1. mbito de la encuesta
La figura 2.4 puede ser til a la hora de describir el mbito de referencia de
un estudio para capturar todos los viajes que afecten a un rea metropolitana.
Ante todo es necesario definir el rea de inters del estudio. Su lmite exterior
es conocido como cordn externo. Una vez que ste ha sido definido, el rea se
subdivide en zonas (se vern algunas reglas bsicas sobre la zonificacin en la
seccin 3.4) para disponer de una idea clara y espacialmente desagregada sobre
los orgenes y destinos de los viajes, de forma que variables como la poblacin
y el empleo puedan ser cuantificadas espacialmente.
126
Desplazamientos
de los residentes
Desplazamientos
de los no-residentes
entrando y saliendo
del rea de estudio
El rea fuera del cordn externo tambin debe ser subdividida en zonas
pero con un nivel de detalle ms bajo (zonas ms amplias). En el interior del
rea de estudio tambin pueden existir cordones internos y lneas pantalla (es
decir, una subdivisin ficticia que siga lmites naturales o artificiales en los
que existan pocos cruces para atravesarlos, como pueden ser un ro o una lnea
ferroviaria), cuyos objetivos sern discutidos a continuacin. No existen reglas
simples y rpidas para decidir la localizacin del cordn externo y, por ende,
qu reas deberan ser consideradas como externas al estudio; eso depende del
mbito y de los niveles de decisin adoptados para el estudio, es decir, es un
problema sumamente contextual.
De la figura 3.4 se deduce que son necesarios los siguientes datos:
Encuestas domiciliarias: deben obtenerse los desplazamientos efectuados
por todos los miembros de la familia en todos los modos de transporte, tanto
dentro del rea de estudio como entrando y saliendo de dicha rea, durante
el perodo temporal de referencia. Asimismo, esta investigacin tambin
debera incluir informacin socio-econmica (renta, posesin de coche, ta
mao y estructura de la familia, etc.). Esta informacin es muy eficiente para
generar datos que permitan la estimacin de modelos de generacin de viajes
as como de eleccin modal; adems, los datos sobre los desplazamientos
de los hogares proporcionan buena informacin sobre la distribucin de la
longitud de los viajes en la ciudad, que es un elemento importante para
la estimacin de los modelos de distribucin de los viajes.
Encuestas de interceptacin, cordn externo: proporcionan datos relativos a las personas que atraviesan los lmites del rea de estudio, en par
Modelos
de
Transporte
127
128
Modelos
de
Transporte
129
130
Modelos
de
Transporte
131
132
Modelos
de
Transporte
133
134
Modelos
de
Transporte
135
lo tanto, incluye no slo a los residentes sino tambin a visitantes de los hogares
y a los que pernoctan en hoteles, y otras personas que no residan en viviendas
privadas (como hospitales) as como a los viajeros que atraviesan el rea de
estudio en los das de la encuesta.
Una vez que el mbito de la investigacin ha sido definido, es necesario
determinar el marco muestral. En otras palabras, qu tipo de lista podra pro
porcionar la informacin correspondiente a todos los residentes, visitantes
y personas que circulan a travs del rea, para as elegir una muestra de dichas
personas y de sus viajes respectivos. Aunque hay varias alternativas, el marco
muestral de hogares, si bien complejo, es normalmente el ms directo. Si existe
informacin censal actualizada y se dispone de una base de datos sobre todas
las viviendas, esto puede ser perfecto; alternativamente, podra utilizarse un
listado de direcciones del rea completa (llevada a cabo por otras razones,
por ejemplo, por una compaa de suministro de servicios o por anteriores
encuestas), a condicin de que estn al da.
Por otra parte, escoger un marco muestral para los viajes de los no-resi
dentes es ms complicado, por lo que es recomendable que esto se haga de la
siguiente forma:
Consgase una lista de las viviendas no-privadas y seleccionar una muestra
(posiblemente estratificada por tamao o por tipo de husped o visitante).
Obtngase una lista de las estaciones de intercambio de los diferentes modos de transporte pblico que representen el probable punto de llegada y
salida del rea metropolitana (p. ej., aeropuertos, estaciones ferroviarias, es
taciones de autobuses de largo recorrido). Idealmente ello proporcionar una
muestra de viajes, en cada punto de interceptacin, aunque en algunos casos
puede que slo sea necesario utilizar una muestra de todos los puntos.
Localcese y confrmese una lista con todos los puntos que sean cruces de
carreteras o viales en el cordn externo al rea. Entonces y tal y como en el
caso anterior, deberan incluirse todos los cruces, aunque en algunos casos
puede que tambin sea necesario muestrearlos.
Tamao de la muestra. Las encuestas sobre viajes siempre estn basadas
en algn tipo de muestreo. Sin embargo, aunque fuera posible entrevistar a
todos los viajeros sobre un servicio especfico en un da dado, sta slo sera
una muestra de los viajeros que realizan viajes en una semana dada, mes o
ao. El desafo en el diseo de muestras consiste en identificar estrategias de
muestreo y tamaos muestrales que permitan alcanzar conclusiones razonables
136
Mnimo
Menos de 50.000
1 de 5
1 de 10
50.000-150.000
1 de 8
1 de 20
150.000-300.000
1 de 10
1 de 35
300.000-500.000
1 de 15
1 de 50
500.000-1.000.000
1 de 20
1 de 70
Ms de 1.000.000
1 de 25
1 de 100
Los problemas creados por estas enormes muestras han sido empeorados
porque muchos organismos, especialmente en pases en vas de desarrollo,
Modelos
de
Transporte
137
creen que estos tamaos son esenciales y por lo tanto requieren muestras hasta
20% ms grandes para afrontar prdidas eventuales debidas a la validacin de
los datos (ver Grate, 1988).
Los mtodos para estimar el tamao de la muestra a partir de un enfoque
estadstico ms lgico y con mayor aprovechamiento, requieren el conocimiento
de la variable a estimar, su coeficiente de variacin y la exactitud de medicin
deseada, as como el nivel de significacin asociado a la misma.
El primer requisito, aunque obvio y fundamental, ha sido ignorado muchas
veces en el pasado. La mayora de las encuestas domiciliarias O-D se han
diseado a partir de objetivos demasiado generales, tales como reproducir
los patrones de viaje del rea. Qu significa esto? Son los elementos de la
matriz O-D los que se buscan y, si ste es el caso, se desean por motivo, por
modo y hora del da, o solamente son de inters los grandes flujos de viajes
entre macrozonas?
Si se quieren obtener nicamente tasas de generacin de viajes, se puede
demostrar que muestras compuestas por unos mil individuos garantizan un
5% de tolerancia (error) y un 90% de confianza en los valores. La situacin
cambia drsticamente si se centra el inters en el nmero de viajes de cada celda
de una matriz O-D tpica (esto es con muchas zonas; obviamente el nivel de
detalle afecta). Por ejemplo, si cada celda tiene alrededor de 1.000 viajes, una
muestra del 4,3% garantiza errores de menos del 25% con un 90% de nivel de
confianza. Sin embargo, para volmenes de 20 30 viajes entre zonas, que son
muy comunes en la prctica, el mismo nivel de exactitud requerira muestras
del 100% (esto es, toda la poblacin).
El ejemplo anterior demuestra que la eleccin del tamao muestral no es
una tarea fcil. En primer lugar, es necesario que los objetivos de la encuesta
estn suficientemente claros, y en segundo lugar, se debe tomar una decisin
sobre el esfuerzo (generalmente econmico) que se va a dedicar para alcanzar
un grado de exactitud concreto en los resultados (Brg y Ampt, 1982).
El segundo elemento (coeficiente de variacin de la variable que va a ser
medida) sola ser una incgnita en el pasado, pero actualmente puede estimarse
a partir de la informacin obtenida del gran nmero de encuestas domiciliarias
O-D que se han llevado a cabo en aos recientes. Finalmente, el nivel de exac
titud (porcentaje de error aceptado por el analista) y su nivel de confianza son
conceptos dependientes del contexto que el analista debe especificar en base
a su experiencia personal. Cualquier muestra puede llegar a ser muy grande
si el nivel de exactitud requerido es demasiado estricto. Puede decirse que,
138
n=
CV 2 Z2
E2
(3.16)
CV
0,87
Pennsylvania (1967)
0,86
1,07
Baltimore (1962)
1,05
Por conveniencia y dado que todos los valores son prximos a la unidad,
se elige CV=1. Como se ha mencionado anteriormente, la decisin a adoptar
sobre la exactitud y el nivel de confianza es la ms complicada. La ecuacin
(3.16) seala que si se escogen niveles muy estrictos, el tamao de muestra
se incrementa exponencialmente. Por otra parte, es conveniente fijar niveles
estrictos para este caso, ya que el nmero de viajes por hogar es una variable
crucial (si este nmero se estima pobremente, la exactitud de los modelos pos
teriores podra verse gravemente afectada). En este ejemplo se elige un 0,05 de
exactitud con un nivel de confianza del 95%.
Para = 95%, el valor de Z es de 1,645, por lo que se obtiene:
Modelos
de
Transporte
139
140
requiera un esfuerzo mayor por parte del analista y no garantice una solucin
nica (DICTUC, 1998). La heurstica se inicia ordenando las clases sociodemogrficas en relacin al grado en el que stas se encuentran representadas
en la poblacin. A continuacin, a las zonas del rea de estudio se les asigna
una clase en base al grupo socio-econmico que presente la frecuencia ms
alta en su interior. Sucesivamente se selecciona una muestra aleatoria de zonas
para cada tipologa socioeconmica (es decir, del orden del 1% de todos los
hogares). Las restantes zonas se clasifican en orden de prioridad y entre ellas se
eligen las necesarias para llenar la diferencia entre la muestra ya seleccionada
y el mnimo requerido por cada nueva clase. El procedimiento se repite hasta
que todas las clases alcancen la mnima dimensin requerida (ms o menos
unas 30 50 observaciones).
Este procedimiento fue aplicado en Santiago para el sistema de 264 zo
nas definido en la encuesta O-D de 1991 (Ortzar et al., 1993) y para una
estratificacin de 14 clases en base al ingreso (renta) y a la posesin de coche.
El resultado final fue que una muestra de 1.312 hogares localizados en slo
15zonas garantizaba un mnimo de 30 observaciones por clase. Sin embargo,
en ciertas zonas, en particular en las que contenan a personas de ingreso alto,
esta solucin implic tamaos muestrales no muy razonables (p. ej. cerca del
20% de la poblacin de la zona). Se hall finalmente una solucin mejor resol
viendo el siguiente problema de optimizacin (Ampt et al., 1998):
Minimizar
jij
0 j
s.a.
i{clases} j{ zonas}
j{ zonas}
jij i
Modelos
de
141
Transporte
2 ao
3 ao
4 ao
5 ao
15.000
5.000
5.000
5.000
5.000
142
Modelos
de
Transporte
143
144
tes para la adecuada realizacin de estas encuestas. A continuacin se indican algunas consideraciones en torno al tamao muestral y al nivel de exac
titud:
Ejemplo 3.7: considrese un punto de control que es cruzado por N coches
y se desea extraer una muestra de n vehculos a encuestar. Se asume tambin
que de estos n vehculos, X1 viajan entre un par origen-destino O-D1. Como
X1 tiene una distribucin hipergeomtrica H(N, N1, n) donde N1 es el nmero
total de viajeros entre el par O-D1, puede demostrarse que su valor esperado o
esperanza matemtica y su varianza vienen dados por:
E(X1) = np con p = N1 / N
X l ~ N (np, np (1 p )(1 n / N ))
y un estimador de p es:
p =
Xl
n
Por tanto:
p(1 p )(1 n / N )
p ~ N p,
p(1 p )(1 n / N )
p(1 p )(1 n / N )
, p + z
p z
n
n
Modelos
de
145
Transporte
E=z
p (1 p )(1 n / N )
e
n
p (1 p )(1 n / N )
(e / z ) 2
n
o lo que es equivalente:
p (1 p )
2
p (1 p )
e
+
z
N
(3.17)
100
n (viajeros/perodo)
100n/N (%)
49
49,0
200
65
32,5
300
73
24,3
500
81
16,2
700
85
12,1
900
87
9,7
1.100
89
8,1
146
ms de 900
10,0 (1 de 10)
700 a 899
12,5 (1 de 8)
500 a 699
16,6 (1 de 6)
300 a 499
25,0 (1 de 4)
200 a 299
33,3 (1 de 3)
1 a 199
50,0 (1 de 2)
Modelos
de
147
Transporte
Datos lnea
pantalla
Datos encuesta O-D
(incluyendo encuesta
a vehculos de carga)
Hora del da
148
Modelos
de
Transporte
149
150
mente en los pases en desarrollo. En este ltimo caso sera necesario calcular
la proporcin de hogares en cada grupo y los factores de expansin de forma
ms tradicional (Ortzar et al., 1993).
El mtodo bi-proporcional no garantiza que cada valor de la celda sea
idntico en el censo y en la encuesta O-D, ya que en cualquier matriz existe
un grado de indeterminacin relevante (es decir, muchas combinaciones de
valores de las celdas de una matriz pueden dar origen a los mismos totales
de filas y columnas). En particular, y dada su naturaleza multiplicativa cuando se utiliza este mtodo, una celda (o sea, un elemento de la matriz de viajes) que contenga un cero siempre mantendr el valor cero. Por otro lado,
algunas estructuras particulares de matrices (que contengan ceros en algunas celdas clave), pueden llevar a la no convergencia del mtodo (ver epgra
fe5.6.1).
Para evitar sesgos en la correccin bi-proporcional ya que, por un lado,
se est corrigiendo en base al tamao del hogar (nmero de personas) y, por
otro, segn caractersticas individuales (sexo y edad), se recomienda definir categoras bi-unvocas evitando clases que comprendan, por ejemplo, de
dos a cuatro personas, o seis o ms personas. No obstante, es fcil imagi
nar situaciones en las que podra ser necesario reagrupar una determinada
categora porque de lo contrario no estara representada en la muestra para
una determinada zona. En este caso es conveniente averiguar si es posible
agrupar zonas que sean semejantes antes que hacer correcciones a tal nivel de
desagregacin.
Correcciones adicionales en las encuestas domiciliarias. Adems de las
correcciones por tamao del hogar y caractersticas socio-demogrficas, hay
otros dos procedimientos de correccin segn se trate de entrevistas personales
o encuestas de autollenado (Richardson et al., 1995).
Correcciones por informacin no reportada. Este problema se ocasiona
cuando ciertos elementos de la encuesta no han sido respondidos (es decir,
hay tems sin respuesta). En encuestas de auto-llenado, esto puede ser resuelto
encuestando a una muestra de validacin usando entrevistas personales y luego
ponderando la informacin adecuadamente (Richardson et al., 1995). Dado
que se asume que los entrevistadores estn bien entrenados y supervisados,
este tipo de correccin no debera realizarse cuando se trata de encuestas con
entrevista personal, pero incluso en estos casos, puede que no se obtenga res
puesta a datos difciles de obtener, como el ingreso.
Modelos
de
151
Transporte
S
S
d = 2, 8 a + b
N a Nb
152
Modelos
de
153
Transporte
Total
Ao 1
2.000
13,33%
3.000
20,00%
4.000
26,67%
5.000
33,33%
1.000
6,67%
15.000
Ao 2
850
17,00%
1.200
24,00%
1.000
20,00%
1.500
30,00%
450
9,00%
5.000
Ao 3
2.850
14,29%
4.200
21,00%
5.000
25,00%
5.600
32,50%
1.450
7,25%
20.000
Ao 1
17,00/13,33
1.275
1.200
0,750
0,900
1.350
Procedimiento de ponderacin
1
Total
Ao 1
2.550
3.600
3.000
4.500
1.350
15.000
Ao 2
850
1.200
1.000
1.500
450
5.000
Ao 3
3.400
17%
4.800
24%
4.000
20%
6.000
30%
1.805
9%
20.000
154
Fi =
A A(C + CD / B ) / B
BC D
Modelos
de
Transporte
155
156
Modelos
de
Transporte
157
158
Tarifa
Trasbordo
70 p
Ninguno
Tarifa
Trasbordo
70 p
Ninguno
10 mins
Tarifa
Trasbordo
85 p
Ninguno
8 mins
Tarifa
Trasbordo
70 p
1 Cambio
10 mins
8 mins
b)
c)
d)
e)
tos esenciales deben estar presentes y las opciones deben ser plausibles y
realistas.
Disear la forma en que se presentan las opciones de eleccin a los en
cuestados y de qu forma stos pueden expresar sus preferencias. La pre
sentacin de las alternativas debe ser de fcil comprensin y situarse en el
contexto de la experiencia y las restricciones del encuestado.
Desarrollo de una estrategia de muestreo que asegure un conjunto de datos
rico y representativo.
Realizacin apropiada de la encuesta, incluyendo supervisin y procedi
mientos de aseguramiento de la calidad de los resultados.
Utilizacin de tcnicas adecuadas de estimacin de modelos, preferible
mente combinando datos PR y PD y teniendo bien presente el modo en el
que los modelos o ponderaciones resultantes sern utilizadas como soporte
a la toma de decisiones.
Modelos
de
Transporte
159
(a) identificacin del conjunto de elecciones (qu opciones van a ser incluidas:
ferrocarril o coche, o diferentes tipos de servicio dentro de un mismo modo);
(b) seleccin de los atributos a incluir en cada opcin; (c) seleccin de la unidad
de medida de cada atributo y (d) especificacin del nmero y magnitud de los
niveles de cada atributo.
a) El conjunto de alternativas se obtiene normalmente a partir de los objetivos
del estudio. Sin embargo no se debe omitir ninguna alternativa realista que
el usuario pudiera considerar en la prctica. Por ejemplo, en un estudio
sobre respuesta potencial de conductores de vehculo privado a nuevas ini
ciativas de Tarificacin Vial, puede no ser suficiente considerar solamente
modos alternativos de viaje. Los cambios en la hora de salida del viaje o
hacia destinos alternativos (para evitar cobros), pueden ser respuestas a
considerar. Ignorar estas alternativas coloca al entrevistado en un contexto
menos realista.
b) El conjunto y naturaleza de los atributos debe tambin elegirse de forma
que se aseguren respuestas realistas. Deben estar presentes los atributos
ms importantes y ellos han de ser suficientes para describir las alternativas
tecnolgicamente factibles. En esta fase debe tenerse especial cuidado a la
hora de establecer las diferentes combinaciones de atributos; por ejemplo,
una alternativa de alta calidad, con frecuencia elevada y de bajo coste
puede ser ignorada por poco realista, reduciendo as el valor de todo el
ejercicio. Al mismo tiempo conviene cuidar que el nmero de atributos
no sea excesivo (en general no ms de cuatro) dado que, como expone
Carson et al. (1994) puede que los entrevistados simplifiquen sus elecciones de forma lexicogrfica (focalizando la atencin sobre un nmero infe
rior de atributos) o bien que sencillamente respondan al azar (Saelensminde,
1999). Con el fin de asegurar que se incluyen los atributos adecuados y
que las opciones se describen de una forma sencilla, es conveniente llevar
a cabo un pequeo nmero de reuniones de grupo focal con una muestra
representativa de individuos. Un moderador con experiencia se encargar
de asegurar que se discutan y registren todas las cuestiones relevantes
referidas a la percepcin de las alternativas, identificacin de los atributos
ms importantes y la forma en la que stos se perciben por parte de los
sujetos, as como los elementos principales que establecen el contexto del
ejercicio. Las reuniones de grupo focal son costosas y, en muchos casos, el
investigador estar tentado a evitarlas en la conviccin de que ya posee una
buena comprensin del problema y del contexto. En este caso, es esencial
160
Modelos
de
161
Transporte
que se supone que algunos o todos los productos de las variables son despre
ciables.
(a)
Frecuencia (buses/hr)
12
3
20
50 tarifa
(b)
12
3
30
50 tarifa
Figura 3.7. Presencia y ausencia de interaccin entre atributos: (a) sin interaccin,
(b) con interaccin.
162
Tarifa
Tiempo de viaje
Frecuencia
Baja
Rpido
Poco frecuente
Baja
Rpido
Frecuente
Baja
Lento
Poco frecuente
Baja
Lento
Frecuente
Alta
Rpido
Poco frecuente
Alta
Rpido
Frecuente
Alta
Lento
Poco frecuente
Alta
Lento
Frecuente
Atributo 1
Atributo 2
Atributo 3
Modelos
de
163
Transporte
Tarifa ()
Frecuencia (buses/hora)
0,50
18
0,50
18
0,50
25
0,50
25
0,80
18
0,80
18
0,80
25
0,80
25
164
Vi = tti + cCi
V1 V2 = t (t1 t2 ) + c (C1 C2 )
Modelos
de
165
Transporte
t (C1 C2 )
=
(t2 t1 )
c
166
Modelos
de
Transporte
167
168
Modelos
de
169
Transporte
Modelos basados en los datos sin NPO podran tener baja capacidad pre
dictiva respecto de aquellos en los que s se hubiera incluido la NPO; en
cambio, modelos basados en datos que incluyan una NPO presentarn una
buena capacidad predictiva en cualquier escenario.
Olsen y Swait (1998) utilizaron un diseo experimental con tres alter
nativas, dos niveles de calidad de naranjas, dos niveles de dulzura, dos tipos
de envasado (solo o en lotes de cuatro) y dos niveles de precio por unidad.
Agregaron tambin una alternativa barata (con el nombre del supermercado)
que consista en un jugo endulzado hecho con naranjas de baja calidad. Ellos
plantearon un diseo factorial que les permiti estimar los efectos principales
y las interacciones entre pares de atributos.
Se tomaron muestras de igual tamao (70 individuos) a las que se pre
sentaron 16 situaciones involucrando tres opciones en los diseos con y sin
NPO. Tambin se pregunt si los consumidores vetaran la compra de un pro
ducto si uno de sus atributos tuviera un nivel inaceptable. Al final se encontr
que los parmetros de los modelos estimados no slo difirieron en magnitud
sino que, como se esperaba, el modelo con NPO present efectos no-lineales
(interaccin) significativos. Estos resultados fueron confirmados por un anlisis de las respuestas a propsito de vetar un producto dependiendo de sus
caractersticas (el 63% de la muestra consideraba que el jugo endulzado era
inaceptable; el 57% consideraba inaceptable el requisito de comprar paquetes
de cuatro unidades). La tabla 3.6 muestra el porcentaje de error en las pre
dicciones para cada grupo de datos utilizando los parmetros estimados con
el otro grupo. No hay ninguna duda de que las hiptesis iniciales de Olsen y
Swait fueron confirmadas; as que puede concluirse que nada, de hecho, es
importante.
Tabla 3.6. Errores cruzados de prediccin en productos de mercado
Alternativas
3,8
24,8
1,9
21,6
2,8
37,9
NPO
47,8
170
Modelos
de
Transporte
171
toso para estos casos; esto es an ms interesante ya que aplicando una simple
correccin durante la estimacin de modelos se logra evitar el sesgo estadstico,
segn se ver en el Captulo 8. En datos PD, sin embargo, las muestras basadas
en la eleccin pueden introducir un sesgo adicional debido a la forma en que
diferentes tipos de individuos perciben o interpretan el contexto de eleccin
(ver Bradley, 1988).
3.3.4.7. Realismo y complejidad
Un elemento fundamental para el xito de las encuestas PD es el grado de rea
lismo obtenido en las respuestas. Se han desarrollado ciertas reglas a seguir,
descritas por autores como Pearmain et al. (1991). En particular, es necesario
salvaguardar la realidad en el contexto del ejercicio, as como en las alternativas de eleccin que se presentan y en las respuestas que son permitidas. Ello
puede lograrse de diversas formas:
Focalizando la atencin sobre un comportamiento especfico en lugar de
sobre el comportamiento general. Por ejemplo, debe preguntarse a los en
cuestados cmo responderan ante una alternativa en una ocasin concreta,
no en un contexto amplio. Cuanto ms abstractas sean las preguntas, menos
fiables sern las respuestas.
Utilizando un contexto realista de eleccin, p. ej., uno en el que los encues
tados hayan tenido una experiencia reciente.
Manteniendo las restricciones de eleccin necesarias para que el contexto sea
realista. Ello implica normalmente preguntar a los encuestados por sus pre
ferencias respecto a un viaje muy reciente, sin eliminar ninguna de sus restricciones. Por ejemplo, Si hoy usted prefiriera utilizar su coche para visitar
al dentista por la tarde despus del trabajo, por favor conserve esta restriccin
en sus elecciones. La eliminacin de estas restricciones puede provocar
respuestas irrealmente elsticas.
Utilizando niveles existentes (percibidos) de los atributos para que las alter
nativas se construyan alrededor de la experiencia existente.
Utilizando la percepcin de los entrevistados para definir las posibles limi
taciones de los valores de los atributos en el ejercicio. Por ejemplo, si se trata
de mejoras en los servicios de ferrocarril, no presentar opciones en las que
la estacin est ms cerca de los domicilios que en la realidad.
Asegurando que se incluyan en la presentacin todos los atributos relevantes.
Ello es especialmente importante si se desea desarrollar modelos de elec
172
Modelos
de
Transporte
173
174
5 minutos
8 horas 0 m
1 libra89 peniques
35,00
Modelos
de
175
Transporte
Opcin 1
Opcin 2
Conduciendo coche
Viajando en autobs
Salida a:
Llegada a:
Salida a:
Llegada a:
08:09
09:00
08:00
09:00
Posiblemente
Opcin 1
No puedo
decir
Posiblemente
Opcin 2
Definitivamente
Opcin 2
Ninguno
de ellas
176
Modelos
2.
3.
4.
5.
de
Transporte
177
178
Modelos
de
Transporte
179
que dicha informacin puede ser utilizada para determinar sus principales ca
ractersticas, permitiendo que la no-respuesta sea modelizada como parte del
comportamiento ms general de inters (ver Kitamura y Bovy, 1987).
Los diseos habituales de paneles a gran escala dedican una ingente can
tidad de esfuerzo en preocuparse de los encuestados. Esto implica instruir a
los encuestadores sobre cmo contactar repetidas veces con los individuos as
como enviar cartas incentivadoras especialmente diseadas para reducir las
fuentes de resistencia de los encuestados.
Contaminacin de respuestas. Existe evidencia de que las respuestas
obtenidas en la oleada inicial de estudios de panel pueden diferir de las de
oleadas sucesivas. Por esta razn en algunos estudios de panel las entrevistas
iniciales no se utilizan con propsito comparativo. Una cuestin crucial es
saber si la pertenencia al panel afecta al comportamiento en s mismo o slo
a la informacin recogida. No existe ninguna prueba definitiva al respecto,
pero parece que depende del tipo de comportamiento medido. Por ejemplo,
Traugott y Katosh (1979) observaron que los participantes en un panel sobre
comportamiento de los electores, incrementaron sus votos (es decir, cambiaron
su comportamiento) segn fue pasando el tiempo. Esto se debi en parte a una
mayor conciencia del proceso poltico y en parte a que los individuos menos
motivados polticamente tendan a abandonar el panel.
3.3.5.4. Costes relativos de las encuestas longitudinales
No es posible preguntar acerca de los costes de los estudios longitudinales
sin hacer referencia a los costes de los mtodos alternativos existentes. Una
comparacin obvia es entre una encuesta de corte transversal, con preguntas
sobre un perodo anterior, y un panel con dos oleadas. Sin embargo, si el estudio
longitudinal est diseado para mantener representativa su muestra cada ao y
si se dedican recursos suficientes a la misma, puede servir tambin como una
fuente anual de datos representativos de corte transversal y de esta forma podra
compararse con una serie de estas encuestas en lugar de solamente con una.
Duncan et al. (1987) han realizado algunos clculos aproximados al respecto,
estableciendo que en el primer caso la encuesta longitudinal costara entre un 20
y un 25% ms que la encuesta de corte transversal con preguntas retrospectivas.
Pero en el segundo caso, los costes de campo de las sucesivas oleadas del estudio
de corte transversal seran de un 30 a un 70% ms caros que oleadas adicionales
de una encuesta panel, dependiendo de la duracin de la entrevista.
180
Modelos
de
Transporte
181
182
Londres (1972)
Poblacin
7,2 millones
N de zonas
Comentarios zonificacin
2.252
~1.000
Zonas normales
~230
Distritos
52
Municipios
2,0 millones
1.260
Zonas finas
Ottawa (1978)
0,5 millones
~120
Zonas normales
Santiago (1986)
4,5 millones
~260
Estudios estratgico
Washington (1973)
2,5 millones
1.075
Zonas normales
West Yorkshire(1977)
1,4 millones
Bogot (2000)
Marsella (2001)
134
Nivel distrito
~1.500
Zonas finas
463
Zonas gruesas
6,1 millones
637
Zonas normales
1,5 millones
562
Zonas normales
Modelos
de
Transporte
183
184
6. Las zonas no tienen porqu ser de tamao similar. Si acaso pueden ser de
dimensiones semejantes en unidades de tiempo de viaje, lo que implica la
generacin de zonas ms pequeas en reas ms congestionadas.
Algunas veces puede ser ventajoso desarrollar un sistema de zonas jerr
quico, como el empleado en los Estudios de Transporte de Londres (LTS), en
el que las subzonas se agregan en zonas mayores, que a su vez se agregan
en distritos, municipios y finalmente sectores. Esto facilita un anlisis al nivel
de detalle adecuado para diferentes tipos de decisiones. Los sistemas de zo
nificacin jerrquica pueden plantearse con un esquema de numeracin zonal
adecuado, en el que el primer dgito indica el sector, el segundo el municipio,
el tercero el distrito y as sucesivamente.
Modelos
de
Transporte
185
ciones. Los arcos se caracterizan por varios atributos como, por ejemplo, longi
tud, velocidad, nmero de carriles, etc., y son habitualmente unidireccionales.
Incluso si se especifica durante la entrada de datos un nico arco de doble
direccin, por simplicidad, ste se convierte luego, internamente en dos arcos
unidireccionales. Un subconjunto de nodos se asocia a los centroides de zonas y
un subconjunto de los arcos a los conectores de los centroides. En la figura3.10
se presenta una configuracin tpica de este tipo.
Un problema con este enfoque es que la conectividad de un nodo a cada arco
que llega a l no tiene coste alguno, pero en la prctica algunos movimientos
de giro en intersecciones pueden ser ms difciles de realizar que otros, incluso
pueden estar prohibidos. Para representar mejor estas caractersticas de la red
real, es posible penalizar y/o prohibir movimientos de giro. Esto puede hacerse
manualmente desagregando la interseccin y asignando arcos separados (llamados a veces arcos ficticios) a cada movimiento de giro y asociando costes dife
rente a cada uno. Algunos programas comerciales son capaces de llevar a cabo
esta desagregacin de forma semiautomtica, siguiendo instrucciones simples
proporcionadas por el usuario sobre los movimientos penalizados o prohibidos.
El nivel de desagregacin puede incrementarse posteriormente si se utilizan
modelos detallados de simulacin de trfico (nivel micro de planificacin).
En estos casos se utilizan arcos adicionales en intersecciones complejas para
tener en cuenta el funcionamiento de los carriles reservados, seales de ceda
el paso, etctera.
Las redes son a veces subconjuntos de sistemas ms amplios y por tanto
pueden ser delimitadas por un cordn que defina los accesos, o puntos del
cordn, donde la red de inters est conectada con el resto del mundo. Estos
puntos se denominan en ocasiones puertas (gateways) y se pueden utilizar
arcos ficticios para conectarlos con las zonas exteriores.
Una decisin fundamental en la preparacin de una red es determinar los
niveles de jerarqua viaria que han de incluirse. Si se incluyen ms calles, mejor
ser la representacin de la realidad, pero de nuevo aparecer el problema de los
costes del estudio frente al realismo, lo cual puede conducir al modelizador a
prescindir de algunos arcos. Adems, no tiene mucho sentido incluir un nmero
elevado de vas en la red para despus realizar hiptesis ms generales sobre
giros y demoras en las intersecciones. Tampoco es muy razonable utilizar una
red muy detallada junto con un sistema de zonificacin menos preciso, ya que
los errores de agregacin espacial (en trminos de conexin de centroides a
la red) reducen el valor de todo el proceso. Esto es especialmente importante
186
16
41
15
16
17
14
19
23
18
20
22
21
24
25
27 28
1
20
29
30
35
34
11
10
37 36
39
31
38
32
12
33
LEYENDA
13
40
17
Centroide
Nodo
Vial de enlace
Lmite de Zona
Conector
Modelos
de
Transporte
187
188
Modelos
de
189
Transporte
en un arco depende de forma importante del flujo en otros arcos, por ejemplo,
para trfico no prioritario en una interseccin de tipo ceda el paso o glorieta.
La introduccin de formulaciones muy generales para la relacin flujodemora no es complicada hasta llegar al siguiente paso: el equilibrio entre la
oferta y la demanda. Aqu, el tratamiento matemtico del primer caso (denomi
nado corrientemente como el caso de funcin de costes separable) es ms simple
que el del segundo. Sin embargo existen actualmente tcnicas matemticas
adecuadas para resolver el equilibrio de la demanda y la oferta en modelos en
los que el coste o tiempo de viaje en arcos depende del flujo en varios arcos; es
decir, en los casos en los que el efecto de cada flujo no puede ser separado. En el
Captulo 11 se incluye una amplia discusin sobre las relaciones coste-flujo.
EJERCICIOS
3.1. Se requiere estimar la poblacin de una determinada rea para el ao
2000, pero nicamente se tiene disponible informacin censal fiable para los
aos 1970 y 1980, de la forma:
Pn = Pbtd
P90 = 265 8
190
3.2. Sea el siguiente modelo de reparto modal entre dos zonas i y j (se
omite el ndice zonal para simplificar la notacin):
P1 (t / ) =
exp( t1 )
1
1
=
=
exp( t1 ) + exp( t2 ) 1 + exp( (t2 t1 )) 1 + exp(t )
P2 (t / ) = 1 P1 =
exp(t )
1 + exp(t )
t1 = 12 2 min
t2 = 18 3 min
t1 = 12 1 min
Coche
2,40
120
Metro
1,60
60
Autobs
0,20
10
Total
0,55
25
Modelos
de
191
Transporte
2. Distribucin de la poblacin:
Coches por hogar
2+
Total
63,6
15,9
0,0
79,5
Medio (25-75)
6,4
3,7
2,4
12,5
0,0
2,4
5,6
8,0
Total
70,0
22,0
8,0
100,0
% a ser entrevistado
< 10.000
25
10.000-15.000
20
15.000-30.000
15
30.000-60.000
10
> 60.000
192
Ingreso bajo
Ingreso medio
Ingreso alto
Coche
3,33
18,00
20,00
Autobs
33,34
7,20
4,00
Metro
3,33
4,80
6,00
Total
40,00
30,00
30,00
Ingreso medio
Ingreso alto
Total
Coche
Modo
6,67
20,00
13,33
40,00
Autobs
17,24
2,07
0,69
20,00
Metro
16,67
13,33
10,00
40,00
a) Si se sabe que las proporciones de la poblacin segn ingreso son del 65,
25 y 15% para los niveles de ingreso bajo, medio y alto respectivamente,
se solicita construir una tabla equivalente para el caso de una muestra
aleatoria. Es posible validar su respuesta?
b) Calcular los factores de ponderacin que se necesitaran aplicar a las ob
servaciones en el caso de muestreo basado en la eleccin para estimar un
modelo de eleccin entre coche, autobs y metro utilizando software usual
(es decir, el desarrollado para muestras aleatorias).
4.
Modelos de generacin de viajes
194
4.1. Introduccin
4.1.1. Definiciones bsicas
Viaje: representa un desplazamiento en una sola direccin de un punto de
origen a un punto de destino (McLeod y Hanks, 1986). Generalmente existir
inters por todos los desplazamientos efectuados en vehculo, aunque muchas
veces se consideran tambin los viajes efectuados a pie, ms largos que un
cierto umbral definido para cada estudio (p. ej., 300 metros o tres calles).
Finalmente, con frecuencia se ignoran en el anlisis los viajes efectuados
por nios de edad inferior a los cinco aos.
Viajes basados en el Hogar (HB): son aquellos que tienen un extremo en
el hogar de la persona que efecta el viaje, independientemente de si ste
es el origen o el destino del viaje.
Viajes No basados en el Hogar (NHB): son los viajes en los que ni el origen
ni el destino del viaje es el hogar.
Producciones de viajes: se definen como el extremo hogar en un viaje HB,
o el origen de un viaje NHB (vase la figura 4.1).
Atraccin de viaje: se define como el extremo no-hogar en un viaje HB o
el destino de un viaje NHB (vase la figura 4.1).
Modelos
de
195
Transporte
Casa
Trabajo
Produccin
Atraccin
Produccin
Atraccin
Produccin
Atraccin
Atraccin
Produccin
Trabajo
Comercio
Viajes al trabajo.
Viajes de estudio (al colegio o universidad).
Viajes de compras.
Viajes sociales y recreacionales.
Viajes por otros motivos.
196
menos rutinarios como, por ejemplo: salud, trmites burocrticos (viajes para
conseguir un pasaporte o un certificado), acompaar a una persona, etc. Los
viajes NHB, en cambio, generalmente no se subdividen en categoras ya que
slo representan el 15-20% del total de los viajes.
4.1.2.2. Segn la hora del da
Los desplazamientos, usualmente, se clasifican en viajes efectuados en el pero
do de hora punta o fuera de punta, ya que la proporcin de viajes, con diferentes
motivos, vara enormemente segn la hora del da.
En la tabla 4.1 se sintetizan los datos de la encuesta Origen-Destino reali
zada en el Gran Santiago en 1977 (DICTUC, 1978); el perodo punta maana
(el perodo punta tarde se asume a veces como su imagen especular) ocurrira entre las 7:00 y las 9:00, y el perodo representativo fuera de punta fue
tomado entre las 10:00 y las 12:00.
Ante todo, hay que destacar que, mientras la mayor parte (87,18%) de los
viajes en la hora punta de la maana son obligatorios, es decir, realizados por
trabajo o estudio, no sucede lo mismo en el perodo fuera de punta. En segundo
lugar llama la atencin la gran proporcin de viajes por motivos burocrticos en
ambos perodos, que es tpica de pases en desarrollo. Tambin hay que resaltar
los viajes de regreso a casa que representan el 41,65% de los viajes totales en
el perodo fuera de punta, pero indudablemente tienen otro propsito.
Tabla 4.1. Ejemplo de clasificacin de viajes
Propsito
Punta AM (7:00-9:00)
Trabajo
465.683
52,12
39.787
12,68
Estudio
313.275
35,06
15.567
4,96
Compras
13.738
1,54
35.611
11,35
Actividades sociales
7.064
0,79
16.938
5,40
Salud
14.354
1,60
8.596
2,74
Trmites
34.735
3,89
57.592
18,35
Acompaamiento
18.702
2,09
6.716
2,14
Otros
1.736
0,19
2.262
0,73
Regresando al hogar
24.392
2,72
130.689
41,65
Modelos
de
Transporte
197
198
Renta.
Posesin de coche.
Tamao del hogar.
Estructura del hogar.
Valor del suelo.
Densidad residencial.
Accesibilidad.
Modelos
de
199
Transporte
Nmero de empleados.
Nmero de ventas.
Superficie cubierta de las empresas.
Superficie total de las empresas.
Ti = Fiti
(4.1)
200
Fi =
f ( Pi d , I id , Cid )
f ( Pi c , I ic , Cic )
(4.2)
Donde f puede ser incluso una funcin multiplicativa sin parmetros, mien
tras que los superndices d y c representan el ao de la prognosis y el actual
respectivamente.
Ejemplo 4.1: considrese una zona en la que hay 250 hogares que poseen
coche y 250 que no lo poseen. Supngase que se conoce el nmero medio de
desplazamientos generados en un da por cada uno de los dos grupos siguientes:
Hogares que poseen coche generan:
Hogares que no poseen coche generan:
6,0 viajes/da
2,5 viajes/da
Fi = Cid/Cic = 1/0,5 = 2
Modelos
de
Transporte
201
202
f (X/Y)
2
1
x1
x2
x3
E(Yi) = a + bXi
(4.3)
Yi = a + bXi + ei
(4.4)
Modelos
de
203
Transporte
f (X/Y)
x1
x2
x3
E(Y) = a +bX
(regresin verdadera)
204
f (X/Y)
= + bX
(regresin estimada)
Y
Y2
Y3
Y1
x1
e3 E(Y) = a +bX
e2
e1
x2
(regresin verdadera)
x3
en los nuevos ejes coordenados (Y, x). Este cambio es conveniente porque la
nueva variable x tiene la siguiente propiedad importante: i xi = 0.
Entonces el mejor estimador de resulta ser:
= Y
(4.5)
lo cual implica que la recta de regresin estimada pasa por el centro de grave
dad (X, Y) de la muestra de n observaciones; el mejor estimador de b es, por
su parte:
b =
xY
x
i i
2
i
(4.6)
E() = a
Var
()
=
n
E(b ) = b
2
=
Var (b)
xi2
Modelos
de
205
Transporte
Y
E(Y) = a + bX
E(Y) = a + bX
= + bX
= + bX
(a)
(b)
z=
b b
/ ( i xi2 )
(4.7)
s2 =
(Y Y )
i
n2
206
t=
b b
s / ( i xi2 )
tn 2
(4.8)
t = b / sb
(4.9)
y este valor necesita ser comparado con el valor crtico del estadstico t de
Student para un nivel de significacin dado y los correspondientes grados
de libertad. Un problema es que la hiptesis alternativa H1 puede implicar un
test unilateral (b > 0) o bilateral (b 0); esto slo se puede determinar exami
nando el fenmeno analizado.
Ejemplo 4.2: supngase que para estudiar el efecto del ingreso (I) en el
nmero de viajes de los hogares que no poseen coche (T) se utiliza la siguiente
expresin:
T =a + bI
Como en teora se puede concluir a priori que si hay influencia, sta debe
ser positiva (es decir, mayor ingreso siempre significa ms viajes) en este caso
se debe testear (docimar) H0 contra la hiptesis alternativa unilateral H1: b > 0.
Si H0 es cierto, el valor t de la ecuacin (4.9) se compara con el valor t;d, donde
d es el nmero apropiado de grados de libertad y la hiptesis nula se rechaza
si t > t;d (ver Figura 4.6).
Supngase ahora que se estuviera considerando incorporar una variable
cuyos efectos no se sabe si son positivos o negativos (p. ej., nmero de traba
jadoras, en que no se sabe si stas van a producir ms o menos viajes que sus
Modelos
de
207
Transporte
f(t)
Regin de rechazo
(1-) = 0,95
Probabilidad 5%
t0,05,d
t = b / Sb
colegas los trabajadores varones); en este caso la hiptesis nula debera ser
bilateral H1 : b 0, y se rechazara H0 si 0 no estuviese incluido en el intervalo
de confianza de b.
Test F para el modelo completo: la figura 4.7a muestra el conjunto de
para los cuales se aceptaran hiptesis nulas individuales como
valores (, b)
las anteriores. Si interesara una dcima de hiptesis que permitiese verificar
si ambos estimadores son iguales a ciertos valores preconcebidos, como, por
ejemplo:
a * 0
=
b * 0
se podra tener una regin como la representada en la figura 4.7b, es decir, acep
tar que cada parmetro sea cero individualmente no necesariamente significa
que se acepta que ambos, simultneamente, sean iguales a cero. Tpicamente,
la regin conjunta va a ser menor que la interseccin de las regiones para cada
parmetro por separado.
Ahora bien, para realizar el test sobre los dos parmetros es necesario co
nocer la distribucin conjunta de ambos estimadores. En este caso, como sus
distribuciones marginales son Normal, la distribucin conjunta de ambos pa
rmetros es la Normal bivariada. La distribucin F de Fischer se utiliza en este
caso para testear la hiptesis nula H0 : (a,b) = (0,0) lo cual puede realizarse a tra
vs de paquetes de software comerciales mediante la siguiente expresin para F:
F = na 2 + xi2 b 2 / 2 x 2
208
Conjunto de valores (, b)
para el cual se aceptan las
hiptesis H0 individualmente
H0 Regin de
aceptacin para el
modelo completo
H0 Regin de aceptacin
{
{
H0 Regin de aceptacin
(a)
(b)
Figura 4.7. Regin de aceptacin para la hiptesis nula: (a) cada parmetro
individualmente; (b) ambos parmetros simultneamente.
H0 : (a,b) = (Y ,0).
4.2.1.4. Coeficiente de determinacin R2
La figura 4.8 muestra la recta de regresin proveniente de la estimacin del
conjunto de puntos en ella representados. Si no se conocieran los valores dex,
la mejor prediccin de Yi sera Y . Sin embargo, para cada valor xi, el error de
(Yi Y ) = (i Y ) + (Yi i) i
Modelos
de
209
Transporte
Yi -i Desviacin no explicada
por la regresin
Yi
Y
i - Y Desviacin explicada
por la regresin
= + bx
xi
(Y Y ) = (Y Y ) + (Y Y )
2
(4.10)
(Y Y )
=
(Y Y )
i
i
2
2
(4.11)
210
R 2 = R 2 k / (n 1) [ (n 1) / (n k 1) ]
(4.12)
Modelos
de
Transporte
211
212
Yi = 0 + 1 X 1i + 2 X 2 i + + k X ki + Ei
mientras que el modelo con valores medios adquiere la forma:
yi = 0 + 1 x1i + 2 x2 i + + k xki + ei
donde yi = Yi/Hi; xi = Xi/Hi; ei =Ei/Hi; y Hi es el nmero de hogares en
la zona i.
Modelos
de
213
Transporte
Varianza interzonal
75 zonas pequeas
8,13
5,85
23 zonas grandes
7,96
1,11
Sistema de zonificacin
214
Ecuacin
R2
Y = 2,36X1
0,203
Y = 1,80X1 + 1,31X2
0,325
(3,7)
(8,2)
(4,2)
0,384
Se aprecia que, a pesar del bajo valor del R2, el tercer modelo es el mejor,
de hecho el intercepto, igual a 0,91, no es grande (si se compara, p. ej., con
1,44 veces el nmero de trabajadores) y los coeficientes de la regresin son
significativamente diferentes de cero (H0 se rechaza en todos los casos). El
modelo probablemente podra mejorarse si se incluyesen otras variables.
Se puede obtener un indicador de la bondad de estos modelos confrontando
los viajes observados promedio con los modelizados para algunas estratifica
ciones de la muestra (vase la tabla 4.4). Ciertamente utilizar esta tcnica es
mejor que comparar los valores totales en cuanto que, en esta ltima situacin,
podran compensarse los errores no permitiendo detectar, por tanto, la corres
pondiente distorsin.
Tal como se muestra en la tabla 4.4, la mayor parte de las celdas presenta
una aproximacin razonable (es decir, errores inferiores al 30%). Si se presen
Modelos
de
215
Transporte
3 o ms
Nmero de coches
0,9/0,9
2,1/2,4
3,4/3,8
5,3/5,6
3,2/2,0
3,5/3,4
3,7/4,9
8,5/6,7
4,1/4,6
4,7/6,0
8,5/7,8
2 o ms
tasen errores superiores, sera necesario ajustar los parmetros del modelo,
aunque esto no es una tarea fcil pues no hay reglas claras sobre cmo proceder,
y los resultados dependen fuertemente del contexto de aplicacin.
1 coche
1 trabajador
4
3
2
0 coche
1 trabajador
1
1
2
3
4
5
Personas en el hogar
216
(8,1)
(3,2)
(3,5)
Modelos
de
217
Transporte
10
9
8
7
6
5
4
3
2
1
Regresin 1 coche
Regresin 0 coche
2
3
4
5
6
Empleados por hogar (X1)
218
dado que los modelos son lineales, esta operacin es fcilmente solucionable
sustituyendo en cada variable independiente del modelo, el respectivo valor
medio que tiene sta para la zona, y luego multiplicando por el nmero de
hogares en cada zona. Es importante resaltar, sin embargo, que en el caso
de modelos no lineales la fase de agregacin puede resultar extremadamente
compleja, tal como ser expuesto en el Captulo 9.
Por ejemplo, para el tercer modelo de la tabla 4.3 se tendra:
O = D
i
(4.13)
Modelos
de
219
Transporte
el nmero total de viajes (T) obtenido al sumar todas las filas sea diferente del
obtenido al sumar todas las columnas (vase el Captulo 5).
La solucin a este problema es pragmtica y se basa en el hecho de que
los modelos de generacin son mucho mejores, en todos los sentidos, que
los correspondientes modelos de atraccin. Esto se debe a que los primeros
son modelos basados en el hogar bastante sofisticados que utilizan tradicio
nalmente buenas variables explicativas. Sin embargo, para la atraccin de los
viajes en el mejor de los casos se dispone de modelos estimados utilizando
datos a nivel zonal. Por este motivo, en la prctica normalmente se considera
que el nmero total de viajes que resulta de la suma de todos los orgenes Oi
representa el valor correcto del total de los viajes T. Por ende, los destinos deben
ser multiplicados por un factor f, que asegure que la suma de las atracciones
sea igual a T. Su valor es:
f =
T
Dj
(4.14)
220
t p ( h) = T p ( h) / H ( h)
(4.15)
Modelos
de
221
Transporte
t p (h)
N de hogares en la encuesta
21
69
1-49
50-99
100-199
200+
222
de 4.000 hogares, este criterio fue satisfecho slo en 18 de las 108 celdas
consideradas. La utilizacin de muestras estratificadas puede garantizar
una mejor distribucin de la muestra entre las diferentes categoras; sin
embargo, ello da lugar a un aumento de los costes de muestreo.
4. No hay un modo eficiente para elegir las variables de clasificacin o para
elegir la mejor clasificacin de cada variable; la minimizacin de las des
viaciones estndares, sugerida en la figura 4.11, requiere de un laborioso
procedimiento iterativo de prueba y error, que puede ser considerado
inviable en estudios reales.
5. Es difcil predecir el nmero de hogares en cada categora a futuro.
4.3.1.3. Aplicacin del modelo a nivel agregado
Sea n el tipo de persona (p. ej., con o sin coche), sea ai (h) el nmero de hogares
de tipo h en la zona i, y sea H n (h) el conjunto de hogares de tipo h en el que
viven las personas de tipo n, las producciones de viajes personales tipo n en la
zona i, (Oin) vienen dadas por:
Oinp =
hH n ( h )
ai (h)t p (h)
(4.16)
Modelos
de
223
Transporte
N de empleados
Otros adultos
2o+
1o
2o+
2o+
1o
2o+
2o+
ai (h) = Hi (h)
(4.17)
224
se especifica una sntesis del mtodo, en tanto que para una descripcin ms
detallada se recomienda consultar Stopher y McDonald (1983).
Considrese un modelo con una variable dependiente continua (como la tasa
de viajes) y dos variables independientes discretas, como el tamao del hogar
y la tasa de motorizacin. La media de la variable independiente se puede esti
mar tanto para la muestra completa de hogares como para cada fila y columna
de la matriz de clasificacin cruzada. A su vez, stas ltimas medias pueden
expresarse como desviaciones de la media global. Observando los signos de
las desviaciones, se pueden estimar valores de la variable dependiente para
cada celda de la matriz, aadiendo a la media global las desviaciones de sus
respectivas filas y columnas correspondientes a la citada celda. De este modo,
es posible compensar los problemas resultantes de tener pocas observaciones
en algunas celdas, como suele suceder.
Ejemplo 4.5: en la tabla 4.7 aparecen los datos recogidos en un rea de
estudio y clasificados segn tres niveles de posesin de coche y cuatro niveles
de tamao de hogar. Dicha tabla representa el nmero de hogares observado
en cada celda (categora) y la media del nmero de viajes por hogar calculada
por fila, columna y total.
Tabla 4.7. Nmero de hogares por celda y tasas medias de viaje
0 coches
1 coche
2o+
coches
Total
Tasa
media
de viajes
1 persona
28
21
49
0,47
Tamao hogar
2 3 personas
150
201
93
444
1,28
4 personas
61
90
75
226
1,86
5 personas
37
142
90
269
1,90
Total
276
454
258
988
0,73
1,53
2,44
1,54
Modelos
de
225
Transporte
Tasa de motorizacin
0 coches
1 coche
2 o + coches
Desviaciones
1 persona
0,00
0,46
1,37
1,07
2 3 personas
0,46
1,27
2,18
0,26
4 personas
1,05
1,85
2,76
0,32
1,09
1,89
2,80
0,36
0,81
0,01
0,90
5 personas
Desviaciones
226
media simple (lo cual sera, en efecto, equivalente a asumir que la variacin
entre los datos de un grupo fuera aleatoria). Si hay interacciones, estas medias
ponderadas tendern, en general, a disminuir el tamao de los ajustes respecto
a la media global. Sin embargo, an en ese caso las medias de las celdas de una
clasificacin mltiple estarn basadas en medias estimadas para todos los datos
disponibles, y no slo en los datos correspondientes a la celda en cuestin.
Los ndices de bondad de ajuste ms importantes asociados al ACM son
(Stopher y McDonald, 1983):
Un estadstico F para evaluar el esquema completo de clasificacin mltiple
(recordar la discusin en el apartado 4.2).
Un estadstico de razn de correlacin para evaluar la contribucin de cada
variable de clasificacin (ver Stopher, 1975) y
Un ndice R2 para el modelo completo de clasificacin cruzada.
Estas medidas le permiten al analista comparar diferentes esquemas de
clasificacin y evaluar su ajuste a los datos del ao de base.
Aparte de las ventajas estadsticas, es importante recalcar que los valores
de las celdas ya no dependen solamente del tamao de la muestra para cada
categora, sino que se basan en la media global derivada a partir de la muestra
completa y en dos o ms medias de clase que se derivan de los datos para
cada clase relevante a la celda en cuestin.
Ejemplo 4.6: en la tabla 4.9 se presenta un conjunto de tasas de viaje para
los mismos datos anteriores, pero calculadas de acuerdo al mtodo estndar
de Anlisis por Categoras (esto es, utilizando medias individuales para cada
celda). Al comparar estos valores con los de la tabla 4.8 se llega a dos conclu
siones interesantes. En primer lugar, el mtodo ACM permite estimar tasas de
viajes aun para celdas que estn vacas. En segundo lugar, algunas tendencias
contra-intuitivas de la tabla 4.9 (p. ej., la disminucin de las tasas de viaje para
hogares con menos de dos coches al aumentar el tamao familiar de 4 a 5 o
ms personas) desaparecen en la tabla 4.8; hay que resaltar tambin que estos
efectos, al menos en uno de los casos, podran deberse al tamao, demasiado
pequeo, de la muestra.
En caso de existir interacciones entre las variables de estratificacin, se
puede utilizar una versin corregida del ACM (Stophen y McDonald, 1983).
sta simplemente consiste en calcular las tasas medias para cada nivel de tasa
de motorizacin y tamao del hogar (e ingreso, si la estratificacin lo considera),
Modelos
de
227
Transporte
Tasa de motorizacin
0 coches
1 coche
2 o + coches
1 persona
0,12
0,94
2 3 personas
0,60
1,38
2,16
4 personas
1,14
1,74
2,60
5 personas
1,02
1,69
2,60
228
1 coche
2o+
Totales
< 125
6.564 (C1)
215 (C2)
6.779
125-250
4.464 (C3)
627 (C4)
5.091
250-500
1.532 (C5)
716 (C6)
87 (C7)
2.334
500-750
305 (C8)
436 (C9)
118 (C10)
859
> 750
169 (C11)
380 (Cl2)
301 (C13)
Total
12.974
2.373
506
790
15.853
Modelos
de
Transporte
229
230
zona i y ji el porcentaje de habitantes de la zona i que pertenece a la categora j. Por lo tanto, se puede escribir la siguiente relacin bsica:
Ti = N i ji t j
j
(4.18)
Como en otros mtodos, los viajes se dividen en basados (HB) y no basados (NHB) en el hogar, y tambin pueden ser divididos en funcin del prop
sito (p) del viaje, lo cual puede ser aplicado tanto a viajes HB como a viajes
NHB.
El modelo se desarrolla segn las siguientes fases:
1. Consideracin de varias variables que se espera sean importantes para ex
plicar las diferencias en la movilidad de las personas. Asimismo, definicin
de categoras de personas plausibles utilizando estas variables.
2. Anlisis preliminar de tasas de viajes en orden a encontrar qu variables
tienen menor poder explicativo y pueden excluirse del modelo. Esto se
realiza comparando las tasas de viaje de categoras que slo se diferencien
por la variable analizada y testeando si sus diferencias son estadsticamente
significativas.
3. Realizar un detallado anlisis de las caractersticas del viaje para encontrar
variables que definan categoras similares. Deben ser excluidas aquellas
variables que no proporcionen una explicacin sustancial de la varianza de
los datos y tambin aquellas que dupliquen la explicacin proporcionada
por otras variables mejores (es decir, ms fcil de predecir o ms apropiadas
para anlisis de polticas). El ejercicio se realiza bajo la restriccin de que
el nmero final de categoras no debe exceder de cierto mximo prctico
(p. ej., 15 clases).
Para este anlisis se pueden utilizar los siguientes indicadores: coefi
ciente de correlacin (Rjk), pendiente (mjk) e intercepto (ajk) de la regresin
t jp = ajk + mjk tkp. Las categoras j y k pueden ser tratadas de forma similar
si los citados ndices satisfacen las siguientes condiciones (Supernak et al.,
1983):
(4.19)
Modelos
de
231
Transporte
Ain = f ( E nj , Cij )
j
232
Modelos
de
Transporte
233
234
P1 =
1
1 + exp(V )
V = k X k
k
Modelos
de
235
Transporte
1+
2+
3+
etc.
t = p / (1 q)
236
Modelos
de
Transporte
237
238
Modelos
de
Transporte
239
240
razones como las que se discuten en el epgrafe 4.2.2; vase Downes y Gyenes,
1976). Sin embargo, anlisis ms recientes han obtenido resultados diferentes.
Por ejemplo, Hall et al. (1987) compararon las tasas de viaje observadas y los
coeficientes de regresin de modelos calibrados con datos de hogares, recogidos
en Santiago en 1977 y 1986, y encontraron importantes diferencias. Copley y
Lowe (1981) observaron que aunque las tasas de viaje en autobs para ciertos
tipos de categoras de hogar parecan bastante estables con el paso del tiempo,
las tasas de viajes realizados en coche particular parecan muy susceptibles
a cambios en el precio real del combustible. Ello tiene las siguientes implica
ciones potenciales:
1. Si existe una correlacin negativa entre las tasas de viajes realizados en
coche y los precios del combustible, entonces la suposicin normal de tasas de viaje constantes en un perodo de crecimiento constante en los
precios de la gasolina podra provocar una importante sobre-provisin
de carreteras e infraestructuras asociadas. Por otra parte, sin embargo,
si los precios disminuyeran en trminos reales, la suposicin de tasas de
viaje constantes llevara a una sub-previsin (lo cual es precisamente lo
que ocurri en el Reino Unido y otros pases industrializados a finales de
los aos 80).
2. Adems, el balance entre las inversiones futuras en instalaciones para
el transporte pblico y privado puede juzgarse de forma incorrecta si se
basa en la suposicin de que las tasas de viaje son constantes con el paso
del tiempo.
Claramente, para el anlisis de polticas a desarrollar es fundamental calcu
lar correctamente el efecto que tienen los precios del combustible sobre las tasas
de viaje (y sobre cualquier otro efecto longitudinal similar). Desafortunada
mente, este problema no se puede abordar solamente con las series de datos de
seccin transversal usualmente disponibles para estudios de transporte.
Modelos
de
Transporte
241
242
Informacin a priori
Informacin a posteriori
t1
t2
N de observaciones
n1
n2
2
1
Ss
Modelos
de
243
Transporte
2
1
t2 =
1
1
+
12 s2
22 =
2
s
t1 +
1
1
12 s2
ts
(4.20)
1
1
+
12 s2
(4.21)
t2 =
n1 S s2 t1 + ns S12 ts
n1 S s2 + ns S12
(4.22)
S s2 S12
n1 S s2 + ns S12
(4.23)
22 =
244
Categoras de hogares
1
8
65
64
0,98
2
5
300
15
0,05
1
12
30
144
4,80
2
6
30
36
1,2
El lector puede verificar que aplicando las ecuaciones (4.22) y (4.23) se pue
den estimar las siguientes tasas de viaje y sus correspondientes varianzas:
Categoras de hogares
1
8,68
0,82
2
5,04
0,05
EJERCICIOS
4.1. Se considera una zona con las siguientes caractersticas:
Tipo de hogar
0 coches
1 coche
2 o + coches
Ingresos ($/mes)
Habitantes
Viajes/da
180
80
40
4.000
18.000
50.000
4
4
6
6
8
11
Modelos
de
245
Transporte
Y = 123,2 + 0,89X1
R2 = 0,900
R2 = 0,925
R2 = 0,996
(5,2)
(6,4)
(0,6)
(7,3)
(1,9)
(9,9)
(2,4)
(1,8)
(9,3)
en los que Y son los viajes zonales atrados por motivo trabajo, X1 es el nmero
total de empleos en la zona, X2 el nmero de empleos en el sector industrial en
dicha zona, X3 el nmero de empleos en el sector comercial tambin en la zona
en cuestin y X4 el nmero de empleos en el sector servicios. Elegir el modelo
ms apropiado y justificar tal eleccin.
4.3. Se consideran los siguientes dos modelos de generacin de viajes para
la hora punta de maana por motivo trabajo, estimados utilizando regresin
lineal a nivel del hogar:
R2 = 0,589
R2 = 0,601
(2,5)
(0,9)
(6,9)
(4,6)
(5,6)
(1,9)
(3,4)
donde y son los viajes por hogar realizados por motivo trabajo en la hora punta de
la maana, x1 es el nmero de trabajadores por hogar, x2 el nmero de coches por
hogar, Z1 es un variable dummy que toma el valor 1 si el hogar posee un coche y
Z2 es otra variable dummy que toma el valor 1 si el hogar posee dos o ms coches.
a) Elegir uno de los dos modelos expuestos, justificando su eleccin.
b) Representar grficamente ambos modelos utilizando un sistema apropiado
de ejes.
246
c) Si en una zona hay 1.000 hogares (con una media de dos trabajadores
por hogar), de los que el 50% no tiene coche, el 35% slo posee un coche y
el resto dos coches exactamente, estimar el nmero total de viajes generados por la zona, Oi, con ambos modelos. Discutir los resultados obte
nidos.
4.4. La siguiente tabla presenta los datos recogidos en una encuesta O-D
realizada hace diez aos, en tres zonas determinadas:
Zona
Residentes/hogar
Trabajadores/hogar
Ingreso medio
Poblacin
2,0
1,0
50.000
20.000
II
3,0
2,0
70.000
60.000
III
2,5
2,0
100.000
100.000
Estructura familiar
Ingreso
Alto
Bajo
1 o menos
0,8
1,0
2 o ms
1,2
2,3
El total de viajes generados en la hora punta por las tres zonas es, respec
tivamente:
Modelos
de
247
Transporte
Zona
Viajes HP
8.200
II
24.300
III
92.500
5.
Modelos de distribucin zonal
250
Destinos
T
j
ij
T11
T12
T13
T21
T22
T23
T1j
T2j
T1z
T2z
O2
T31
T32
T33
T3j
T3z
O3
Ti1
Ti2
Ti3
Tij
Tiz
Oi
Tz1
Tz2
Tz3
Tzj
D1
D2
D3
Dj
Tzz
D z
i Tij = T
i Tij
O1
Oz
Las celdas de cada una de las filas i contienen los viajes con origen en la
zona i y destino en las zonas de las columnas correspondientes. La diagonal
principal corresponde a los viajes intrazonales, mientras que Tij representa el
nmero de viajes entre el origen i y el destino j; Oi el nmero total de viajes con
origen en la zona i, y Dj es el nmero total de viajes atrados por la zona j.
En lo que sigue se utilizarn las letras minsculas tij, oi y dj para representar
datos tomados de la correspondiente muestra o valores de otros estudios.
Modelos
de
251
Transporte
Tijn = Tijkn
k
T = Tij
y t = tij
ij
ij
ij
= Oi
(5.1a)
ij
= Dj
(5.1b)
252
informacin sobre una de las dos restricciones, por ejemplo, si se conocen todos
los Oi el modelo se denomina simplemente acotado a orgenes. Por tanto, el
modelo podr estar acotado a orgenes (generacin) o a destinos (atraccin),
segn se cuente con los Oi o los Dj respectivamente.
Por cuanto se refiere al coste de viaje, ste puede ser expresado en tr
minos de distancia, tiempo o unidades monetarias. A menudo resulta conve
niente utilizar lo que se denomina coste generalizado de transporte (viaje),
que representa una medida en la que se combinan todos los atributos prin
cipales que estn asociados a la desutilidad del viaje. El coste generalizado
es tpicamente una funcin lineal de los atributos del viaje ponderada por
coeficientes que representan la importancia relativa de los atributos tal como
son percibidos por el viajero. Una posible representacin del coste genera
lizado para el modo k (el sub-ndice k se omitir por sencillez de notacin),
sera:
(5.2)
donde:
tijv es el tiempo de viaje a bordo del vehculo para ir de i a j;
tijw es el tiempo andando hacia y desde la parada (o estacionamiento);
tijt es el tiempo de espera en la parada (o bsqueda de lugar para aparcar);
tnij es el tiempo de transbordo, si existe;
Fij es la tarifa para ir de i a j (o el coste monetario de usar el automvil);
j es un coste terminal (usualmente coste de aparcar), asociado al viaje
de i a j;
es una penalidad modal, es decir un parmetro que representa los restan
tes atributos no incluidos en el coste generalizado de viaje, por ejemplo, la
seguridad, el confort, etctera.
a1 a6 son las ponderaciones asociadas a cada elemento del coste; dichas
ponderaciones tienen su correspondiente dimensin apropiada para conver
tir cada atributo en la misma unidad, por ejemplo, monetaria o tiempo.
Si el coste generalizado se expresa en unidades monetarias (a5 = 1), enton
ces a1 se interpreta a veces como el valor del tiempo (o ms precisamente el
valor del tiempo a bordo del vehculo), en cuanto que su unidad es dinero/tiempo. En este caso a2 y a3 representan el valor del tiempo a pie y el del tiempo de
Modelos
de
Transporte
253
254
(5.3)
5
50
50
100
205
50
5
100
200
355
100
100
5
250
455
200
300
100
20
620
355
455
255
570
1.635
Modelos
de
255
Transporte
6
60
60
120
246
60
6
120
240
426
120
120
6
300
546
240
360
120
24
744
426
546
306
684
1.962
(5.4)
(5.5)
5
50
50
100
205
50
5
100
200
355
100
100
5
250
455
200
300
100
20
620
355
455
255
570
1.635
Oi
400
460
400
702
1.962
256
El nmero de viajes para cada par O-D (cada celda), se puede determinar
rpidamente multiplicando cada fila por la relacin entre el total de los viajes
generados previstos Oi y el total de viajes relativos al ao base (j). El resul
tado se presenta en la tabla 5.5.
Tabla 5.5. Matriz de viajes expandida con el crecimiento acotado
a orgenes
1
2
3
4
5,6
50,5
78,4
123,2
257,7
56,3
5,1
156,9
246,3
464,6
112,7
101,1
7,8
307,9
529,5
225,4
303,3
156,9
24,6
701,2
400
460
400
702
1.962
Oi
400
460
400
702
1.962
Modelos
de
257
Transporte
Tij = tijijAiBj
(5.6)
Tij = tijaibj
(5.7)
258
t = t
ij
ij
=T
(5.8)
Objetivo Dj
5
50
50
100
205
260
50
5
100
200
355
400
100
100
5
250
455
500
200
300
100
20
620
802
355
455
255
570
1.635
Objetivo Oi
400
460
400
702
1.962
Objetivo Dj
5,25
45,30
77,04
132,41
260,00
260
44,12
3,81
129,50
222,57
400,00
400
98,24
84,78
7,21
309,77
500,00
500
254,25
329,11
186,58
32,07
802,00
802
401,85
462,99
400,34
696,82
1.962
Objetivo Oi
400
460
400
702
1.962
Modelos
de
Transporte
259
260
Tij =
PP
i j
dij2
(5.9)
donde Pi y Pj son la poblacin de las ciudades origen y destino de los viajes, dij
es la distancia entre i y j y un factor de proporcionalidad.
Esta formulacin pronto se consider una analoga demasiado simplista
de la ley de la gravedad de tal forma que la siguiente mejora fue la utilizacin de los totales de las generaciones y atracciones (Oi y Dj) en lugar de las
poblaciones, incorporndose adems un parmetro n de calibracin como po
tencia de dij. Este nuevo parmetro no tiene por qu ser un nmero entero y
de hecho, numerosos estudios han estimado valores comprendidos entre 0,6
y3,5. Posteriormente el modelo se generaliz considerando que el efecto de la
distancia o separacin poda ser modelizado ms eficientemente mediante
la utilizacin de una funcin (a precisar) decreciente con la distancia o con el
coste de viaje entre las zonas. El modelo result por tanto, as:
Tij = OiDjf(cij)
(5.10)
f(cij) es una funcin generalizada del coste de viaje que contiene uno o varios
parmetros a calibrar y que, generalmente, es llamada funcin de resistencia
al viaje o funcin de friccin, en cuanto que representa la impedancia o resis
tencia a desplazarse cuando aumenta la distancia, el tiempo o el coste del viaje.
Las versiones ms populares de la funcin de resistencia al viaje son:
Modelos
de
261
Transporte
f(cij) = exp(cij)
Funcin exponencial
(5.11)
f(cij) = cijn
Funcin potencial
(5.12)
Funcin combinada
(5.13)
1,8 f(cij)
1,6
(5.14)
Leyenda:
c-2
exp (1,0 c)
exp (0,01 c)
exp (0,3 c)
c0,5 exp (0,1 c)
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0
10
20 30 40 50 60
Coste del viaje (min)
70
Tij = aibjf(cij)
(5.15)
262
Ai =
1
D j f (cij )
j
(5.16)
Ai =
(5.17)
Bj =
1
B j D j f (cij )
1
i i f (cij )
AO
i
(5.18)
f ( cij ) = F mdijm
m
(5.19)
donde Fm representa el valor medio del coste para el intervalo m, mientras que
ijm es igual a 1 si el coste de viaje entre i y j pertenece al intervalo m e igual a
0 en otro caso.
Modelos
de
263
Transporte
N de viajes
10 20 30 40 50 60 70 80 90 100 120
264
tesis de que la DLV sea constante en el futuro, lo cual es anlogo a suponer que
sea el mismo para el ao base y para los aos de prognosis.
Merece la pena apreciar que gran parte del valor del modelo gravitacional
reside en la funcin de impedancia o friccin al viaje; y ello es cierto tanto
desde el punto de vista de la representacin de la matriz observada como desde
el punto de vista de su capacidad de modelizar los impactos de polticas de
transporte y de uso del suelo.
Modelos
de
265
Transporte
Tambin existe un nivel de agregacin superior, definido como macroestado, relativo, por ejemplo, al nmero total de viajes en determinados arcos
o al nmero total de viajes generados y atrados por cada zona. Para conseguir
datos fiables de un viaje, a menudo es ms fcil observar el fenmeno desde
este nivel ms alto de agregacin. En efecto, la mayor parte de las informa
ciones actuales sobre los sistemas es justamente a este nivel. Anlogamente,
las estimaciones relativas a situaciones futuras se limitan, generalmente, a
descripciones de macro-estados a causa de la incertidumbre asociada a la
previsin en niveles ms desagregados: por ejemplo, es ms fcil prever la
poblacin por zonas que el nmero de familias pertenecientes a una categora
particular que residen en cada zona.
La base del mtodo consiste en aceptar que, a menos que se cuente con informaciones contrarias, todos los micro-estados consistentes con nuestra infor
macin de estados ms agregados (meso o macro-estados) tienen igual probabi
lidad de ocurrir. De hecho, es una hiptesis bastante razonable si se considera
que no se conocen ni los meso ni los micro-estados. Como lo que interesa es
la descripcin de meso-estados del sistema (una matriz O/D en este caso) se
deberan identificar aquellos ms probables, dadas las restricciones del mesoestado considerado (restricciones de orgenes, destinos o ambas en modelos
de distribucin). Se puede comprobar que, segn Wilson (1970), el nmero de
micro-estados W{Tij} asociado al meso-estado Tij viene dado por:
W {Tij } =
T!
ij Tij !
(5.20)
log W = log
T!
= log T ! log Tij !
ij
ij Tij !
(5.21)
266
(5.22)
(5.23)
(5.24)
log W '' 0, 5
ij
(Tij tij ) 2
tij
(5.25)
Modelos
de
267
Transporte
pueden generar los modelos minimizando log W" sometido a las restricciones
que reflejan el conocimiento acerca de los macro estados.
El modelo resultante es aquel que tiene los meso ms prximos (en el
sentido de la ecuacin (5.24) o ms o menos de la (5.25)) a los meso-estados a
priori y que adems satisface las restricciones del macro-estado.
Oi Tij = 0
D j Tij = 0
(5.26a)
(5.26b)
(5.27)
i
j
i
(5.28)
Tij
(5.29)
y por tanto:
268
resultando:
(5.30)
Por otra parte, la utilizacin de log W" como funcin objetivo genera el
siguiente modelo:
(5.31)
T C
ij
ij
ij
=C
donde C representa el coste total de los viajes del sistema (p. ej., en unidades
de coste generalizado) el cual es desconocido. Esta restriccin evidentemente
tambin puede reescribirse as:
C Tij cij = 0
ij
(5.32)
Por lo tanto maximizando log W' sujeto a (5.26), (5.27) y (5.32) y utilizan
do la misma tcnica de optimizacin se puede plantear el siguiente Lagran
giano:
j
Calculando, de nuevo, las derivadas parciales con respecto a Tij e igualn
dolas a cero queda:
Modelos
de
269
Transporte
L
= log Tij i' ''j cij = 0
Tij
(5.34)
y entonces:
Tij = exp( i' ''j cij ) = exp( i' ) exp( ''j ) exp( cij )
(5.35)
(5.36)
Ai =
1
1
y Bj =
exp( cij )
B j D j exp( cij )
AO
i i
j
(5.37)
Tij = AO
B j D j exp( 'log cij ) = AO
B j D j cij '
i i
i i
(5.38)
270
(5.39)
ij
Tij = AO
B j D j F m ijm = ai b j F m ijm
i i
m
(5.40)
Modelos
de
271
Transporte
3. La base terica utilizada para generar el modelo ayuda a una mejor inter
pretacin de sus soluciones; se ha observado que el modelo gravitacional
puede ser generado por analoga con el mundo de la fsica (consideraciones
acerca de la maximizacin de la entropa). Dichas consideraciones estn
ligadas estrechamente a la teora de la informacin (tratamiento terico de
datos), a las medidas del error y a la mxima verosimilitud en estadstica.
Estos tres elementos proporcionan modos alternativos de generar la misma
forma matemtica del modelo gravitacional. Aunque su estructura funcio
nal sea la misma, cada base terica proporciona diferentes interpretaciones
tanto para el problema planteado como para la solucin encontrada. Cada
una de ellas puede resultar ms o menos apropiada segn sus circunstancias
especficas. Se volver sobre este problema de la equifinalidad en el Captulo 8.
4. El hecho de que el modelo gravitacional pueda ser generado de diferentes
formas no lo convierte, sin embargo, en correcto. La exactitud del modelo
depende, en efecto, de la aceptabilidad de las hiptesis requeridas para su
generacin as como de su interpretacin. Ningn modelo est adaptado o
es correcto en s mismo; pueden ser ms o menos aptos para tratar cierto
fenmeno segn el conocimiento que se tenga del problema, de las alterna
tivas a probar, de las informaciones disponibles o que puedan ser recogidas
a un coste justificable y del tiempo y de los recursos que se puede destinar a
los anlisis pertinentes (a este respecto, vase a continuacin, la discusin
sobre calibracin y validacin).
Es interesante contrastar el clsico modelo gravitacional de la ecuacin
(5.36) con el mtodo de Furness como derivado en la ecuacin (5.31). Se
puede suponer que una posible interpretacin de la funcin de friccin o
impedancia es que proporciona un conjunto de valores a priori en cada
celda de la matriz de viajes (es decir, utilizacin de exp(cij) en lugar de
tij). La funcin de friccin y la matriz a priori tij tienen el papel de propor
cionar una estructura de viajes a la matriz resultante. Ello puede ver
se ms claramente si se multiplica y divide la parte derecha de la ecua
cin (5.31) por T y se introduce esta constante en los factores de balanceo,
as:
(5.41)
272
donde pij = tij/T es una forma de lograr una mejor definicin del sentido de
estructura como proporcin del total de viajes asignados a cada par origendestino.
Ejemplo 5.4: se considera aqu que es til presentar el modelo gravitacional
con un ejemplo ligado al problema de la expansin de una matriz. Teniendo
en cuenta la matriz de costes presentada en la tabla 5.8 y el total de viajes en
la tabla 5.6, se desea estimar los parmetros ai y bj de un modelo gravitacional
del tipo Tij = aibjexp(cij) en el que = 0,1.
Tabla 5.8. Matriz de costes y total de viajes para la estimacin de un
modelo gravitacional
Matrices de costes (min)
1
3,0
11,0
18,0
22,0
12,0
3,0
13,0
19,0
460
15,5
13,0
5,0
7,0
400
24,0
18,0
8,0
5,0
702
260
400
500
802
260
400
500
802
Objetivo Dj
Objetivo Oi
400
1.962
0,74
0,33
0,17
0,11
1,35
0,30
0,74
0,30
0,15
1,49
0,21
0,27
0,61
0,50
1,59
0,09
0,17
0,45
0,61
1,31
1,34
0,51
1,52
1,36
5,74
Modelos
de
273
Transporte
253,12
113,73
56,48
37,86
Objetivo Oi
Ratio
461,19
400
0,87
102,91
253,12
102,91
51,10
510,04
460
0,90
72,52
93,12
207,23
169,67
542,54
400
0,74
31,00
56,48
153,52
207,23
448,23
702
1,57
459,54
516,45
520,15
465,87
1.962
Previsto
260
400
500
802
Ratio
0,57
0,77
0,96
1,72
Objetivo
Oi
Ratio
ai
155,73
99,00 64,46
74,17
393,36
400
1,02
1,17
57,54
200,22
106,73
90,98
455,56
460
1,01
1,07
25,87
47,01
137,16
192,77
402,81
400
0,99
0,68
20,86
53,77
191,65
444,08
710,37
702
0,99
1,28
260
400
500
802
Previsto
260
400
500
802
Ratio
1,00
1,00
1,00
1,00
179,17
253,50
332,37
570,53
bj
1.962
Rangos (min)
Coste
1,0-4,0
4,1-8,0
8,1-12,0
Suma
Viajes
355,9
965,7
156,5
179,6
1.962
209,2
95,0
274
Modelos
de
Transporte
275
276
c( ) =
T ( )c
ij
ij
T ( )
ij
N C
= c* =
N
ij
ij
ij
ij
ij
(5.42)
donde c* es el valor medio del coste del DLVO y Nij es el nmero de viajes
observado (y expandido) para cada par origen-destino. El mtodo se puede
describir de la siguiente manera:
1. Iniciar la primera iteracin con m = 0 y un valor inicial de 0 = 1/c*.
2. Con este valor 0, calcular la matriz de viajes del modelo gravitacional
estndar. Se obtiene as la media modelizada de costes de viaje c0 pudiendo
entonces estimar como mejor valor de el siguiente:
m = 0 c0/c*
3. Hacer m = m + 1 y, utilizando el ltimo valor hallado para (es decir m1),
calcular la matriz de viajes con el modelo de gravitacin estndar para as
obtener una nueva media modelizada de los costes de viaje cm1 que ser
contrastada con c*. Si ambos valores fueran suficientemente prximos,
detener el proceso, aceptando entonces a m1 como la mejor estimacin;
en otro caso ir al paso 4.
4. Obtener una mejor estimacin de a partir de:
m+1 =
( c * cm1 ) m ( c * cm ) m1
cm cm1
Modelos
de
Transporte
277
5. Repetir los pasos 3 y 4 cuantas veces sea necesario, es decir, hasta que la
ltima media de costes cm1 modelizada sea suficientemente prxima al
valor observado c*.
El paso 3 se repite de modo que se consiga una aproximacin lo ms cer
cana posible a la igualdad (5.42).
Est claro que pueden aportarse ciertas mejoras a este mtodo, sobre todo
desde el punto de vista computacional. Lo que s es cierto es que se ha demos
trado que el mtodo de Hyman es robusto y que presenta en general ventajas
sobre otros algoritmos alternativos.
278
50
100
200
50
50
460
50
100
100
255
400
100
200
250
20
570
702
1.230
Objetivo Dj
155
400
355
320
260
400
500
802
355
Objetivo Oi
400
1.962
Los lectores que tengan familiaridad con el lgebra lineal podrn interpretar este problema estudiando el rango de la matriz original y el de la matriz
aumentada con los valores de la ltima columna de la tabla 5.7. Adems, el
lector puede comprobar tambin que, despus de 10 iteraciones, la matriz co
rrecta resulta ser la de la tabla 5.12.
Llegados a este punto pueden hacerse los siguientes comentarios:
1. La matriz despus de 10 iteraciones parece diferente de la matriz a priori,
poniendo en duda la veracidad, ya sea de la matriz anterior, de sus ceros,
o de los nuevos totales de generaciones/atracciones.
2. El problema principal parece estar en la segunda fila donde hay una gran
diferencia (cerca del 20%) entre los totales previstos y los modelizados.
Modelos
de
279
Transporte
3,4
0,7
61,0
355,3
420
400
388,2
388
460
63,5
2,8
5,9
345,7
420
400
191,2
8,3
433,1
101,0
734
702
260
400
500
802
260
400
500
802
Objetivo Dj
Objetivo Oi
1.962
1.962
No hay, en efecto, ninguna forma de lograr que en esta fila pueda resultar
un valor de 460 viajes visto que la nica celda no nula a lo mximo que
podra llegar es a 400 viajes. Las restricciones por tanto no generan un
espacio de soluciones factibles.
3. El problema parece mal-acondicionado, por ejemplo, una pequea variacin
en el valor de una celda puede hacer que el problema sea factible as como
producir una matriz de viajes bastante diferente. As, el valor cero en la
celda t2,4 puede ser debido a la muestra utilizada; reemplazando este valor
cero por un 1, despus de las mismas 10 iteraciones, se consigue la matriz
de la tabla 5.13. Con una matriz diferente, la adaptacin resulta mejor y
los totales previstos tienen un nivel de exactitud superior al 1%. Por tanto,
ahora ciertamente s que hay un espacio de soluciones factibles.
Tabla 5.13. Matriz modificada del problema de la tabla 5.11 aadiendo un
viaje en la celda 2,4, despus de 10 iteraciones Furness
4,1
4,5
76,2
315,4
420
400
339,2
119,1
388
460
77,3
17,0
7,2
298,5
420
400
178,6
39,3
416,6
68,9
734
702
260
400
500
802
260
400
500
802
Objetivo Dj
Objetivo Oi
1.962
1.962
280
Tij = ai b j F m ijm
m
Las principales ventajas de este modelo son su flexibilidad y la facilidad de calibracin. En efecto, se puede definir un nmero cualquiera de in
tervalos de coste para los que la funcin de impedancia puede asumir cualquier
valor positivo. Y tambin se pueden representar situaciones en que, por ejemplo,
haya pocos viajes cortos, muchos viajes intermedios, pocos viajes largos y un
gran nmero de viajes sistemticos de larga distancia.
La calibracin de un modelo como ste requiere que se encuentren va
lores adecuados del factor de impedancia Fm para cada intervalo de coste de
modo que el nmero de viajes, para una distancia dada, sea lo ms prximo
posible al nmero observado. Este procedimiento, de hecho, es muy parecido
al problema de expansin de una matriz de modo que se satisfagan los totales
generados y atrados.
En este caso se puede iniciar el proceso tomando un valor unitario para
los factores de impedancia y luego corregirles as como tambin a los par
metros ai y bj, hasta que los totales de los viajes satisfagan las restricciones
de distribucin de longitudes de viaje DLV. Entonces, se puede extender el
algoritmo bi-proporcional de forma que tambin se tenga en cuenta esta terce
ra dimensin (intervalos de coste), y utilizar un mtodo tri-proporcional para
calibrar el modelo.
Los principios de base de esta tcnica fueron propuestos por Evans y Kirby
(1974). Por otro lado, Murchland (1977) pudo demostrar que la aplicacin de
sucesivas correcciones en un espacio bi-tri o multi-dimensional, para solucionar
este tipo de problemas corresponde a un slo grupo de algoritmos de solucin;
Modelos
de
281
Transporte
DLV
1,0-4,0
4,1-8,0
8,1-12,0
12,1-16,0
16,1-20,0
21,1-24+
365
962
160
150
230
95
Tabla 5.15. Matriz del problema de la tabla 5.14 despus de cinco itera
ciones, incluyendo los valores de los factores de balanceo ai
y bj y F k
1
2
3
4
bj
161,6
56,5
18,9
23,0
260
0,57
102,5
199,4
48,7
49,5
400
0,70
60,8
101,2
116,7
221,3
500
0,87
72,5
101,0
217,1
411,5
802
1,63
397,4
458,0
401,4
705,3
1.962
ai
1,27
1,13
0,60
1,14
Intervalos
DLV
Tk
Fk
1,0-4,0
4,1-8,0
8,1-12,0
12,1-16,0
16,1-20,0
21,1-24+
365
360,9
224,55
962
966,5
220,13
160
159,0
87,54
150
149,8
102,05
230
230,3
54,66
95
95,5
34,90
282
Obviamente en este caso los factores de balanceo no son, una vez ms,
nicos; en efecto, hay hasta dos constantes multiplicativas arbitrarias. Tambin
se puede expresar este hecho diciendo que los factores de balanceo tienen dos
grados de indeterminacin, representados por las dos constantes multiplica
tivas. Es fcil ver que si se multiplica cada ai por un factor y cada uno de
los bj por otro factor , y luego se divide cada F* por la matriz simulada
permanece inalterada.
1
(ai . )(b j . ) ck
= ai b j ck
Modelos
de
283
Transporte
a
d
g
b
e
h
c
f
i
P
Q
R
A B
D E
G H
C
F
I
S T U
En el caso de una matriz parcial, como por ejemplo, una encuesta en la que
no puedan ser observadas las entradas a y h, se ajustaran solamente los
finales de los viajes excluyendo el total correspondiente:
d
g
b
e
Ajustado a
produce
c
f
i
B C
D E F
G
I
PA
Q
RH
SA T H U
Para rellenar las celdas que faltan, emplearamos un modelo gravitacional; en
el caso de este ejemplo, uno que no tenga una funcin de impedancia:
Tij = aibj
284
Interna
Externa
Externa
********
********
********
********
********
********
********
* * * * * * * * * * * *
* * * * * * * * * * * *
* * * * * * * * * * * *
Donde
* = 0 o desconocido
= es un dato observado.
sta es una matriz separable y cada parte tiene su propio conjunto de
ijk.
Sea, por ejemplo, la Matriz Parcial Cp en la que la celda (1,3) no fue ob
servada:
2
1 2
C = 3 2 1 3
1 3 2 2
Puede que ijk no sea nico en (1,3). Test: 111 = 1 para cada celda
observada.
Modelos
de
285
Transporte
ui + vj + wk = 0 i, j, k observado.
111 = 1
122 = 1 i + j + k 2 = 4
212 = 1
Est claro que estas condiciones no son suficientes para garantizar identifi
cabilidad. De hecho, una solucin general es tomar: 1,1,2 arbitrarios, luego
1 = 1/11, 2 = 1/12 y 2 = 12/1 .
Destacar que si el intervalo de coste para cada celda no observada (2,2) se
pudiera igualar a 1, el estimador de los viajes en ella sera:
286
(5.43)
q m q m 1
= D m
m
q
(5.44)
xm = D m
m
Modelos
de
287
Transporte
q m q m 1
= [ xm 1 xm ]
q m 1
(5.45)
dq ( x)
= dx
q( x)
(5.46)
log q ( x) = x + ctte
q ( x) = Ai exp( x)
(5.47)
Tijm = Oi [ qi ( xm 1) qi ( xm ) ]
(5.48)
Ai =
1
[1 exp( xM )]
(5.49)
para asegurar que se satisfacen las restricciones a destino del viaje. Entonces
el modelo completo se convierte en:
Tijm = Oi
[exp( x ) exp( x )]
[1 exp( x )]
m 1
(5.50)
288
Modelos
de
Transporte
289
290
Modelos
de
Transporte
291
mientras que, para casi todos los dems motivos, se utilizan modelos simple
mente acotados. Ello se debe al hecho de que es a menudo difcil estimar con
precisin las atracciones de viajes por motivos como compras, ocio, activida
des sociales, los cuales generalmente son reportados en trminos de espacios
comerciales, reas recreativas y poblacin como indicadores de la atraccin
zonal.
Algunos motivos de viaje adems pueden ser ms sensibles al coste y,
por tanto, requieren la utilizacin de diferentes valores para la funcin de
impedancia.
292
apropiado para la parte del da en cuestin. Por ejemplo, una matriz tpica
de la hora punta de la maana puede contener el 70% de desplazamientos de
generacin-a-atraccin y solamente el 15% de desplazamientos de atraccina-generacin.
5.8.6. Factores k
Los modelos gravitacionales pueden proporcionar una representacin razonable
de las estructuras de los viajes en la medida en que expliquen con consistencia,
por un lado, la capacidad de generacin y atraccin de las zonas y por otro
la resistencia (o el coste generalizado de transporte) al viaje que genera la
distancia.
Efectivamente, es conocido que la mayor parte de las decisiones individua
les acerca de la localizacin de los hogares y/o la eleccin del lugar de empleo
depende de muchos otros factores; en este caso, el modelo gravitacional slo
puede simular la eleccin del destino a un nivel agregado si la importancia de
estos otros factores fuera muy reducida en dicha agregacin. Por tanto, siempre
hay efectos agregados que no pueden ser tratados con la utilizacin simplemente
del modelo gravitacional. En este sentido, en algunos casos, pueden ser pares de zonas que tengan una especial asociacin o relacin en trminos de flujos
de viajes; por ejemplo, una gran industria manufacturera puede localizarse en
cierta zona mientras la mayor parte de los empleados se encuentra en otra, a
lo mejor porque la compaa posee un complejo residencial a tal efecto. Es
probable que entre estos dos puntos haya ms viajes de los previstos por un
modelo cualquiera que no considere especficamente tal asociacin, como en
el caso del modelo gravitacional.
Sin embargo, este efecto puede ser considerado con la introduccin de un
conjunto adicional de parmetros Kij con lo que el modelo quedara as:
Tij = K ij AO
B exp( cij )
i i ij
(5.51)
En algunos estudios prcticos estos factores han sido utilizados para tratar
de mejorar la calibracin del modelo, y de hecho la mejoran; con un conjunto
completo de factores K se consigue una flexibilidad superior respecto de lo
necesario para reproducir la matriz de viajes observada.
Solamente con los parmetros K sera suficiente para reproducir la ma
triz, por tanto el resto de los parmetros constituyen un aadido con respecto
a lo requerido: factores Kij idnticos a los Tij observados podran resolver el
Modelos
de
Transporte
293
294
0 ,5
1
1
1
Cij = exp 2
+
+
ij
jk
ki
(5.52)
Modelos
de
Transporte
295
simplificada e imperfecta de la realidad. Tambin este tipo de errores (misspecifcation) hace aumentar cualquier intervalo de confianza.
El segundo mtodo para tratar los errores en la modelizacin viene repre
sentado por las tcnicas de simulacin; stas pueden desempear un papel til
en los casos en que las expresiones analticas de los intervalos de confianza de
los resultados del modelo no existan o sean difciles de desarrollar.
Para calibrar un modelo se puede, por ejemplo, asumir que los datos dispo
nibles no contienen errores y entonces, recalibrar sucesivamente dicho modelo
introduciendo, de modo controlado pero realista, variabilidad en los datos.
Este proceso se puede repetir muchas veces para as conseguir un conjunto
de parmetros, cada uno de ellos calibrado con un conjunto determinado de
muestra ligeramente diferente.
Este proceso requiere, obviamente, una cierta cantidad de tiempo y recursos
por ordenador y es, en efecto, generalmente utilizado sobre todo para objetivos
de investigacin. Adems, este tipo de investigacin puede proporcionar indi
caciones tiles sobre la estabilidad de los parmetros del modelo con respecto
a los errores en los datos.
La utilizacin ms simple de la simulacin Monte Carlo consiste en testear
la sensibilidad de los resultados del modelo con respecto a los datos de entrada
en fase de previsin.
Dado que se conoce que las previsiones en los datos contienen errores, el
uso de esta simulacin consiste en introducir en dicho mtodo datos con un
error razonable y luego ejecutar el modelo con cada uno de estos conjuntos
de datos futuros. Los resultados proporcionan una idea de la sensibilidad del
modelo con respecto a los errores presentes en las variables de planificacin.
Como no hay que re-calibrar (se asume que el modelo calibrado en el ao
base sea sin errores), la cantidad de tiempo y recursos necesarios, aunque
grandes, es menor que en el caso anterior.
296
V a V b
% MAE = 100% a
V a
(5.53)
Tija Tijb
% MAE = 100% ij
T a
ij
ij
(5.54)
Modelos
de
297
Transporte
% MAE
Lunes
Martes
Mircoles
Martes
Mircoles
Jueves
Arco
Matriz
Arco
Matriz
Arco
Matriz
11
76
11
72
12
75
13
68
14
85
12
70
Puede observarse que las variaciones diarias de los flujos de trfico son
consistentes con las esperadas, mientras que las variaciones de las matrices
de los viajes son mucho ms grandes. Ello se debe, en parte, al hecho de que
las matrices de viajes presentan valores muy pequeos y numerosos ceros; en
todo caso la evidencia sugiere que las variaciones a nivel de matrices de viaje
pueden ser bastante significativas.
De estos resultados se deduce que no vale la pena dedicar grandes esfuerzos
para conseguir matrices de viajes observadas muy precisas en cuanto que estos
anlisis son slo vlidos para un momento determinado (fotos instantneas).
Las variaciones da a da de las matrices de viaje son importantes y pretender
alcanzar un alto nivel de exactitud en estimarlas parece un esfuerzo difcil de
justificar.
Los resultados adems sugieren que es necesario ser cuidadosos en testear
cmo el valor de un plan cambia en funcin de variaciones en la matriz de los
viajes estimada al ser utilizada durante la asignacin. El anlisis de sensibi
lidad parece una forma particularmente apropiada para estudiar el efecto de
variaciones en la matriz de viajes.
EJERCICIOS
5.1. Considrese una pequea rea de estudio dividida en cuatro zonas. La
matriz de viajes para esa rea, conseguida utilizando una pequea muestra, se
presenta en la siguiente tabla:
298
60
275
571
50
410
443
123
61
47
205
265
75
1.200
670
1.050
730
380
950
770
265
Origen
Destino
A
12
10
B
C
Modelos
de
299
Transporte
Teniendo en cuenta que el modelo es del tipo Tij = RiSjFk, donde el parmetro
Fk puede ser utilizado para representar si el par O-D se encuentra a un lado o
a otro del ro, calibrar este modelo utilizando el algoritmo tri-proporcional y
llenar las celdas vacas de la matriz de viajes expuesta arriba.
5.3. Sea un estudio de transportes en un rea que comprende cuatro ciu
dades (A, B, C y D). Los costes generalizados de viaje entre estas ciudades,
expresados en unidad de tiempo generalizado, se presentan en la siguiente
tabla:
Origen
Destino
A
1,23
1,85
2,67
1,23
2,48
1,21
1,85
2,48
1,44
2,67
1,21
1,44
Origen
Destino
A
18
2
1
Considrese ahora que para esta rea de estudio haya sido utilizado un
modelo gravitacional del tipo Tij = RiSjFk con slo dos intervalos de coste. El
primer intervalo incluye los viajes con coste entre 0 y 1,9 y el segundo incluye
300
los viajes que cuestan ms de 1,9. Se pide: calibrar este modelo utilizando el
mtodo tri-proporcional para esta matriz parcial. Estimar los parmetros Ri,
Sj, Fk y los valores que faltan en las celdas de la matriz, excluyendo los viajes
intraurbanos. Es nica esta estimacin? Justificarlo.
6.
Modelos de reparto modal
6.1. Introduccin
302
Modelos
de
Transporte
303
304
Modelos
de
305
Transporte
0,5
(C 2ij C 1ij)
306
el Estudio del Transporte en Londres (Fase III) empleaba las curvas de desvia
cin para los viajes hacia el centro y los viajes fuera del centro (los primeros
normalmente realizados mediante el transporte pblico) y segn diferentes
motivos de viaje.
Es obvio que estos modelos solamente se pueden utilizar para las matri
ces de viajes de los usuarios con una eleccin disponible, es decir aquellos
que no se encuentran cautivos de un modo en particular. Esto a menudo se
materializa en una matriz de personas con disponibilidad de coche, aunque la
particin modal tambin se puede aplicar a la eleccin entre diferentes modos
de transporte pblico.
Estos modelos tienen poca base terica, lo cual pone en duda su capacidad
de previsin. Tambin ignoran diversas variables polticas sensibles como son
las tarifas de viaje, de aparcamiento, etc. Adems, como los modelos son de tipo
agregado es poco probable que vayan a modelizar con exactitud las restricciones
y caractersticas de los modos disponibles para los individuos.
(6.1)
Sujeto a:
Oi = 0
Dj = 0
Cijk C = 0
jk
ik
ijk
k
ij
k
ij
k
ij
(6.2)
(6.3)
(6.4)
Modelos
de
307
Transporte
Tijk = AO
B j D j exp( Cijk )
i i
Pij1 =
Tij1
Tij
(6.5)
exp( Cij1 )
exp( Cij1 ) + exp( Cij2 )
(6.6)
Pij1 =
exp( Cij1 )
exp( C
k
k
ij
(6.7)
exp(n Cijk )
'
k
(6.8)
K = Pk C k
k
308
K * = P1C 1 + P 2 C 2
K * = (1 P 2 )C1 + P 2C 2 = C1 + P 2 (C 2 C1 )
K * = K + P 2 (C 2 C1 )
Ahora, siendo P2 y (C2 C1) mayores que cero, se puede concluir que
K >K, lo cual carece de sentido porque la introduccin de una nueva alter
nativa, aunque sea ms costosa, no debera hacer que los costes compuestos
creciesen; en el peor de los casos, deberan quedar iguales.
Williams (1977) ha demostrado que la nica especificacin correcta, com
patible con la teora predominante del comportamiento de eleccin racional
(ver epgrafe 7.2) es:
*
K ijn =
1
log exp(n Cijk )
n
k
(6.9)
n n
(6.10)
Modelos
de
Transporte
309
dK
= Pk
dC k
PC =
exp( CC )
= 0, 33
exp( CC ) + exp( CBR ) + exp( CBA )
cuando cabra esperar que la PC fuera 0,5 y que los autobuses se dividieran la
mitad del mercado de igual manera entre el autobs rojo y el azul.
310
PC =
1
;
1 + exp {1 (CB CC )}
PR/B =
1
1 + exp {2 (CBA CBR )}
PB = 1 PC
Modelos
de
311
Transporte
Modo B
Modo C
+ nuevo
Modo B Modo A
Modo C
Segunda eleccin
Segunda eleccin
Modo A
Modo B
Modo B
Modo C
Modo B
Modo C
PA/B = 1 PR/B
con
CB =
1
log exp(2 CBR ) + exp(2 CBA )
2
312
Es simple ver que, si CC = CB, este modelo asigna un probabilidad igual a 0,5
para el automvil y a 0,25 para cada una de las dos alternativas de bus. Sin
embargo, el valor del coste compuesto del bus CB no es el mismo que el del bus
rojo o azul (CBR y CBA). De hecho, el primero depende del valor de 2 y para el
problema del bus azul/rojo se tiene:
CB = CBA
1
log 2
2
Por lo tanto el coste compuesto de autobs ser siempre menor que el coste
del autobs azul o rojo. El parmetro de dispersin 2 permite elegir a los usua
rios las alternativas que no minimizan la parte observada de la funcin de coste
generalizado debido a la existencia de variables no incluidas en el modelo.
Dado ahora un par O-D donde los costes de viaje en autobs (rojo o azul)
y en coche son todos iguales a 50 minutos generalizados. Considrese tambin
que 2 es igual a 0,9. En este caso el valor del coste compuesto CB no es 50 si
no 49,23 y el porcentaje de usuarios que elige el coche depender del valor de
1, tal y como se expone en la siguiente tabla.
1
PC
0,001
0,500
0,005
0,499
0,010
0,498
0,050
0,490
0,100
0,481
0,500
0,405
0,600
0,386
0,700
0,368
0,800
0,351
0,900
0,333
Modelos
de
313
Transporte
P1 =
1
1 + exp { (C2 + C1 )}
P2 = 1 P1 =
(6.11)
exp { (C2 + C1 )}
1 + exp { (C2 + C1 )}
log [ P1 / (1 P1 ) ] = (C2 C1 ) +
(6.12)
314
donde P y C son datos observados y y son, por lo tanto, las nicas incgni
tas. Estos valores pueden calibrarse haciendo una regresin lineal en la que la
parte izquierda del (6.12) representa la variable dependiente mientras (C2-C1)
es la independiente, es la pendiente de la recta y el intercepto. Obsrvese
que si se asume que los pesos a en la funcin de coste generalizado son desco
nocidos, es todava posible calibrar el modelo utilizando la ecuacin (6.12) y la
regresin lineal mltiple. En este caso los pesos calibrados incluiran el par
metro . Otros mtodos de calibracin se discuten en el siguiente epgrafe.
Ejemplo 6.4: sean los datos de la tabla siguiente:
Tabla 6.1. Datos agregados para el modelo de reparto binario
Par de zonas
P1 (%)
P2 (%)
C1
C2
log[P1/(1 P1)]
51,0
49,0
21,0
18,0
0,04
57,0
43,0
15,8
13,1
0,29
80,0
20,0
15,9
14,7
1,39
71,0
29,0
18,2
16,4
0,90
63,0
37,0
11,0
8,5
0,53
Modelos
de
315
Transporte
log
2,5
P1
(1 P1)
2,0
log
P1
= (C2 C1)
(1 P1)
1,5
1,0
0,5
0
-1,0
-2,0
-3,0
(C2 C1)
Figura 6.3. Recta que mejor se ajusta a los datos de la tabla 6.1.
316
Pk =
1
[1 + exp(Yk )]
(6.13)
L
= ( rk nk Pk ) xk
a
k
L
= ( rk nk Pk )
b
k
2L
= nk Pk (1 Pk ) xk2
2
a
k
2 L
= nk Pk (1 Pk )
b 2
k
2 L
= nk Pk (1 Pk ) xk
ab
k
L
= ( rk nk Pk ) xk
a
k
L
= ( rk nk Pk )
b
k
Modelos
de
Transporte
2L
= nk Pk (1 Pk ) xk2
2
a
k
317
2 L
= nk Pk (1 Pk )
b 2
k
2 L
= nk Pk (1 Pk ) xk
ab
k
318
1
2
Tijk = ( PP
)k 1 ( I i I j )k 2 ( tijm ) km ( cijm ) km
i j
m
(6.14)
Lijm = ( tijm )
1km
(c )
2
m km
ij
Yik = Pik 1 I ik 2
Z jk = Pjk 1 I jk 2
Con lo que la ecuacin (6.14) queda:
(6.15)
as esta transformacin facilita la interpretacin de los parmetros del modelo; es decir, es el parmetro de escala que depende del motivo del viaje a
estudio. k1 y k2 son la elasticidad de la demanda respecto a la poblacin y al
ingreso respectivamente; se espera que estos parmetros tengan signo positivo. 1km y 2km representan la elasticidad de la demanda respecto al tiempo y
al coste de viaje; las elasticidades directas (es decir, cuando k = m) han de ser
negativas en tanto que las elasticidades cruzadas deberan ser positivas. El mo-
Modelos
de
319
Transporte
Tijk = ( PP
) (Ii I j )
i j
1
1
k
2
k
(t ) (C )
( t ) ( C )
k
ij
m
ij
1m
k
ij
m
ij
m 1m m m2
( tij ) ( Cij )
2
(6.16)
m
m
Yij = Y = ( PP
)1 ( I i I j )2
i j
1
k
Lk = ( t k )
2
k
(C )
k
T1 =
YL1
YL2
y T2 =
L1 + L2
L1 + L2
320
cin de cada uno de los modos con respecto a la relacin entre sus niveles de
servicio. Ello significa que si, por ejemplo, se desea aumentar la tarifa del
modo2 sin disminuir su actual cuota de mercado se deben realizar modificaciones para mantener constante el nivel de servicio L2. La figura (6.4b) indica que
para poder mantener constante el nivel de servicio se tiene que hacer variar
tambin t2 (obviamente sin variar el otro modo).
Volviendo atrs, al modelo general (6.16), es fcil ver que los parmetros
tienen, en general, el mismo significado pero su nmero es mucho menor que
en el modelo SARC. Solamente ha aparecido un nuevo parmetro , cuyo
anlisis es muy instructivo. Dicho parmetro se ha introducido para permitir
que el trmino al que est asociado represente el potencial total de viajes para
los diferentes modos; de esta manera, el trmino anterior, en la ecuacin, tiene
la funcin de reparto modal de estos viajes entre los diferentes modos, como
se acaba de ver.
Ck
Pk
1,0
T2
T1 + T2
0,5
Lk = A
Lk = B
Lk = C
T1
0
0
(a)
T1 + T2
1
L2 / L1
(b)
tk
Modelos
de
321
Transporte
Tijk = ( PP
) ( Ii I j )
i j
1
(t ) (C )
k
1k
ij
k2
ij
L( c ) E ( L, c) Lc / c Lc / c
L( t ) E ( L, t ) Lt / t 2 Lt / t
L( q ) E ( L, q ) Lq / q 0, 8Lq / q
Lc / c 0.8 Lq / q
es decir:
q / q 1, 25c / c 1, 25 x 0, 20 = 0, 25 o 25%
322
L( c ) = (L( q ) + L( t ) )
es decir:
2t / t = 0,8q / q 0,20
0,2
Dq
q
0,4
-0,2
C (C
h
ijh
ijhm
/ Cijhb
(6.17)
Modelos
de
Transporte
323
EJERCICIOS
6.1. Se ha llevado a cabo una encuesta de eleccin de modos de transporte en
un corredor que conecta cuatro zonas residenciales A, B, C y D con tres reas
de alta concentracin de trabajadores U, V y W.
El corredor tiene una buena conexin ferroviaria y una red razonable de
carreteras. Las tres zonas U, V y W se encuentran localizadas en un rea
fuertemente congestionada y, por lo tanto, los desplazamientos en tren son
muchas veces ms rpidos que en coche. Las informaciones recogidas durante
la encuesta se sintetizan en la tabla siguiente:
324
En coche
En tren
x1
x2
x3
x4
x1
x2
x3
Proporcin
en coche
A-U
23
120
40
19
10
72
0,82
B-U
20
96
40
17
64
0,80
C-U
18
80
40
14
10
28
0,88
D-U
15
68
40
14
12
20
0,95
A-V
26
152
60
23
10
104
0,72
B-V
19
96
60
18
72
0,90
C-V
14
60
60
11
36
0,76
D-V
12
56
60
12
11
28
0,93
A-W
30
160
80
25
10
120
0,51
B-W
20
100
80
16
92
0,56
C-W
15
64
80
12
36
0,58
D-W
10
52
80
24
0,64
Par O-D
Modelos
de
325
Transporte
O-D
Tren
Proporcin
que elige coche
x1
x2
x1
x2
3,05
9,90
2,50
9,70
0,80
4,05
13,10
2,02
14,00
0,51
3,25
9,30
2,25
8,60
0,57
3,50
11,20
2,75
10,30
0,71
2,45
6,10
2,04
4,70
0,63
Vijn = AO
B j D j exp( M ijn )
i i
donde:
M ijn =
1
log exp( n Cijk )
n
k
326
Pk =
exp( Cijk )
exp( C
m
ij
Cijk = kp xkp
Variable
tt
et
Coche
20
50
Bus
30
20
Modelos
de
327
Transporte
6.5. Sean dos ciudades A y B que distan 800 km y que estn servidas
por un servicio de ferrocarril de mercancas a travs de un terreno montaoso.
El tiempo total de viaje en un sentido, tr, es de 20 horas y la tarifa actual, cr,
es de 600 $/ton. Se considera adems que, como el servicio se utiliza a baja
capacidad, tr es constante, independientemente del volumen de trfico Vr.
En una carretera casi paralela opera tambin un servicio de camiones,
competencia del ferrocarril; su velocidad media es de 50 km/h y su tarifa es de
950 $/ton. Est previsto un proyecto de autopista que conecte tambin ambas
ciudades y se espera que muchos de los vehculos pesados de la carretera se
pasen a esta nueva infraestructura, constituyendo su parte ms importante de
trfico.
La funcin de nivel de servicio estimada de la nueva autopista es la si
guiente:
tt = 7 + 0,08Vt (horas)
donde Vt es el flujo total de camiones por hora. Por otra parte, el ferrocarril ha
estimado su correspondiente funcin de demanda dada por:
7.
Modelos de eleccin discreta
330
Vcoche = 0,25 1,2 IVT 2,5 ACC 0,3 C/I + 1,1 NCOCHE
(7.1)
Modelos
de
331
Transporte
exp(V1 )
Logit: P1 =
exp(V1 ) + exp(V2 )
Probit:
P1 =
V1 V2 + x1
x 2 2 x x x 2
1
1 2
1
exp
+ 2
2
2(1 ) 1
1 2
2
21 2 (1 2 )
dx2 dx1
12
=
1 2
1 2
22
332
(entre 0 y 1) mientras que las observaciones son las elecciones realizadas por
los individuos (que son solamente 0 1); las nicas excepciones al respecto
son los modelos para grupos homogneos de individuos, o cuando el compor
tamiento de cada individuo se registra en varias ocasiones, porque, de hecho,
las frecuencias observadas de eleccin son tambin variables comprendidas
entre 0 y 1.
Spear (1977) ha realizado una conveniente sntesis de algunas propiedades
interesantes de estos modelos:
1. Los modelos desagregados de demanda (DM) se basan en teoras de com
portamiento individual y no constituyen analogas fsicas de ningn tipo.
Por ende, en tanto en cuanto intentan explicar dicho comportamiento,
presentan una importante ventaja potencial respecto a los modelos con
vencionales, en el sentido de que es ms probable que sean estables (o
transferibles) en el tiempo y en el espacio.
2. Los DM se estiman utilizando datos individuales, lo que implica que:
En cuanto se refiere a la utilizacin de informacin pueden ser ms eficientes que los modelos convencionales; de hecho requieren un nmero
menor de datos ya que la eleccin de cada individuo puede ser utilizada
como una observacin. En los modelos agregados, una observacin re
presenta el promedio de (a veces) cientos de observaciones individuales.
Asimismo, el utilizar datos individuales hace que se pueda tener en
cuenta toda la variabilidad inherente a dichas informaciones.
En principio, los DM pueden ser aplicados a cualquier nivel de agrega
cin aunque este proceso no es nada sencillo, tal y como se ver ms
adelante.
Existe una menor probabilidad de que los DM se vean afectados por
distorsiones debidas a la correlacin entre unidades agregadas. Cuando
se agrega informacin puede aparecer un serio problema debido a que
el comportamiento individual puede ser ocultado por caractersticas no
identificadas asociadas a las zonas. Este problema es conocido con el
nombre de falacia ecolgica.
3. El ejemplo de la figura 7.1 muestra que si se estimara un modelo de gene
racin de viajes utilizando datos zonales (empleando las medias de cada
zona), se obtendra que el nmero de viajes disminuye con el ingreso,
mientras que si se usan los datos individuales se vera claramente que el
nmero de viajes aumenta con el ingreso. Dicho fenmeno, que obviamente
Modelos
de
333
Transporte
N i = Pin
Viajes en coche por hogar
Hogares en zona A
Media
zona A
Ingreso
334
Modelos
de
335
Transporte
(7.2)
Esta expresin permite explicar dos posibles irracionalidades: (i) que dos
individuos con los mismos atributos y frente al mismo conjunto de eleccin,
seleccionen alternativas u opciones diferentes, y (ii) que algunos individuos
puedan no elegir la mejor alternativa (desde el punto de vista de los atributos
considerados por el modelizador).
Para que la descomposicin de la ecuacin (7.2) sea correcta, es necesario
que exista una cierta homogeneidad en la poblacin objeto de estudio. En
principio se requiere que todos los individuos dispongan del mismo conjunto
de alternativas y estn sujetos a las mismas restricciones (vase Williams y
Ortzar, 1982a), y para que ello realmente suceda puede ser necesario seg
mentar el mercado.
Aunque el trmino V se haya definido como representativo de las caracte
rsticas medibles del individuo, se ha introducido el subndice q en cuanto que
dicho trmino V es funcin de atributos x y stos pueden variar de individuo
a individuo. Adems y sin prdida de generalidad, se acepta que los residuos
son variables aleatorias con media cero y una cierta distribucin de proba
bilidad a especificar.
V jq = kj X jkq
k
(7.3)
336
(7.4)
(7.5)
es decir:
(7.6)
Pjq =
RN
f ( )d( )
(7.7)
donde
iq jq + (Vjq Viq),
RN =
Vjq + jq 0
Ai A(q)
Modelos
de
337
Transporte
f ( ) = f ( 1 ,..., N ) = g ( n )
n
V j Vi + j
+
Pj = g ( j )
g ( i )d i d j
i j
(7.8a)
Pj = g ( j ) G ( j + V j Vi ) d j
i j
(7.8b)
con
X
G ( x) = g ( x)dx
338
Piq =
exp( Viq )
A j A( q )
exp( V jq )
(7.9)
2 =
2
6 2
(7.10)
Modelos
de
339
Transporte
P1 =
exp(V1 )
1
=
exp(V1 ) + exp(V2 ) 1 + exp(V2 V1 )
donde se considera que las utilidades observadas son funciones lineales de dos
variables genricas x1 y x2 y dos constantes (con coeficientes 3 y 4):
V1 = 1x11 + 2 x12 + 3
V2 = 1x21 + 2 x22 + 4
340
cero, estimando la otra con respecto a ella (esto se verifica obviamente para
cualquier nmero de alternativas).
Si x1j o x2j tuvieran el mismo valor para ambas alternativas (como en el caso
de variables que representan atributos individuales como el ingreso, la edad,
el sexo o el nmero de coches en el hogar), el coeficiente genrico afectado
no podra ser estimado en tanto en cuanto se multiplicara siempre por un
valor igual a cero. Lo mismo sucede tambin en el caso de variables relati
vas al nivel de servicio cuando presentan valores comunes para dos o ms
alternativas (p. ej., la tarifa de transporte pblico en un mercado regulado).
En ambos casos, tales variables pueden aparecer, como mximo, en todas
las alternativas menos en una.
El problema planteado por los atributos individuales se puede complicar
bastante por el hecho de que no es fcil o no est claro decidir en qu utilidad(es)
o en qu alternativa(s) deben ser insertados.
Por ejemplo, sea el caso de una variable como Sexo (que adopta el valor
cero para hombres y uno para mujeres) dentro de un contexto de eleccin mo
dal; si dos de las alternativas de transporte fueran coche-conductor y cocheacompaante y si se considerase que los hombres utilizan ms el coche para
desplazamientos sistemticos que las mujeres, entonces la variable Sexo no
debera ser insertada en sus funciones de utilidad. Sin embargo, para otros
modos como el autobs o el metro, persistira la duda de si insertar o no esa
variable.
El problema es que se obtienen resultados diferentes en la estimacin de
coeficientes, segn la variable que se inserte en las alternativas modales, y
elegir la mejor solucin puede convertirse en un problema bastante difcil, aun
si el nmero de alternativas y de atributos es relativamente pequeo, ya que el
nmero de combinaciones posibles es normalmente muy elevado.
En el caso en que no se tenga ninguna idea sobre cmo insertar un atri
buto individual y no existan elementos tericos para justificar la presencia de
una forma u otra, siempre queda el procedimiento de la prueba y el error para
intentar resolver el problema.
Modelos
de
341
Transporte
Pj
= exp (V j Vi ) es
Pi
constante e independiente de las utilidades del resto de las alternativas. Ini
cialmente esta propiedad fue considerada como una ventaja del modelo, ya
que permita tratar fcilmente el problema de la alternativa nueva (es decir,
permita obtener la previsin de la proporcin de mercado de una alternativa
no presente en el momento de la calibracin del modelo si se conocan sus
atributos, sin recalibrar el modelo). Sin embargo, hoy en da dicha propiedad
se percibe como una desventaja, ya que no permite al modelo considerar la
presencia de correlaciones entre alternativas, lo cual puede conducir a predic
ciones sesgadas (recurdese el ejemplo del problema de los autobuses rojos y
azules del Captulo6). Se volver sobre este tema en el apartado 7.4.
Cuando el nmero de alternativas es muy elevado, como en el caso de la
eleccin de destino, se puede demostrar (MacFadden, 1978) que se obtienen
parmetros insesgados estimando el modelo slo con una muestra aleatoria del
conjunto de eleccin disponible (p. ej., siete destinos para cada usuario). Los
modelos que no presentan dicha propiedad pueden requerir una gran cantidad de
tiempo de clculo para ms de 50 alternativas, aunque su proceso de estimacin
no sea complicado. Desgraciadamente, en un contexto de eleccin de destino,
no es difcil superar esta cifra en sistemas de zonificacin de tamao normal.
Si se estima el modelo con datos para una sub-rea, o con datos de una
muestra sesgada en trminos de la cantidad de usuarios que elige cada al
ternativa en relacin a la poblacin, se puede demostrar que si ste tiene un
conjunto completo de constantes especficas (N-1, si hay N opciones como ya
se demostr) y todos los individuos tienen disponibles todas las alternativas,
entonces basta recalcularlas como se indica en (7.11) para el rea total obte
nindose un modelo insesgado:
En el caso del MNL se tiene que el cociente:
q
K i' = K i log i
Qi
(7.11)
342
EPiq , X ikq =
Piq X ikq
.
X ikq Piq
(7.12)
(7.13)
1 0 0
= 0 1 0
0 0 1
Modelos
de
343
Transporte
U(d,m) = Ud + Udm
(7.14)
344
donde:
V(d,m) = Vd + Vdm
y:
(d,m) = d + dm
Se puede demostrar que si los residuos son separadamente IID, bajo cier
tas condiciones se obtiene el modelo logit jerrquico o anidado (HL) (Williams,
1977; Daly y Zachary, 1978) cuya forma es:
P ( d , m) =
{
exp { (V
}
)}
d'
d'
+V
*
d'
exp(Vdm ' )
m'
(7.15)
con
1
Vd* = log exp(Vdm ' )
m'
U(1,1) = V1 + V11 + 1 + 11
U(1,2) = V1 + V12 + 1 + 12
(7.16)
Modelos
de
345
Transporte
NI
AI(q)
346
(7.17)
VI = EMU + z
(7.18)
P (M / PT ) =
exp(WM )
exp(WM ) + exp(WB )
Modelos
de
347
Transporte
P ( C) =
exp(VC )
exp(VC ) + exp(VPT )
y P(PT) = 1 P(C), donde VC incluye todos los atributos de la alternativa coche y, en consecuencia, tiene exactamente la misma forma que en el MNL.
La utilidad asociada al transporte pblico viene dada por:
k'
donde
PC = P (C)
PB = P (B/PT ) P (PT) = P (B/PT)(1 PC)
0 < 1
(7.19)
348
(7.20)
5
1
3
4
8 9 10
Por ejemplo, si los son como los que se muestran en la figura 7.3, se
deberan cumplir las siguientes relaciones:
0 < 1 1
0 < 2 3 5 1
0 < 4 5 1
7. Limitaciones del HL:
Modelos
de
Transporte
349
350
U (i, j ) = U i + U j / i
U (i, j ) = V (i, j ) + (i, j )
V (i, j ) = Vi + V j / i
(i, j ) = i + j / i
Pij = Pi Pj / i
(7.21)
con:
Pj / i =
V j /i
ei
Ak A I ( q )
Pi =
eiVk / i
e Vi
A j A S ( q )
V j
donde Vj/i es la utilidad representativa de la opcin j dentro del nido i que inclu
ye solamente aquellos atributos que presentan variacin dentro del nido. Los
parmetros y i representan los factores de escala del nivel superior y del nido
i respectivamente. Para las alternativas del nido superior se tiene que:
Vi = X i + i ln
eiVk / i
Ak A1 ( q )
Modelos
de
351
Transporte
PT
Coche
Bus
Metro
Coche
Bus
Metro
352
12
=
1 2
1 2
22
2 = 12 + 22 2 1 2
Modelos
de
353
Transporte
(7.22)
U = t + c +
U = t + c / I +
Comparando las dos expresiones es fcil ver que el modelo ser correcto
slo si es tratada como una variable aleatoria con distribucin exactamente
igual a la de /I en la poblacin. En este caso, se dice que el modelo contiene
variaciones aleatorias de los gustos.
Tal y como seala Horowitz (1981a), el problema de las variaciones alea
torias de gustos es en general bastante serio, y puede ser considerado como
354
un caso especial del bien conocido error de especificacin (la omisin de una
variable explicativa relevante), discutido ya en el Captulo 2.
Sea de nuevo la funcin de utilidad (7.3) que es lineal en los parmetros,
como se trat en el epgrafe 7.2. El caso ms general considera que el conjun
to de parmetros es un vector aleatorio distribuido entre la poblacin; en
este caso los residuos se pueden modelizar como parmetros especficos de la
alternativa y las variables en la ecuacin (7.2) se pueden omitir sin prdida
de generalidad; consecuentemente, es posible reescribir la ecuacin ms con
cisamente como:
UUjj = k x jk
k
(7.23)
Modelos
de
355
Transporte
U jn = n X jn
(7.24)
U jn = n X jn + U j ( n 1)
(7.25)
356
o anlogamente:
P(A11, A12) = Prob{0 1 (X21 X11) y 0 2 (X22 X12) + (U21 U11)}
(7.26)
U11 = 0, U12 = 0
U21 = 1 (X 21 X11)
U22 = 2 (X 22 X12) + (U21 U11) = 2 (X 22 X12) + U21
(7.27)
Si se indica, adems, con V2n al trmino n (X2n X1n), las utilidades pueden
ser reescritas sencillamente as:
U 1n = 0
U 2 n = V2 n + V2 ( n 1)
(7.28)
W0 = 0
W1 = 1 (X NC1 XC1)
W2 = 2 (X NC2 XC2) + W1
(7.29)
Modelos
de
357
Transporte
iP =
i
con 2 = 12 + 22 2 1 2
iL = i con =
y por tanto:
iL =
i
6
K=
s 2
s 6
3
(7.30)
358
Por lo tanto, para comparar los coeficientes estimados en un MNL con los
estimados para un probit idntico e independiente, se deben escalar los segun
dos por el factor / 3 . Este mtodo ha sido utilizado con gran xito para
testear la validez de un cdigo experimental propuesto para estimar modelos
probit multinomiales (vase Munizaga et al., 2000).
(7.31)
(7.32)
Modelos
de
359
Transporte
Pqjt ( * ) =
e qjt
X qjt
e qjt
X qjt
f (/*)d
(7.33)
Aj A ( q )
360
Un punto de vista usual era que como las formas lineales en los parmetros
estn asociadas a un proceso de toma de decisiones compensatorio (es decir,
un cambio en uno o ms de los atributos puede ser compensado por cambios
en los otros), los modelos no podan ser especificados de forma apropiada para
procesos de toma de decisiones caracterizados por la percepcin de discontinui
dades, que tienen ms propiamente una naturaleza no compensatoria (es decir,
donde los aspectos buenos de una alternativa quizs no permiten compensar
los aspectos malos, ya que stos tienen un rango mayor de importancia dentro
del procedimiento de seleccin, y la alternativa puede ser eliminada antes en
el proceso de bsqueda; vase la discusin en Golob y Richardson, 1981).
Ejemplo 7.4: sea un conjunto de individuos, que tienen que hacer una
eleccin determinada y que poseen una serie de objetivos G y una serie de
restricciones B. Entonces, el problema de mltiples criterios generales puede
describirse formalmente as:
Max (opcion)
F ( Z11 ) F1 ( Z N1 )}
{ 1
Max (opcion)
F ( Z1k ) Fk ( Z Nk )}
{ k
(7.34)
Max (opcion)
F ( Z1K ) Fk ( Z NK )}
{ K
f(Z) B
(7.35)
Modelos
de
Transporte
361
G = G k Z1k , , k Z kj , , k Z Nk
k
k
k
(7.36)
362
Z1k , , Z kj , , Z Nk Z k
(7.37)
Modelos
de
Transporte
363
364
1,0
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
-60
-40
-20
(a)
20
40
60
V2 V1
0
-60
(b)
-40
-20
20
40
60
V2 V1
Figura 7.5. Influencia del hbito en los modelos de corte transversal: (a) curva
de respuesta logit, (b) curva de histresis para el efecto de hbito en individuos.
EJERCICIOS
7.1. Interesa estudiar el comportamiento de un grupo de viajeros con respecto
a dos alternativas de transporte A y B, cuyos tiempos de viaje son respectiva
mente ta y tb. Cada viajero experimenta las siguientes utilidades segn cada
una de estas dos alternativas:
Modelos
de
365
Transporte
U a = ta + I
U b = tb
5.000
25.000
Modo
Variable
t
Coche
25
140
Bus
40
50
366
Alternativa
Poblacin
Coche
283
17.100
Bus
467
68.900
Taxi compartido
Bus
Metro
Modelos
de
367
Transporte
Tiempo (t)
Coste/Ingreso (c)
Coche
4,5
23,0
Taxi compartido
5,5
15,0
Bus
7,5
5,5
Metro
5,5
3,6
Ui = Xi + i
donde los distribuyen IID segn una Normal estndar, para los siguientes
casos:
a) Si el valor de es fijo e igual a 3.
b) Si distribuye Normal N(3,1) y es independiente de .
8.
Especificacin y estimacin
de modelos de eleccin discreta
8.1. Introduccin
370
Modelos
de
Transporte
371
(p. ej., utilizar el MNL cuando no se cumplen las hiptesis necesarias para su
uso) puede ocasionar graves errores (Williams y Ortzar, 1982a).
El epgrafe 8.4 se concentra en la estimacin estadstica de los modelos de
eleccin discreta utilizando datos procedentes de muestras aleatorias y basadas en
la eleccin, e incluye mtodos para validar los modelos y confrontar sus diferen
tes estructuras. En el epgrafe 8.5 se discuten los mtodos para estimar el MNP
as como en el 8.6 se aborda la estimacin del modelo logit mixto o de compo
nentes de error. El captulo concluye con algunas consideraciones relevantes
para la especificacin de los modelos con datos de preferencias declaradas.
372
2. Utilizar el mtodo de fuerza bruta, que supone que todos los individuos tie
nen todas las alternativas disponibles, dejando que el modelo asigne una pro
babilidad de eleccin muy baja o igual a cero a las opciones menos realistas.
Ambos enfoques tienen desventajas. Por ejemplo, en el primer caso, se pueden dejar de lado alternativas realistas que no se han elegido debido a la forma
en que se tom la muestra o a la tcnica de muestreo utilizada. En el segundo
caso, la inclusin de demasiadas alternativas puede afectar a la capacidad dis
criminatoria del modelo, ya que un modelo que considere opciones no realistas
puede ser incapaz de describir adecuadamente las elecciones entre aquellas
que son realistas (Ruijgrok, 1979). Otros mtodos que se pueden aplicar para
resolver este problema son:
1. Agregar las opciones o alternativas, como en el caso de un modelo de elec
cin de destino basado en datos zonales;
2. Suponer continuidad en las alternativas, como muestran Ben Akiva y Wata
natada (1980).
Modelos
de
Transporte
373
374
V jq = kj f kj ( xkjq )
k
(8.1)
Modelos
de
375
Transporte
( x 1) / , si 0
x ( ) =
si = 0
log x ,
(8.2)
que es continua para todos los posibles valores de . Aplicando esta transfor
macin es posible reescribir la ecuacin (8.1) como:
V jq = kj xkjq
(k )
(8.3)
( x + ) 1 / , si 0
( x + )( ) =
si = 0
log( x + ),
(8.4)
376
donde es slo una constante de traslacin, elegida para asegurar que (x +)>0
en todas las observaciones.
Para que el modelo sea consistente con la teora microeconmica los valores
de tienen que satisfacer ciertas condiciones. En particular, es instructivo deri
var qu restricciones existen en el caso de atributos como el tiempo de viaje (que
produce desutilidad) o el nmero de coches en el hogar (que, en cambio, hace
aumentar la probabilidad de elegir el coche) para asegurar que las utilidades
marginales sean decrecientes, tal y como requiere la teora. Queda propuesta
pues esta demostracin como un pequeo desafo para el lector interesado.
Puede demostrarse que si se especifica un MNL con la forma funcional
(8.4) y se obliga a que todos los valores de sean iguales, sus elasticidades
vienen dadas por:
E P ,x = ( ji Pj ) xki k ( xki + ) 1
j
ki
(8.5)
Modelos
de
377
Transporte
esta teora, a partir del caso de individuos que eligen entre el ocio (L) y consumo
de bienes (G). El compromiso aparece una vez que se formula la relacin entre
G y el ingreso (I): ellos suponen que I depende del nmero de horas trabajadas
(W). De esta manera, el aumento de W permite aumentar G disminuyendo L.
Este problema se puede expresar formalmente como:
MaxU(G, L)
Sujeto a:
G + ci = wW
Ai A
W + L + ti = T
(8.6)
g = I / (T W)
(8.7)
378
Pj =
Tij
Oij
B j Fij
B
k
(8.8)
f ik
Si ahora se define:
(8.9)
Vk = log Bk cij
(8.10)
Modelos
de
Transporte
379
f ( Z1 , Z 2 , Z n / ) = f ( Z1 / ) f ( Z 2 / ) f ( Z n / )
380
1 si q elige A j
g jq =
0 en otro caso
(8.11)
L( ) =
(P )
q =1 A j A ( q )
g jq
jq
(8.12)
l ( ) = log L( ) =
q =1 A j A ( q )
g jq log Pjq
(8.13)
2 l ( )
2
(8.
Modelos
de
381
Transporte
jq
= Pjq
q
(8.14)
Esto permite deducir que como las constantes especficas de las alternativas
tienden a capturar el efecto de variables no consideradas en el modelo, estas
constantes aseguran que dicho modelo reproduce los porcentajes agregados
de reparto de cada alternativa en el mercado.
Por ello, como indicador de la bondad del ajuste no es adecuado comparar la suma de probabilidades de elegir una opcin con el nmero total de
observaciones que la seleccionaron, ya que esta condicin se satisface inme
diatamente en un modelo MNL que tenga un conjunto completo de cons
tantes.
Como tampoco es adecuado comparar las probabilidades del modelo con
los valores de g jq (que son 0 1), no se puede definir una medida de bondad
del ajuste que est basada en los residuales estimados, tal como el R2 de re
gresin lineal.
Ejemplo 8.1: sea un caso de eleccin binaria con una muestra de slo tres
observaciones (como la propuesta por Lerman, 1984). Supngase que nica
mente hay un atributo x, tal que:
P1q =
1 + exp ( x2 q x1q )
P2 q = 1 P1q
382
Observacin (q)
Eleccin
x1q
x2q
1
2
3
1
1
2
5
1
3
3
2
4
* = 0,756
1,80
1,85
1,90
1,95
2,00
P1q
P2q
1
2
3
0,82
0,32
0,32
0,18
0,68
0,68
Modelos
de
383
Transporte
Puede observarse a la vista de estos resultados, que el modelo predice incorrectamente la segunda observacin bajo un criterio de maximizacin de
la utilidad.
Se ha mencionado que los parmetros * del modelo ML tienen una dis
tribucin normal asinttica con matriz de covarianza S2. En general, las re
conocidas propiedades del mtodo ML para funciones de verosimilitud que
se comportan bien permiten, al igual que en la regresin mltiple, un cierto
nmero de tests estadsticos de gran importancia.
8.4.1.1. El test-t de significancia de cualquier componente k* de
La ecuacin (8.14) implica que k* tiene una varianza estimada {skk2 }, donde
S2={skk2 }, que fue calculada durante la estimacin. Si su media k = , entonces:
t=
k*
skk
(8.15)
tiene una distribucin Normal estndar N(0,1). Por esta razn es posible com
probar si k* es significativamente diferente de cero (esto no es exactamente
un test-t, ya que se est aprovechando la aproximacin conseguida al tener
una muestra grande y t se comprueba con la distribucin Normal). Valores
suficientemente grandes de t (mayores que 1,96 para niveles de confianza del
95%) llevan a rechazar la hiptesis nula k = 0, y por tanto a aceptar que el
atributo k-simo tiene un efecto significativo.
El procedimiento secuencial de seleccin de variables seguido durante la
especificacin de los modelos de eleccin discreta, considera normalmente
tests estadsticos formales como el visto anteriormente y otro tipo de compro
baciones ms informales, tales como observar el signo del coeficiente estimado y verificar si es consecuente con la teora o con conceptos a priori. En este
sentido debe destacarse que la eliminacin de una variable con signo correcto
depende crucialmente de su importancia; por ejemplo, ntese que el conjunto de
variables explicativas disponibles puede dividirse con beneficio en dos clases:
Variables muy relevantes o de intervencin poltica, que tienen una base
terica slida y/o que son cruciales para la prognosis;
Otras variables explicativas, que no sean cruciales para la evaluacin de
actuaciones (p. ej., sexo) o para las cuales no existan razones tericas que
justifiquen o rechacen su inclusin.
384
La tabla 8.1 presenta los casos que se pueden dar al considerar las posibles
interacciones segn la divisin anterior, as como las soluciones recomendadas
por la prctica habitual. Considrese en primer lugar el caso de eliminar una
variable del tipo Otras con el signo correcto. Su eliminacin depender del
nivel de significacin (a veces slo es significativa a un nivel del 85%), y nor
malmente se deja fuera si no es significativa a un nivel del 80%.
La buena prctica recomienda incluir una variable relevante con signo
correcto aun cuando no haya pasado algn test de significacin. La razn es
que el coeficiente estimado es la mejor aproximacin posible a su valor real.
La falta de significacin puede estar causada por insuficiencia de datos.
Las variables del tipo Otras con signo incorrecto debieran rechazarse
siempre. Sin embargo, como las variables de intervencin poltica deben in
cluirse casi a cualquier coste, la prctica habitual indica que en el caso de signo
incorrecto se haga una reestimacin del modelo, fijando sus valores en base
a informacin aceptable proveniente de estudios similares. Esta tarea es fcil
si la variable no es significativa, pero puede llegar a ser muy difcil si lo es,
ya que el valor fijado podra producir cambios importantes en el resto de los
coeficientes del modelo.
En lo referente a variables socioeconmicas como el sexo, la edad, la profesin y la ocupacin, el modo tpico de insertarlas dentro de los modelos de
eleccin discreta es en forma de constantes adicionales, a lo sumo en todas
las alternativas menos en una, en base a la experiencia y al sentido comn del
modelizador. Por ejemplo:
(8.16)
V2 q = t2 q + c2 q + f 2 q +
{ significante
no significante
Signo incorrecto significante
{ no significante
Signo correcto
Intervencin poltica
Otras
Incluir
Incluir
Incluir
Se puede eliminar
Gran problema
Eliminar
Problema
Eliminar
Modelos
de
385
Transporte
(i = 1, 2)
(8.17)
386
Modelo 1
Modelo 2
2,41E + 05
(5,6)
2,18E + 05
(3,4)
Sexo
0,4233
(3,3)
1,29E + 05
(2,9)
Edad1 (30-49)
0,4605
(3,5)
1,76E + 05
(3,5)
Edad 2 (50-65)
1,02
(5,8)
3,75E + 05
(6,0)
1,48
(2,8)
5,49E + 05
(3,0)
Da/noche
0,2097
(2,5)
8,45E + 04
(3,1)
3,318
(13,9)
3,738
(14,0)
Peaje (US$)
0,702
(9,9)
0,826
(10,8)
Ingreso alto
4,13E 0,4
(3,4)
0,1545
0,1703
Riesgo de muerte
2(c)
Modelos
de
387
Transporte
modelo se incluyeron en interaccin con los coeficientes tanto del riesgo como
de la tarifa.
Si se observan los resultados parece obvio que la parametrizacin ms
flexible del modelo 2 es superior al modo tradicional de insertar las variables
SE. Adems es importante destacar que los resultados sugieren que las mujeres
valoran ms la seguridad que los hombres y lo mismo se detecta al aumentar
la edad. De acuerdo al modelo 2, adems, el valor de la seguridad debera
aumentar si el viaje se realiza por la noche. En fin, es de destacar que la utili
dad marginal del ingreso (es decir, el coeficiente del peaje cambiado de signo),
disminuye para los usuarios con ingreso alto, en consonancia con la teora.
8.4.1.2. Test de razn de verosimilitud
Un nmero importante de propiedades del modelo puede expresarse como
restricciones lineales en un modelo ms general. Algunos ejemplos de estas
propiedades son:
Atributos genricos. Como se mencion en el epgrafe 7.3, hay dos tipos
principales de variables explicativas, genricas y especficas. Las primeras
tienen el mismo peso o significado en todas las alternativas, mientras que
las ltimas tienen un significado especfico y diferente en cada una de las
opciones y por tanto pueden tomar un valor igual a cero para ciertos ele
mentos del conjunto de elecciones.
Homogeneidad de una muestra. Se puede probar si los coeficientes del mo
delo son apropiados para dos subpoblaciones (p. ej., los que viven a un lado
y a otro de un ro). Para realizar esta comprobacin se especifica un modelo
general con distintos coeficientes para las dos subpoblaciones, y posterior
mente se prueba la igualdad de parmetros mediante un conjunto de res
tricciones lineales.
Ejemplo 8.3: sea un modelo con tres alternativas, coche, autobs y ferro
carril y suponiendo que las variables que influyen en la eleccin sean las si
guientes: tiempo de viaje (TT) y coste en efectivo (OPC: out-of-pocket cost)
del mismo; en este caso, una forma general del modelo podra ser:
388
Puede establecerse la hiptesis de que los costes (no los tiempos) no tienen
por qu ser percibidos de forma distinta por los individuos y que deberan es
pecificarse como genricos. Esto se puede expresar escribiendo esta hiptesis
como dos ecuaciones lineales:
2 4 = 0
2 6 = 0
2{l ( r ) l ( )}
Pjq ( A(q ) , ) =
1
Nq
Modelos
de
389
Transporte
2{l (0) l ( )}
l (C ) = Q j log(
j
Qj
)
Q
(8.18)
390
l * (C)
l * ()
l (*) = 0
8.4.1.4. El ndice 2
Aunque en este caso no es posible construir un ndice como el R2, siempre es
interesante tener un indicador que vare entre 0 (sin ajuste) y 1 (ajuste perfecto),
para poder comparar modelos alternativos. Se defini inicialmente un ndice
que satisface algunas de las caractersticas anteriores, as:
2 =1
l * ( )
l * (0)
(8.19)
Su significado est claro en los dos lmites (0 y 1), pero no tiene una inter
pretacin intuitiva para valores intermedios. De hecho, valores cercanos a 0,4
pueden constituir ajustes excelentes.
Como en principio se puede calcular un ndice 2 relacionado con cualquier
hiptesis nula, es importante elegir una apropiada. Por ejemplo, puede demos
trarse que los valores mnimos de 2 en la expresin (8.19), para modelos con
constantes especficas, varan con la proporcin de individuos que eligen cada
alternativa. Tomando un caso binario simple, la tabla 8.3 muestra los valores
mnimos de 2 para diferentes proporciones que eligen la opcin 1 (Tardiff,
1976). Se puede observar que 2 slo es adecuado cuando las dos opciones son
elegidas en la misma proporcin.
Estos valores significan, por ejemplo, que un modelo estimado con una
muestra 0,9/0,1 produciendo un valor de 2 de 0,55, es peor que un modelo que
produce un valor de 2 de 0,25 para una muestra de 50/50. Afortunadamente
existe un ajuste sencillo que permite solventar esta dificultad; consiste en
calcular el ndice respecto al modelo slo constantes:
Modelos
de
391
Transporte
Valor mnimo de 2
0,50
0,00
0,60
0,03
0,70
0,12
0,80
0,28
0,90
0,53
0,95
0,71
2 =1
l ( )
l (C )
(8.20)
2 =1
l1 ( ) + l2 ( ) + + lS ( )
l1 (C ) + l2 (C ) + + lS (C )
(8.21)
CR =
1
1
Q q Nq
392
MSR = (MS j ) 2
Aj
ER = Pq
q
(8.22)
Var(CR ) =
1
1
(1
)
Nq
Nq
(8.23)
y:
Var(ER ) = Pq (1 Pq )
(8.24)
De esta forma, un valor calculado de FPR para un modelo concreto puede comparase con CR y ER. Si las tres medidas estn relativamente prximas
(comparando sus varianzas estimadas), el modelo es razonable pero poco informativo. Si FPR y ER son similares y ms grandes que CR, el modelo es
razonable e informativo. Finalmente si FPR y ER no son cercanos, el modelo
no explica la variacin en los datos y debera rechazarse aun si FPR fuera ms
grande que ER (Gunn y Bates, 1982).
Modelos
de
393
Transporte
Modelo 1
No FPR
FPR
No FPR
n11
n12
FPR
n21
n22
M=
n12 n21
n12 + n21
(8.25)
394
n r
(nr )
p (1 p )
r
Modelos
de
395
Transporte
50
0,75
100
0,26
150
0,05
200
0,01
250
0,00
396
Eij = N ij pi
0-0,1
0,1-0,2
0,2-0,3
0,9-1,0
N1j
O1j
N2j
O2j
N3j
O3j
11
N10j O10j
Modelo A
0
40
94
55
11
58
14
24
Total
Modelo B
1
36
43
44
18
Total
11
13
15
Modelos
de
397
Transporte
(Oij Eij ) 2
Eij
ij
0-0,1
0,1-0,2
0,2-0,3
0,9-1,0
E1j
O1j
E2j
O2j
E3j
O3j
1,2
2,75
E10j O10j
Modelo A
1
4,7
2,75
1,65
14,5
14
Total
9,45
4,05
29
24
0,45
Modelo B
1
2
1,8
4,05
1,65
0,5
15,2
15
2,15
6,6
4,5
Total
9,5
11,7
11
7,5
13
398
2
FPR
=
i =1
(Oi Ei ) 2
Ei
(8.26)
O
LA i pi i (modelo A)
=
LB i piOi (modelo B)
(8.27)
y por tanto se puede decir que los datos son aproximadamente 22 veces (es
decir 1/0,0455) ms probables bajo el modelo B que bajo el modelo A. Ello
significa que debera preferirse el modelo B aunque ambos modelos propor
cionan previsiones consistentes con los datos.
Modelos
de
Transporte
399
400
V = 1 Z1 + 2 Z 2
W = 3 Z 3 Z 4
Supngase que se desea comprobar cul de los dos modelos explica mejor
un determinado conjunto de datos. Claramente, no existe ningn valor de
3 que, para todos los valores de 1, 2, y de los atributos Z, haga que V y W
coincidan. Si ambos modelos pertenecen a la misma familia, puede construirse
una funcin de utilidad hbrida X que, en este hipottico caso, contuviese a V
y a W como casos especiales:
X = 1 Z1 + 2 Z 2 + 3 Z 3 Z 4
Modelos
de
401
Transporte
Otros tests, incluyendo casos en los que los dos modelos competitivos no
pertenezcan a la misma familia general, se describen ms detalladamente en
el excelente trabajo de Horowitz (1982). De todas formas, es importante recor
dar que si se dispusiera de una muestra de validacin, el problema podra ser
resuelto fcilmente, tal como se trata en Gunn y Bates (1982).
Pi ( ,Z) =
ui
u1 =
ui
u2 =
ui
u J =
f (u) d u J d u1
(8.28)
(8.29)
k = uk ui
J1 = u J ui
402
y la integral se reduce a:
u 1 =
u J 1
( 2 ) J 1 2 exp 1 ( u - V ) 1 ( u V )T
=
2
v1 = V1 ( ) + V2 ( ) + a ( )
( x) = ( x)dx = (2) 2 e
x2
2
dx
Modelos
de
403
Transporte
( ) + 2 23 ( )
(U 3 ,U12 ) = 1 13
(v 2 v12 )1/ 2
donde
a = Var (U1 U 2 ) y =
v1 v2
a
Utilizando todas estas ecuaciones, Clark (1961) demuestra por fin que la
siguiente aproximacin es, en general, excelente:
(8.30)
Estas ecuaciones pueden ser utilizadas recursivamente para obtener una dis
tribucin aproximada del mximo de J variables y, despus de J-1 iteraciones,
se puede conseguir una expresin aproximada para la media y la variancia del
2
mximo, Vmax y max
. Por tanto, si Ui es la utilidad de la alternativa en examen,
resulta que en la ltima iteracin se obtiene que:
V i = E max (U1 , ,U i 1 ,U i +1 , ,U J )
Pi = Prob U i max U j
j i
(Vi V i )
Pi =
1
2
2
( i + i 2 i i i , i ) 2
(8.31)
404
Modelos
de
405
Transporte
a AU b
u ~ N(X,) sujeto a
406
e ~ N(0, I ) sujeto a a* a A X Le b* b A X
etctera.
u * = X + A 1Le
Modelos
de
407
Transporte
Pjqt ( * ) = S jqt ( ) f ( / * )d
(8.32)
408
Lq ( ) = t Scqt ( )
Sin embargo, como no se conoce q, se tiene que:
Pq ( * ) = S q ( ) f ( / * )d
(8.33)
l ( * ) = ln Pq ( * )
(8.34)
q
Puesto que la integral (8.33) no puede resolverse analticamente, no es posible
determinar su mximo exacto; como en el caso del MNP, la probabilidad tiene
que ser aproximada mediante simulacin, maximizado la log-verosimilitud
simulada. El procedimiento es el siguiente:
Dada una serie de valores iniciales de *, los valores de q se obtienen de la
funcin de densidad f(/*).
Utilizando estos valores, se puede calcular L q() como el producto de pro
babilidades MNL.
Este proceso se repite para varios valores de q y el valor medio se toma
como la probabilidad de eleccin simulada aproximada:
SPq ( * ) =
1 R
Lq ( r / t )
R r =1
Modelos
de
Transporte
409
410
Modelos
de
411
Transporte
U i = g i (u1i , , uKi )
(8.35)
B = h(Ui)
(8.36)
y sustituyendo se obtiene:
B = h { g [ f (S,Q) ]}
(8.37)
412
U mn = U m1 + U n2 + mn
donde Ukl son los valores de utilidad asignados al nivel l del factor k en un diseo factorial, Umn indica la utilidad total asignada por los individuos a la combinacin de niveles de ambos factores y mn es un trmino aleatorio con media
igual a cero.
Una comprobacin de la independencia de los dos efectos es el test de sig
nificacin del efecto de interaccin U m1 U n2. Como sealaron Lerman y Louviere
(1978), en un anlisis de varianza ste es un test global para todas las interac
ciones posibles entre ambas variables. De esta forma si el efecto de interaccin
no es significativo no puede rechazarse la hiptesis nula de que la forma lineal
es apropiada. Por otro lado, si la interaccin es significativa, implica que una
simple combinacin lineal no es apropiada.
Este test debe acompaarse de un grfico de la interaccin. Si la hiptesis
lineal (sin interaccin) es correcta, los datos aparecern como una serie de l
neas paralelas al representarse contra los valores de utilidad. Puede demostrarse
que esto es siempre cierto independientemente de la forma supuesta para las
relaciones marginales (8.35). Tambin puede demostrarse que esto se cumple
para cualquier modelo multilineal de utilidad y para cualquier forma menos
restrictiva que la simple suma o multiplicacin.
Modelos
de
413
Transporte
(8.38)
414
1.
2.
3.
4.
Modelos
de
415
Transporte
Nivel 1
Nivel 2
Nivel 3
25
15
35
1,30
1,00
1,50
Frecuencia (min)
10
20
Tipo de vehculo
DB
LRT
MB
Tarifa
Frecuencia
Tipo
de vehculo
Puntuacin
25
1,30
DB
25
1,00
10
MB
25
1,50
20
LRT
15
1,30
10
LRT
10
15
1,00
20
DB
15
1,50
MB
35
1,30
20
MB
35
1,00
LRT
35
1,50
10
DB
Con esto es posible calcular un valor intuitivo para cada atributo, cal
culando la puntuacin media para ese nivel y atributo y comparndola con la
diferencia de los valores. Por ejemplo, para el caso de tiempo de viaje se puede
construir la siguiente tabla:
416
Nivel tiempo
de viaje
Valor
(min)
Diferencia
de valores
Puntuacin
media
Diferencias
puntuacin
Puntuacin
por minuto
25
21/3
15
10 (2 1)
25/3
4/3 (2 1)
4/30
35
+20 (3 2)
9/3
16/3 (3 2)
16/60
Valor
()
Diferencia
de valores
Puntuacin
media
Diferencias
puntuacin
Puntuacin
por
1,3
22/3
0,3 (2 1)
20/3
2/3
2,22
1,5
0,5 (3 2)
13/3
7/3
14/3
Modelos
de
417
Transporte
(8.39)
418
(U1 U n , n = 1, 2, , N )(U 2 U n , n = 2, 3, , N ) (U N1 U N )
(8.40)
y estos datos pueden estimarse simplemente mediante una rutina de logit mul
tinomial. Sin embargo, se debe poner especial atencin con los siguientes pro
blemas potenciales:
Modelos
de
Transporte
419
420
como de referencia y los factores de escala (n) asociados a los otros grupos
representan la relacin entre la varianza del trmino de error correspondiente
al grupo de referencia y la asociada al grupo considerado (vase la discusin
del subapartado 8.7.2.7). De este modo, si la varianza del error asociada al
grupo n es la misma que la del correspondiente grupo de referencia, entonces
el factor de escala del grupo n ser igual a uno.
Bradley y Daly (1994), definieron el grupo uno arbitrariamente como grupo
de referencia y obtuvieron las importantes conclusiones siguientes:
1. La magnitud de los factores de escala disminuye con la profundidad de la
jerarquizacin (es decir, la varianza del error es mayor en el caso de las
alternativas menos preferidas).
2. El modelo con diferentes factores de escala es superior al modelo logit simple; este resultado se confirm con el test de razn de verosimilitud.
3. Los valores del test-t de las variables explicativas resultaron inferiores, en
cerca de un tercio, respecto a los correspondientes valores obtenidos con
el modelo logit simple (vase la discusin del subapartado 8.7.2.6).
4. Los valores subjetivos de varios atributos en su diseo experimental cam
biaron hasta un 50% cuando se consideraban los factores de escala.
Ortzar y Rodrguez (2002) probaron este enfoque encontrando que, en su
caso, los resultados cambiaban significativamente con el nivel de profundidad
que se elega como referencia; sin embargo, en todos los casos considerados el
modelo con factores de escala fue estadsticamente superior que el modelo logit
simple. Ellos consideraron un experimento PD de jerarquizacin diseado para
estudiar la disponibilidad a pagar por reducir la contaminacin atmosfrica en
un contexto de localizacin residencial. Los atributos seleccionados fueron el
tiempo de viaje al trabajo, el tiempo de viaje al estudio, el nmero de das de
alerta ambiental en el rea y el valor del alquiler del hogar.
Dos resultados importantes de este estudio son: si se elige como referencia
el cuarto nivel de profundidad (en vez de, p. ej., el primero), no slo cambian
los valores de los test-t (los valores de los atributos y de la log-verosimilitud
en convergencia permanecieron constantes), sino tambin el nmero de facto
res de escala significativamente diferentes. De hecho, finalmente llegaron a
la conclusin de que el modelo preferido slo tena dos factores de escala: las
primeras tres opciones se tomaban como referencia, el segundo conjunto de
cuatro alternativas present un alto factor de escala y las ltimas tres alternati
vas un factor menor (es decir, prximo a uno). Esto es consistente con la forma
Modelos
de
Transporte
421
en que las alternativas fueron jerarquizadas por los individuos y sugiere que
eran mucho ms conscientes de las alternativas extremas que de las alternativas
intermedias.
8.7.2.4. Modelizacin con datos de eleccin PD
La utilizacin de datos sobre elecciones simples en PD, permite utilizar el
rango completo de herramientas de anlisis disponibles para la modelizacin
de elecciones discretas en PR. Esto incluye el logit jerrquico, ya que no existe
restriccin a slo dos opciones, ni se requiere que se cumpla la propiedad IIA
para explotar los datos en forma completa.
Una diferencia interesante entre los datos de eleccin de PR y PD, es que
estos ltimos, por diseo, carecen de algunas fuentes de error. En particular,
no hay error de medicin ya que todos los valores de los atributos se presentan
a los encuestados (aunque puede haber algunos problemas de percepcin). No
obstante, ya se han discutido otras caractersticas de las encuestas PD que de
bilitan el valor de los datos en trminos de comportamiento: falta de realismo
en el contexto de decisin, artificialidad de las alternativas y la diferencia entre
puntuar, jerarquizar o elegir una alternativa determinada.
Dejando aparte el error de especificacin, que todava es claramente apli
cable, hay otra fuente potencial de graves errores relacionada con la respuesta
en s misma. Aunque los resultados prcticos son generalmente positivos, en
el sentido de sugerir que la mayor parte de los encuestados entiende lo que se
espera de ellos, no existe garanta de que sean capaces de completar un expe
rimento PD con precisin absoluta. Un estudio de Bates (1988a) discute los siguientes tipos de error potencial, aplicables a todas las clases de datos PD:
1. Fatiga del encuestado, que obviamente aumenta con la complejidad del
diseo experimental (ver la discusin en el Captulo 3);
2. Sesgo de poltica, que puede ocurrir si el encuestado est interesado en
influir en el resultado del anlisis;
3. Sesgo de auto-selectividad, cuando inadvertidamente o a propsito los
encuestados eligen de modo que su comportamiento existente parezca ms
racional.
Como consecuencia de lo antedicho, puede existir error de medida en la
variable dependiente, es decir, en lugar de obtener una verdadera estimacin
de la utilidad U, se est obteniendo una pseudo-utilidad que puede enlazarse
con la formulacin general (7.2) mediante:
422
U i = Vi + i = Ui + i
(8.41)
Ui = Vi + ( i i )
(8.42)
Modelos
de
Transporte
423
424
Bajo
Medio
Alto
10
60
80
15
25
na
Frecuencia (min)
na
Escala 2
Escala 3
Escala 4
R1
0,100
0,010
0,300
0,200
R2
0,300
0,400
0,450
0,400
R3
0,500
0,500
0,500
0,500
R4
0,700
0,600
0,850
0,880
R5
0,900
0,990
0,950
0,970
La siguiente tabla presenta los SVT (ratios de los coeficientes de las varia
bles de tiempo y coste) derivados de los modelos estimados despus de aplicar
la transformacin de Berkson-Theil a las cuatro escalas de probabilidad:
Escala 1
Escala 2
Escala 3
Escala 4
Tiempo en vehculo
4,01
1,73
3,98
4,11
Tiempo de espera
20,68
18,67
23,89
23,24
Tiempo andando
23,68
21,63
24,91
24,74
R2
0,48
0,44
0,46
0,45
Modelos
de
425
Transporte
(8.43)
0 =
M = +
Adems, estos nmeros deben satisfacer tambin la siguiente condicin:
0 = 1 M1 M
de forma que:
Zj Rm m1 < Yj m para 1 j n
(8.44)
1 si Z j Rm para 1 j n, 1 m M
Z jm =
0 en otro caso
426
Por otra parte, las expresiones (8.43) y (8.44) permiten escribir la funcin
de probabilidad de la variable dependiente observada Zj directamente:
para 1 m M y 1 j n
m 1 k X kj
k =0
<
(8.45)
k X kj
j m
k =0
<
donde X0j toma el valor de 1 (es decir, 0 es una constante especfica). Ahora,
como j tiene una distribucin normal, se puede escribir:
K
m k = 0 k X kj
Pr ( Z jm = 1) = Pr ( Z j Rm ) =
m 1 k = 0 k X kj
(8.46)
K
K
Pr( Z jm = 1) = m k X kj m 1 k X kj
k =0
k =0
(8.47)
Modelos
de
427
Transporte
escala (es decir Ri) en una pequea cantidad, y estimar un modelo de regresin
lineal con los nuevos valores. Este proceso contina hasta que se maximice R2
y se fije el valor de Ri. El procedimiento se repite para cada punto de la escala
(salvo para R3 que siempre se mantiene en 0,5) en una rutina iterativa, hasta que
se encuentre el mejor ajuste en cada caso (aquel con el valor ms alto de R2). Fi
nalmente se repite el proceso para comprobar las diferencias. Ortzar y Garrido
(1994a) sealaron que esta bsqueda nunca lleva ms de dos iteraciones antes de
converger, pero no pudieron probar la existencia de una solucin global ptima.
Ejemplo 8.10: la siguiente tabla muestra la escala simtrica original y las
escalas obtenidas despus de aplicar la anterior metodologa de regresin
lineal de la escala ptima para dos muestras del experimento de escalamiento
del ejemplo 8.9.
Escala
Inicial
Estudiantes
Personal
R1
R2
R3
R4
R5
0,1
0,3
0,5
0,7
0,9
0,284
0,286
0,500
0,714
0,900
0,228
0,278
0,500
0,722
0,842
Estudiantes
Personal
R3
R4
R5
0,277
0,500
0,716
0,899
0,121
0,500
0,776
0,922
R1'
428
Como puede verse, los valores de escala en ambas muestras estn ms aleja
dos que en la tabla anterior, lo que indica que no es necesario ningn otro punto
de fusin. Todos los valores parecen razonables en trminos relativos, es decir,
se corresponden con valores crecientes de probabilidad desde R1' hasta R5.
8.7.2.6. Interacciones e independencias en la modelizacin de PD
A continuacin se consideran dos problemas importantes. El primero se refiere
a una ventaja potencial, aunque raramente consumada, del enfoque de PD, tal
es la posibilidad de estimar modelos con funciones de utilidad no-lineales. La
razn para no hacer esto en la prctica ha sido, como es usual, la falta de con
veniencia. Los experimentos de PD que permiten la incorporacin de interac
ciones y no slo efectos principales, son ms complejos de disear y analizar,
y requieren informacin que es ms difcil de recolectar.
El segundo problema tiene que ver con una de las fuentes de atraccin ms
importantes del enfoque (la generacin de mltiples respuestas por entrevis
tado), y se refiere al hecho de que en casi todas las aplicaciones prcticas
hasta la fecha se han considerado las respuestas de un individuo en particular
como independientes entre s, adems de independientes de las del resto de
los individuos en la muestra. Aunque este problema ha recibido mayor aten
cin ltimamente, no es bien conocido fuera del mbito de la investigacin
correspondiente al estado del arte y slo recientemente ha sido resuelto de
forma satisfactoria.
Interacciones y efectos principales
En modelos de eleccin discreta, gran cantidad de formas potenciales de la
funcin de utilidad pueden transformarse (en ltima instancia usando aproxi
maciones de series) en formas aditivas lineales en los coeficientes del tipo:
V = 1 X 1 + 2 X 2 + 3 X 12 + 4 X 1 X 2 + 5 X 1 X 23 + 6 X 1 X 2 X 3
donde los Xi son atributos y los i coeficientes a estimar. Esta funcin contiene
trminos lineales (1 X1 y 2 X2), no-lineales (3X 12), interacciones con efectos lineales (4 X1 X2 y 6 X1 X2 X3) e interacciones generales (5X1 X 23). Los efectos prin
cipales pueden ser definidos como la respuesta de pasar al siguiente nivel de la
variable cuando el resto de los atributos permanece constante (ceteris paribus);
normalmente se postula que stos son los principales determinantes de cambios
en la eleccin. De hecho, de acuerdo a Louviere (1988):
Modelos
de
Transporte
429
430
Modelos
de
431
Transporte
acciones de a pares (Kocur el al., 1982). Dados estos nmeros, se debera usar
un diseo de bloques en ambos casos; de hecho se prob si se podan usar 16 opciones directamente, encontrndose que esto confunda/aburra a los encues
tados produciendo demasiadas inconsistencias. Esto ratifica lo expuesto por
Carson et al. (1994), quienes encontraron que debido a la fatiga los entrevistados tendan a simplificar su forma de elegir concentrndose en un nmero
menor de atributos o simplemente contestando al azar.
Para la modelizacin se comenz por hacer un estudio de los signos espe
rados para los trminos de interaccin (dadas las especiales caractersticas de
las opciones en competencia), concluyndose que su definicin ms adecuada
era la siguiente:
T*C: interaccin entre los ratios de tiempo y coste de viaje; su coeficiente
debera ser mayor que cero:
T*C =
Tiempo de viajecp
Tiempo de viajecocche
Costecp
Costecoche
La tabla 8.7 presenta dos modelos probit ordinal obtenidos bajo la hip
tesis tradicional de que las observaciones correspondientes a cada individuo
eran independientes. Como se puede ver, en el primero (denominado mejor
modelo) las nicas variables no significativas al 95% de confianza son Sexo
(variable muda que vale uno para hombres) y Tiempo de espera; si la ltima se
eliminase, porque su efecto es considerado en condiciones de fuerte interac
cin, el modelo mejorara (modelo preferido). La variable Inercia vale uno si
432
Mejor modelo
Modelo preferido
1,65418 (9,89)
1,68808 (10,17)
0,00311 (4,57)
0,00343 (5,30)
0,00363 (1,53)
Coste/g (min)
0,06729 (7,54)
0,06930 (7,83)
0,11021 (1,92)
0,11372 (1,98)
0,40907 (6,57)
0,41113 (6,61)
0,70067 (9,67)
0,73763 (10,73)
Sexo
Inercia car-pool
T*C
W*T
0,00629 (2,11)
0,01038 (8,04)
W*C
0,00124 (3,32)
0,00157 (4,92)
R2
0,543
0,541
Tamao muestra
1.640
1.640
Modelos
de
433
Transporte
it = it + it
434
Para evitar este problema, los autores usan un mtodo de mnima distancia pro
puesto por Chamberlain (1984) que considera dividir la muestra en T submues
tras independientes seleccionadas al azar, ninguna de las cuales contiene ms
de una observacin por persona. Los coeficientes de los modelos estimados
para cada submuestra son utilizados posteriormente en un algoritmo bastante
complejo para obtener los valores finales de los parmetros y sus varianzas.
Contrariamente a lo esperado, Outwerslot y Rietveld (1996) encontraron que
los parmetros de su modelo probit cambiaban (aunque menos de 27%) si bien
las razones t se mantenan prcticamente invariantes.
Yen et al. (1998) desarrollaron un mtodo para tratar el problema utilizan
do una versin dinmica generalizada del modelo probit ordinal, que permite
incorporar una medida de la correlacin entre las respuestas de un individuo en
particular. Desafortunadamente ellos no estaban interesados en efectuar com
paraciones, por lo que no se sabe si existen diferencias entre sus estimaciones y
los resultados de una aplicacin estndar del probit ordinal. Ms recientemente
se ha propuesto que, en este caso, la estimacin puede ser tratada como un
modelo logit mixto, como el propuesto en (8.32).
Ejemplo 8.12: utilizando cuatro muestras diferentes Ortzar et al. (2000c)
examinaron el comportamiento del enfoque de Outwerslot y Rietveld (1996).
La aplicacin del mtodo de mnima distancia puede dividirse en dos partes; la
primera consiste en estimar una matriz de parmetros de gustos parciales t,
correspondiente a las T submuestras donde cada individuo est representado
por una sola observacin; esto requiere corregir los datos para garantizarlo
(recordar que algunas observaciones son normalmente eliminadas en las prue
bas de consistencia). Un problema importante es que el proceso puede generar
muestras que no tengan suficientes observaciones para estimar un modelo en
algunos casos. La segunda parte consiste en estimar los parmetros de mnima
distancia (MD) en base a los valores anteriores; el proceso completo, que es
bastante complejo, fue implementado en Gauss.
Tambin se estimaron modelos para la base de datos corregida usando el
enfoque tradicional, a fin de tener valores similares para efectuar la compara
cin. Se encontr que en el enfoque MD la mayora de los parmetros decreca
(a veces de forma considerable), pero que tambin en algunos casos crecan.
Respecto a las razones-t, se observ que en general decrecan de acuerdo a lo
esperado, pero no siempre, particularmente en el caso de las constantes espe
cficas. En la tabla 8.8 se resumen estos resultados.
Modelos
de
435
Transporte
Mtodo tradicional
Mtodo mnima
distancia
1,5468
(4,75)
1,5357
(6,81)
Tarifa
0,0020
(18,04)
0,0017
(9,57)
Tiempo de viaje
0,0235
(4,00)
0,0171
(3,62)
Tiempo de espera
0,0256
(2,83)
0,0284
(3,50)
1,6547
(6,58)
1,5028
(9,87)
Tarifa
0,0018
(22,47)
0,0017
(11,73)
Tiempo de viaje
0,0146
(3,24)
0,0132
(3,92)
Tiempo de espera
0,0255
(3,76)
0,0216
(3,75)
0,5922
(2,30)
0,4843
(3,15)
0,0214
(9,98)
0,0107
(5,94)
Tiempo de viaje
0,0506
(4,14)
0,0233
(2,56)
Tiempo de espera
0,0765
(2,85)
0,0321
(2,43)
Tiempo a pie
0,3445
(14,26)
0,1983
(10,44)
0,2348
(1,51)
0,3689
(2,91)
Peaje
0,0016
(13,45)
0,0012
(8,81)
Tiempo de viaje
0,0621
(5,64)
0,0337
(4,27)
Distancia
0,0366
(5,32)
0,0495
(8,41)
436
2 = 2 2
(8.48)
donde es un coeficiente de escala desconocido. Esta formulacin conduce a
las siguientes funciones de utilidad, para una cierta alternativa Ai:
U iPR = XiPR + YiPR + i
(8.49)
PR
PD
donde , y son parmetros a estimar. X y X son los atributos (de las
alternativas y los individuos) para los niveles PR y PD respectivamente. YPR y
Z PD son atributos que slo pertenecen a uno de los conjuntos, PR o PD (notar
que el vector X est presente en ambos tipos de datos).
Modelos
de
437
Transporte
Pi
PR
Pi PD =
e(
XiPR + YiPR )
e(
XiPR + Y PR
j )
(8.50)
( XiPD + ZiPD )
( XiPD + ZiPD )
N PD
N PR
gin
gin
L(, , , ) = ( PiqPR ) * ( PiqPD )
n =1 Ai A ( n )
n =1 Ai A ( n )
(8.51)
que debe maximizarse para obtener los parmetros estimados. NPR y NPD son
el nmero de observaciones en PR y PD, respectivamente, y gin vale uno si el
individuo n elige Ai y cero en otro caso.
La expresin (8.51) es una funcin no lineal, ya que multiplica no slo a los
atributos, sino tambin a los parmetros PD. El procedimiento de estimacin es
simplemente un problema de investigacin operativa. Un mtodo para resolver
este problema es la aplicacin de software especialmente diseado para tratar
funciones de verosimilitud no lineales. Sin embargo, este tipo de paquetes de
clculo es normalmente escaso; por ende, sera muy til encontrar una tcnica
que permitiera estimar estos modelos mediante los programas de anlisis de
elecciones discretas ms fcilmente disponibles. Se pueden mencionar al menos
dos mtodos apropiados para realizar esta tarea: la estimacin simultnea (Brad
ley y Daly, 1997) y la estimacin secuencial (Ben Akiva y Morikawa, 1990).
438
(8.52)
(8.53)
donde = 1/.
Paso 3: multiplicar X PD y Z PD por para obtener un conjunto de datos PD
modificado. Juntar los datos PR con los PD modificados y estimar el modelo
mixto conjuntamente.
Mtodo de estimacin simultneo. Este mtodo, desarrollado por Bradley
y Daly (1997), consiste en construir un rbol artificial que tiene dos veces
tantas alternativas como existen en la realidad. La mitad de stas se denomi
nan alternativas PR y la otra mitad alternativas PD. Las funciones de utilidad
son UPR y UPD [ver la expresin (8.49)]. Como se indica en la figura 8.3, las
alternativas PR se colocan directamente bajo la raz del rbol, mientras que
las alternativas PD se sitan cada una en un nido con una nica alternativa.
Para una observacin PR, las alternativas PD no estn disponibles y la elec
cin se modeliza como en un modelo logit estndar. Para una observacin PD,
Raz
PR1
PR2 PR3
Alternativas
Dummy
PD1
PD2 PD3
Modelos
de
439
Transporte
V COMP = log eV
PD
(8.54)
donde la suma se lleva a cabo para todas las alternativas en el nido correspon
diente a la alternativa compuesta, y la expresin:
(8.55)
(8.56)
440
con elevado estndar) obtuvo un coeficiente con signo equivocado. Para corregir
este sesgo se recomendaron dos mtodos.
El primero consiste en introducir variables dummy de inercia que represen
ten las elecciones reales en el modelo PD. Tales dummy absorben los factores
no-observados ligados a las preferencias de ciertas alternativas respecto a otras,
y por lo tanto el trmino de error restante estar menos correlacionado con
las variables explicativas y las estimaciones de los coeficientes no resultarn
sesgadas. El segundo consiste en considerar la correlacin serial entre los
trminos de error de los modelos PR y PD. El incluir las dummy de inercia al
mismo tiempo es un mtodo efectivo para lidiar con la dependencia de estado.
El mtodo de Ben Akiva y Morikawa (1997) considera tambin la correlacin
serial inherente a las respuestas repetidas en datos PD, problema que fue dis
cutido en el epgrafe 8.7.2.6.
Ejemplo 8.13: considrese nuevamente el experimento descrito en el ejem
plo 8.9. Adems de los datos PD, se recogi tambin informacin sobre las
elecciones efectuadas por los participantes, sus caractersticas socioeconmicas
y el nivel de servicio de las alternativas PR de su conjunto de elecciones. Se
estimaron modelos mixtos con los dos mtodos antes descritos. Su especifica
cin final consider las variables Coste del viaje, Tiempo a bordo y Tiempo de
espera como atributos comunes a ambos conjuntos de datos (es decir, el vector
X definido ms arriba). Las variables Tiempo andando, Edad y una constante
especfica del LRT fueron consideradas como atributos exclusivos PD, mientras
que una constante especfica del autobs se consider como atributo exclusivo
PR (stos son los dos vectores Y y Z definidos anteriormente). La tabla 8.9
muestra los parmetros obtenidos para cada modelo puro, esto es, tomando
los conjuntos de datos PR y PD separadamente. Dicha tabla presenta tambin los valores subjetivos (SV) del tiempo, calculados de la forma habitual
(Gaudry et al., 1989).
Se puede observar que todos los parmetros tienen signo correcto y que
la mayor parte de ellos son estadsticamente significativos (se muestran los
estadsticos t entre parntesis) al 95% de confianza. Aunque todos los par
metros PD tienen los test-t ms elevados que los correspondientes parmetros
PR, esto no implica necesariamente que sean ms significativos realmente,
ya que el tamao de la muestra es diferente (1.589 observaciones PD frente a
201 observaciones PR); recurdese tambin que el valor de t en los datos PD
constituye slo un umbral de la significacin, pero no es su valor exacto. El
modelo PR no tiene parmetro de tiempo andando, ya que el conjunto de datos
Modelos
de
441
Transporte
Modelo PD
Modelo PR
0,8840 (7,7)
1,1900 (3,8)
0,0621 (6,2)
0,0879 (3,2)
0,1583 (12,6)
no disponible
Edad
0,0434 (5,4)
0,0926 (2,0)
0,1260 (2,4)
Constante PT
0,5410 (1,7)
1,1100 (2,8)
4,21 (4,9)
4,43 (2,4)
10,74 (6,6)
no disponible
6,29 (1,9)
6,35 (2,0)
0,17
0,12
1.589
201
Tamao de la muestra
442
Mtodo secuencial
Mtodo simultneo
1,2580 (8,4)
1,2580 (4,3)
0,0912 (7,8)
0,0921 (4,2)
0,2286 (12,9)
0,2261 (3,8)
0,1353 (3,1)
0,1423 (3,0)
Edad
0,0596 (6,9)
0,0627 (3,3)
Constante LRT
0,4377 (1,6)
0,7377 (1,6)
1,143 (3,3)
0,686 (4,9)
0,694 (4,0)
4,35 (5,7)
4,39 (3,0)
10,98 (7,0)
10,78 (2,8)
6,45 (2,9)
6,79 (2,5)
0,175
0,165
Tamao de la muestra
1.790
1.790
Constante autobs
Modelos
de
443
Transporte
EJERCICIOS
8.1. Considrese el siguiente modelo de eleccin modal:
V1 = 1t1 + 3c1 + 4 Nc + 7
V2 = 1t2 + 2 e2 + 5c2 + 8
V3 = 1t3 + 2 e3 + 6 c3
1 = 0,115
2 = 0,207
3 = 0,301
4 = 1,730
5 = 0,476
6 = 0,301
7 = 1,250
8 = 2,513
444
Coeficiente (test-t)
MNL-2
HL-1
HL-2
0,112
(6,10)
0,114
(6,00)
0,006
(1,25)
0,001
(0,94)
0,071
(3,34)
0,083
(3,60)
Coste/renta (1-3)
0,031
(2,56)
0,040
(3,52)
0,035
(2,83)
0,033
(3,10)
N de coches (1)
1,671
(4,21)
1,823
(4,80)
1,764
(4,12)
1,965
(5,14)
Sexo (2,3)
0,752
(1,87)
0,776
(1,98)
0,739
(2,01)
0,701
(1,83)
0,875
(5,12)
0,800
(13,4)
0,412
0,284
0,376
0,315
EMU
2
MNL-1
MNL
PI
1,285
1,698
0,026
0,034
0,123
0,162
No aplicable
2,870
Modelos
de
445
Transporte
Opcin
Tarifa ($)
30
10
2. Tren expreso
40
3. Autobs de lujo
60
Ordenacin
1, 2, 3
2, 3, 1
2, 1, 3
Vi = 1ti + 2 ci
9.
Agregacin de modelos
y transferibilidad
9.1.Introduccin
448
ejemplo, si el marco utilizado por el analista es el proporcionado por el enfoque de maximizacin de la entropa, como se trat en el Captulo 5, la expli
cacin de la dispersin estadstica dentro de una serie de datos dada, va a ser
muy diferente a la proporcionada por otro modelizador que utilice un enfoque
de utilidad aleatoria, incluso si ambos llegasen a funciones modales similares;
este tema de la equifinalidad se discute en Williams (1981).
En el caso de los modelos desagregados de utilidad aleatoria el problema de
la agregacin es cmo obtener a partir de los datos a nivel individual, medidas
agregadas como son el reparto de mercado de los diferentes modos, los flujos
en los arcos, etc. Esto se puede conseguir de una o de dos formas, situando el
proceso de la agrupacin de datos individuales antes o despus de la estimacin
del modelo, tal y como se muestra en la figura 9.1.
Datos relativos a los individuos
Estimacin de micro-modelos
probabilsticos
Produccin de variables
relativas a grupos
Agregacin
de micro-relaciones
Agregacin
de macro-relaciones
Mtodos
alternativos
Produccin
de previsiones agregadas
Modelos
de
449
Transporte
=
(9.1)
xli = zli + 1
(9.2)
450
U i = 1 z1i + k xki + i
(9.3)
donde el trmino de error i tiene una varianza (12 2 + 2). En este caso las
estimaciones del coeficiente no sern
k =
como antes, donde K = 6 , sino
k =
K k
(9.4)
K k
( 2 + 2 )
2
1
(9.5)
Es decir, k k , k. Normalmente, esto se conoce como sesgo de agregacin, por ello se recomienda que se evite, siempre que sea posible, el uso de
variables medias zonales para la estimacin de modelos de demanda desagre
gados (vase, p. ej., Horowitz, 1981a). El anlisis anterior puede extenderse
para examinar las consecuencias de estos sesgos en las predicciones, como se
puede observar en el siguiente ejemplo tomado de Gunn (1985a).
Ejemplo 9.1: sea un escenario de eleccin modelizado para un MNL como
el (7.9) y supngase que el atributo x1j se duplica, ceteris paribus, para cada
alternativa (incluyendo la distribucin de los residuales estocsticos). Est claro
que ni ni estaran afectados si el modelo fuera re-estimado con un nuevo
banco de datos conteniendo un conjunto consistente de eleccin; es decir, los
valores del contexto original realizaran predicciones de forma satisfactoria
en el nuevo contexto.
Considrese ahora lo que sucedera si despus de duplicar x1j, cada uno de
estos valores fuera reemplazado por su estimacin agregada z1j (p. ej., la media
zonal). Se obtendra la ecuacin (9.3) de nuevo, pero la varianza de i ahora sera
(12 42 + 2); en otras palabras, si el modelo fuera re-estimado con los nuevos
datos proporcionara coeficientes con un valor esperado dado por
k' =
K k
( 4 2 + 2 )
2
1
(9.6)
Modelos
de
451
Transporte
Pjq = f j (x q )
Pq
1
B
Sesgo
C
A
VA
VA + VB
2
VB
Vq
452
PjQ =
1
f j ( xq )
Q q
(9.7)
Modelos
de
Transporte
453
S ( N i ) = Wk ( X ik N i Yk ) 2 + ( N i Ri ) 2
k
i
i
(9.8)
454
PjQ = f j ( X c )
c
Qc
Q
(9.9)
donde Xc es la media del vector del conjunto de variables del subgrupo c y Qc/Q
es la proporcin de individuos en el subgrupo.
La exactitud del mtodo depende del nmero de clases c y de los criterios
para su seleccin (en el lmite cuando la cantidad de subgrupos es c = 1 este
mtodo coincide con el mtodo intuitivo, y cuando c = Q es el mtodo de enu
meracin). Existen buenos mtodos para definir dichas clases (McFadden y
Reid, 1975) y el enfoque se recomienda para casos en los que el mtodo de
enumeracin muestral no sea apropiado (Koppelman, 1976).
Un procedimiento obvio para definir las clases consiste en utilizar como
variable para realizar la segmentacin del mercado aquella que presente una varianza mayor, o tambin aquellas variables que limitan de alguna forma el
conjunto de eleccin disponible de cada individuo. Por lo tanto, en el caso de
eleccin de modo las variables adecuadas pueden ser el nmero de coches por
hogar y la renta familiar.
Modelos
de
455
Transporte
textos (aunque muchos estudios al principio tenan este punto de vista; vase
Galbraith y Hensher, 1982; Ortzar, 1986).
Un punto de vista moderno y ms apropiado, considera la transferibilidad
del modelo como una aproximacin prctica al problema de estimar un modelo
para un rea de estudio con pocos recursos o con una muestra disponible muy
pequea. En este sentido la transferibilidad de los modelos se basa en la idea de
que los parmetros estimados de un estudio anterior pueden dar informacin
til para la estimacin del mismo modelo en un rea nueva, incluso cuando se
espera que los verdaderos valores de sus parmetros no vayan a ser los mismos.
Entonces, dado que no se puede esperar que los modelos transferibles sean
perfectamente aplicables en un nuevo contexto, requieren procedimientos para
modificar sus parmetros con el fin de que representen con ms exactitud el
comportamiento dentro del contexto de la aplicacin. Segn la informacin
disponible en la nueva situacin, pueden aplicarse diferentes procedimientos
para realizar la actualizacin (vase Ben Akiva y Bolduc, 1987).
t* =
i j
( / t )2 + ( / t )2
j
j
i i
< 1, 96
(9.10)
456
l*j (C)
l*j (i)
l*j (j)
l (*) = 0
TTS = 2{l *j ( i ) l *j ( j )}
(9.11)
Este estadstico distribuye 2 con grados de libertad igual al nmero de
parmetros del modelo, todo ello bajo la suposicin de que el vector de parmetros del modelo transferido es fijo. El test no es simtrico; por lo tanto
es posible y razonable aceptar la transferibilidad en un sentido, entre un
par de contextos, pero rechazarla en el otro sentido.
Modelos
de
457
Transporte
TI j ( i ) =
l *j ( i ) l *j ( C )
(9.12)
l *j ( j ) l *j ( C )
Piq =
exp ( wi + X iq ) / s
exp ( w j + X jq ) / s
(9.13)
458
Piq =
exp i + X
Xiqiq
A j A( q )
exp j + X
X jqjq
(9.14)
Viq = i + Xiq
(9.15)
Modelos
de
459
Transporte
l (l(
AA)) =
q
gg jqjqlog
log Pjqjq ((ZZAqq,A ,A)A )
A j A ( q )
(9.18)
g jq =
0 en otro caso
460
medios para las variables explicativas Xjz para ciertos grupos z (p. ej., residentes
en una zona dada) en ambos contextos.
Supngase una agregacin intuitiva en el contexto original, donde la utili
dad medida de la alternativa Aj para un grupo z viene dada por:
(9.20)
Vjz = j + X jz
para actualizar tanto las constantes de las alternativas como la escala, se re
quiere, en primer lugar, el clculo de la parte no constante de la utilidad para
el contexto de aplicacin, as:
(9.21)
Z Ajz = T X Ajz
a continuacin se debe formular una expresin para la utilidad representativa
del grupo z en el contexto de aplicacin, como por ejemplo:
(9.22)
V Ajz = Aj + A Z Ajz
donde A y A son elegidos para maximizar la siguiente funcin de log-verosi
militud (Koppelman et al., 1985a):
(9.23)
Modelos
de
461
Transporte
EJERCICIOS
9.1. Un grupo de 800 hogares con diferentes niveles de ingreso y diferentes
localizaciones en un rea urbana, se enfrenta a la eleccin entre dos servicios
de transporte A y B para viajar al centro de la ciudad. El primero, orientado
hacia el segmento de poblacin con mayores ingresos, tiene un coste de Ca y
el segundo un coste de Cb. Se han estimado las siguientes utilidades para cada
alternativa:
U a = 0, 30Ca + 3, 23I
U b = 0, 30Cb
462
donde I representa los ingresos por hogar (1.000 $/semana). Estimar el nmero
de hogares que elegiran el servicio A utilizando la siguiente informacin:
Renta familiar
(1.000 $ / semana)
Nmero
de hogares
Ca ($)
Cb ($)
Entre 1 y 2
450
150
120
Entre 2 y 3
250
175
145
Entre 3 y 4
100
160
130
5 km
4 km
2 km
4 km
Centro
Zona 1
Acceso
Ingreso
5.000
10.000
15.000
1,0
U(DA)
U(CA)
Total
0
0
0
0
50
50
350
150
500
Total
350
200
550
0,5
U(DA)
U(CA)
Total
150
200
350
100
0
100
0
0
0
250
200
450
Total
U(DA)
U(CA)
Total
150
200
350
100
50
150
350
150
500
600
400
1.000
Modelos
de
463
Transporte
ec
cc
tu
eu
cu
U(DA)
11,3
122,5
14
50
14,5
U(CA)
14,2
131,1
22
15
75
16,3
Vb = 0,03tb 0,15cb
donde t es la duracin del viaje (min) y c es el coste del viaje dividido por el
ingreso. Supngase que los datos de la tabla 9.3 se conocen para los individuos
de la zona A que viajan al trabajo a la zona C:
1. Calcular la proporcin agregada que elige coche utilizando el mtodo de
agregacin intuitivo y el de enumeracin muestral. Computar el error
de agregacin para el mtodo intuitivo en este caso.
464
Eleccin
Ingreso
tc (min)
tb (min)
cc (min)
c b (min)
Coche
Alto
47,5
83,2
14,8
7,0
Coche
Alto
30,2
45,0
10,4
5,0
Coche
Alto
22,2
30,4
12,6
4,0
Bus
Alto
45,0
50,6
8,2
5,0
Bus
Bajo
15,3
20,5
50,0
17,0
Coche
Bajo
34,8
50,2
55,0
35,0
Bus
Bajo
65,5
100,5
200,3
53,5
Bus
Bajo
12,0
14,0
44,6
17,0
Eleccin
tc (min)
tb (min)
cc (min)
c b (min)
Coche
37,5
70,2
16,8
10,0
Coche
20,2
30,0
16,4
8,0
Coche
12,0
15,4
18,6
7,0
Bus
35,0
35,6
14,2
8,0
Bus
5,3
6,5
56,0
20,0
10.
Asignacin
n los ltimos seis captulos han sido estudiados en detalle los modelos
ms importantes actualmente en uso para representar la demanda de
viaje en un rea de estudio. En este captulo en cambio, se estudiar
principalmente el problema de la modelizacin de la oferta de trans
porte, mientras en el Captulo 11 se analizar el problema del equilibrio entre
la oferta y la demanda. Los aspectos introductorios relativos a la oferta de un
sistema de transporte han sido descritos en el Captulo 3, en el que se trataron
la zonificacin y la construccin del sistema de red. El sistema de red y, en el
caso del transporte pblico, las caractersticas del servicio ofrecido, como la
frecuencia y la capacidad, representan los elementos principales de la oferta
de un sistema de transporte.
Qu significa asignar viajes a una red? Seleccionar (predecir) los cami
nos o rutas usadas por los viajeros para posteriormente cargar los flujos
origen-destino sobre los arcos de la red. En este sentido, un recorrido o camino
es la secuencia de arcos que los usuarios emplean para llegar del origen a su
destino.
En la economa clsica las transacciones de bienes y servicios resultan de
combinar la demanda y la oferta de stos y el punto de equilibrio que resulta
de esta combinacin define el precio al que los bienes sern intercambiados
y su correspondiente flujo (cantidad intercambiada) en el mercado. El punto
de equilibrio se alcanza cuando el coste marginal de produccin y venta de
los bienes iguala al beneficio marginal obtenido por quienes lo adquieren. La
teora econmica admite que en realidad este equilibrio no puede ser nunca
alcanzado en la prctica, porque el sistema de precios y los niveles de produc
466
Asignacin
Modelos
de
Transporte
467
donde los pasajeros pueden buscar los recorridos (es decir, combinaciones de
servicios) que minimizan sus costes generalizados de viaje teniendo en cuenta
los problemas de congestin, tiempos de espera, tiempo andando hasta la parada
y al punto de destino y tiempo de viaje a bordo del vehculo.
Existen, sin embargo, otros niveles (ms altos) de interaccin. A medida que
la congestin vehicular aumenta, tambin aumentan los tiempos de viaje de los
autobuses que recorren la ciudad. Este fenmeno puede inducir a algunos usua
rios de transporte pblico y a los propios operadores del servicio a modificar
sus recorridos para evitar demoras. Estas elecciones interaccionan con las de
los automovilistas, ya que esta nueva condicin puede producir una variacin
de la capacidad adicional sobre algunos arcos y por tanto llegarse a nuevos
estados de equilibrio. A este tipo de situaciones se les denomina problemas
de equilibrio de una red multimodal (multimodal network equilibrium), que
sern estudiados en el Captulo 11.
A un nivel an superior, por fin, el esquema de flujos de una red puede
tambin influir en la eleccin de modo de transporte, de destino y de horario
de viaje. Cada uno de estos cambios en la demanda producir, a su vez, modi
ficaciones en los correspondientes puntos de equilibrio. En trminos de mo
delizacin, dicho nuevo esquema de flujos produce niveles de servicio sobre
los recorridos (rutas) y sobre los modos que pueden ser o no consistentes con los
obtenidos en la estimacin de la matriz (presunta) de viajes fijada. Esto requie
re una nueva estimacin de dicha matriz y por lo tanto su utilizacin (dentro
del proceso de estimacin) de los nuevos niveles de servicio para conseguir
as una nueva. Puede resultar necesario entonces, repetir el proceso de modo
sistemtico, hasta que se consigan matrices de viajes (y por lo tanto, tiempo
de viaje, destino y modo), cuyos valores de los costes sean consistentes con los
flujos estimados para cada red. Este nivel ms alto se denomina equilibrio del
sistema (system equilibrium), en contraposicin con el denominado equilibrio
de red (network equilibrium).
Este captulo se organiza de la siguiente forma. Ante todo ser abordado
el problema de la asignacin de una matriz de viajes dada a una red vial, lo
cual va a requerir la utilizacin de las tpicas curvas de flujo (velocidad y coste
con respecto del flujo). El problema de la asignacin a una red se compone por
un lado del modelo de eleccin del recorrido y por otro, de la carga de la matriz de viajes sobre los recorridos correspondientes. Existen diferentes mtodos de carga segn las caractersticas del fenmeno en estudio. En particular
en el epgrafe 10.4 se estudiarn los mtodos estocsticos, los cuales tienen en
468
Asignacin
de
469
Transporte
Velocidad S (km/h)
Modelos
Vmx
Flujo V
(vehculos/h)
Vmx
Flujo V
(vehculos/h)
Ca = Ca ({V})
(10.1)
Ca = Ca (Va)
(10.2)
470
Asignacin
Modelos
de
471
Transporte
Cma =
[Va Ca (Va ) ]
Va
= Ca (Va ) + Va
Ca (Va )
Va
(10.3)
t = t0exp(V/Qs)
(10.4)
472
Asignacin
(10.5)
(10.6)
S
V < F1
0
S S1
s (V ) = S0 0
(V F1 )
F1 V F2
F2 F1
S / 1+ ( S / 8d )(V / F 1) )
V > F2
1
2
(10.7a)
(10.7b)
(10.7c)
donde
S0 es la velocidad a flujo libre.
S1 es la velocidad para la capacidad igual al flujo F2.
F1 es el mximo flujo que corresponde a las condiciones de flujo libre y d
es la distancia o longitud del arco.
La relacin tiempo-flujo T(V) resulta ser, por tanto:
d / S0
V < F1
T (V ) = d / S (V ) =
F1 V F2
+
S
SS
F SS01V
0
01 1
d / S + (V / F 1) / 8
V > F2
2
1
(10.8a)
(10.8b)
(10.8c)
Modelos
de
473
Transporte
SS01 =
S0 S1
F1 F2
(10.9)
S 0 km/h
S1 km/h
F1 pcu/h/
carril
F2 pcu/h/
carril
63
79
55
70
400
1.600
1.400
2.400
45
25
500
1.000
(10.10)
474
Asignacin
Modelos
de
Transporte
475
476
Asignacin
Modelos
de
477
Transporte
hacia la ciudad 3.500 usuarios y que todos ellos querran utilizar el recorrido
ms corto, es decir el que pasa por el centro de la ciudad. Est claro que no
es posible que todos los usuarios utilicen dicha ruta, ya que estara bastante
congestionada incluso antes de alcanzar la capacidad. Muchos usuarios, por lo
tanto, optarn por el segundo recorrido evitando largas colas y demoras. Presu
miblemente los usuarios experimentarn ambos recorridos hasta encontrar una
solucin ms o menos estable, que corresponde a la condicin en la que ninguno
pueda mejorar el tiempo propio de recorrido cambiando dicho recorrido. ste
es el caso tpico de equilibrio de Wardrop, que ser tratado en detalle en los
epgrafes siguientes. La distribucin de los flujos entre los recorridos, en este
caso, se debe a las restricciones de capacidad.
Circunvalacin (3.000 v/h)
B
Centro ciudad
(1.000 v/h)
Sin embargo no todos los 3.500 usuarios se comportarn del mismo modo;
en efecto, parte de ellos preferirn siempre la circunvalacin por sus condicio
nes de flujo ininterrumpido o por su paisaje as como otra parte valorar otras
caractersticas del recorrido por la ciudad. Tambin estas diferencias en los
objetivos y en las percepciones contribuirn a distribuir los flujos a travs de
los diferentes recorridos; a tal efecto generalmente se le denomina componente
estocstico de la eleccin de ruta o recorrido.
Diferentes modelos representarn mejor el fenmeno aqu citado. Una po
sible clasificacin de los mtodos de asignacin del trfico se ilustra en la tabla 10.2. Los detalles y las caractersticas de cada mtodo se discutirn a con
tinuacin.
Cada mtodo de asignacin tiene varias fases, las cuales han de ser tratadas
secuencialmente. Las funciones fundamentales son:
Identificar un conjunto de recorridos que pueden ser atractivos para los
usuarios; estos recorridos se esquematizan en una determinada estructura
478
Asignacin
Incluye restriccin de
capacidad?
No
Todo o nada
Puramente estocstico
(Dial y Burrel)
Equilibrio de Wardrop
Equilibrio estocstico
del usuario
particular denominada rbol y esta fase es, por lo tanto, a menudo llamada
de construccin de rboles.
Asignar un porcentaje apropiado de la matriz de viajes a estas rutas o rboles;
as se determinan los flujos en los arcos de la red.
Investigar la convergencia; muchas tcnicas siguen un procedimiento itera
tivo de sucesivas aproximaciones a la solucin ideal, por ejemplo, al equi
librio de Wardrop; la convergencia a la solucin debe ser controlada para
decidir cundo detener el proceso iterativo.
Modelos
de
Transporte
479
nima distancia para alcanzar el nodo o el centroide A desde el nodo raz S del
rbol, si PA es el nodo predecesor de A entonces el arco (PA, A) es parte
del recorrido mnimo de S a A. El procedimiento de construccin de un rbol
de rutas o recorridos mnimos (o de mnimo coste) desde S a todos los dems
nodos puede describirse de la siguiente manera:
Inicializacin: se fija para todos los nodos dA = (es decir, un valor de
la distancia suficientemente grande que va a depender del tipo de ordenador
y del compilador que posea), excepto para el nodo raz cuyo coste (ds) se fija
en cero; se confecciona una lista L que deber contener todos los nodos ya
alcanzados desde S y susceptibles de ser el nuevo pivote segn el algoritmo
correspondiente pero no completamente examinados como predecesores del
resto de los nodos. Los nodos contenidos en esta lista L sern aquellos a partir de los cuales se pueden alcanzar el resto de los nodos (copa del rbol, a
partir de S, con sus respectivas ramificaciones extendindose hasta alcanzar todos los nodos). Por tanto, inicialcense todas las entradas Li en L a cero
y todos los PA, entre los cuales estar el prximo candidato a ser pivote a un
valor predefinido conveniente.
Proceso: partiendo del origen S y considerando el nodo A como nuevo
pivote:
1. Se examina cada arco (A,B) de salida desde el nodo pivote A; si dA + dA, B<dB
entonces se escribe dB = dA + dA, B, PB = A y se suma B a la lista L.
2. Se quita A de la lista L; si la lista de nodos est vaca se para el proceso y
se pasa al paso 3.
3. Se selecciona otro nodo de la lista y se vuelve al paso 1 con el nodo selec
cionado como posible nodo pivote a examinar.
Llegados a este punto deben considerarse tres observaciones. En primer
lugar, generalmente en los recorridos no se permite utilizar centroides, por
tanto en el primer paso, si B es un centroide no debera ser aadido a la lista
L. La segunda concierne a la diferencia sustancial existente entre el algoritmo
de Moore y el de Dijkstra y que se refiere al procedimiento de seleccin del
nodo de la lista L. Moore selecciona el nodo que est ms arriba en la lista, es
decir el primer nodo que ha entrado; Dijkstra selecciona el nodo ms cercano
al origen, es decir el nodo Li tal que dLi sea mnimo. Eso requiere clculos
adicionales (incluida la ordenacin de los nodos), pero asegura que cada arco
slo sea examinado una vez. Es sabido que el algoritmo de Dijkstra es superior
480
Asignacin
Modelos
de
Transporte
481
salida para dicha sub-rea y los rboles son utilizados para asociar las zonas
originales a zonas externas para la nueva sub-rea.
482
Asignacin
Modelos
de
483
Transporte
(a)
5
10 3 4
3
10
2
8 4 4
C
4 5 8
3
2
D
2
600
200
400
200
300
300
300
100
100
(b)
400
400
C
200
200 200
300
A
(c)
300
100
D
C
D
600
400
400
0 400
200
300
500
300 0 C
300
200
100
300 0 0
D
300
Figura 10.3. Red simple, sus rboles y flujos de carga de una matriz de viajes.
De los diversos mtodos propuestos slo dos son relativamente aceptados: los mtodos basados en la simulacin y los basados en proporciones. Los
primeros utilizan los resultados de una simulacin Monte Carlo para represen
tar la diferente percepcin de los costes que tienen los usuarios. Los segundos,
en cambio, asignan flujos a las diferentes rutas alternativas de recorrido de
proporciones calculadas utilizando expresiones tipo logit.
484
Asignacin
Proporcin de conductores
Por cada arco de una red deberan distinguirse los costes objetivos o medidos/
estimados por un observador (modelizador) de aquellos subjetivos o perci
bidos por cada conductor o usuario. Se acepta adems que el coste de arco
estimado por dicho modelizador sea slo la media de los costes percibidos
por todos los usuarios. Se supone que estos costes percibidos se distribuyen
aleatoriamente segn una cierta funcin de probabilidad como, por ejemplo,
la representada en la figura 10.4. Las distintas implementaciones de estos
mtodos difieren en las hiptesis acerca de la forma de dichas distribuciones
de probabilidad; en efecto, mientras Burrel supone una distribucin unifor
me, otros modelos consideran una distribucin normal. En uno y otro caso
es necesario obtener o calibrar una desviacin estndar o un intervalo para
la distribucin de los costes percibidos; en general se supone que:
Coste
Las distribuciones de los costes percibidos por los usuarios son indepen
dientes.
Los usuarios eligen el recorrido que minimiza sus costes de recorrido per
cibidos, es decir la suma de los costes de cada arco usado.
En trminos generales estos algoritmos pueden describirse como se explica
a continuacin: se selecciona una distribucin de costes percibida para cada
arco (y un parmetro de dispersin ). Se subdivide el nmero de individuos
que viajan entre cada par O/D en N estratos de forma que, en cada uno de ellos,
se acepta que sus usuarios perciben los mismos costes.
1. Hgase n = 0.
2. Hgase n = n+ 1.
Modelos
de
Transporte
485
486
Asignacin
fi = 0
si d Ai d B
0 < fi 1
si d Ai < d Bi
donde dAi representa el coste mnimo de viaje desde el nodo de origen al nodo
Ai. La primera condicin requiere que f i sea igual a cero si el nodo inicial Ai
est ms lejos del origen que B, asegurando de esta forma que los viajes sean
asignados a las rutas ms eficientes desde el origen. Los viajes TB que pasan
por B se reparten de acuerdo a la siguiente ecuacin:
A4
A2
i
Origen
A1
A3
j
Destino
A5
Modelos
de
487
Transporte
F (A i , B) =
TB f i
fi
i
(10.11)
(10.12)
Tijr =
Tij exp(Cijr )
exp(C
k
ijk
(10.13)
WA =
(A', A)
A'
488
Asignacin
Ruta 1
Ruta 3
Figura 10.6. Ciudad servida por una circunvalacin y tres recorridos urbanos.
Modelos
de
489
Transporte
funciones que relacionan el flujo con los costes (tiempos) de viaje sobre los
arcos. Estos modelos generalmente buscan, con diferente xito, la forma de
aproximarse formalmente a las condiciones de equilibrio enunciado por War
drop (1952):
Bajo condiciones de equilibrio, el trfico se distribuye en las redes congestionadas de modo tal que ningn viajero puede reducir su propio coste de
viaje cambiando el recorrido.
Si todos los viajeros perciben los costes de la misma forma (sin ningn
efecto estocstico), el equilibrio de Wardrop se puede enunciar as:
Bajo condiciones de equilibrio, el trfico se distribuye en las redes congestionadas de modo tal que todos los recorridos utilizados entre un par O-D
tienen el mismo y mnimo coste mientras todos los recorridos no utilizados tienen costes ms altos o iguales.
tb = 15 + 0,005 Vb
(10.14a)
tt = 10 + 0,02 Vt
(10.14b)
15 + 0,005 Vb = 10 + 0,02 Vt
490
Asignacin
Tiempo
Tiempo
30
25
20
15
10
30
25
20
15
10
Flujo V
Flujo V
200
y de aqu:
Vb = 0,8 V 200
(10.15)
Modelos
de
491
Transporte
T (C C )
=
T C
ijr
ijr
ij
*
ij
ijr
ij
*
ij
(10.16)
Cijr C*ij es el exceso de coste de viaje sobre una ruta particular con respecto
al mnimo coste de viaje para el par (i, j). Estos costes se calculan despus
de que se haya realizado la ltima iteracin y se hayan conseguido los flujos
totales para cada arco. Por tanto, es una medida del sobre-coste total debido
al hecho de utilizar recorridos peores (diferentes de los de coste mnimo) que
el ptimo, donde el denominador permite conseguir una medida concreta en
trminos relativos antes que en trminos absolutos.
Wardrop, 1952, propuso tambin una forma alternativa de asignacin del
trfico a la red que toma el nombre de Segundo Principio de Wardrop:
Bajo condiciones de equilibrio social en redes congestionadas, el trfico
debera distribuirse de tal modo que los costes medios (o totales) de viaje
sean mnimos.
492
Asignacin
Modelos
de
Transporte
493
4. Si los flujos o los costes normales del arco no se han modificado signifi
cativamente en dos iteraciones consecutivas se para el procedimiento; en
otro caso, se vuelve al paso 2.
Como se ha sugerido anteriormente, probablemente estos algoritmos no
se pararn nunca en el paso 4 a menos que se imponga un lmite arbitrario del
nmero n de iteraciones.
494
Asignacin
asignado a un arco no puede ser suprimido en ste y asignado a otro; por tanto,
si en una de las iteraciones iniciales se asigna demasiado flujo a un arco (p. ej.,
a un arco con baja capacidad), las condiciones de equilibrio de Wardrop no se
alcanzan y el algoritmo no converge a una solucin correcta. No obstante el
mtodo de la asignacin incremental tiene dos ventajas:
es muy sencillo de programar;
sus resultados pueden ser interpretados como la acumulacin de la conges
tin en los perodos punta.
Ejemplo 10.5: considrese, como en los casos anteriores, el ejemplo de los
dos recorridos, la circunvalacin (bypass) y el recorrido urbano del ejemplo
10.4. Se subdivide la demanda de 2.000 viajes en cuatro incrementos de 0,4, 0,3,
0,2 y 0,1, es decir 800, 600, 400 y 200 viajes. Para cada incremento, calcular
los nuevos costes de viaje utilizando la ecuacin (10.14). La siguiente tabla
sintetiza los resultados de este algoritmo:
N
Incremento
Flujo ciudad
Coste ciudad
Flujo bypass
Coste bypass
10
15
800
800
26
15
600
800
26
600
18
400
800
26
1.000
20
200
800
26
1.200
21
Modelos
de
495
Transporte
con 0 1.
(10.17)
496
Asignacin
2
3
4
5
6
7
8
9
10
Flujo ciudad
F
V
2.000
n
2.000
Vn
1/2
1.000
1/3
F
1/4
23,3
1/5
800
1/6
667
20
1/7
572
26
1/8
750
23,3
1/9
F
Vn
667
21,4
600
21,7
1.500
22,5
1.200
21
1.333
21,7
1.428
22,1
0
25
1.250
21,25
2.000
23,3
0
0,1
1.333
2.000
0
n
20
2.000
2.000
Vn
1.000
0
n
15
2.000
Vn
500
2.000
2.000
n
667
Coste bypass
2.000
30
Vn
V
50
0
n
Flujo bypass
F
V
Coste ciudad
1.333
21,7
2.000
22
1.400
22
Modelos
de
Transporte
497
498
Asignacin
Modelos
de
499
Transporte
16
41
15
1
16
17
14
9
19
4
30
20
4
35
34
29
5
31
37
11
10
36
39
38
12
33
28 1
32
24
25
27
22
21
20
23
18
LEYENDA
13
40
17
Centroide
Nodo
Lnea de Bus
N Lnea Bus
Lmite de Zona
Conector
500
Asignacin
(10.18)
donde
tijv es el tiempo de viaje a bordo del modo para ir de i a j;
tijw es el tiempo andando para llegar o ir desde la parada (estacin);
tijt es el tiempo de espera en la parada;
tijn es el tiempo de transbordo;
n es una penalidad intrnseca o resistencia al trasbordo, medida en uni
dad de tiempo (usualmente de 2 a 5 minutos);
Fij es la tarifa pagada para desplazarse entre i y j;
de a1 a a5 son coeficientes asociados a los elementos de coste respec
tivos.
Usualmente a a1 a5 suele otorgrsele el valor 1 segn se deseen medir los
costes generalizados de transporte en unidad de tiempo o coste respectivamente.
Tambin es habitual encontrar que a2, a3, y a4 sean dos o tres veces el valor de
a1, es decir los viajeros perciben el tiempo de espera o caminando dos o tres
veces ms que a bordo del medio.
En trminos de modelizacin, el software debera ser capaz de tratar todas
estas variables y producir una buena estimacin de cada uno de estos compo
nentes de tiempo (a bordo, peatonal, de espera, de intercambio) a menos que
sus valores no sean proporcionados externamente. El tiempo de viaje a bordo
del modo depende de la velocidad alcanzable y del nmero y de la duracin
de las paradas en el recorrido; el tiempo utilizado caminando depende de la
proximidad de la parada ms cercana (ms atractiva) y se suele utilizar, en algu
nos casos, aproximadamente un valor medio del tiempo para la zona completa;
el tiempo de transbordo vara en funcin de la configuracin y de la distancia
entre las paradas y las estaciones; por fin el tiempo de espera depende esen
Modelos
de
501
Transporte
tw =
(h 2 + 2 )
2h
(10.19)
donde h es tiempo entre dos pasos de bus (intervalo) previstos por la progra
macin del servicio y es su desviacin estndar (cuanto menos regular es
el servicio, mayor es el tiempo de espera). Esta formulacin supone que los
pasajeros llegan aleatoriamente a la parada y que los autobuses tienen capacidad
ilimitada, de modo que todos pueden subirse a bordo. El problema relativo a
la congestin del autobs es difcil de resolver, pero si los algoritmos utiliza
dos no lo consideran es probable que las cargas producidas no sean reales en
trminos de capacidad real del servicio (vase De Cea y Fernndez, 1989). Si
el servicio es perfectamente regular, es decir si = 0, entonces el tiempo previsto de espera es la mitad del intervalo entre el paso de dos autobuses conse
cutivos. Es sabido, sin embargo, que si la frecuencia del servicio es baja, los
pasajeros tienden a llegar justo pocos minutos antes de la siguiente salida, as
que el lmite superior del tiempo de espera puede ser establecido entre 5 y
10minutos; obviamente los pasajeros llegarn tanto ms cerca del horario de
salida programado cuanto ms fiable resulte el servicio.
10.6.2.5. El problema de las lneas comunes
ste es probablemente uno de los problemas ms difciles y tpicos en la asig
nacin al transporte pblico. El problema surge cuando, al menos para algunos
pares O/D, hay secciones en recorrido donde transita paralelamente ms de un
servicio de los ofertados, de forma que los pasajeros pueden elegir aqul que se
acomoda mejor a sus exigencias. Para dichos pasajeros esta eleccin no es trivial
(habra sido preferible que el usuario hubiese sabido que un servicio expreso
iba a llegar tres minutos despus del ms lento que ha tomado) ni simple desde
el punto de vista modelstico. En efecto, mientras en el transporte privado nor
malmente un conductor elige un recorrido individual entre el conjunto de todos
los recorridos posibles, en el caso del transporte pblico, los usuarios pueden
elegir un conjunto de itinerarios prefijados, de forma que cuando una lnea
de bus susceptible de ser utilizada llega primero a la parada, va a determinar
cules de los itinerarios factibles realmente van a ser escogidos. La eleccin
es por tanto ms compleja y necesita un trato ms detallado.
502
Asignacin
Modelos
de
503
Transporte
14 min
4 min
Lnea 3
4 min
Lnea 4
Lnea 5
Nodo A
6 min
8 min
14 min
Figura 10.9. Red simple de transporte pblico con los tiempos relativos de viaje.
504
Asignacin
w =
jk
V jk
fX
sS jk
(10.20)
Minimizar
v t + w
s
s s
sL+j
jk
+ gj =
jk
(10.21)
sL j
(10.22)
Modelos
de
505
Transporte
vs =
X s f sV jk
fX
sSi j
= X s f s w jk
s
(10.23)
vs fs wjk
(10.24)
V jk ts X s f s + 1
Minimizar s
f
X
jk
s s
sSij
(10.25)
506
Asignacin
vs =
f s vr
fr
(10.26)
Modelos
de
Transporte
507
de costes y, a partir de aqu, aadir a dicho tiempo de viaje sobre cada arco la
tarifa. Este tipo de estructura tarifaria, en todo caso, no es muy comn. Podra
asimismo introducirse un sistema tarifario nico (tarifa plana o flat fare) aun
que es preciso indicar que el tratamiento de esquemas ms complejos desde
el punto de vista modelstico puede aadir tambin dificultades al diseo del
algoritmo.
En muchos casos prcticos no es posible modelizar toda la complejidad de
un sistema tarifario y por tanto, han de realizarse determinadas aproximaciones
de acuerdo a las tipologas ms comunes de billetes utilizados. Por ejemplo,
en el caso de un sistema tarifario zonal la asignacin se puede elaborar en
base solamente al tiempo de viaje mientras que el coste de la tarifa slo ser
aadido al final. Esta solucin no tiene en cuenta a los usuarios que dispongan
de contratos especiales de transporte (bono-buses), aunque dicho sistema de
tarificacin zonal puede resultar en todo caso bastante bueno en ciertas situa
ciones como, por ejemplo, el acceso al centro de Londres.
Finalmente, se debe subrayar que la asignacin al transporte pblico pre
senta, generalmente, los mismos lmites que los identificados para las redes de
transporte privado. Adems es correcto afirmar que la asignacin en situaciones
de congestin est menos desarrollada que la de situaciones sin congestin. En
el caso de redes congestionadas se presentan dos efectos: el primero concierne
a la capacidad limitada de las unidades de transporte (autobuses, trenes), lo
que provoca que algunos usuarios no puedan realizar sus estrategias ptimas,
lo cual supone en general un incremento de su tiempo de viaje; el segundo es
que hay una interaccin entre transporte pblico y circulacin privada debida
al hecho de que se utilizan las mismas calles, de forma que el consiguiente
incremento de trfico sobre un modo influir en el tiempo de viaje del otro.
Los mtodos actuales que afrontan estos problemas son bastante aproximados;
se tratarn algunos desarrollos de este tema en el prximo captulo.
508
Asignacin
Modelos
de
509
Transporte
turas intermodales, para las frecuencias y para las velocidades. La regla base
es pues: antes de ir a la siguiente fase en la comprobacin del modelo, se ha de
estar seguro de que todos los datos observables (medibles), estn representados
correctamente sobre la red. Entonces lo primero es comprobar la conectividad,
posteriormente los atributos de los arcos y despus los datos detallados, por
ejemplo, los flujos de saturacin, la regulacin semafrica, etctera.
La adaptacin de la funcin de coste generalizado. Se trata aqu de
determinar los pesos asignados al tiempo, a la distancia y a cualquier otra va
riable incluida en la funcin de coste generalizado (tipologa del arco, calidad
del escenario en el que se viaja, etc.). Como criterio de ajuste se podra utilizar
un estadstico con forma de Chi-cuadrado:
( flujos observados
flujos modelizados a )
flujos observados a
510
Asignacin
Modelos
de
511
Transporte
EJERCICIOS
10.1. La red vial representada en la figura 10.10 conecta dos zonas residen
ciales, A y B, con dos centros comerciales importantes, L y M. Los tiempos
de viaje entre los nodos se indican en minutos y todos los arcos son de doble
sentido. Supngase que inicialmente los costes de estos arcos son indepen
dientes del nivel de trfico.
5
A
7 15
B
7
11
11
11
C
9
7
E
9
7
13
9
7
9
3
G
9
H
13
12
J
9
12
2
512
Asignacin
A L = 600
A M = 400
B L = 300
B M = 400
A
4
B
4
6
4
C
G
5
E
4
5
2
H
5
7
I
K
5
a) Utilizar un procedimiento sistemtico para obtener las rutas de mnimo coste entre los nodos A y B y los destinos J, K y L y obtener la matriz
de costes de viaje C.
b) El nmero total de viajes con origen y destino en cada zona en la hora
punta de la maana es:
Modelos
de
513
Transporte
Origen
Viajes
Destino
Viajes
1.000
700
2.000
1.000
1.300
t = 2,0 + 0,01 q
t = 12,0 + 0,001 q
B
D
t = 1,0 + 0,001 q
a) Utilizar una tcnica incremental de carga de la red con fracciones del 40,
30, 20 y 10% del total de la demanda para obtener una aproximacin a la
asignacin de equilibrio.
b) Utilizar una tcnica iterativa de carga de la red para conseguir el mismo
resultado. Cuntas iteraciones son necesarias para alcanzar un buen nivel
de convergencia?
11.
Equilibrio entre oferta y demanda
11.1.Introduccin
516
apropiada para redes urbanas, donde las demoras en las aproximaciones, por
ejemplo a una rotonda, dependen ms que nada de los flujos que circulan en
la interseccin. En el subttulo 11.4 se extender el tratamiento de equilibrio a la
eleccin modal y al modelo de distribucin; el objetivo en este caso es asegurar
que los tiempos de viaje implcitos en los costes utilizados para ejecutar estos
modelos sean coherentes con los obtenidos durante la asignacin. Sin embargo,
como se ha visto en el caso de la asignacin, en condiciones de congestin con
mtodos que ajustan slo velocidades, la simple iteracin de los ltimos tres
submodelos no garantiza convergencia a condiciones de equilibrio. En este
epgrafe se describen algunos de los mtodos ms interesantes, aportndose
asimismo algunas consideraciones prcticas sobre este tema. Por fin en el
epgrafe 11.5 se tratar el problema de la modelizacin del horario de salida
mediante la extensin de las formulaciones estudiadas, para as tener en cuenta
esta importante reaccin conductual.
11.2.El equilibrio
En este epgrafe se exponen los mtodos concebidos concretamente para lo
grar soluciones del modelo de asignacin del trfico que satisfagan el primer
principio de Wardrop. Para afrontar esta problemtica se seguir una combi
nacin de aproximaciones intuitivas y analticas, aunque en estas ltimas no
se profundizar ms all de lo necesario para saber utilizar las tcnicas de
asignacin de equilibrio. Los lectores interesados en los aspectos ms tericos
de la asignacin de equilibrio pueden consultar el excelente libro de Sheffi
(1985) o ms recientemente el texto de Bell y Iida (1997).
*
= Cij
cijr *
Cij
Tijr* > 0
Tijr* = 0
Modelos
de
517
Transporte
(11.2)
Aunque Wardrop present este principio en 1952, tuvieron que pasar cuatro
aos ms para que Beckman et al. (1956) propusieran un esquema riguroso para
expresar dicho principio en trminos de programacin matemtica; y pasaron
algunos aos ms hasta que fue propuesto y probado un algoritmo vlido para
las aplicaciones prcticas.
El enfoque de programacin matemtica expresa el problema de obtener
el equilibrio de Wardrop en trminos de minimizacin de una funcin objeti
vo sometida a restricciones que representen las propiedades de los flujos. El
problema puede escribirse as:
{ }
Va
Minimizar Z Tijr = 0 Ca ( )d
s.a.
T
r
ijr
= Tij
Tijr 0
(11.3)
(11.4)
(11.5)
518
=
Tijr Tijr
Va
Ca ( )d =
a
d
dVa
Va
Ca ( )d )
) TV
ijr
Va
= ijra
Tijr
Ahora, como Va slo depende de Tijr si el recorrido pasa por este arco,
d
dVa
Va
Ca ( )d = Ca (Va )
se tiene que
Z
= Ca (Va ) ijra = cijr
Tijr
a
(11.6)
2Z
=
2
Tijr Tijr
C (V )
a
a
ijr
=
a
dCa (Va ) Va a
dC (V )
ijr = a a ijra ijra
dVa Tijr
dVa
a
(11.7)
Modelos
de
519
Transporte
(11.8)
L
Z
=
ij = cijr ij
Tijr Tijr
L
=0
Tijr
ij* cijr ,
ijr
donde Tijr* = 0
ij* = cijr ,
ijr
En otras palabras, ij* ha de ser igual a los costes a lo largo de las rutas con
Tijr positivo y debe ser menor (o al menos igual) a los costes a lo largo de las
dems rutas (por ejemplo, donde Tijr = 0). Por tanto, ij* es igual al coste mnimo
de viaje de i a j: ij* = cij*.
En este sentido, el conjunto de Tijr* que minimiza (11.7) tiene las siguientes
propiedades:
cijr cij*
Tijr* = 0
cijr = cij*
Tijr* > 0
520
Coste
30
30
20
20
10
10
500
1.000
500
1.000
En la figura 11.2a es fcil ver que la suma de las reas cubiertas por las cur
vas de coste-flujo es mnima para Cb = Ct; como puede verse en la figura11.2b
cualquier desplazamiento desde la igualdad aade una nueva seccin de rea.
Como se aprecia, la solucin de equilibrio comporta un flujo circulante por el
centro de la ciudad de 600 vehculos y 1.400 por la circunvalacin. Merece la
pena resaltar que el coste para cada recorrido es de 22 minutos y el coste total
en la red es de 44.000 vehculos-minuto.
En esta explicacin de la asignacin de equilibrio se han omitido algunos
detalles como por ejemplo, el de la unicidad de la solucin. En efecto, puede
demostrarse que slo los costes de arco ca*, los costes interzonales cij* y los
flujos de arco Va* son nicos en el punto ptimo de equilibrio. Los flujos de
ruta Tijr* no son, en general, nicos. Esto significa que puede haber muchas
combinaciones de rutas y de viajes que las utilizan, que producen el mismo
flujo de arco as como que soportan el mismo coste de arco; como todos los
Modelos
de
521
Transporte
recorridos utilizados (para un par O-D) tienen el mismo coste mnimo, los
totales de los costes interzonales son los mismos. Ello se puede comprender
fcilmente si se piensa en diferentes zonas con origen externo que producen
viajes en la entrada de la interseccin A y posteriormente salen a diferentes
destinos en la interseccinB, como puede verse en la figura 11.2; aunque estos
viajes puedan distribuirse en diferentes modos entre las rutas del centro ciudad
y de la circunvalacin, en condiciones de equilibrio, los flujos en arcos y los
costes de arco permanecern iguales.
(a)
40
40
30
30
20
20
10
10
0
2.000
(b)
50 Ct
Cb 50
500
1.500
Vt
1.000
1.500
500
Vb
0
2.000
0
50 Ct
Cb 50
40
40
30
30
20
20
10
10
0
2.000
500
1.500
Vt
1.000
1.500
500
Vb
0
2.000
0
522
V an = (1 )V an1 + Fa
Modelos
de
523
Transporte
1. Elegir la direccin que parezca ms idnea para descender; con niebla densa
(nmero de puntos denso), dicha direccin depender esencialmente de la
topografa local.
2. Caminar en la direccin elegida hasta que se comience a subir de nuevo.
3. Detenerse momentneamente en este punto, elegir otra direccin de pen
diente que permita descender y progresar como en el punto 2 hasta que se
llegue a un punto en el que no haya ms direcciones de descenso. En este
caso se habr llegado al fondo del valle.
Lo citado hasta aqu es lo que bsicamente ha de realizarse para utilizar
el algoritmo de Frank-Wolfe, aunque en un espacio no expresamente tridi
mensional sino evidentemente multidimensional. En cada paso de la iteracin
se tiene una posible solucin factible (una posicin en el valle) de forma que
el algoritmo utiliza la ltima asignacin todo o nada para proporcionar una
direccin de descenso. Con este fin, la utilizacin de dicha asignacin todo
o nada en la ltima asignacin puede contemplarse como una aproximacin
local para minimizar la funcin objetivo Z. Puesto que la solucin factible
se precisa para el flujo de ruta {Tijr}, Frank-Wolfe busca una segunda posible direccin atractiva {Wijr} utilizando una aproximacin lineal de Z (mediante
desarrollos en serie de Taylor):
ijr
Z
(Wijr Tijr ) =
Tijr
ijr
(11.9)
524
{ }
Minimizar S Tijr = Va ca ( )
a
(11.10)
{ }
Va
Minimizar S Tijr = 0 Cm a ( ) d
a
(11.11)
Modelos
de
525
Transporte
flujo que minimiza el total del gasto (o dicho de otra forma, en el caso de una
matriz fija de viajes, minimizar la media de los costes de viaje). Los costes
totales son:
E
15 +
005 V
Ebb =
=V
Vbb ((15
+ 00,, 005
Vbb ))
E
=V
10 +
+ 00,, 02
02 V
Ett =
Vtt ((10
Vtt ))
para lacircunvalaci
circunvalacin
para
para la
la circunvalacinn
para
parael
centrociudad
ciudad
para
elelcentro
centro
ciudad
Eb
= (15 + 0, 01 Vb )
Vb
Et
= (10 + 0, 04 Vt )
Vt
Flujo
Circunvalacin
500
1.500
Coste marginal
30
30
Coste medio
20
22,5
10.000
33.750
Coste total
Total
2.000
43.750
526
Ca = Ca{Va}
En otras palabras, los costes que resultan de los nuevos flujos son prctica
mente los mismos que los utilizados para encontrar las rutas y la asignacin de
trfico. Si el algoritmo no convergiese, la solucin (flujos y costes) dependera
del momento de parada del proceso iterativo, puesto que sera una decisin
arbitraria. Diferentes analistas que afrontasen este mismo problema pero que
Modelos
de
527
Transporte
528
Modelos
de
529
Transporte
(a)
(b)
Figura 11.3. Representacin de una interseccin como simple nodo (a), y con un
grfico expandido representativo de los giros (b).
530
Modelos
de
Transporte
531
532
Modelos
de
Transporte
533
534
Modelos
de
Transporte
535
536
= 0,9FFTT0,87 (CI 1)
Modelos
de
537
Transporte
Datos de la red
(11.12)
Simulacin
Asignacin
Matriz de viajes
538
Modelos
de
539
Transporte
V1
V2
A
C1
C2
Coste total
28,0
53,0
5.300
10
29,0
51,0
4.880
20
30,0
49,0
4.520
30
31,0
47,0
4.220
40
32,0
45,0
3.980
50
33,0
43,0
3.800
60
34,0
41,0
3.680
70
35,0
39,0
3.620
80
36,0
37,0
3.620
83
36,3
36,4
3.632
84
36,4
36,2
3.633
90
37,0
35,0
3.680
100
38,0
33,0
3.800
540
arco y por lo tanto los usuarios volvern a la ruta original. Lo mismo sucede
si se desplaza ms trfico al arco 1. El hecho de que el coste total sea mnimo
en otro punto, aproximadamente para V1 = 75, es otro ejemplo de la diferencia
entre equilibrio social y equilibrio individual del usuario.
Considere ahora un problema levemente diferente con el mismo tipo de
red. Ahora la interseccin prev que quien provenga del arco 1 ha de ceder el
paso; el flujo procedente del arco 2 tiene la preferencia de paso y por tanto su
tiempo de viaje no depende del flujo sobre el arco 1. La nueva relacin ser
entonces:
Puede utilizarse el mismo tipo de tabla para ilustrar las posibles soluciones
de este problema de asignacin. En este caso la solucin V1 = 60 y V2 = 40 no es
estable. El traslado de flujo al arco 1 har disminuir los costes en el arco 1 ms
rpidamente que en el arco 2, as que se vuelve a la solucin V1 = 100 y V2 = 0.
Sin embargo, el traslado del flujo al arco 2 tiene el efecto opuesto, incrementa
ms lentamente los costes sobre el arco 2 que sobre el arco 1 conduciendo,
por tanto, a otra solucin: V1 = 0 y V2 = 100. Estas dos soluciones extremas son
estables, aunque no con costes iguales en cada ruta, y representan equilibrio
del usuario ya que los costes de las rutas no utilizadas son mayores que los
costes sobre las rutas utilizadas.
Cualquier desviacin de estos puntos extremos producir nuevos costes que
llevarn la solucin al punto de partida. Es importante destacar que las ecua
ciones elegidas son sencillas pero no improbables, y tambin que la ecuacin
de los flujos sin preferencia muestra que la demora depende principalmente
del flujo en el arco con preferencia, contraviniendo por tanto, el requerimiento
bsico para una solucin nica.
V1
C1
C2
Coste
28
25,0
2.500
10
27
24,5
2.475
20
26
24,0
2.440
30
25
23,5
2.395
40
24
23,0
2.340
Modelos
de
541
Transporte
50
23
22,5
2.275
60
22
22,0
2.200
70
21
21,5
2.115
80
20
21,0
2.020
90
19
20,5
1.915
100
18
20,0
1.800
542
Modelos
de
Transporte
543
544
Modelos
de
Transporte
545
546
Demanda D
Coste C
Coste C
Cmin
Demanda D
Dmx
Va
s.a.
Minimizar Z = ca ( ) d g ij (t ) dt
0
0
ij
a
Tijr 0
(11.14)
Tij = Tijr
Va = Tijr
ijr
a
ijr
(11.13)
Z
= Cijr g ij
Tijr
(11.15)
Modelos
de
547
Transporte
Z
= C
0 ijry cijrgij gij
Tijr
(11.16a)
Si T *ijr 0, entonces
Z
= C0ijry cijrg ij= gij
Tijr
(11.16b)
La funcin de demanda invertida puede tener una forma muy general. Sin
embargo, en algunos casos, conseguir funciones analticas concisas puede ser
muy difcil.
Sea ahora el problema ms simple en el que slo se combinan la eleccin
del modo y la asignacin. En este caso el problema de asignacin con demanda
elstica se puede reformular como una extensin del problema de asignacin
con demanda inelstica.
Si Tij es el nmero total de viajes en todos los modos (transporte pblico
y privado) entre i y j, y Tijc representa los realizados en coche, evidentemente
la demanda restante Tijb = Tij Tijc es satisfecha por transporte pblico. Para
cargar los viajes no realizados en coche pueden establecerse nuevos arcos
ficticios entre cada par O-D para representarlos configurando as una red am
pliada.
Tb
Transporte pblico
Tc1
T
2
c
Red base
548
Una simplificacin podra ser concentrar estos arcos ficticios en uno slo
para cada par O-D, como se indica en la figura 11.7.
Los viajes en transporte pblico pueden escribirse as:
Tijb = Tij Tijr
(11.17)
Tij
Tij
Va
Minimizar Z = ca (v) dv g ij (t ) dt + c g ij (t ) dt
Tij
0
0
ij
ij
a
Va
Tijb
Minimizar Z = ca ( ) d g ij (t ) dt
0
0
a
ij
(11.18)
Modelos
de
549
Transporte
3. Se hace g'ij (n) = g'ij [Tij (n)], es decir los pseudo costes de arco corrientes como
deducidos del total de los viajes menos el nmero de viajes en coche de i a j.
4. Se define una matriz Wij(n) para asignar a la red real, tal que:
*
Tij si g ij (n) cij
Wij (n) =
0 en otro caso
Va
Minimizar Z = ca ( ) d
a
s.a.
Tijr 0
Tij Oi = 0
j
1
Tij (log Tij 1)
ij
(11.19)
(11.20)
550
ij
Dj = 0
(11.21)
ij
(11.22)
s.a.
(T
c
ij
+ Tijb ) = Oi
(T
c
ij
+ Tijb ) = D j
c
ijr
= Tijc
(11.23a)
(11.23b)
(11.24)
(11.25)
adems de las restricciones de no negatividad de Tijc, Tijb y Tijrc donde los ndices
c y b se refieren respectivamente al modo coche y al modo transporte pblico,
y donde:
Modelos
de
551
Transporte
(11.26a)
(11.26b)
552
Va = Va + ( wa Va )
(11.27)
(11.28)
Modelos
de
553
Transporte
Tij =
exp ( uij + Ai )
exp ( u
j
ij
+ Aj )
Gi
(11.29)
554
Modelos
de
Transporte
555
556
Modelos
de
Transporte
557
558
combinado simple de eleccin del horario de salida y asignacin del cual sern
citadas las principales limitaciones y algunas indicaciones de mejora futura.
U ( ) = C ( ) SDE ( ) SDL( ) d L ( )
donde es el horario de llegada y C es la duracin del viaje, expresada como
una funcin del horario de llegada, en cuanto a que las condiciones de trfico
varan segn la hora del da. SDE y SDL (Schedule Delay Early y Late) son la
antelacin y el retraso programado y denotan la diferencia entre el horario de
llegada seleccionado y el horario de llegada preferido (Preferred Arrival Time,
PAT) en el caso de que se desee adelantar o aplazar la llegada respectivamente.
Por tanto SDE y SDL pueden ser definidos como:
Modelos
de
559
Transporte
Pendiente = 2,50
= 0,50
Pendiente = 0,60
Anticipacin
Tiempo de llegada
Retardo
Figura 11.8. Esquema idealizado de la utilidad (o desutilidad) programada expresada en minutos equivalentes de tiempo de viaje.
560
gar en cambio 30 minutos ms tarde respecto de la PAT dara lugar a una penalizacin adicional equivalente a 30 minutos de tiempo de viaje ms una
penalidad adicional de 1,25 h o bien 90 minutos. Por tanto, estos 30 minutos
de retraso en el horario de llegada estaran slo justificados si el individuo
pudiera ahorrar ms de 2 horas de tiempo de viaje, un acontecimiento bastante
improbable. Naturalmente, grupos diferentes de individuos tendrn valores
diferentes para , y y tambin diferentes PATs.
La formulacin base (omitiendo el trmino de penalidad ) fue extendida
por Hyman (1997) para incluir un intervalo de indiferencia alrededor de la PAT,
durante el que las llegadas no incurren en una desutilidad programada, por
ejemplo llegar a la hora deseada ms o menos 5 minutos. Hendrikson y Plank
(1984) propusieron una forma cuadrtica de la funcin de utilidad mientras
que Polak et al. (1991) formularon un modelo lineal compuesto. Addison y
Heydecker (1998) examinaron tres casos de funciones continuas: una hiprbola
simple truncada, una hiperblica y una funcin no convexa. A pesar de estos
esfuerzos, las aplicaciones prcticas generalmente utilizan funciones lineales,
con o sin desutilidad fija para las llegadas aplazadas.
ORIGEN
Cuello de botella
DESTINO
Modelos
de
561
Transporte
Salidas
pendiente q2
Salidas
pendiente q1
Llegadas
pendiente h
(capacidad)
Cola mxima
Salidas/llegadas acumuladas
PAT
Tiempo
562
Modelos
de
563
Transporte
Tiempo de llegada
preferido
Caractersticas
del comportamiento
Modelo
de tiempo
de salida
Matriz O/D en
funcin del tiempo
Modelo
de
asignacin
564
11.5.5. Conclusiones
La literatura sobre este tema evidencia la existencia de diversas aproximaciones
para modelizar la eleccin de horario de salida y la correspondiente falta de
consenso al respecto. Para lograr integrar este importante aspecto del com
portamiento de viaje en la modelizacin tradicional del transporte se requiere
ms experiencia e investigacin.
Las aproximaciones de equilibrio dinmico estudiadas ofrecen la posibi
lidad de incorporar la eleccin de horario de salida, posiblemente dentro de
un contexto estocstico as como de un submodelo robusto de asignacin para
estimar el tiempo de viaje sobre una base continua. Sin embargo, tal tratamiento
explcito del tiempo requiere una descripcin dinmica de los flujos en la red
y eso tiene como consecuencia dificultades no slo analticas sino tambin
Modelos
de
565
Transporte
EJERCICIOS
11.1. Una autopista de 12 km conecta dos reas urbanas. La funcin de oferta
para cada uno de los tres carriles por sentido de marcha del arco vial se puede
aproximar por:
q
t = 20 +
200
donde t es el tiempo de viaje en minutos y q el flujo por carril en unidades de
coches equivalentes por hora.
La autopista normalmente se utiliza para automviles y autobuses directos,
sin paradas, a lo largo del recorrido: los correspondientes tiempos de viaje de los
vehculos son tc y tb. En hora punta el servicio de autobs tiene una frecuencia
igual a un autobs por minuto y la funcin de demanda para los viajes en coche
se ha estimado mediante la siguiente funcin:
Vc = 3.480 60 tc
V b = 4.200 75 tb
566
b) Supngase ahora que uno de los carriles pueda ser utilizado exclusivamente
por autobuses. Cul es el nuevo estado de equilibrio y el nuevo factor de
carga para los autobuses?
c) Discutir las hiptesis implcitas en las funciones de demanda utilizadas
arriba.
11.2. Dos ciudades distanciadas por 60 kilmetros estn conectadas por
una carretera de doble sentido en la que los coches circulan todo el da. La
demanda en la hora punta, para viajes en coche entre las dos ciudades, viene
bien descrita por la siguiente funcin:
q = 6.000 1.500t
Modelos
de
567
Transporte
t = 5,2 + 0,001q
21 + 0,01 q
4 + 0,02 q
A
8 + 0,1 q
19 + 0,01 q
6 + 0,1 q
D
12.
Modelos simplificados de demanda
de transporte
12.1.Introduccin
570
racin que se encuentre fuera del mbito analtico. Para este fin, la capacidad
reducida el del procesamiento numrico de los modelos mentales no es una
limitacin grave. Sin embargo tienen dos carencias principales: a veces fallan
completamente, por ello al considerar las consecuencias de un crecimiento
exponencial o las interconexiones entre decisiones aparentemente no relacio
nadas, como impuestos (tasas) y eleccin modal. La segunda desventaja de
los modelos mentales es que normalmente no estn abiertos a discusin y
carecen de transparencia para calificar las recomendaciones derivadas de su
uso. Son por ello difciles de transferir de un usuario a otro.
Existe un amplio rango de metodologas de modelizacin entre los dos ex
tremos: usar slo modelos mentales o basarse en tcnicas de simulacin muy
complejas y avanzadas. Una de las dimensiones a considerar es la forma en la
que se representa el espacio y por tanto la distancia como elemento clave en el
transporte. Algunos modelos ignoran completamente el espacio; por ejemplo
aquellos que se concentran en las implicaciones financieras de las subvenciones,
impuestos, etc. Pueden ser modelos simples como los de elasticidad los que
se emplean a veces para evaluar incrementos tarifarios o cambios en el precio
del combustible e impuestos sobre vehculos. En otros casos pueden incluir
interacciones ms complejas, por ejemplo entre los diferentes impuestos y
licencias que afectan a la propiedad y uso del automvil.
Algunos autores han defendido la utilizacin de tcnicas de modelizacin
estructural; ver por ejemplo el interesante trabajo de Roberts (1975) con res
pecto al consumo de combustible. En este caso se utiliza un grfico orientado
para relacionar los elementos del sistema de transportes, por ejemplo el nmero
de coches, impuestos sobre el combustible, mejora en los consumos de com
bustible, emisiones y costes. Estas conexiones pueden tener asociados diferentes pesos para representar la fuerza relativa de cada relacin. Si se sustituyen
estos pesos por ecuaciones, calibradas a partir de observaciones reales, se aca
ba teniendo un modelo de interaccin no espacial. Khan y Willumsen (1986)
desarrollaron un modelo de este tipo para el estudio de la motorizacin en
los pases menos desarrollados. La filosofa del modelo se basaba en que en los
pases en desarrollo la tasa de motorizacin no debe slo proyectarse sino que
debe contemplarse junto con las necesidades de invertir en infraestructura y
consumo de combustible. El modelo inclua, adems de las variables antes
mencionadas, funciones que representaban el consumo de combustible y la
necesidad de gastos adicionales para el mantenimiento de carreteras y nueva
construccin. Algunas de estas variables, en particular la construccin e im
Modelos
de
Transporte
571
572
Modelos
de
Transporte
573
574
Es =
S0 T S0 (T T0 )
T0 S T0 ( S S0 )
(12.1)
y por tanto:
T T0 =
EsT0 ( S S0 )
S0
(12.2)
La parte izquierda de esta ecuacin representa la variacin de la demanda en el modo analizado y se alcanza como consecuencia de un cambio relativo en el nivel de servicio de tamao (S S0)/S0. Este tipo de clculo se utiliza
a menudo para la revisin de tarifas o frecuencias de servicio de transporte
pblico.
Esto es, por supuesto, una aproximacin que supone que se ha calculado
Es de antemano (quizs a partir de una serie temporal de datos), que la elasticidad es constante (o que la funcin de demanda es lineal, lo cual no es muy
probable) y que todo lo dems permanece igual. Este resultado es una aproxi
macin razonable para pequeos cambios en las variables de nivel de servicio
(LOS).
Ejemplo 12.1: la elasticidad tarifa/demanda del transporte pblico se toma
a menudo como 0,30. Si un sistema de transporte pblico lleva 200.000 pa
sajeros en el perodo punta, a una media de 80 peniques/viaje:
Estimar la prdida de demanda si la tarifa media se incrementa en un 2,5%.
Analizar la sensibilidad del resultado respecto al valor de la elasticidad.
Modelos
de
575
Transporte
pk =
(12.3)
donde p'k es la nueva proporcin de viajes que utilizan el modo k; pk0 en la pro
porcin original de viajes en el modo k y (V k Vk0) es la variacin de utilidad
de usar el modo k, variacin generada por cambios en los atributos de nivel de
servicio del modo k.
Hay formas incrementales disponibles para funciones ms complejas, como
las correspondientes al modelo logit anidado (ver Bates et al., 1987; Martnez,
1987).
Ejemplo 12.2: considrese un sistema de transporte con tres modos: coche,
autobs y ferrocarril, con proporciones del 0,4, 0,45 y 0,15 respectivamente.
Supngase que la funcin de utilidad tiene la siguiente forma lineal:
576
y para el autobs:
p'r = {0,15 exp (0,5)} / {0,15 exp (0,5) + 0,45 exp (0,2) + 0,4}
Tij =
T
ij
0
ij
a j exp ( GCij )
(12.4)
Modelos
de
Transporte
577
578
ij
(12.5)
Modelos
de
579
Transporte
Tij =
PP
i j
d ij2
580
donde Pj es la poblacin del rea urbana j, dij es la distancia entre ambas reas
y es una constante de calibracin, en este caso la nica. Si una matriz de este
tipo se asigna a la red, se obtiene:
Va =
ij
pija PP
i j
(d ij ) 2
=
ij
pija PP
i j
(12.6)
(d ij ) 2
Gij =
Oi D j
d ij2
ij
ij
(12.7)
X k = pija Gijk
ij
Se puede escribir:
Va = 0 + k X k
k
(12.8)
Modelos
de
581
Transporte
La ecuacin (12.7) tiene una deficiencia obvia. Si un Oi y un Dj especficos doblasen su valor absoluto, entonces el nmero de viajes entre estas dos
zonas se cuadriplicara cuando obviamente sera ms probable que tambin
se duplicase. Para mejorar este hecho, se puede utilizar el siguiente modelo
convencional:
(12.9)
donde:
k es un parmetro de escala que permite utilizar diferentes unidades de
Aik =
1
( B j D kj fijk )
k
B kj =
1
( Ai Oik fijk )
k
con f ijk como funcin de resistencia al viaje, por ejemplo, exp ( k Cij).
La estimacin de este modelo ms convencional a partir de los aforos de
trfico representa un gran esfuerzo ya que los parmetros de calibrado son
ahora Aik , Bjk , k y k. Esto induce a buscar mtodos de calibracin alternati
vos, por ejemplo regresin no lineal, como la utilizada por Hgberg (1976) o
Robillard (1975).
Tamin y Willumsen (1989) generalizaron este mtodo siguiendo las suge
rencias de Wills (1986) para combinar en un nico modelo las caractersticas
de los modelos de gravedad y de oportunidades de intervencin (OP). Wills ha
propuesto un modelo flexible gravedad-oportunidad (GO) para distribucin de
viajes en el cual las formas estndar de los modelos de gravedad y de oportuni
dad se obtienen como casos especiales. La eleccin entre las metodologas de
gravedad y de oportunidad se decide empricamente permitiendo la estimacin
de los parmetros que controlan la forma funcional global del mecanismo de
la distribucin de viajes.
Se puede definir una transformacin dji tal que dji sea igual a 1 si el destino
j est en la dsima posicin en orden ascendente de distancia desde i, y cero en
582
el resto de los casos, de forma que la matriz de viajes ordenada (por oportuni
dades) pueda obtenerse de la siguiente transformacin:
Z id = idjTij
(12.10)
Tij = (idj ) 1 Z id
(12.11)
(y 1)/ 0
y
=0
log y
(y +1)1/ 0
y (1/ )
=0
exp y
y ( , ) = y ( ) + (1 ) y (1/ ) ,
0 1
(12.12)
(12.13)
donde:
(12.14)
Modelos
de
583
Transporte
F = U ipk
p
( , )
k
id
d 1
U ipk
p
( , )
(12.15)
i
pk
(12.16)
Ddki = idj D kj
j
(12.17)
584
Aunque el GO fue el mejor modelo respecto al ajuste con los aforos de trfico
observados, no puede garantizarse que produzca tambin el mejor ajuste a
una matriz de viajes observada independientemente. De hecho, el modelo
que mejor ajusta a la matriz de viajes es el modelo de gravedad GR con el
mtodo MCNL y con asignacin Burrell.
Holm et al. (1976) han ampliado la metodologa del modelo de gravedad
para incluir algunas caractersticas de la asignacin en equilibrio. Utilizaron una
carga iterativa con = 1/n (ver el apartado 10.5.4) para obtener la proporcin
de viajes que utilizan cada arco. Sin embargo este enfoque es heurstico, ya
que bajo condiciones estrictas de equilibrio, por lo general, las proporciones
no son nicas.
Otros modelos, como los de demanda directa, tambin se pueden utilizar en
este mtodo de estimacin. Una ventaja de este mtodo es que una vez calibrado
el modelo de demanda, puede utilizarse tambin para la prognosis suponiendo
que los valores futuros de parmetros como Oi y Dj estn disponibles o sean
de fcil estimacin.
(12.18)
Modelos
de
sujeto a:
585
Transporte
V a Tij pija = 0
ij
(12.19)
(12.20)
X a = exp ( a )
(12.21)
(12.22)
Ejemplo 12.3: sea la red simple esquematizada en la figura 12.1. Esta red
tiene dos orgenes (1 y 2) y dos destinos (3 y 4). En ella pueden verse los flujos
de todos los arcos. Tambin puede observarse que solamente hay seis matri
ces de viajes (enteras) que pueden reproducir los flujos observados, como se
muestra a continuacin.
586
Matriz
i
1
Primera
Segunda
Tercera
Cuarta
Quinta
Sexta
S (Tij)
11,07
7,46
5,98
5,78
6,84
9,96
S1 (Tij/tij)
5,79
3,69
3,7
5,07
7,22
12,2
3
8
10
5
7
2
15
6
5
4
Modelos
de
587
Transporte
S 2 (Tij / tij ) =
0, 5(Tij tij ) 2
Tij
(12.23)
sta es una medida tipo del error de la diferencia entre los valores de tij
y Tij. En efecto, el negativo de S1(Tij/tij) es tambin una medida natural de la
diferencia entre los valores de las celdas. Es cero cuando tij = Tij y se incrementa
positivamente segn aumenta la diferencia. La matriz estimada es aquella que
ms se asemeja a la matriz de partida y que al cargarse a la red reproduce los
aforos de trfico.
588
El modelo puede recibir otras fuentes de datos siempre que sea posible
introducirlas como restricciones lineales. Un ejemplo de este tipo puede ser
la informacin sobre la distribucin de la longitud de viajes (LDV) que se
espera exista en el rea de estudio. Cabe la posibilidad de expresar este tipo
de informacin como restricciones equivalentes a los rangos de coste, como
se vio en el Captulo 5; por ejemplo:
1
(12.24)
Tij ijk = Pk
T ij
donde T es el nmero total de viajes, Pk es la proporcin de viajes en k rangos
de coste (longitud), ijk es 1 si los viajes entre i y j tienen su coste en el rango k
y cero en el resto de los casos.
Los sistemas de transporte pblico con un sistema tarifario zonal o basado
en otra variable permiten la introduccin de restricciones de este tipo para la
estimacin de las matrices de viajes utilizando conteos de pasajeros y datos
de venta de billetes (de Cea y Cruz, 1986). Adems el problema matemtico
puede escribirse tambin como una combinacin de restricciones de igualdad
y desigualdad mejorando la aplicacin de este tipo de mtodos. Por ejemplo,
el planificador puede saber que la capacidad de un arco es Qa pero no dispone
de un aforo del mismo o que dada la capacidad disponible de un aparcamiento
no pueden dirigirse un nmero mayor de Dj' viajes. Este tipo de informacin
puede incorporarse como restricciones de desigualdad, por ejemplo:
T p
ij
ij
T
i
ij
(12.25)
(12.26)
a
ij
Modelos
de
589
Transporte
Matriz inicial
Iteracin
1
Iteracin
2
Iteracin
3
Iteracin
4
Iteracin
5
Matriz inicial
Iteracin
5
Matriz inicial
15
7
15
7
15
7
15
7
15
7
15
7
Flujo
modelizado
4
7,5
14,5
7,24
14,76
7,11
14,89
7,05
14,95
7,03
15,03
6,98
Ratio
3,75
0,933
1,034
0,967
1,016
0,984
1,008
0,992
1,004
0,996
0,998
1,002
Iteracin
15
15,06
0,996
6
Matriz inicial
Iteracin
6
6,97
1,004
15
7
15,04
6,98
0,998
1,002
1-4
2-3
2-4
1
3,75
1
3,75
3,88
3,88
3,94
3,94
3,97
3,97
3,99
3,99
3
4,81
2
3,21
1
3,75
3,5
3,62
3,5
3,56
3,5
3,53
3,5
3,51
3,5
1
1,75
1,75
0
1
3,8
3,5
3,6
3,5
3,6
3,5
3,5
3,5
3,5
3,5
3
5,2
5,3
3
4,82
3,21
2
3,21
0
0,5
1
1
7
3
6
6
3
4,81
590
Ratio
Matriz inicial
Iteracin
Flujo
modelizado
15
3,75
1-4
2-3
2-4
3,75
3,75
3,75
3,75
3,5
3,5
7,5
0,933
10
7,25
1,379
5,17
Iteracin
15
15,05
0,997
5,32
10
10
9,97
1,003
5,33
3
Iteracin
15
15,11
0,992
6,51
1,51
3,41
3,56
14
6,97
1,004
3,42
3,58
10
9,94
1,006
6,55
3
Iteracin
15
17,15
0,875
8,75
0,13
6,12
20
6,12
1,143
10
8,75
1,143
Matriz inicial
Matriz inicial
10
4,83
2,68
4,65
2,35
4,65
2,35
4,67
3,45
Modelos
de
591
Transporte
Flujo
modelizado
Ratio
Matriz inicial
Iteracin
15
15,1
0,994
19
6,97
1,004
10
9,95
1,005
1-4
2-3
2-4
0,5
6,98
1,05
2,96
4,01
2,97
4,03
7,01
2,99
592
12.4.5.2. Inconsistencia
Errores de aforo y el hecho de que a menudo los aforos se obtienen en mo
mentos diferentes (horas, das, semanas) conducen a inconsistencias en las
medidas de los flujos. En otras palabras, no se cumplirn las relaciones de
continuidad en los flujos. Si el aforo Vc de la figura 12.2 fuera 160 en vez de 150,
las ecuaciones correspondientes seran inconsistentes y ninguna matriz de viajes podra reproducir estos flujos. Una forma de reducir este problema es intro
ducir un trmino de error en las ecuaciones o eliminar las inconsistencias de
antemano.
Se pueden tambin identificar dos causas de inconsistencia en los flujos;
la primera es simplemente el hecho de que los errores en los aforos pueden
llevar a situaciones en las que el flujo total hacia un nodo no sea igual al
flujo total desde el mismo nodo, no cumplindose de esta manera las condi
ciones de continuidad en los flujos. La segunda causa es el desajuste entre el
modelo de asignacin de trfico utilizado y los flujos observados. Por ejemplo,
un modelo de asignacin puede no asociar viajes a un arco que tiene un flujo
observado (aunque ste puede ser pequeo). En estas condiciones no habr
Modelos
de
593
Transporte
6
2
(b)
10
3
6
2
D
4
D
594
joradas y consistentes de los flujos. Por otra parte, el calibrado del modelo a
partir de aforos como se seal en el apartado anterior, acepta que haya errores
en los flujos observados. Estos mtodos no estn limitados, por tanto, por los
problemas de independencia y consistencia.
Sea ahora el caso en el que el aforo x sea 7. Puede verse que las condiciones
de continuidad de flujo se cumplen en este caso. Sin embargo, la asignacin
supuesta sealada en la figura 12.3b es incompatible con los flujos mostrados en la figura 12.3a. Ninguna matriz de viajes puede reproducir el aforo de
8 en el arco (6, 3) porque el nico camino que lo utiliza, B-C est limitado a
un mximo de 5 por el arco (2, 6).
El conjunto de ecuaciones lineales que corresponden a este ejemplo viene
dado por:
arco (1, 5)
TAC
= 6
(12.27)
arco (5, 3)
TAC
= 6
(12.28)
arco (1, 6)
TAD
= 10
(12.29)
arco (2, 6)
TBC + TBD
= 5
(12.30)
arco (6, 3)
TBC
= 8
(12.31)
arco (6, 4)
TAD + TBD
= 7
(12.32)
Modelos
de
595
Transporte
nuidades en los flujos son sntomas de errores en los aforos. Parece razonable
desarrollar una tcnica para eliminar las inconsistencias en los flujos de los
aforos y as asegurar que se cumplen las condiciones de continuidad de los
flujos. Por otra parte, un mtodo razonable para tratar la falta de consistencia
a nivel de itinerarios puede ser la adopcin de un mejor modelo de asignacin.
En trminos generales, la consistencia a nivel de flujos es una condicin ne
cesaria pero no suficiente para la consistencia de itinerarios. La condicin de
consistencia de itinerarios es, sin embargo, condicin suficiente para la con
sistencia de los flujos.
El lector interesado puede verificar que hay solamente siete matrices de
viajes enteras diferentes que pueden satisfacer los flujos observados en el
ejemplo anterior.
V
=
t p
a
ij
ij
a
ij
(12.33)
596
Una segunda limitacin del ME2 es el hecho de que considera los aforos
de trfico como observaciones sin error sobre variables no estocsticas. En
efecto, el modelo da completa credibilidad a los aforos, y utiliza la matriz de
partida slo para compensar el hecho de que los aforos no contienen suficiente
informacin para la estimacin. Sin embargo, esto puede no ser apropiado en
la prctica. Para empezar, se debe tener en cuenta que los aforos no estn libres
de error. Adems de los errores de conteo, existe el problema de las variaciones
temporales (horarias, estacionales) como ya se ha citado anteriormente. Los
aforos obtenidos en diferentes das o a diferentes horas difcilmente pueden
considerarse observaciones sobre una variable no estocstica.
Willumsen (1984) ha sugerido un mtodo para compensar esta segunda
dificultad. Parte de la idea de que las funciones del tipo {X log X / Y X + Y}
pueden tomarse como medidas tiles de la diferencia entre X e Y. A partir de
aqu, se construye una funcin objetivo compuesta para satisfacer la siguiente
expresin:
Minimizar S3 = (Tij log Tij / tij Tij + Tij ) + a (Va log Va / va Va + va ) (12.34)
ij
a
donde:
Va es el valor real del aforo de trfico en a.
va es el valor de una observacin del flujo realizada en a.
a es un factor de ponderacin que depende de la confianza depositada
en la observacin va.
El uso del mtodo de Lagrange conduce a la siguiente solucin:
pa
Tij = tij X a ij
a
Va = va X a1/a
(12.22)
(12.35)
Modelos
de
597
Transporte
Las principales limitaciones del ME2 pueden reducirse utilizando mtodos
razonablemente simples. Sin embargo, otros autores han propuesto enfoques
alternativos para resolver el problema de la estimacin de matrices, algunos
de los cuales parten de bases diferentes.
(12.19)
= Tij / tij
(12.37)
ij
ij
ij
Tij 0
598
(12.38)
ij
ij
(12.39)
Modelos
de
599
Transporte
(12.40)
(12.41)
600
(12.42)
sujeto a:
(12.43)
y a:
ijr
ijr
ijra V a = 0
Tijr 0
y:
Tij = Tijr
r
(12.44)
(12.45)
Modelos
de
601
Transporte
Tij = Oi
S j k exp ( p p X ijkp )
S d k exp ( p p X idkp )
(12.46)
k
ij
exp ( p p X ijkp )
exp ( p p X ijmp )
(12.47)
Tij son los viajes entre las zonas i y j, Oi es el nmero total de viajes que se
originan en la zona i, Sj, una medida de la capacidad de atraccin de la zona
j, pijk la proporcin de viajes que utilizan el modo k entre las zonas i y j, Xijkp la
602
Tij = Oi
S j exp ( X ij )
S d exp ( X id )
(12.48)
a
Va Tij pij
ij
S =
V
a
a
(12.49)
Modelos
de
603
Transporte
Vijk = p X ijkp + M k
p
(12.50)
donde Xijkp son los valores zonales de nivel de servicio y variables socioeco
nmicas en el nuevo contexto, y M son parmetros de escala en el sentido
antes sealado y (K 1) un conjunto de constantes especficas a estimar para
cada modo; K es el nmero total de modos.
En este caso se pueden encontrar estimadores de mxima verosimilitud
para y M pero slo es posible garantizar un ptimo nico cuando se fija ,
es decir, cuando slo se actualizan las constantes.
12.4.9.3. Actualizacin con aforos de trfico
Los principales problemas surgiran si interesase realizar combinaciones mix
tas de modos y solamente se dispusiese de aforos para los modos puros. Por
ejemplo, sea el caso de eleccin entre coche, autobs y metro y combinaciones
de ste ltimo con los dos primeros.
Es obvio que incluso si se dispusiera de aforos separados para cada modo
puro, incluiran observaciones correspondientes a los movimientos mixtos.
Si se reduce el problema a una agregacin modal y se est interesado en la
estimacin del parmetro de escala y de un conjunto de constantes para los
modos puros, el problema puede resolverse utilizando una formulacin de
mnimos cuadrados generalizada similar a la indicada en (12.49), como qued
demostrado por Ortzar y Willumsen (1991).
12.4.9.4. Actualizacin con informacin combinada
Supngase que se desea actualizar y M de (12.50) y hay disponibles obser
vaciones de repartos modales agregados Pk y conjuntos de aforos de pasajeros
observados V para cada modo en competencia. El problema puede formularse
como de mxima verosimilitud o como de mnimos cuadrados generalizado.
En el primer caso, se tendrn diferentes funciones a maximizar y por tanto
diferentes condiciones de primer orden y ptimos, dependiendo de las hiptesis adoptadas sobre la distribucin de los errores de aforo. Las hiptesis ms
habituales han sido las de distribucin multinomial, distribucin Poisson inde
pendiente y Normal independiente (ver Tamin y Willumsen, 1992). Como se
puede suponer que los datos de aforos son independientes de los datos de los
repartos modales agregados, la funcin del logaritmo de la verosimilitud toma
604
Modelos
de
Transporte
605
606
Modelos
de
Transporte
607
608
Trminos de referencia
Identificacin de la poblacin
e impacto potencial
Recursos tcnicos disponibles
Seleccin de antecedentes (BM) y modelos
de demanda marginal (MDM)
Implementacin de modelos
y conjuntos de datos
Aplicacin de BM
al ao base
Aplicacin de BM
al ao de previsin
Aplicacin de MDM
al ao base
Aplicacin de MDM
al ao de previsin
Evaluacin e indicadores
Anlisis de sensibilidad
de variables clave
casos ser necesario desarrollar programas cortos para pasar los datos a
formatos adecuados y realizar las comprobaciones necesarias y la produc
cin de informes.
6. Aplicacin de los modelos generales y de demanda marginal al ao base y
su validacin. Esto puede requerir alguna toma de datos adicional, ideal
mente a pequea escala.
7. Aplicacin de los modelos generales y de demanda marginal para la prog
nosis en aos futuros. Esto requerir, en primer lugar, proyectar los valo
res de las variables de planificacin para esos aos y despus aplicar los
modelos con y sin proyecto o bajo diferentes opciones de actuacin en
poltica de transportes.
Modelos
de
Transporte
609
610
Modelos
de
Transporte
611
612
Modelos
de
Transporte
613
EJERCICIOS
12.1. La red de la figura 12.5 representa un rea pequea con dos orgenes, A
y B y dos destinos, Y y Z. Se han realizado aforos de trfico de los volmenes
de coches que utilizan la red con los siguientes resultados:
614
Arco
Volumen
M-N
N-P
P-Q
400
700
500
A
B
100
80
50
200
12.2. La red de la figura 12.6 representa los arcos que conectan dos or
genes, A y B y dos destinos, C y D en un pas en desarrollo. Las poblaciones de
los dos orgenes son 10.000 y 20.000 habitantes respectivamente y los mercados que se encuentran en C y D son igual de atractivos en trminos de tamao
y precio. Las distancias de los arcos (en km) estn indicadas en la figura.
A
10
8
11
C
1
Y
Modelos
de
615
Transporte
Personas/da
A-X
X-Y
Y-D
3.400
11.900
4.100
Tij =
bPD
d n
i
j ij
D d
j
n
ij
A-B
B-A
B-C
C-B
45
60
360
560
616
13.
Otros tpicos de inters
618
Modelos
de
Transporte
619
Durante bastante tiempo la congestin urbana ha tenido prioridad en la agenda poltica de la mayora de los pases industrializados y en este tema los movimientos de pasajeros juegan un papel mucho ms importante que los movi
mientos de mercancas.
El movimiento de mercancas implica ms actores que el movimiento de
viajeros; existen empresas industriales que envan y reciben mercancas, los
agentes que organizan las entregas y los modos de transporte, transportistas
que transportan las mercancas, y muchos otros operadores que organizan
el transbordo, almacenamiento y servicios de aduana. En algunos casos
coinciden dos o ms de ellos, por ejemplo los operadores por cuenta propia,
aunque siempre existen objetivos contrapuestos que son realmente difciles
de modelizar en detalle en la prctica.
Las tendencias recientes en la investigacin del transporte de mercancas
se han concentrado en enfatizar el papel que juega el control de inventarios
y gestin de stock en el proceso general de produccin. Estas tendencias se
alejan de las tcnicas ms tradicionales de modelizacin de viajeros y poco
tienen que ver con ellas (vase Regan y Garrido, 2002).
En este apartado se resumirn los mtodos existentes en la literatura actual
para modelizar la demanda de transporte de mercancas. Se comienza con un
anlisis de las principales dificultades asociadas con este tipo de modelizacin.
A continuacin se estudia lo que probablemente es el mtodo ms tradicional
para tratar el problema, es decir, la adaptacin del modelo convencional de
demanda agregada de cuatro etapas al caso de las mercancas. Tambin se
tratan algunas extensiones de la metodologa desagregada, cerrndose este
epgrafe con algunas consideraciones prcticas para la implementacin de estos
conceptos. Para ms detalles vase el interesante libro de Harker (1987).
620
Modelos
de
Transporte
621
622
Modelos
de
623
Transporte
(13.1)
donde
k es un ndice del tipo de mercanca;
Tijk son las toneladas del producto k transportado desde i hasta j;
Aik, Bjk son factores de balanceo con su tpica interpretacin;
Oik, Djk son la oferta y la demanda del producto k en la zona i y j;
k son parmetros de calibracin, uno por cada producto k; y
Cijk son los costes generalizados de transporte por tonelada del producto k
entre las zonas i y j.
La idea de utilizar una frmula de funcin de costes generalizados para
la demanda del transporte de mercancas se debe, aparentemente, a Kresge y
Roberts (1971). sta se puede interpretar de la siguiente forma (quitando el
superndice k para simplificarla):
(13.2)
en la que:
ij es la tarifa asociada a la utilizacin de un servicio desde i hasta j;
sij es el tiempo para viajar puerta a puerta entre i y j;
sij es la variabilidad del tiempo de viaje s;
wij es el tiempo de espera o retraso desde el momento de pedir el servicio
hasta recibirlo; puede ser grande para el transporte martimo por ejemplo;
pij es la probabilidad de prdidas o dao de la mercanca durante el trn
sito.
Todos estos factores dependen tambin del modo a utilizar y hasta cierto
punto del producto que se transporta. Las constantes bn son, en general, pro
624
(13.3)
ij
ij
T
j
ij
= Dj
= Oi
(13.4)
(13.5)
Modelos
de
Transporte
625
626
Las decisiones que toma el agente dependen, por supuesto, de las tarifas
aplicadas por los transportistas, las cuales tambin dependen de los volmenes
que mueven entre cada par O-D. Ya que el tamao de muchos de los envos es
significativo en trminos de cmo influyen en las tarifas de los transportistas,
existen ciertas interacciones dentro de la eleccin del modo que van ms all
de las que se dan entre los pasajeros y las empresas de transporte pblico. Este
problema a menudo se ignora en los niveles altos de agregacin.
En el caso de los flujos de mercancas dentro de un rea urbana la eleccin
del modo es trivial, ya que la cobertura de los modos que no son de carretera
es extremadamente limitada.
13.1.4.4. Asignacin
Es problema del transportista decidir la mejor ruta para llevar los bienes desde
su origen hasta su destino. En cierta medida ste es el problema menos difcil
de resolver. La utilizacin de restricciones de capacidad es probablemente
relevante en la mayora de las situaciones urbanas. Por otra parte, en el caso
del transporte interurbano puede ser suficiente usar un modelo de asignacin
estocstico. Sin embargo, es posible argumentar que diferentes tipos de ve
hculos deben modelizarse de formas diferentes; por ejemplo, las furgonetas
ligeras pueden ser menos sensibles a la orografa de una ruta que los camiones
pesados; tambin, los vehculos que llevan bienes perecederos pueden dar ms
prioridad a la reduccin del tiempo de viaje que los que llevan, por ejemplo,
carbn a granel. Por lo tanto, se puede justificar el uso de mtodos de asignacin
de clases mltiples para trabajar con esta diversidad de conceptos de coste.
13.1.4.5. Equilibrio
Tal y como en el caso de la demanda de viajeros, el problema del equilibrio
del sistema o del mercado afecta a todo el ejercicio de modelizacin, pero
las tcnicas para conseguirlo an estn desarrollndose. Una de las primeras
formulaciones para este problema es la de Friesz et al. (1983), quienes desa
rrollaron un modelo de equilibrio para una red de transporte de mercancas
(MERTM). Este modelo considera de forma explcita las decisiones tanto de los
agentes como de los transportistas para una red intermodal de mercancas con
costes no lineales y unas funciones de demora que varan con los volmenes
de mercancas.
El MERTM trata a los agentes y transportistas de forma secuencial; se supone que los agentes son optimizadores a nivel de usuarios que intentan mi
Modelos
de
Transporte
627
628
Modelos
de
Transporte
629
630
Modelos
de
Transporte
631
632
donde
(13.6)
Modelos
de
Transporte
633
634
Modelos
de
Transporte
635
636
Modelos
de
637
Transporte
servicios para cada zona; se supone que los diferentes tipos de empleo en el
sector de los servicios tienen diferentes umbrales mnimos de viabilidad en
cualquiera de las zonas.
Las ecuaciones bsicas del modelo de Lowry pueden escribirse as:
P = EA
(13.7)
ES = PB
(13.8)
E = E b + E S
(13.9)
donde
P es un vector de poblacin en cada zona i.
E es un vector de filas para el empleo total en cada zona i.
Eb y ES son vectores de fila para el empleo bsico y no bsico (servicios)
en cada zona i.
A y B son matrices zona-a-zona de accesibilidad lugar de trabajo-vivienda
y vivienda-centro de servicios.
Las variables de accesibilidad tienen dos componentes, la primera corres
ponde a la tasa de participacin en cada zona (hogares por empleado para A
y empleo en servicios por hogar para B) y la segunda corresponde a ndices
adecuados de accesibilidad. Normalmente se calculan como:
Aij =
E j exp( Cij )
E exp( C )
ij
ij
(13.10)
(13.11)
638
que otros por un incremento de accesibilidad, lo cual influye en los precios del
terreno y en el tipo de desarrollo que se lleve a cabo en diferentes zonas.
El modelo integrado de uso del suelo y transporte ha sido informatizado
en diversos programas disponibles en el mercado. Para asegurarse de que el
modelo sea tratable, se requiere cierto compromiso en el nivel de detalle de la
parte correspondiente al modelo de transporte; la esperanza es que lo que se
pierde en riqueza de la representacin del transporte se compense ampliamente
por las ganancias en la prognosis del empleo, poblacin y localizacin de hoga
res en el rea del estudio. Sin embargo, un inconveniente importante de estos
modelos es que pueden sufrir gravemente de problemas de convergencia debido
a sus mecanismos de equilibrio extremadamente complejos. Para comparar las
diferentes implantaciones y extensiones de este enfoque, se dirige al lector a
Webster et al. (1988).
13.2.5.2. El modelo puja-eleccin (bid-choice)
Un enfoque ms contemporneo ha sido el adelantado por Martnez (1991), el
cual sigue dos lneas de modelizacin. La primera, propuesta originalmente por
Alonso (1964), es un modelo de oferta: el terreno se asigna al que presenta la
mayor puja. La proporcin Ph/i de clientes tipo h que hacen una puja ganadora
para un lugar i dado, depende de si la disponibilidad a pagar de h DAPhi, es la
ms alta entre los pujadores g H. La suposicin de que DAPhi es una funcin
de los atributos de la parcela y el pujador, ms un trmino de error distribuido
IID Gumbel, lleva a una expresin tipo MNL:
Ph / i =
H h exp ( DAPhi )
g H g exp ( DAPgi )
(13.12)
(13.13)
Modelos
de
639
Transporte
CShi =DAPhi pi
Ph / i =
Si exp ( DAPhi pi )
S j exp ( DAPhj p j )
j
(13.14)
640
Modelos
de
Transporte
641
642
EE.UU.
Coches por persona
0,5
0,4
Reino Unido
0,3
0,2
0,1
0
1950
1960
1970
Ao
1980 85 1988
dC
= aCt ( S Ct )
dt
(13.15)
Ct =
S
1 + b exp ( aSt )
(13.16)
g 0 = a ( S C 0 ) y C0 =
S
1+ b
Ct =
S
S C0
g 0 St
1+
exp
C0
S C0
(13.17)
Modelos
de
643
Transporte
g = + Ct
* *
*
*
*
*
*
*
**
*
*
*
**
*
S
Coches/persona
644
Incremento porcentual
14
12
10
8
6
4
2
0
EE.UU.
0,1
0,2
* Reino Unido
*
************ **
** * *
0,3
0,4
0,5
0,6
Coches/persona
Crecimiento previsto
En el ao base
Crecimiento actual
1960
0,11
0,28
1,14
1964
1966
1968
1969
1971
1972
0,16
0,18
0,20
0,21
0,22
0,23
0,32
0,31
0,30
0,28
0,27
0,26
1,57
1,67
1,84
1,66
1,62
1,48
Modelos
de
645
Transporte
P0
1 P0
P2
= 0 I
bo
c0
= a1 exp ( b1 I ) D
P1
P0 + P1 + P2 = 1
(13.18)
c1
(13.19)
(13.20)
log
P2
= log a1 + b1 I c1 log D
1 P0 P2
(13.21)
log
P2
= b1 I + constante
1 P0 P2
Es instructivo tener en cuenta que mientras suben los ingresos (I), tambin
sube el lado izquierdo de la ecuacin (13.21); por tanto se puede deducir que
(1 P0 P2) tiende a cero o lo que es lo mismo, P2 tiende a (1 P0). Sin embar
646
go, ya que P0 es casi cero para los ingresos altos, significara que P2 tendera a
1 y obviamente esto no es correcto ya que se esperara un lmite menor. Este
nivel superior o nivel de saturacin (S) de P2, puede incorporarse al modelo
mediante el ajuste de (13.21), resultando:
log
P2
= log a1 + b1 I c1 log D
S (1 P0 ) P2
(13.22)
P1
P0
Ingreso
P0
P1
P2
1
2
3
4
5
6
0,61
0,35
0,22
0,16
0,10
0,08
0,34
0,47
0,44
0,37
0,30
0,24
0,05
0,18
0,34
0,47
0,60
0,68
Modelos
de
647
Transporte
log
P0
= log a0 b0 log I
1 P0
log
P2
= loga1 + b1 I
0, 78(1 P0 ) P2
P0 = 1 P (1+ )
P1 = P (1+ ) P (2+ )
P2 = P (2+ )
pero debe destacarse que los niveles de saturacin son diferentes a los de Tan
ner. El modelo entonces presenta la siguiente forma:
Pt (1+ ) =
S (1+ )
I b1
1 + exp a1 t
pt
(13.23)
648
Pt (2+ ) =
S ( 2+ )
I
1 + exp a2 b2 t
pt
(13.24)
donde (It / pt) es el ingreso anual del hogar (/semana) deflactado por un ndice
de precios de coches. El modelo se estim utilizando datos britnicos corres
pondientes al perodo 1969-75, dando los siguientes valores para los parmetros:
a1 = 7, 76 b1 = 2, 26
S (1+ ) = 0, 95
a2 = 3, 76 b2 = 0, 04 S (2+) = 0, 60
Modelos
de
649
Transporte
Otros insumos
PNB poblacin
Modelo
de previsin
Uso coche
coche-km
Flota
de vehculos
Otros insumos
Modelo
de anlisis
Gastos en carreteras
Ingresos
Gastos en carreteras
Importaciones de combustible
650
V * = exp ( e I )
(13.25)
lim
V* =
I
El parmetro especifica el valor de la funcin en I = 0, es decir:
VI*= 0 = e
LR = Ie I
(13.26)
Modelos
de
651
Transporte
I ME =
(13.27)
(13.28)
M = e 1 = 0, 3678
Vt = Vt 1 + (Vt Vt 1 )
(13.29)
Vt = exp( e It ) + (1 )Vt 1
V jt = exp ( e
j I jt
) + (1 ) V jt 1
(13.30)
652
Modelos
de
Transporte
653
654
Modelos
de
Transporte
655
656
2. Los viajes realizados por cualquier otra razn, incluyendo los viajes al trabajo, subieron en su valoracin desde un 27 a un 43% del ingreso medio
por hora de los adultos empleados a jornada completa (esto es, un incre
mento del 85%).
3. Para la mayora de los casos ha de utilizarse un valor del tiempo nico y
equitativo; sin embargo, en los casos en los que se considere que la propor
cin de nios, pensionistas o adultos empleados difiere de forma significa
tiva de la media nacional, debera estimarse un valor equitativo del tiempo
ad hoc utilizando los valores individuales de cada uno de estos grupos.
4. Para actualizar estos valores, debera utilizarse informacin acerca de los
ingresos reales por hora para cada ao; en el caso de previsiones, tales
ingresos deberan estimarse como funciones del producto interior bruto
per cpita.
5. Los valores del tiempo andando y esperando tendran que tomarse como el
doble del valor del tiempo dentro del vehculo; los que viajen en bicicleta
deberan ser tratados como peatones en este sentido.
6. Los pequeos ahorros de tiempo deberan ser evaluados de forma igual
que los ahorros de tiempo ms significativos.
En 1994 el Departamento de Transporte del Reino Unido encarg un nuevo
estudio sobre el valor del tiempo (ACCENT y HCG, 1996). A continuacin se
resumen algunas de sus conclusiones ms interesantes, que en trminos ge
nerales estn de acuerdo con un estudio anterior realizado en Holanda (HCG,
1990) con la misma metodologa:
1. Para cualquier nivel de variacin alrededor del tiempo de viaje original,
las ganancias de tiempo se valoran ms que las prdidas. Para los viajes
no relacionados con el trabajo, generalmente se deberan ignorar varia
ciones de hasta 5 minutos en el tiempo de viaje. Los viajeros de negocios
son ms sensibles a las ganancias y prdidas de tiempo que los que viajan
diariamente al trabajo; estos ltimos, a su vez, son ms sensibles que los
que realizan viajes no relacionados con el trabajo.
2. Existe una relacin clara entre ingresos y SVT (tal y como se encontr en
1986) que es montonamente creciente pero no directamente proporcional.
Para los mismos niveles de ingreso los SVT de 1994 son significativamente
menores que los registrados en 1986. Este hecho puede deberse a cambios
en la composicin de la poblacin que utiliza el coche (los que tenan ma
yores SVT fueron los que primero compraron y utilizaron coches) de tal
Modelos
de
657
Transporte
SVT =
dCi
dti
Vi
t
= i
Vi
ci
(13.31)
658
SVT =
w t
c
(13.32)
SVT =
g t
c
(13.33)
SVT
=
w
i ti i 1
tc 1
C
c i
w
(13.34)
Modelos
de
659
Transporte
2 2 2Cov(t , c ) 2
(13.35)
ttc = t2 + c2
t c
t c
donde t y c son los errores estndar de los coeficientes estimados.
Se sabe que los parmetros de mxima verosimilitud distribuyen asintti
camente segn una normal multivariada. Por lo tanto, la estimacin puntual
del SVT es una variable aleatoria gobernada por una FDP desconocida (la
distribucin de probabilidad de la razn entre dos variables distribuidas Nor
mal es desconocida a priori); solamente se conocen algunos aspectos en casos
especiales. Por ejemplo, se sabe que la razn entre dos variables estndar Nor
males distribuidas de forma independiente sigue una FDP de Cauchy (Arnold y
Brockett, 1992), aunque esta distribucin es inestable ya que tiene una varianza
indefinida y su media no tiene expresin analtica.
Tambin se sabe que la razn entre dos variables Normales bivariadas con
una correlacin distinta de cero sigue otra FDP inestable, que incluso es ms
difcil de tratar que la funcin de Cauchy (Fieller, 1933). Dados estos hechos,
es muy probable que la razn entre los parmetros t y c, que forman parte de
una poblacin Normal multivariada, est gobernada por una FDP inestable.
Por lo tanto, es necesario encontrar un procedimiento economtrico para poder
realizar inferencias estadsticas sobre esta razn sin recurrir al uso directo de
la FDP asociada.
Para solucionar este problema, recientemente se han propuesto varios m
todos en la literatura. Por ejemplo, Ettema et al. (1977) estudian un mtodo
general para construir intervalos de confianza para el SVT en casos en los
que se permite que los parmetros del tiempo de viaje y del coste permitan
interactuar con otras variables de segmentacin. Se utiliza simulacin para
calcular simultneamente los parmetros a partir de una distribucin Normal multivariada, definida por la matriz de covarianza de los parmetros del
tiempo de viaje estimado y del coste de viaje. Sus valores son generados una
cantidad de veces lo suficientemente alta (lo ideal es 1.000), construyendo el
intervalo de confianza en base a las estimaciones de la media y la varianza
de la muestra generada; se pueden simular simultneamente valores para los
parmetros del tiempo de viaje, tiempo de espera, tiempo andando y coste.
Finalmente, calculando los percentiles 0,025 y 0,975, se obtienen los lmites
del intervalo de confianza a un nivel del 95%.
Una de las ventajas de este mtodo es que no requiere introducir suposi
ciones adicionales (aparte de la normalidad para los estimadores de mxima
660
H 0 : t VT c = 0
t=
t VT c
Var ( t VT c )
VU , L
( t
tt tc ) ( tt2 t 2 ) ( tc2 t 2 )
2
(t
2
c
t2 )
(13.37)
Modelos
de
661
Transporte
lim VU , L = VT
N
t t , tc
(13.38)
LR = 2 [l ( r ) l ( ) ]
(13.39)
(13.40)
donde tiq y Ciq son el tiempo de viaje y el coste por individuo q; Zkiq son atribu
tos (diferentes del tiempo de viaje y el coste) para el individuo q, y k son sus
parmetros. Sustituyendo la razn entre t y C por VT en (13.40) se obtiene la
siguiente funcin de utilidad:
(13.41)
Las ecuaciones (13.40) y (13.41) permiten calcular las funciones de logverosimilitud no restringida y restringida, l() y l(r/VT). Claramente, si SVT
es igual a VT entonces l() = l( r /VT), pero diferentes valores de VT darn
lugar a diferentes valores de la funcin de log-verosimilitud restringida. Este
662
2 [l ( r / VT ) l ( ) ] 12, 1
Modelos
de
663
Transporte
PT = U c U r
PT( observado) = 1 ( X 1c X 1r ) + 2 ( X 2c X 2 r ) +
664
Modelos
de
Transporte
665
666
Hasta fechas tan recientes como 1995, la evaluacin monetaria de las externalidades medioambientales recibi poco apoyo oficial (OECD, 1994b;
Lee y Kirkpatrick, 1996). Sin embargo, la situacin cambi de forma rpida
y estudios recientes (Brostow et al., 1988; DETR, 1999) acerca de evaluaciones oficiales del transporte sugieren que los valores monetarios del ruido, contaminacin atmosfrica y en menor grado, los efectos barrera, se em
plean cada vez ms en muchos pases europeos. Lo ms usual, sin embargo,
es que la evaluacin de inversiones en carreteras promovidas o apoyadas por
las autoridades nacionales, impliquen un anlisis limitado de coste-beneficio
(con valores monetarios unitarios restringidos a ahorros en tiempo, accidentes
y costes de operacin), aplicado en conjunto con una evaluacin del impac
to medioambiental y socio-econmico. Por ejemplo, en un trabajo sobre las
entidades estatales de EE.UU. responsables del desarrollo de las carreteras,
Waters (1992) destac que relativamente pocas utilizaban un ASCB sofis
ticado, y preferan enfoques ms sencillos basados en las necesidades o de
coste-eficacia.
Aunque varios estudios acadmicos han promovido la extensin del marco
de los ASCB para que incluyan una gama ms amplia de impactos (Bateman
et al., 1993; Willis et al., 1998), los gobiernos an son precavidos a la hora de
extenderlos a aspectos tales como la contaminacin, ruido, intrusin visual,
deterioro del paisaje y daos al ecosistema. Esto se debe en parte, a una falta
de conocimiento tanto de evaluacin de impactos como de su valoracin eco
nmica (Mullen, 1977), y en parte a que la naturaleza contextual de ciertos
impactos dificulta el uso de valores unitarios estandarizados. stas son pre
ocupaciones universales.
As, sigue constituyendo un reto considerable para la investigacin inte
grar las metodologas tradicionales utilizadas en la evaluacin de impactos
medioambientales, anlisis coste-beneficio y anlisis multicriterio (Commis
sion of the European Communities, 1994; OECD, 1994c; Lee y Kirkpatrick,
1996; Nardini, 1997) en un contexto en el cual los objetivos ambientales estn
cobrando una importancia creciente. Los esfuerzos ms recientes incluyen
nuevas formas de obtener y presentar la informacin cualitativa y cuantitativa
con el objetivo de minimizar la predisposicin contraria a la valoracin de
los elementos no monetarios, as como la conformacin de marcos de evaluacin que establezcan un mbito ecunime entre los diferentes modos, de
forma que se puedan afrontar los problemas de transporte con menos nfasis
en las soluciones de carreteras (Price, 1999; Glaister, 1999). La monetarizacin
Modelos
de
667
Transporte
VA t =
i =1
t +1 Et + i
(1 + r )i
(13.42)
668
Inters 6,0%
Inters 10,0%
De 1 a 4 aos
761.047
205.101
59.859
De 20 a 24 aos
967.221
534.799
320.114
De 40 a 44 aos
625.508
454.972
338.232
De 65 a 69 aos
47.506
40.886
35.304
Modelos
de
669
Transporte
Mujeres
Menos de 1 ao
241.258
174.954
Entre 1 y 4 aos
250.569
181.706
Entre 5 y 9 aos
268.246
194.525
Entre 10 y 19 aos
296.964
214.330
Entre 20 y 44 aos
275.951
183.573
Entre 45 y 64 aos
154.876
90.305
Entre 65 y 79 aos
53.248
25.349
80 o ms aos
19.780
4.553
no se dispona de datos desagregados por sexo para los tres primeros estra
tos de edad, se supuso que la mortalidad estaba uniformemente distribuida).
Estos porcentajes se multiplicaron por los valores actuales netos respectivos
(Tabla13.4) obteniendo la participacin de los respectivos grupos o clases de
edad en el coste unitario. La suma de estas participaciones es igual al coste
unitario medio de una muerte prematura en 1998 en Santiago, y esto se estim
en 53.224 $ US. Este valor supone una medida que afectara uniformemente a
la tasa de mortalidad de toda la poblacin.
Tabla 13.4. Contribucin al coste unitario segn edad y sexo
Grupos de edad
< 1 ao
1 edad 4 aos
5 edad 9 aos
10 edad 19 aos
20 edad 44 aos
45 edad 64 aos
65 edad 79 aos
80 aos
Total
0,017
0,003
0,003
0,008
0,076
0,125
0,179
0,118
1.091
201
188
604
6.007
10.377
15.620
10.778
0,017
0,003
0,003
0,004
0,028
0,078
0,145
0,195
846
156
146
256
1.708
5.016
9.809
13.885
1.936
385
428
1.476
15.461
19.453
11.159
2.947
53.244
670
Modelos
de
Transporte
671
672
tado acerca de las causas principales de muerte segn edad y el sexo, y tambin
acerca de las medidas ms comunes para mitigar estas causas y sus costes.
Despus se introducan riesgos basales especficos segn edad y sexo (a partir
de datos reales) y se comprobaba que los entrevistados los aceptaban como
propios. Posteriormente se busc la DAP (utilizando un sistema de pago flexi
ble) para reducciones en el riesgo de muerte en los diez aos siguientes; las
reducciones propuestas fueron de 1 y 5 sobre 1.000, y se presentaron de forma
grfica empleando una matriz de 1.000 crculos (que present el riesgo basal
como crculos negros), pidiendo a los encuestados que borraran las reducciones
valoradas. El mtodo funcion muy bien en el sentido de que los individuos
encuestados adquirieron una adecuada comprensin de las preguntas.
Despus de establecer el riesgo base (y comprobar que fue aceptado por
el entrevistado), la pregunta fundamental de la encuesta tom la forma si
guiente:
Las medidas necesarias para conseguir una reduccin de las muertes prematuras en la prxima dcada implican ciertos costes, tal y como hemos visto
anteriormente en este cuestionario. Teniendo en cuenta estos costes, por favor
conteste a las siguientes preguntas:
Cunto dinero estara usted dispuesto a pagar mensualmente durante
los prximos diez aos para bajar su propia posibilidad de morir en 1 sobre
1.000?
$/mes................. Nada (Por qu?)................
Cunto dinero estara usted dispuesto a pagar mensualmente durante los
prximos diez aos para reducir su propia posibilidad de morir en 5 sobre
1.000?
$/mes................. Nada (Por qu?)................
Qu seguridad tiene usted de que pagara esta cantidad y no otra?
(a) muy seguro........ (b) bastante seguro.......... (c) no muy seguro............
Modelos
de
673
Transporte
DAP media
($US por mes)
Valor implcito
de la vida estadstica
($US)
1 sobre 1.000
3,0
285,1
285.113
5 sobre 1.000
12,0
1.127,0
225.400
EJERCICIOS
13.1. Considere el siguiente modelo economtrico para determinar la tasa de
motorizacin como funcin del ingreso:
P0
=I
1 P0
P2
= 0, 09 exp(0, 751)
0, 8(1 P0 ) P2
P0 + P1 + P2 = 1
P0
P1
P2
0,60
0,35
0,05
0,40
0,50
0,10
0,25
0,55
0,20
0,20
0,45
0,35
0,15
0,35
0,50
674
Eleccin
TP
t1 (min)
t2 (min)
c1 (min)
c2 (min)
8,0
47,5
83,2
14,8
7,0
6,5
30,2
45,0
10,4
5,0
2,5
22,0
30,4
12,6
4,0
0,5
45,0
50,6
8,2
5,0
1,5
15,3
20,5
50,0
17,0
8,5
34,8
34,8
50,2
35,0
130,0
65,5
100,5
200,3
53,5
6,0
12,0
14,0
44,6
17,0
a) Utilice estos datos para estimar el valor subjetivo del tiempo del individuo.
Discuta el rol, tamao y signo del intercepto de la ecuacin de regresin
lineal del precio de transferencia (Pista: si no tiene una calculadora con
capacidad de ajustar una regresin lineal, hgalo grficamente suponiendo
conocido el coeficiente de tiempo t e igual a 0,03).
b) Si el parmetro de preferencias reveladas para la variable tiempo es, de
hecho, 0,03 y la constante especfica de la alternativa 1 es 1,35, estime el
valor subjetivo del tiempo utilizando otro mtodo. Compare y discuta sus
resultados.
Bibliografa
AASHTO (1977): A Manual of User Benefit Analysis of Highway and Bus Transport
Improvements. American Association of State Highway and Transportation
Officials, Washington, DC.
A bdel-Aty, M.A., K itamura, R. y Jovanis, P.P. (1997): Using stated preference data
for studying the effect of advanced traffic information on drivers route choice.
Transportation Research 5C, 39-50.
Abraham, H. y K avanagh, C. (1992): Modelling public transport in-vehicle congestion
using EMME/2 Release 5. Proceedings 1st European EMME/2 Users Conference,
Londres, Abril 1992, Inglaterra.
A braham, H., Shaw, N. y Willumsen, L. (1992): A micro-based incremental four
stage transportation model for London. Proceedings 20th PTRC Summer Annual
Meeting, University of Manchester Institute of Science and Technology, Septiembre
1992, Inglaterra.
Accent y HCG (1996): The Value of Travel Time in UK Roads-1994. Final Report to
the Department of Transport, Accent Marketing & Research and Hague Consulting
Group, Londres.
Adams, J. (1992): Horse y rabbit stew. En A. Croker y C. Richards (eds.), Valuing the
Environment: Economic Approaches to Environmental Valuation. Belhaven Press,
Londres.
Addison, J.D. y Heydecker, B.G. (1998): System optimal assignment with departure
time choice. Proceedings 3rd IMA International Conference on Mathematics in
Transport Planning and Control, Cardiff, Abril 1998, Gales.
Addison, J.D. y Heydecker, B.G. (1999): Dynamic traffic equilibrium with departure
time choice. En A. Ceder (ed.), Transportation and Traffic Theory. Pergamon,
Oxford.
Algers, S., Daly, A.J., K jellman, P. y Widlert, S. (1995): Stockholm model system:
application. 7th World Conference on Transport Research, Sydney, Julio 1995,
Austra1ia.
Allaman, P.M., Tardiff, T.J. y Dunbar, F.C. (1982): New approaches to understanding
travel behaviour. NCHRP Report 250, National Cooperative Highway Research
Program, Transportation Research Board, Washington, DC.
676
Bibliografa
A llsop, R.E. (1999): Road safety strategy and targets in Great Britain. Traffic
Engineering 34, 72-79.
Allsop, R.E. y Charlesworth (1977): Traffic in a signal-controlled road network: an
example of different signal timings inducing different routeing, Traffic Engineering
and Control 18, 262-264.
Alonso, W. (1964): Location and Land Use. Harvard University Press, Cambridge.
A lonso, W. (1968): Predicting best with imperfect data. Journal of the American
Institute of Planners 34, 248-255.
lvarez, R. (1995): Calibracin de redes de transporte: comparacin de los mtodos
Binivel y Hookes & Jeeves. En F.J. Martnez (ed.), Actas del Sptimo Congreso
Chileno de Ingeniera de Transporte. Sociedad Chilena de Ingeniera de Transporte,
Santiago.
Ampt, E. (1981): Recent advances in large-scale travel surveys. Proceedings 9th PTRC
Summer Annual Meeting, University of Warwick, Julio 1981, Inglaterra.
Ampt, E.S. (1997): Respondent burden: understanding the people we survey. Preprints
of the International Conference on Transport Survey Qualify and Innovation
(Transport Surveys: Raising the Standard), Grainau, Mayo 1997, Alemania.
Ampt, E.S., Ortzar, J. de D. y Willumsen, L.G. (1998): Metropolitan origin-destination
surveys: the state of the art. 8th World Conference on Transport Research, Antwerp,
Julio de 1998, Blgica.
A mpt, E.S. y Ortzar , J. de D. (2004): On best practice in continuous large-scale
mobility surveys. Transport Reviews 24, 337-363.
Anas, A. (1982): Residential Location Markets and Urban Transportation. Academic
Press, Londres.
Aptech Systems (1994): GAUSS Users Manuals. Maple Valley.
Arezki, Y. (1986): Comparison of some algorithms for equilibrium traffic assignment
with fixed demand. Proceedings 14th PTRC Summer Annual Meeting, University
of Sussex, Julio 1986, Inglaterra.
A rezki , Y., C hadwick , N. y Willumsen, L. (1991): Congestion, evaluation and
equilibrium: some empirical results. Proceedings 19th PTRC Summer Annual
Meeting, University of Sussex, Septiembre 1991, Inglaterra.
A rmoogum, J. y Madre, J.L. (1998): Weighting or imputations? The example of non
responses for daily trips in the French NPTS. Journal of Transportation and
Statistics 1, 53-63.
A rmoogum, J., M adre, J.L., H an, X.L. y Pollak, J. (1997): Improved methods for
weighting and correcting of travel diaries. Derivable D8, Method for European
Surveys of Travel Behaviour. 4th Framework Project, CEC/DG VII, Bruselas.
Armstrong, P.M., Garrido, R.A. y Ortzar, J. de D. (2001): Confidence intervals to
bound the value of time. Transportation Research 37E, 143-161.
Arnold, B. y Brockett, P. (1992): On distributions whose component ratios are Cauchy.
American Statistician 46, 25-26.
Modelos
de
Transporte
677
678
Bibliografa
Bates, J.J., Gunn, H.F. y Roberts, M. (1978): A model of household car ownership.
Traffic Engineering and Control 19, 486-491, 562-566.
Bates, J.J., Ashley, D.J. y Hyman, G. (1987): The nested incremental logit model:
theory and application to modal choice. Proceedings 15th PTRC Summer Annual
Meeting, University of Bath, Septiembre 1987, Inglaterra.
Becker, G. (1965): A theory of the allocation of time. Economic Journal 75, 493-517.
Beckman, M.J., McGuire, C.B. y Winsten, C.B. (1956): Studies in the Economics of
Transportation. Yale University Press, New Haven.
Beckman, RJ., Baggerly, K.A. y McK ay, M.D. (1995): Creating synthetic baseline
populations, LA-UR-95-1985, Los Alamos National Laboratory, Los Alamos,
Nuevo Mxico.
Bell, M.G.H. (1983): The estimation of an origin destination matrix from traffic counts.
Transportation Science 17, 198-217.
Bell , M.G.H. (1984): Log-linear models for the estimation of origin-destination
matrices from traffic counts: an approximation. En J. Volmller y R. Hamerslag
(eds.), Proceedings of the Ninth International Symposium on Transportation and
Traffic Theory. VNU Science Press, Utrecht.
Bell, M.G.H y Tida, Y. (1997): Transportation Network Analysis. John Wiley & Sons,
Chichester.
Ben Akiva, M.E. (1977): Choice models with simple choice set generating processes.
Working Paper. Centre for Transportation Studies. MIT.
Ben A kiva , M.E. y Bolduc, D. (1987): Approaches to model transferability and
updating: the combined transfer estimator. Transportation Research Record 1139,
1-7.
Ben A kiva, M.E. y Bolduc, D. (1996): Multinomial probit with a logit kernel and
a general parametric specification of the covariance structure. Working Paper,
Department dEconomique, Universit Laval.
Ben Akiva, M., Bolduc, D. y Bradley, M. (1993): Estimation of travel choice models
with randomly distributed values of time. Transportation Research Record 1413,
88-97.
Ben A kiva , M.E. y Lerman, S.R. (1985): Discrete Choice Analysis: Theory and
Application to Travel Demand. MIT Press, Cambridge, Mass.
Ben A kiva, M. y Morikawa, T. (1990): Estimation of travel demand models from
multiple data sources. Proceedings 11th International Symposium on Transportation
and Traffic Theory. Yokohama, Julio 1990, Japn.
Ben Akiva, M.E. y Morikawa, T. (1997): Methods to estimate discrete choice models
with stated and revealed preferences. Working Paper, Centre for Transportation
Studies, MIT.
Ben Akiva, M.E. y Watanatada, T. (1980): Application of a continuous spatial choice
logit model. En C.F. Manski y D. McFadden (eds.), Structural Analysis of Discrete
Data: With Econometric Applications. MIT Press, Cambridge, Mass.
Modelos
de
Transporte
679
Ben Akiva, M., Morikawa, T. y Shiroishi, F. (1992): Analysis of the reliability of prefe
rence ranking data. Journal of Business Research 24, 149-164.
Berndt, E.U., Hall, B.H., Hall, R.E. y Hausman, J.A. (1974): Estimation and inference
in non-linear structural models. Annals of Economic and Social Measurement 3/4,
653-655.
Bhat, C. (2001): Quasi-random maximum simulated likelihood estimation of the mixed
multinomial logit model. Transportation Research 35B, 677-695.
Bianchi, R., Jara-Daz , S.R. y O rtzar , J. de D. (1998): Modelling new pricing
strategies for the Santiago Metro. Transport Policy 5, 223-232.
Blase, J.H. (1979): Hysteresis and catastrophe theory: a demonstration of habit and
threshold effects in travel behaviour. Proceedings 7th PTRC Summer Annual
Meeting, University of Warwick, Julio 1979, Inglaterra.
Bonsall, P.W. (1983): Transfer price data: its use and abuse. Proceedings 11th PTRC
Summer Annual Meeting, University of Sussex, Julio 1983, Inglaterra.
B rsch -Supan, A. y H ajivassiliou, V.A. (1993): Smooth unbiased multivariate
probability simulators for maximum likelihood estimation of limited dependent
variable models. Journal of Econometrics 58, 347-368.
Boyce, D.E., Day, N.D. y McDonald, C. (1970): Metropolitan Plan Making. Monograph
Series No. 4, Regional Science Research Institute, Filadelfia.
Bradley, M. (1988): Realism and adaptation in designing hypothetical travel choice
concepts. Journal of Transport Economics and Policy XXII. 121-137.
Bradley, M.A. y Daly, A.J. (1994): Use of the logit scaling approach to test for
rank-order and fatigue effects in stated preference data. Transportation 21,
167-184.
Bradley, M.A. y Daly, A.J. (1997): Estimation of logit choice models using mixed
stated-preference and revealed-preference information. En P. Stopher y M. LeeGosselin (eds.), Understanding Travel Behaviour in an Era of Change. Pergamon,
Oxford.
Bradley, M. y Daly, A.J. (2000): New analysis issues in stated preference research.
En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques. Perspective 4,
PTRC, Londres.
Bradley, M.A. y K roes, E. (1990): Forecasting issues in stated preference survey
research. 69th TRB Annual Meeting, Washington DC, Enero 1990, USA.
Branston, D. (1976): Link capacity functions: a review. Transportation Research 10,
223-236.
Brenninger-Gothe, M., Jornsten K. y Lundgren, J. (1989): Estimation of origindestination matrices from traffic counts using multiobjective programming
formulations. Transportation Research 23B, 257-269.
Bristow, A.L., Jansen, G., M ackie , P.J. y Nellthorp, J. (1998): Costs, prices and
values in the appraisal of transport projects European principles and practice.
Proceedings 8th World Conference on Transport Research, Amberes, Julio 1998,
Blgica.
680
Bibliografa
Brg, W. y Ampt, E. (1982): State of the art in the collection of travel behaviour data.
In Travel Behaviour for the 1980s, Special Report 201, National Research Council,
Washington, DC.
Brg, W. y Erl, E. (1982): Application of correction and weighting factors to obtain
a representative data base. Proceedings l0th PTRC Summer Annual Meeting,
University of Warwick, Julio 1982, Inglaterra.
Brg, W. y M eyburg, A.H. (1980): The non-response problem in travel surveys: an
empirical investigation. Transportation Research Record 775, 34-38.
Brg, W., Erl, E., Meyburg, A.H. y Wermuth, M.J. (1982): Problems of non-reported
trips in surveys of non-home activity patterns. Transportation Research Record
891, 1-5.
Brownstone, D. (1998): Multiple imputation methodology for missing data: non-random
response and panel attrition. En T. Grling, T. Laitila y K. Weslin (eds.), Theoretical
Foundations of Travel Choice Modelling. Elsevier, Oxford.
Bruton, M.J. (1985): Introduction to Transportation Planning. Hutchinson, Londres.
Bruzelius, N. (1979): The Value of Travel Time. Croom Helm, Londres.
Bureau of Public Roads (1964): Traffic Assignment Manual. Urban Planning Division,
US Department of Commerce, Washington, DC.
Burrell, J.E. (1968): Multiple route assignment and its application to capacity restraint.
En W. Leutzbach y P. Baron (eds.), Beitrge zur Theorie des Verkehrsflusses.
Strassenbau und Strassenverkehrstechnik Heft, Karlsruhe.
Button, K.J., Pearman, A.D. y Fowkes, A.S. (1982): Car Ownership Modelling and
Forecasting. Gower, Aldershot.
Caldwell, L.C. y Demetski, M.J. (1980): Transferability of trip generation models.
Transportation Research Record 751, 56-62.
Cardell, N.S. y Reddy, B. (1977): A multinomial logit model which permits variations
in tastes accross individuals. Working Paper, Charles River Associates, Boston.
Carrasco, J.A. y Ortzar, J. de D. (2001): A review and assessment of the nested logit
model. Transport Reviews 21, 197-218.
Carson, R.T., Louviere, J.J., Anderson, D.A., Arabie, P., Bunch, D.S., Hensher, D.A.,
Johnson, R.M., Kuhfeld, W.F., Steinberg, D., Swait, J., Timmermans, H. y Wiley,
J.B. (1994): Experimental analysis of choice. Marketing Letters 5, 351-368.
Carson, R.T., Wright, J., Carson, N., Alberini, A. y Flores, N. (1995): A Bibliography
of Contingent Valuation Studies and Papers. Natural Resource Damage Assessment,
La Jolla.
Cascetta, E. (1984): Estimation of trip matrices from traffic counts and survey data: a
generalised least squares approach estimator. Transportation Research 18B, 289-299.
Cascetta, E. y Nguyen, S (1988): A unified framework for estimating or updating
origin/destination matrices from traffic counts. Transportation Research 22B,
437-455.
Cascetta, E., Nuzzolo, A. y Biggiero, L. (1992): Analysis and modelling of commuters,
departure time and route choice in urban networks. Proceedings of the Second
Modelos
de
Transporte
681
682
Bibliografa
Modelos
de
Transporte
683
684
Bibliografa
Modelos
de
Transporte
685
Evans, S.P. y Kirby, H.R. (1974). A three dimensional Furness procedure for calibrating
gravity models. Transportation Research 8, 105-122.
Feitelson, E., Hurd, R. y Mudge, R. (1996): The impact of airport noise on willingnessto-pay for residences. Transportation Research 1D, 1-14.
Fernndez, J.E. y Friesz, T.L. (1983): Equilibrium predictions in transportation markets:
the state of the art. Transportation Research 17B, 155-172.
Fernndez, J.E., Coeymans, J.E. y Ortzar, J. de D. (1983): Evaluating extensions to
the Santiago underground system. Proceedings 11th PTRC Summer Annual Meeting.
University of Sussex, Julio 1983, Inglaterra.
FHWA (1967): Guidelines for Trip Generation Analysis. Federal Highway
Administration, US Department of Transportation, Washington, DC.
Fieller, E. (1933): The distribution of the index in a Normal bivariate population.
Biometrika XXIV, 428-440.
Fisk, C.S. (1988): On combining maximum entropy trip matrix estimation with user
optimal assignment. Transportation Research 22B, 69-73.
Florian, M. y Nguyen, S. (1978): A combined trip distribution modal split and trip
assignment model. Transportation Research. 12, 241-246.
Florian, M. y Spiess, H. (1982): The convergence of diagonalization algorithms
for asymmetric network equilibrium problems. Transportation Research 16B,
477-484.
Florian, M., Gaudry, M. y Lardinois, C. (1988): A two-dimensional framework for
the understanding of transportation planning models. Transportation Research
22B, 411-419.
Florian, M., Wu, J.H. y H e, S. (1999): A multi-class multi-mode variable demand
network equilibrium model with hierarchical logit structures. En J.E. Coeymans y
P. Sommariva (eds.), Actas del IX Congreso Chileno de Ingeniera de Transporte.
Sociedad Chilena de Ingeniera de Transporte, Santiago.
Foerster , J.F. (1979): Mode choice decision process models: a comparison of
compensatory and non-compensatory structures. Transportation Research 13A,
17-28.
Foerster , J.F. (1981): Nonlinear and non-compensatory perceptual functions
of evaluations and choice. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.),
New Horizons in Travel Behaviour Research. D.C. Heath and Co., Lexington,
Mass.
Foot, D. (1981): Operational Urban Models. Methuen, Londres.
Fowkes, A.S. (2000): Recent developments in stated preference techniques in transport
research. En J. de D. Ortzar (ed.), Stated Preference Modelling Techniques.
Perspectives 4, PTRC, Londres.
Fowkes, A.S. y Tweddle, G. (2000): Validation of stated preference forecasting: a case
study involving anglo-continental freight. En J. de D. Ortzar (ed.), Stated Prefe
rence Modelling Techniques. Perspectives 4, PTRC, Londres.
686
Bibliografa
Fowkes, A.S. y Wardman, M. (1988): The design of stated preference travel choice
experiments, with special reference to interpersonal taste variations. Journal of
Transport Economics and Policy XXII, 27-44.
Friedrich, R., Bickel, P. y K rewitt, W. (eds.) (1998): External Costs of Transport.
IER, Universitt Stuttgart.
Friesz, T.L., Tobin, R. y Harker, P. (1983): Predictive intercity freight network models:
the state of the art. Transportation Research 17A, 409-417.
Furness, K.P. (1965): Time function iteration. Traffic Engineering and Control, 7,
458-460.
Galbraith, R.A. y Hensher, D.A. (1982): Intra-metropolitan transferability of mode
choice models. Journal of Transport Economics and Policy XVI, 7-29.
Glvez, T. (1989): Preferencias declaradas en estudios de transporte: metodologa
y aplicaciones. En J. de Cea y S. Gonzlez (eds.), Actas IV Congreso Chileno
de Ingeniera de Transporte. Sociedad Chilena de Ingeniera de Transporte,
Santiago.
Glvez, T. y Jara-Daz, S.R. (1998): On the social valuation of travel time savings.
International Journal of Transport Economics 25, 205-219.
Grate, C. (1988): Utilizacin y actualizacin de la informacin de la Encuesta OrigenDestino del Gran Valparaso. Actas del V Congreso Panamericano de Ingeniera
de Trnsito y Transporte, Universidad de Puerto Rico en Mayagez, Julio 1988,
Puerto Rico.
Garrido, R.A. (1992): The influence of the semantic scale on the estimation of values
of time from linear regression models fitted to stated preference data. Working
Paper 62, Department of Transport Engineering, Pontificia Universidad Catlica
de Chile, Santiago.
Garrido, R.A. y Ortzar, J. de D. (1993): The Chilean value of time study: methodological
developments. Proceedings 21st PTRC Summer Annual Meeting, University of
Manchester Institute of Science and Technology, Septiembre 1993, Inglaterra.
Gartner, N.H. (1980): Optimal traffic assignment with elastic demands: a review.
Transportation Science 14, 192-208.
Gaudry, M.J.I. y Wills, M.I. (1978): Estimating the functional form of travel demand
models. Transportation Research 12, 257-289.
Gaudry, M.J.I., Jara-Daz, S.R. y Ortzar, J. de D. (1989): Value of time sensitivity
to model specification. Transportation Research 23B, 151-158.
Gibson, J. Baeza, I. y Willumsen, L.G. (1989): Congestion, bus stops and congested
bus stops. Traffic Engineering and Control 30, 291-296.
Glaister, S. (1999): Observations on the new approach to the appraisal of road projects.
Journal of Transport Economics and Policy XXXIII, 227-234.
Goldenberg, X. (1996): Choosing a household survey method: results for the Dallas-Fort
Worth pretest. Fourth International Conference on Survey Methods in Transport.
Oxford, Julio 1996, Inglaterra.
Modelos
de
Transporte
687
688
Bibliografa
Modelos
de
Transporte
689
Hensher, D.A. (guest ed.) (1994b): Practice of stated preference methods. Transportation
21, 105-230.
H ensher, D.A. y Johnson, L.W. (1981): Applied Discrete Choice Modelling. Croom
Helm, Londres.
Hgberg, P. (1976): Estimation of parameters in models for traffic prediction: a nonlinear regression approach. Transportation Research 10, 263-265.
Holden, D., Fowkes, A.S. y Wardman, M. (1992): Automatic stated preference design
algorithms. Proceedings 20th PTRC Summer Annual Meeting. University of
Manchester Institute of Science and Technology, Septiembre 1992, Inglaterra.
Holm, J., Jensen, T., Nielsen, S., Christensen, A., Johnsen, B. y Ronby, G. (1976):
Calibrating traffic models on traffic census results only. Traffic Engineering and
Control 17, 137-140.
Holz, J.C. y Snchez, J.M. (2000): Estimacin de costos unitarios en morbilidad y
mortalidad y su aplicacin para calcular los beneficios del plan de prevencin
y descontaminacin atmosfrica de la Regin Metropolitana. Working Paper,
Department of Economics, Universidad de Chile, Santiago.
Horowitz, J.L. (1981a): Sources of error and uncertainty in behavioural travel demand
models. En P.R. Stopher, A.H. Meyburg y W. Brg (eds.), New Horizons in Travel
Behaviour Research. D.C. Heath and Co., Lexington, Mass.
Horowitz, J.L. (1981b): Sampling error, specification and data errors in probabilistic
discrete choice models. Apndice C de D.A. Hensher and L.W. Johnson, Applied
Discrete Choice Modelling. Croom Helm, Londres.
Horowitz, J.L. (1982): Specification tests for probabilistic choice models. Transportation
Research 16A, 383-394.
Horowitz, J.L. (1991): Reconsidering the multinomial probit model. Transportation
Research 25B, 433-438.
Horowitz, J.L., Sparmann, J.M. y Daganzo, C.F. (1982): An investigation of the accuracy
of the Clark approximation for the multinomial probit model. Transportation
Science 16, 382-401.
Huber , J. y H anson, D. (1986): Testing the impact of dimensional complexity and
affective differences of paired concepts in adaptive conjoint analysis. Working
Paper, School of Business, Duke University.
Hyman, G.M. (1969): The calibration of trip distribution models. Environment and
Planning 1, 105-112.
Hyman, G. (1997): The development of operational models for time period choice.
Working Paper, HETA Division, Department of the Environment, Transport and
the Regions, Londres.
INRO (1996): EMME/2 Users Manual. INRO Inc., Montreal.
Jansen, G.R.M. y Bovy, P.H.L. (1982): The effect of zone size and network detail
on all-or-nothing and equilibrium assignment outcomes. Traffic Engineering and
Control 23(6), 311-317.
690
Bibliografa
Jara-Daz, S.R. (1990a): Consumers surplus and the value of travel time savings.
Transportation Research 24B, 73-77.
Jara-Daz, S.R. (1990b): Income and taste in mode choice models: are they surrogates?
Transportation Research 25B, 341-350.
Jara-Daz, S.R. (1998): Time and income in travel choice: towards a microeconomic
activity framework. En T. Garling, T. Laitila y K. Westin (eds.), Theoretical
Foundations of Travel Choice Modelling. Pergamon, Oxford.
Jara-Daz, S.R. (2000): Allocation and valuation of travel time savings. En D. Hensher
y K.J. Button (eds.), Handbook of Transport Modelling. Pergamon, Oxford.
Jara-Daz , S.R. y Farah, M. (1987): Transport demand and users benefits with
fixed income: the goods/leisure trade-off revisited. Transportation Research
21B, 165-170.
Jara-Daz, S.R. y Guevara, A. (2000): The contribution of work, leisure and travel to
the subjective value of travel time savings. Proceedings of the European Transport
Conference 2000, Cambridge, Septiembre 2000, Inglaterra.
Jara-Daz, S.R. y Ortzar, J. de D. (1989): Introducing the expenditure rate in the
estimation of mode choice models. Journal of Transport Economics and Policy
XXIII, 293-308.
Jara-Daz , S.R., Ortzar , J. de D. y Parra, R. (1988): Valor subjetivo del tiempo
considerando efecto ingreso en la particin modal. Actas del V Congreso
Panamericano de Ingeniera de Trnsito y Transporte. Universidad de Puerto
Rico en Mayagez, Julio 1988, Puerto Rico.
Johnson, L.W. (1990): Discrete choice analysis with ordered alternatives. En M.M.
Fisher, P. Nijkamp y Y.Y. Papageorgiou (eds.), Spatial Choices and Processes.
North-Holland, Amsterdam.
Johnson, L.W. y H ensher, D.A. (1982): Application of multinomial probit to a twoperiod panel data set. Transportation Research 16A, 457-464.
Johnson, M. (1966): Travel time and the price of leisure. Western Economic Journal
8, 135-145.
Jones-Lee, M.W., H ammerton, M. y Philips, P.R. (1985): The value of safety: results
of a national sample survey. Economic Journal 95, 49-72.
Jones-Lee, M.W., L oomes, G., OR eilly, D.M. y P hilips, P.R. (1992): The value of
preventing non-fatal road injuries: findings of a willingness-to-pay national
sample survey. TRL Contractor Report 330. Transport Research Laboratory,
Crowthorne.
Kannel, E.J. y Heathington, K.W. (1973): Temporal stability of trip generation relations.
Highway Research Record 472, 17-27.
K han, A. y Willumsen, L.G. (1986): Modelling car ownership and use in developing
countries. Traffic Engineering and Control 27, 554-560.
K im, T.J. y H inkle, J. (1982): Model for statewide freight transportation planning.
Transportation Research Record 889, 15-19.
Modelos
de
Transporte
691
Kimber, R.M. y Hollis, E.M. (1979): Traffic queues and delays at road junctions. TRRL
Report LR 909. Transport and Road Research Laboratory, Crowthorne.
K irby, H.R. (1979): Partial matrix techniques. Traffic Engineering and Control 20,
422-428.
K itamura, R. y Bovy, P.H.L. (1987): Analysis of attrition biases and trip reporting
errors for panel data. Transportation Research 21A, 287-302.
Kocur, G.T., A dler, T., Hyman, W. y Aunet, B. (1982): Guide to forecasting travel
demand with direct utility assessment. Report No. UMTA-NH-11-0001-82,
Urban Mass Transportation Administration, US Department of Transportation,
Washington, DC.
Koppelman, F.S. (1976): Guidelines for aggregate travel prediction using disaggregate
choice models. Transportation Research Record 610, 19-24.
Koppelman, F.S., Kuah , G-K. y Rose G. (1985a): Transfer model updating with
aggregate data. 64th Annual TRB Meeting, Washington, DC, Enero 1985, USA.
Koppelman, F.S., Kuah, G-K. y Wilmot, C.G. (1985b): Transfer model updating using
disaggregate data. Transportation Research Record 1037, 102-107.
Koppelman, F.S. y Wen, C.H. (1998): Alternative nested logit models: structure,
properties and estimation. Transportation Research 32A, 289-298.
Koppelman, F.S. y Wilmot, C.G. (1982): Transferability analysis of disaggregate choice
models. Transportation Research Record 895, 18-24.
K raft, G. (1968): Demand for intercity passenger travel in the Washington-Boston
corridor. North-East Corridor. Project Report, Systems Analysis and Research
Corporation, Boston, Mass.
K resge , D.T. y Roberts, P.O. (1971): Techniques of Transport Planning: Systems
Analysis and Simulation Models. Brookings Institution, Washington, DC.
K ruithof, J. (1937): Calculation of telephone traffic. Der Ingenieur 52, E15-E25.
K ruskal , J.B. (1965): Analysis of factorial experiments by estimating monotone
transformations of the data. Journal of the Royal Statistical Society 27B,
251-263.
Kumar , A. (1980): Use of incremental form of logit models in demand analysis.
Transportation Research Record 775, 21-27.
Kurri, J. y Pursula, M. (1995): Finish preliminary value of time studies. Working Paper,
Laboratory of Transportation Engineering, Helsinki University of Technology.
Lamb, G.M. y Havers, G.E. (1970): Introduction to transportation planning: treatment
of networks. Traffic Engineering and Control 11, 486-489.
Lamond, B. y Stewart, N.F. (1981): Bregmans balancing method. Transportation
Research 15B, 239-248.
Lancaster , K.J. (1966): A new approach to consumer theory. Journal of Political
Economy 14, 132-157.
Landefeld, J.S. y Seskin, E.P. (1982): The economic value of life: linking theory to
practice. American Journal of Public Health 72, 555-566.
692
Bibliografa
Langdon, M.G. (1976): Modal split models for more than two modes. Proceedings 4th
PTRC Summer Annual Meeting, University of Warwick, Julio 1976, Inglaterra.
Langdon, M.G. (1984): Methods of determining choice probability in utility maximising
multiple alternative models. Transportation Research 18B, 209-234.
Larson, R.C. y O doni, A.R. (1981): Urban Operations Research. Prentice Hall,
Englewood Cliffs, N.J.
Learner, E. (1978): Specification Searches: Ad-Hoc Inference with Nonexperimental
Data. John Wiley & Sons, Nueva York.
Lee , N. y Dalvi, M.Q. (1969): Variations on the value of travel time. Manchester
School 37, 213-236.
Lee, N. y K irkpatrick, C. (1996): Relevance and consistency of environmental impact
assessment and cost-benefit analysis in project appraisal. Project Appraisal 11,
229-236.
Leonard, D. y Tough, J. (1979): Validation work on CONTRAM a model for use in
the design of traffic management schemes. Proceedings 7th PTRC Summer Annual
Meeting, University of Warwick, Julio 1979, Inglaterra.
Leonard, D.R. y C ower , P. (1982): User guide to CONTRAM Version 4. TRRL
Supplementary Report 735. Transport and Road Research Laboratory, Crowthorne.
Lerman, S.R. (1984): Recent advances in disaggregate demand modelling. En M.
Florian (ed.), Transportation Planning Models. North-Holland, Amsterdam.
Lerman, S.R. y Louviere, J.J. (1978): The use of functional measurement to identify
the form of utility functions in travel demand models. Transportation Research
Record 673, 78-85.
Lerman, S.R. y Manski, C.F. (1976): Alternative sampling procedures for calibrating
disaggregate choice models. Transportation Research Record 592, 24-28.
Lerman, S.R. y Manski, C.F. (1979): Sample design for discrete choice analysis of travel
behaviour: the state of the art. Transportation Research 13B, 29-44.
Lerman, S. y Manski, C. (1981): On the use of simulated frequencies to approximate
choice probabilities. En C. Manski. y D. McFadden (eds.), Structural Analysis of
Discrete Data with Econometric Applications. MIT Press, Cambridge, Mass.
Lerman, S.R., M anski, C.F. y Atherton, T.J. (1976): Non-random sampling in the
calibration of disaggregate choice models. Final Report to the Urban Planning
Division. Federal Highway Administration, US Department of Transportation,
Washington, DC.
Leurent, F.M. (1998): Multicriteria assignment modelling: making explicit the
determinants of mode or path choice. En P. Marcotte y S. Nguyen (eds.), Equilibrium
and Advanced Transportation Modelling. Kluwer Academic, Boston.
Lieberman, E. (1981): Enhanced NETSIM program. Transportation Research Board
Special Report 194, 32-35.
Liem, T.C. y Gaudry, M.J.I. (1987): P-2: A program for the Box-Cox logit model
with disaggregate data. Publication 525, Centre de Recherche sur les Transports,
Universit de Montreal.
Modelos
de
Transporte
693
694
Bibliografa
Modelos
de
Transporte
695
Moore, E.F. (1957): The shortest path through a maze. Proceedings International
Symposium on the Theory of Switching. Harvard University Press, Cambridge,
Mass.
Morikawa, T. (1996): A hybrid probabilistic choice set model with compensatory and
non-compensatory choice rules. En D. Hensher, J. King y T. Oum (eds.), World
Transport Research. World Conference on Transport Research Society, Sydney.
Morikawa, T. y Sasaki, K. (1998): Discrete choice models with latent variables using
subjective data. En J. de D. Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel
Behaviour Research: Updating the State of Play. Pergamon, Oxford.
Morikawa, T., Ben-Akiva, M. y Yamada, K. (1992): Estimation of mode choice models
with serially correlated RP and SP data. Proceedings 6th World Conference on
Transport Research, Lyon, Junio 1992, Francia.
Morley, R. (1972): Mathematics for Modern Economics. Fontana, Londres.
Moser, C.A. y K alton, G.K. (1989): Survey Methods in Social Investigation. Libros
Educativos Heinemann, Londres.
Mullen, S. (1997): Determining monetary values of environmental impacts a
DETR perspective. Presented at the conference Determining Monetary Values of
Environmental Impacts, University of Westminster, Octubre 1997, Londres.
Munizaga, M.A. y lvarez, R. (2000): Modelos mixed logit: uso y potencialidades.
En L.A. Lindau, J. de D. Ortzar y O. Strambi (eds.), Engenharia de Trfego
e Transportes 2000: Avanos para uma Era de Mudanas. ANPET, Ro de
Janeiro.
Munizaga, M.A., H eydecker , B.G. y Ortzar , J. de D. (2000): Representation of
heteroscedasticity in discrete choice models. Transportation Research 34B,
219-240.
Murchland, J.D. (1977): The multiproportional problem. TSG Note JDM-263. Transport
Studies Group. University College London.
MVA Systematica (1982): TRIPS highway assignment model. MVA House, Working.
Nah, C. (1997): Transport externalities: does monetary valuation make sense? En G.
de Rus y C. Nash (eds.), Recent Developments in Transport Economics. Ashgate
Press, Londres.
Nardini, A. (1997): A proposal for integrating environmental impact assessment, costbenefit analysis and multicriteria analysis in decision making. Project Appraisal
12, 173-184.
Newell, GF. (1980): Traffic Flow on Transportation Networks. MIT Press, Cambridge,
Mass.
Nutt, P.C. (1981): Some guides to the selection of a decision making strategy.
Technological Forecasting and Social Change 19, 133-145.
OECD (1974): Urban Traffic Models: Possibilities For Simplification. OECD Road
Research Group, Pars.
OECD (1994a): Internalising the Social Costs of Transport. Organisation for Economic
Cooperation and Development, Pars.
696
Bibliografa
Modelos
de
Transporte
697
698
Bibliografa
Modelos
de
Transporte
699
Quarmby, D.A. y Bates, J.J. (1970): An econometric method of car ownership forecasting
in discrete areas. MAU Note 219. Department of the Environment, Londres.
Quinet, E. (1994): The social cost of transport: evaluation and links with internalisation
policies. Chapter 2 in Internalising the Social Costs of Transport. Organisation for
Economic Cooperation and Development, Pars.
Regan, A.C. y Garrido, R.A. (2002): Modelling freight demand and shipper behaviour:
state of the art and future directions. En D. Henher (ed.), Travel Behaviour Research:
The Leading Edge. Pergamon, Oxford.
R ichardson, A.J. (1982): Search models and choice set generation. Transportation
Research 16A, 403-419.
R ichardson A.J. A mpt, E.S. y M eyburg, A. (1995): Survey Methods for Transport
Planning. Eucalyptus Press, Melbourne.
R izzi, L.I. y Ortzar, J. de D. (2003): Stated preference in the valuation of interurban
road safety. Accident Analysis and Prevention 34, 9-22.
Roberts, F.S. (1975): Weighted di-graph models for the assessment of energy use and
air pollution in transportation systems. Environment and Planning 7A, 703-724.
Robertson, D. (1969): TRANSYT: a traffic network study tool. TRRL Report LR 253.
Transport and Road Research Laboratory, Crowthorne.
Robillard, P. (1975): Estimating the O-D matrix from observed link volumes.
Transportation Research 9, 123-128.
Rose, G. y Koppelman, F.S. (1984): Transferability of disaggregate trip generation
models. En J. Volmller y R. Hamerslag (eds.), Proceedings of the Ninth International
Symposium on Transportation and Traffic Theory. VNU Science Press, Utrecht.
Ruijgrok, C.J. (1979): Disaggregate choice models: an evaluation. En G.R.M. Jansen,
P.H.L. Bovy, J.P.J.M. van Est y F. Le Clercq (eds.), New Developments in Modelling
Travel Demand and Urban Systems. Saxon House, Westmead.
Saelensminde, K. (1999): Valuation of Non-Market Goods for Use in Cost-Benefit
Analyses: Methodological Issues. PhD Thesis, Department of Economics and Social
Sciences, Agricultural University of Norway.
Safwat, K.N.A. y Magnanti, T. (1988): A combined trip generation, trip distribution,
modal split and trip assignment model. Transportation Science 22, 14-30.
S chneider , M. (1959): Gravity models and trip distribution theory. Papers and
Proceedings of the Regional Science Association V, 51-56.
Shao, J. y Tu, D. (1995): The Jackknife and Bootstrap. Springer, Nueva York.
Sheffi, Y. (1985): Urban Transportation Networks. Prentice Hall, Englewood Cliffs,
N.J.
Sheffi, Y., H all, R. y Daganzo, C.F. (1982): On the estimation of the multinomial
probit model. Transportation Research 16A, 447-456.
Sikdar, P.K. y Hutchinson, B.G. (1981): Empirical studies of work trip distribution
models. Transportation Research 15A, 233-243.
Skelton, N. (1982): Determining appropriate sample sizes when two means are to be
compared. Traffic Engineering and Control 23, 29-37.
700
Bibliografa
Small, K.A. (1982): The scheduling of consumer activities: work trips. American
Economic Review 72, 467-479.
Small, K.A. (1987): A discrete choice model for ordered alternatives. Econometrica
55, 409-424.
Small, K.A. y Brownstone, D. (1982): Efficient estimation of nested logit models:
an application to trip timing. Research Memorandum 296. Economic Research
Program, Princeton University.
Smeed, R.J. (1968): Traffic studies and urban congestion. Journal of Transport
Economics and Policy II, 2-38.
S mith , M.E. (1979): Design of small sample home interview travel surveys.
Transportation Research Record 701, 29-35.
Smith, M.J. (1979): Traffic control and route choice: a simple example. Transportation
Research 13B, 289-294.
Smith, M.J. (1981): Properties of a traffic control policy which ensures the existence
of a traffic equilibrium consistent with the policy. Transportation Research 15B,
453-462.
Smith, R.L. y Cleveland, D.E. (1976): Time stability analysis of trip generation
and predistribution modal choice models. Transportation Research Record 569,
76-86.
Smit-Kroes, N. y Nijpels, E.H.T.M. (1988): Tweede Struktuurschema Verker en Vervoer.
State Publisher, The Hague (in Dutch).
Smock, R.J. (1962): An iterative assignment approach to capacity restraint on arterial
networks. Highway Research Board Bulletin 156, 1-13.
Sobel, K.L. (1980): Travel demand forecasting by using the nested multinomial logit
model. Transportation Research Record 775, 48-55.
Sosslau, A.B., H assam, A., Carter , M. y Wickstrom, G. (1978): Quick response
urban travel estimation techniques and transferable parameters. NCHRP Report
817. National Cooperative Highway Research Program. Transportation Research
Board, Washington, DC.
Spear , B.D. (1977): Applications of new travel demand forecasting techniques to
transportation: a study of individual choice models. Final Report to the Office
of Highway Planning. Federal Highway Administration, US Department of
Transportation, Washington, DC.
Spielberg, F., Weiner, E. y Ernst, U. (1981): The shape of the 1980s: demographic,
economic and travel characteristics. Transportation Research Record 807,
27-34.
Spiess, H. (1983): On optimal route choice strategies in transit networks. Publication
286. Centre de recherche sur les Transports. Universit de Montreal, Canad.
Spiess, H. (1987): A maximum likelihood model for estimating origin-destination
matrices. Transportation Research 21B, 395-412.
Spiess, H. y Florian, M. (1989): Optimal strategies: a new assignment model for transit
networks. Transportation Research 23B, 82-102.
Modelos
de
Transporte
701
Steenbrink, P.A. (1974): Optimisation of Transport Networks. John Wiley & Sons,
Nueva York.
Steer, J. y Willumsen, L.G. (1983): An investigation of passenger preference structures.
En S. Carpenter y P.M. Jones (eds.), Recent Advances in Travel Demand Analysis.
Gower, Aldershot.
Stone, R. (1966): Mathematics in the Social Sciences. Chapman and Hall, Londres.
Stopher, P.R. (1975): Goodness-of-fit measures for probabilistic travel demand models.
Transportation 4, 67-83.
Stopher, P.R. (1998): Household travel surveys: new perspectives and old problems. En
T. Grling, T. Laitila y K. Westin (eds.), Theoretical Foundations of Travel Choice
Modelling. Pergamom, Oxford.
Stopher, P.R. y McDonald, K.G. (1983): Trip generation by cross-classification: an
alternative methodology. Transportation Research Record 944, 84-91.
Stopher, P.R. y Meyburg, A.H. (1979): Survey Sampling and Multivariate Analysis for
Social Scientists and Engineers. D.C. Heath and Co., Lexington, Mass.
Stouffer, A. (1940): Intervening opportunities: a theory relating mobility and distance.
American Sociological Review 5, 845-867.
Suh, S., Park, C. y Kim, T.J. (1990): A highway capacity function in Korea: measurement
and calibration. Transportation Research 24A, 177-186.
Supernak , J. (1971): Transferability of the person category trip generation model.
Proceedings 9th PTRC Summer Annual Meeting. Universidad de Warwick, Julio
1979, Inglaterra.
Supernak, J. (1979): A behavioural approach to trip generation modelling. Proceedings
7th PTRC Summer Annual Meeting. University of Warwick, Julio 1979, Inglaterra.
Supernak, J. (1983): Transportation modelling: lessons from the past and tasks for the
future Transportation 12, 79-90.
Supernak , J., Talvitie, A.P. y De John, A. (1983): Person category trip generation
modelling. Transportation Research Record 944, 74-83.
Swait, J. y Louviere, J.J. (1993): The role of the scale parameter in the estimation and
comparison of multinomial logit models. Journal of Marketing Research XXX,
305-314.
Swait, J., Louviere, J.J. y Williams, M. (1994): A sequential approach to exploiting
the combined strengths of SP and RP data: application to freight shipper choice.
Transportation 21, 135-152.
Swanson, J., Pearmain, D. y Loughead, K. (1992): Stated preference sample sizes.
Proceedings 20th PTRC Summer Annual Meeting. University of Manchester,
Institute of Science and Technology, Septiembre 1992, Inglaterra.
Tamin, O.Z. y Willumsen, L.G. (1989): Transport demand model estimation from traffic
counts. Transportation 16, 3-26.
Tamin, O.Z. y Willumsen, L.G. (1992): Freight demand model estimation from
traffic counts. En J. de D. Ortzar (ed.), Simplified Transport Demand Modelling.
Perspectives 2, PTRC, Londres.
702
Bibliografa
Tanner, J.C. (1974): Forecasts of vehicles and traffic in Great Britain: 1974 revision.
TRRL Report LR 650. Transport and Road Research Laboratory, Crowthorne.
Tanner , J.C. (1978): Long term forecasting of vehicle ownership and road traffic.
Journal of the Royal Statistical Society 141A, 14-63.
Tardiff, T.J. (1976): A note on goodness-of-fit statistics for probit and 1ogit models.
Transportation 5, 377-388.
Tardiff, T.J. (1979): Specification analysis for quantal choice models. Transportation
Science 13, 179-390.
Taylor, T.L. (1971): Instructional Planning Systems: A Gaming-Simulation Approach
to Urban Problems. Cambridge University Press, Nueva York.
Terza, J.V. (1985): Ordinal probit: a generalization. Communications in Statistics
Theory and Method 14, 1-11.
Timberlake, R.S. (1988): Traffic modelling techniques for the developing world. 67th
Annual TRB Meeting, Washington DC, Enero 1988, USA.
Train, K.E. (1977): Valuations of modal attributes in urban travel: questions of
non-linearity, non-genericity and taste variations. Working Paper, Cambridge
Systematics Inc. West, San Francisco.
Train, K.E. (1986): Qualitative Choice Analysis: Theory. Econometrics and an
Application to Automobile Demand. MIT Press, Cambridge, Mass.
Train, K.E. (1998): Recreation demand models with taste differences over people.
Land Economics 74, 230-239.
Train, K.E. (1999): Halton sequences for mixed logit. Working Paper, Department of
Economics, University of California at Berkeley.
Train, K.E. y McFadden, D. (1978): The goods/leisure trade-off and disaggregate work
trip mode choice models. Transportation Research 12, 349-353.
Traugott, M.W. y Katosh, J.P. (1979): Response validity in surveys of voting behaviour.
Public Opinion Quarterly 42, 359-377.
Tverski, A. (1972): Elimination by aspects: a theory of choice. Psychological Review
79, 281-299.
Van Es, J.V. (1982): Freight transport, an evaluation. CEMT Round Table 58, European
Conference of Ministers of Transport, Pars.
Van Vliet, D. (1977): DEsopo: a forgotten tree-building algorithm. Traffic Engineering
and Control 18, 372-375.
Van Vliet, D. (1978): Improved shortest path algorithms for transport networks.
Transportation Research 12, 7-20.
Van Vliet, D. (1982): SATURN: a modern assignment model. Traffic Engineering
and Control 23, 578-581.
Van Vliet, D. y Dow, P. (1979): Capacity restrained road assignment. Traffic Engineering
and Control 20, 296-305.
Van Vliet, D. Bergman, T. y Scheltes, W. (1987): Equilibrium assignment with multiple
user classes. Proceedings 15th PTRC Summer Annual Meeting. University of
Sussex, Julio 1987, Inglaterra.
Modelos
de
Transporte
703
Van Zuylen, H. y Willumsen, L.G. (1980): The most likely trip matrix estimated from
traffic counts. Transportation Research 14B, 281-293.
Verhoef, E. (1994): External effects and social costs of road transport. Transportation
Research 28A, 273-287.
Vickrey, W. (1969): Congestion theory and transport investment. American Economic
Review 59, 251-261.
Wardrop, J.G. (1952): Some theoretical aspects of road traffic research. Proceedings
of the Institution of Civil Engineers, Part II 1, 325-362.
Wardrop, J.G. (1968): Journey speed and f low in central urban areas. Traffic
Engineering and Control 9, 528-532, 539.
Warner, S.L. (1962): Strategic Choice of Mode in Urban Travel: A Study of Binary
Choice. Northwestern University Press, Evanston.
Waters, W.G. (1992): The value of time savings for the economic evaluation of highway
investments in British Columbia. Report to the Canadian Ministry of Transportation
and Highways, Victoria, BC.
Watson, S.M., Toner, J.P., Fowkes, A.S. y Wardman, M. (1996): Efficiency properties
of orthogonal stated preference designs. Proceedings 24th European Transport
Forum, Brunel University, Septiembre 1996, Inglaterra.
Webster, F.V., Bly, P.H. y Paulley, N.J. (eds.) (1988): Urban Land-Use and Transport
Interaction: Policies and Models. Gower, Aldershot.
Wermuth, M.J. (1981): Effects of survey methods and measurement techniques on the
accuracy of household travel-behaviour surveys. En P.R. Stopher, A.H. Meyburg
y W. Brg (eds.), New Horizons in Travel Behaviour Research. D.C. Health and
Co., Lexington, Mass.
Whitelegg, J. (1993): Transport for a Sustainable Future: The Case for Europe.
Belhaven Press, Londres.
Williams, H.C.W.L. (1977): On the formation of travel demand models and economic
evaluation measures of user benefit. Environment and Planning 9A, 285-344.
Williams, H.C.W.L. (1981): Travel demand forecasting: an overview of theoretical
developments. En D.J. Banister y P.G. Hall (eds.), Transport and Public Policy
Planning. Mansell, Londres.
Williams, H.C.W.L. y Ortzar, J. de D. (1982a): Behavioural theories of dispersion
and the mis-specification of travel demand models. Transportation Research 16B,
167-219.
Williams, H.C.W.L. y Ortzar, J. de D. (1982b): Travel demand and response analysissome integrating themes. Transportation Research 16A, 345-362.
Williams, H.C.W.L. y Senior, M.L. (1977): Model based transport policy assessment:
(2) Removing fundamental inconsistencies from the models. Traffic Engineering
and Control 18, 464-469.
Williams, I. (1976): A comparison of some calibration techniques for doubly constrained
models with an exponential cost function. Transportation Research 10, 91-104.
704
Bibliografa
Willis, K.G., Garrod, G.D. y Harvey, D.R. (1998): A review of cost-benefit analysis
as applied to the evaluation of new road proposals in the UK. Transportation
Research 3D, 141-156.
Wills, M.J. (1986): A flexible gravity-opportunities model for trip distribution.
Transportation Research 20B, 89-111.
Willumsen, L.G. (1978): Estimation of an O-D matrix from traffic counts: a review.
Working Paper 99, Institute for Transport Studies, University of Leeds.
Willumsen, L.G. (1981): Simplified transport demand models based on traffic counts.
Transportation 10, 257-278.
Willumsen, L.G. (1982): Estimation of trip matrices from volume counts; validation
of a model under congested conditions. Proceedings 10th PTRC Summer Annual
Meeting, University of Warwick, Julio 1982, Inglaterra.
Willumsen, L.G. (1984): Estimating time-dependent trip matrices from traffic counts.
En J. Volmller y R. Hamerslag (eds.), Proceedings of the Ninth International
Symposium on Transportation and Traffic Theory. VNU Science Press, Utrecht.
Willumsen , L.G. (1991): Origin-destination matrix: static estimation. En M.
Papageorgiou (ed.), Concise Encyclopedia of Traffic & Transportation Systems.
Pergamon Press, Oxford.
Willumsen, L.G. (2000): Travel networks. En D. Hensher y K.J. Button (eds.), Handbook
of Transport Modelling. Pergamon, Oxford.
Willumsen, L.G. y Hounsell, N.B. (1998): Simple models of highway reliability-supply
effects. En J. de D. Ortzar, D. Hensher y S. Jara-Daz (eds.), Travel Behaviour
Research: Updating the State of Play. Pergamon, Oxford.
Willumsen, L.G. y O rtzar , J. de D. (1985): Intuition and models in transport
management. Transportation Research 19A, 51-58.
Willumsen, L.G. y R adovanac, M. (1988): Testing the practical value of the UMOT
model. International Journal of Transport Economics 15, 203-223.
Willumsen, L., Bolland, J., Arezki, Y. y Hall, M. (1993): Multi-modal modelling in
congested networks: SATURN + SATCHMO. Traffic Engineering and Control
34, 294-301.
Wilson, A.G. (1970): Entropy in Urban and Regional Modelling. Pion, Londres.
Wilson, A.G. (1974): Urban and Regional Models in Geography and Planning, John
Wiley & Sons, Londres.
Wilson, A.G. y K irby, M.J. (1980): Mathematics for Geographers and Planners.
Clarendon Press, Oxford.
Wilson, A.G., R ees, P.H. y Leigh, C.M. (eds.) (1977): Models of Cities and Regions:
Theoretical and Empirical Developments. John Wiley & Sons, Londres.
Wittink, D., K rishnamurthi, L. y Nutter, J. (1982): Comparing derived importance
weights accross attributes. Journal of Consumer Research 8, 471-474.
Wonnacott, T.H. y Wonnacott, R.J. (1977): Introductory Statistics for Business and
Economics. John Wiley & Sons, Nueva York.
Modelos
de
Transporte
705
Wootton, H.J. y Pick, G.W. (1967): A model for trips generated by households. Journal
of Transport Economics and Policy 1, 137-153.
Wootton, H.J., Ness, M.P. y Burton, R.S. (1981): Improved direction signs and the
benefits for road users. Traffic Engineering and Control 22, 264-268.
Wootton Jeffreys y Partners (1980): JAM User Manual. Brookwood.
Yen, J., M ahmasani, H. y Herman, R. (1998): A model of employee participation in
telecommuting programs based on stated preference data. En J. de D. Ortzar,
D.A. Hensher y S.R. Jara-Daz (eds.), Travel Behaviour Research: Updating the
State of Play. Pergamon, Oxford.
Young , W. y R ichardson, A.J. (1980): Residential location preference models:
compensatory and non-compensatory approaches. Proceedings 8th PTRC Summer
Annual Meeting. University of Warwick, Julio 1980, Inglaterra.
Z ahavi, Y. (1979): The UMOT project. Report No. DoT-RSPA-DPB-20-79-3, US
Department of Transportation, Washington DC.