MODELOS DE TRANSPORTE

T R A D U C C I O N E S

MODELOS DE TRANSPORTE

Juan de Dios Ortzar y Luis G. Willumsen

Traduccin de ngel Ibeas Portilla y Luigi dellOlio

Ortzar, Juan de Dios.

Modelos de transporte / Juan de Dios Ortzar, Luis G. Willumsen ; traduccin
de ngel Ibeas Portilla, Luigi DellOlio. -- Santander : PUbliCan, Ediciones de la
Universidad de Cantabria, 2008.
-- (Traducciones Universidad de Cantabria; 3)
En la port.: Consorcio Transportes Madrid.
ISBN 978-84-8102-512-5
Transporte-- Modelos Matemticos
Willumsen, Luis G.
Ibeas Portilla, ngel.
DellOlio, Luigi.
656:519.87
591.87:656

Esta edicin es propiedad de PUBLICAN - EDICIONES DE LA UNIVERSIDAD DE CANTABRIA, cualquier

forma de reproduccin, distribucin, comunicacin pblica o transformacin slo puede ser
realizada con la autorizacin de sus titulares, salvo excepcin prevista por la ley. Dirjase a
CEDRO (Centro Espaol de Derechos Reprogrficos, www.cedro.org) si necesita fotocopiar o
escanear algn fragmento de esta obra.

Coordinacin de la edicin espaola a cargo de ngel Ibeas Portilla y Luigi dellOlio

Consejo Editorial de PUbliCan - Ediciones de la Universidad de Cantabria

Presidente: Gonzalo Capelln de Miguel
rea de Ciencias Biomdicas: Jess Gonzlez Macas
rea de Ciencias Experimentales: M. Teresa Barriuso Prez
rea de Ciencias Humanas: Fidel ngel Gmez Ochoa
rea de Ingeniera: Luis Villegas Cabredo
rea de Ciencias Sociales: Concepcin Lpez Fernndez y Juan Bar Pazos

Juan de Dios Ortzar y Luis G. Willumsen

PUbliCan - Ediciones de la Universidad de Cantabria

Avda. de los Castros, s/n. 39005 Santander
Tel.: 942 201 087 - Fax: 942 201 290

ISBN: 978-84-8102-512-5
D.L.: M-29.991-2008

Impreso en Espaa
Imprenta PEDRO CID, S.A., 2008

Del indice se ha suprimido el

indice de tablas y de figuras.
Puede valer, PERO DEBE
INCLUIRSE LOS subepigrafes con TRES DIGITOS

ndice

Pag 407 el ttulo es incorrecto. Falta

una "o"
Prlogo a la edicin inglesa ........................................................................

11

Prlogo a la edicin en castellano ...............................................................

17

1.

Introduccin ........................................................................................
1.1. Planificacin y modelizacin del sistema de transportes .......
1.2. Problemtica del transporte .....................................................
1.3. Modelos y proceso decisional ..................................................
1.4. Tpicos en modelizacin del transporte ..................................
1.5. Estructura del modelo clsico de transporte ..........................
1.6. Planificacin continua del transporte .....................................
1.7. Sobre la teora versus la prctica ...........................................

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

3.

Datos y rol del espacio ........................................................................

3.1. Teora bsica de muestreo .......................................................
3.2. Errores en la modelizacin y en la prediccin .......................
3.3. Mtodos de recoleccin de datos ............................................
3.4. Redes y sistemas de zonificacin .............................................
Ejercicios .............................................................................................

97
97
112
122
180
189

4.

Modelos de generacin de viajes ........................................................

4.1. Introduccin ..............................................................................
4.2. Anlisis de regresin ................................................................
4.3. Anlisis por categora o cross-classification ...........................

193
194
201
219

ndice

Previsin de variables en el anlisis de generacin de viajes .. 236

Estabilidad y actualizacin de los parmetros de generacin
de viajes .................................................................................... 239
Ejercicios ............................................................................................. 244

4.4.
4.5.

5.

Modelos de distribucin zonal ............................................................ 249

5.1. Definiciones y notaciones ........................................................
5.2. Mtodos de factor de crecimiento ...........................................
5.3. Modelos sintticos o gravitacionales .......................................
5.4. Maximizacin de la entropa ...................................................
5.5. Calibracin de modelos gravitacionales .................................
5.6. Enfoque tri-proporcional ..........................................................
5.7. Otros modelos sintticos ..........................................................
5.8. Consideraciones prcticas .......................................................
Ejercicios .............................................................................................

6.

Modelos de reparto modal ................................................................... 301

6.1. Introduccin ..............................................................................
6.2. Factores que influyen en la eleccin modal ...........................
6.3. Modelos de eleccin de destino y particin modal ................
6.4. Modelos de distribucin y particin modal ............................
6.5. Modelos sintticos ....................................................................
6.6. Modelos de demanda directa ...................................................
Ejercicios .............................................................................................

7.

301
302
304
305
306
317
323

Modelos de eleccin discreta .............................................................. 329

7.1. Consideraciones generales .......................................................
7.2. Marco terico de referencia .....................................................
7.3. Modelo logit multinomial (MNL) .............................................
7.4. Modelo Logit Jerrquico (HL) .................................................
7.5. Otros modelos y paradigmas de eleccin ...............................
Ejercicios .............................................................................................

8.

250
254
259
264
274
277
285
288
297

330
334
338
342
352
364

Especificacin y estimacin de modelos de eleccin discreta ............ 369

8.1.
8.2.
8.3.
8.4.
8.5.
8.6.

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

8.7. Modelizacin con datos de preferencias declaradas .............. 409

Ejercicios ............................................................................................. 443
9.

Agregacin de modelos y transferibilidad .......................................... 447

9.1. Introduccin ..............................................................................
9.2. Sesgos de agregacin y prognosis ...........................................
9.3. Mtodos de agregacin ............................................................
9.4. Actualizacin o transferibilidad de modelos ...........................
Ejercicios .............................................................................................

447
449
451
454
461

10. Asignacin .......................................................................................... 465

10.1. Conceptos bsicos ....................................................................
10.2. Mtodos de asignacin de trfico ...........................................
10.3. Asignacin todo o nada ...........................................................
10.4. Mtodos estocsticos ................................................................
10.5. Asignacin con congestin .......................................................
10.6. Asignacin al transporte pblico .............................................
10.7. Consideraciones prcticas .......................................................
Ejercicios .............................................................................................

465
474
481
482
488
497
507
511

11. Equilibrio entre oferta y demanda ....................................................... 515

11.1. Introduccin ..............................................................................
11.2. El equilibrio ..............................................................................
11.3. Extensin de la asignacin de equilibrio ................................
11.4. Equilibrio del sistema de transportes ......................................
11.5. Eleccin del horario de partida y asignacin ........................
Ejercicios .............................................................................................

515
516
528
543
557
565

12. Modelos simplificados de demanda de transporte .............................. 569

12.1. Introduccin ..............................................................................
12.2. Mtodos simplificados de modelizacin ..................................
12.3. Modelos de demanda incremental ...........................................
12.4. Estimacin de modelos a partir de aforos de trfico .............
12.5. Modelos marginales y de corredor ..........................................
12.6. Juegos de simulacin ................................................................
Ejercicios .............................................................................................

569
571
573
577
604
610
613

13. Otros tpicos de inters ....................................................................... 617

13.1. Modelos de demanda de mercancas ....................................... 617
13.2. Previsin de variables de planificacin .................................. 630

ndice

13.3. Prediccin de la tasa de motorizacin ....................................

13.4. El valor del tiempo de viaje ....................................................
13.5. Valoracin de externalidades de transporte ............................
Ejercicios .............................................................................................

640
652
664
673

Bibliografa ................................................................................................. 675

Prlogo a la edicin inglesa

Juan de Dios Ortzar y Luis G. Willumsen

ste libro es el resultado de ms de 20 aos de colaboracin, a veces a

distancia y otras trabajando conjuntamente en Gran Bretaa y en Chile.
A lo largo de estos aos hemos discutido muchas veces lo que considerbamos puntos fuertes y dbiles de la modelizacin del transporte y
la planificacin en el sector. Hemos especulado, investigado y probado en la
prctica algunas ideas nuevas y otras no tan novedosas, coincidiendo a veces y
tambin discrepando tanto sobre temas como sobre el nivel de detalle requerido
en la modelizacin o sobre el valor de los modelos desagregados al efectuar
previsiones de demanda; aprovechando un perodo en el que nuestras visiones
convergieron, las plasmamos en este texto.
Deseamos presentar lo que consideramos, desde nuestra perspectiva, las
tcnicas ms importantes de modelizacin de transporte de forma accesible
tanto a estudiantes como a profesionales del sector en sus diferentes mbitos.
Esto lo intentamos haciendo especial hincapi en ciertos temas clave de la
modelizacin y planificacin de sistemas de transporte contempornea:
La importancia prctica de la consistencia terica en la modelizacin del
transporte.
El tema de los errores en los datos y en la especificacin de los modelos, su
importancia relativa y los mtodos para tratarlos.
El papel fundamental del contexto en que se toman las decisiones en la
eleccin de las herramientas de modelizacin ms apropiadas.
Las ventajas de una modelizacin flexible: un modelo marco simplificado
unido a uno mucho ms detallado que permita tratar las decisiones que se
deben tomar.
La importancia de una funcin de seguimiento dependiente de un sistema
de recoleccin continua de datos as como de la actualizacin de previsiones y modelos, para conformar modelos de respuesta rpida que puedan ser
adaptados a un entorno cambiante.

Prlogo a la edicin inglesa

Hemos afrontado estos temas desde el punto de vista de un ejercicio de

modelizacin, discutiendo el papel de la teora, los datos, la especificacin
del modelo en su sentido ms amplio y la estimacin, validacin y capacidad
predictiva de los modelos. Nuestro objetivo al escribir este libro fue producir
tanto un texto para un curso de licenciatura o mster en transporte, como un
volumen de referencia para los profesionales del sector; no obstante, las materias se presentan de forma que tambin sean tiles para cursos de ingeniera
civil, geografa y urbanismo. El libro se basa en nuestros apuntes de clase que
fueron preparados y mejorados a lo largo de varios aos de docencia de pre
y postgrado; adems los hemos utilizado para adiestrar a profesionales tanto
a travs de programas de prctica internos como de cursos cortos de actualizacin. Finalmente, los hemos ampliado y mejorado para cubrir material
adicional y ayudar a los lectores a abordar el libro sin el apoyo expreso de un
supervisor.
Los Captulos del 3 al 9, 12 y 13 proporcionan todos los elementos necesarios para impartir un curso de unas 30 sesiones sobre modelizacin de la
demanda de transporte. De hecho, hemos impartido cursos de esta naturaleza,
con diferente nfasis en determinados temas, a nivel de pregrado en Chile y a
nivel de postgrado en Gran Bretaa, Portugal, Colombia y Espaa. Si se aade
material de los Captulos 10 y 11 se puede conformar un curso completo sobre
modelizacin de sistemas de transporte. Los Captulos del 4 al 6 y del 10 al 12
constituyen el ncleo bsico para un curso sobre modelos de equilibrio en
transporte; cabe resear que un curso sobre modelizacin de la oferta requerira ms material, en particular aquel relacionado con importantes aspectos de
la oferta de transporte colectivo, que no se discuten con suficiente detalle. El
Captulo 1 proporciona una introduccin a temas de planificacin de transporte
y esboza nuestra visin sobre la relacin entre planificacin y modelizacin.
El Captulo 2 est ah principalmente para el beneficio de aquellos que deseen
refrescar sus conocimientos analticos y hacer que el texto sea lo suficientemente auto-contenido.
Durante nuestra vida profesional hemos tenido la suerte de poder combinar
enseanza, investigacin y consultora profesional. As, hemos aprendido de
publicaciones cientficas, investigaciones, experimentacin y de nuestros errores; felizmente estos ltimos no han sido demasiado costosos en trminos de
asesora inadecuada. Esto no es slo una cuestin de suerte; un analista que
se precie, paga por los errores cometidos trabajando ms duro y por mayor
tiempo, a fin de definir formas alternativas para resolver una tarea de mo-

MODELOS

DE

TRANSPORTE

delizacin dificultosa. Hemos aprendido la importancia de elegir tcnicas y

tecnologas apropiadas para cada tipo de problema; la capacidad de adaptar
enfoques de modelizacin a problemas de toma de decisiones es una habilidad
clave de nuestra profesin. A travs del libro se examinan las restricciones
prcticas de los modelos de transporte en planificacin, particularmente en
vista de las limitaciones de las actuales tcnicas analticas, y de la naturaleza
y calidad de los datos tpicamente disponibles.
Hemos evitado el detalle matemtico intrincado de cada modelo para concentrarnos, por el contrario, en sus principios bsicos, la identificacin de sus
fortalezas y limitaciones y una discusin sobre su uso. El nivel terico ofrecido
por este libro es, en nuestra opinin, suficiente para seleccionar y utilizar los
diferentes modelos en la prctica. Tambin hemos intentado acortar la brecha
existente entre las publicaciones ms tericas y los libros ms pragmticos
(tipo recetario); no creemos que la profesin pueda ser bien servida por un libro
simplista del tipo Consejos para que proporcione un facsmile para cada
problema de modelizacin. No existen soluciones nicas en modelizacin y
planificacin de transporte. La dependencia de la modelizacin del contexto
y la teora es un tema recurrente en este libro. Nuestro objetivo es proporcionar
suficiente informacin y gua para que los lectores puedan comprender y aplicar
realmente cada tcnica en terreno; bajo esta perspectiva, nos hemos esforzado en analizar los aspectos prcticos relacionados con la aplicacin de cada
metodologa. En todos los casos en los que el rea de estudio an est sujeta
a desarrollo, hemos incidido en presentar extensas referencias bibliogrficas a
artculos cientficos y libros que el lector interesado puede consultar si le parece
necesario. Asimismo, en relacin con los enfoques de modelizacin ms consolidados, hemos mantenido solamente las referencias esenciales para comprender
la evolucin de los temas, o que sirvan como punto de partida para desarrollar
nuevas investigaciones.
Consideramos que no se puede aspirar a ser un profesional cualificado, en
cualquier rea, sin hacer trabajo real en un laboratorio o en terreno. Por ello,
hemos ido ms all de la mera descripcin de las tcnicas, acompandolas
de varios ejemplos de aplicacin. stos sirven para ilustrar algunos de los problemas tericos o prcticos relacionados con cada modelo en particular. Finalmente proporcionamos algunos ejercicios al final de los captulos clave:
stos pueden resolverse con el apoyo de calculadoras cientficas de bolsillo (o
incluso mejor, con una hoja de clculo) y deberan ayudar a comprender mejor
los modelos analizados.

Prlogo a la edicin inglesa

Aunque el libro es ambicioso, ya que abarca un nmero relativamente

elevado de temas, debemos aclarar desde el principio que no intentamos (ni
consideramos posible) estar totalmente actualizados en cada tema tratado. Si
bien constituye una buena reflexin sobre el estado del arte, para investigaciones de punta el lector debera utilizar las referencias bibliogrficas que se
han incluido como avisos para futuras investigaciones.
Gran parte de la primera edicin de este libro se escribi durante el ao sabtico de uno de nosotros en University College London en el curso 1988-1989.
Ello fue posible gracias al apoyo proporcionado por el UK Science and Engineering Research Council, The Royal Society, la Fundacin Andes (Chile), el
Consejo Britnico y The Chartered Institute of Transport. Damos las gracias
por dicho apoyo, as como agradecemos tambin la financiacin proveniente
de muchas instituciones y agencias en los ltimos veinte aos para nuestras
investigaciones.
Aunque ambos autores hemos hecho la misma contribucin intelectual al
contenido del libro, a la hora de redactar y recopilar el variado material que
lo compone nos hemos beneficiado de numerosas discusiones e intercambio
de ideas con amigos y colegas. Richard Allsop nos ense mucho acerca de
metodologa y rigor. Las ideas de Huw Williamss estn detrs de muchas
de las contribuciones tericas del Captulo 7. Andrew Daly y Hugh Gunn nos
ayudaron a aclarar muchos temas de los Captulos 3, 7 y 8. El nfasis de Dirck
Van Vliet en explicar la asignacin y el equilibrio en trminos simples pero
rigurosos inspir los Captulos 10 y 11. Tony Fowkes nos proporcion valiosos
comentarios sobre previsin de la tasa de motorizacin y sobre mtodos de preferencias declaradas. Jim Steer aport una referencia constante a los problemas
prcticos y a la necesidad de desarrollar mejores enfoques para abordarlos.
Muchas partes del libro se han beneficiado del libre y entusiasta intercambio de ideas con nuestros colegas J. Enrique Fernndez y Joaqun de Cea, de
la Pontificia Universidad Catlica de Chile; Sergio Jara y Jaime Gibson, de la
Universidad de Chile; Marc Gaudry, de la Universidad de Montreal; Roger
Mackett, del Univesity College London; Dennis Gilbert, del Imperial College
y Mike Bell, de la Universidad de Newcastle upon Tyne. Por supuesto, muchos
otros colegas han contribuido, sin saberlo, a nuestras reflexiones.
Por otro lado, las sucesivas ediciones de este libro se han beneficiado de los
comentarios de un gran nmero de amigos y lectores que nos han ayudado a
identificar errores y reas de mejora. Entre ellos habra que mencionar a Patrick
Bonnel, del French Laboratoire dEconomie des Transports; Michael Florian,

MODELOS

DE

TRANSPORTE

de la Universidad de Montreal; Rodrigo Garrido, de la Pontificia Universidad Catlica de Chile; Ben Heydecker, del University College London; Frank
Koppelman, de la Northwestern University; Maritte Kraan, de la University
of Twente; Marcela Munizaga, de la Universidad de Chile; Piotr Olszewski,
de la Nanyang Technological University, y Sofa Athanassiou, Neil Chadwick
y David Pearmain, de Steer Davies Gleave.
Nuestro agradecimiento final va dirigido a todos nuestros estudiantes en
Gran Bretaa, Chile, Colombia, Portugal y Espaa. Ellos son siempre agudos crticos y nos han estimulado a invertir nuestro tiempo de forma provechosa.
No todas las sugerencias que se nos han hecho han sido tenidas en cuenta,
por cuanto algunas de ellas habran significado modificar el enfoque y estilo
del texto; pensamos que otros libros, en el futuro, continuarn aclarando ciertos
temas y proporcionarn un mayor rigor a muchos de los temas aqu tratados. El
transporte es realmente una problemtica muy dinmica. Finalmente, a pesar de
todo este apoyo generoso, nos consideramos como antes los nicos responsables de los errores que puedan subsistir en esta tercera edicin. Valoramos,
genuinamente, la oportunidad de aprender de nuestros errores.

Prlogo a la edicin en castellano

ngel Ibeas Portilla y Luigi dellOlio

Profesores de Planificacin de Transporte y Transporte Urbano
Universidad de Cantabria, Santander (Espaa)
http://grupos.unican.es/gist/index.asp

a difusin internacional de Modelling Transport de Juan de Dios Ortzar

y Luis Willumsen ha alcanzado ya su tercera edicin, lo cual no hace ms
que confirmar el gran inters suscitado en el mbito del transporte por
esta obra, que constituye un pilar bsico y fundamental en la adquisicin,
aprendizaje y consulta del conocimiento en la materia.
Conscientes de que muchos estudiantes, acadmicos y profesionales del
transporte disponen de la versin original inglesa y recientemente de la italiana, no es menos cierto que no existen demasiados textos en habla hispana
capaces de aglutinar el saber de la modelizacin del transporte. Por otra parte,
400 millones de personas en el mundo hispanohablante bien merecen la atencin
dispensada por el equipo traductor.
Para los profesores de transporte de la Universidad de Cantabria (Espaa) que han dirigido dicho equipo de traductores, la traduccin de Modelling
Transport ha constituido un reto y, sobre todo, una incitacin al conocimiento:
prcticamente todos los epgrafes proporcionan una apertura de horizontes del
saber que estimula no slo su lectura, sino tambin la curiosidad y el nimo de
acometer posteriores indagaciones en la literatura mundial al respecto. Por si no
bastara lo indicado, nos ha animado a acometerlas la confianza depositada por
los autores en este equipo traductor y el apoyo institucional de la Universidad
de Cantabria, una de las tres mejores de Espaa.
Los rpidos cambios que se estn produciendo en la sociedad internacional, es decir, de mercados de oferta a mercados de demanda, del paso de
la sociedad industrial a la postindustrial, del trabajo individual al trabajo
en red, el salto hacia la sociedad del conocimiento y de sta a la globalizacin, hacen plenamente vigentes los conocimientos recopilados en el Modelling
Transport.
Est claro que los resultados que la modelizacin matemtica aplicada
al transporte proporciona, no son la panacea universal ni deben considerarse

Prlogo a la edicin en castellano

como verdades absolutas. Ms bien, su carcter objetivo la convierte en una

herramienta potente e indispensable a la hora de tomar decisiones de planificacin. Por ello, en este libro se describen mtodos y criterios, as como las
tcnicas ms importantes y novedosas de dicha modelizacin, tanto a nivel
terico como su aplicacin prctica. El carcter fundamentalmente cientfico,
pedaggico y la estructura de la obra se concretan en cada captulo complementndose con una serie de ejercicios propuestos al final de cada uno de ellos.
stos resultan tiles para afianzar, por un lado, las tcnicas propuestas y, por
otro, para estimular la imaginacin del lector, que estar en condiciones de
proponer soluciones metodolgicas a las situaciones reales que se planteen. En
resumen, Modelling Transport proporciona una resea prcticamente nica y
exhaustivamente puesta al da, de las principales tcnicas de modelizacin del
sistema de transportes.
El texto de Ortzar y Willumsen tiene, adems, el importante mrito de
proponer formas de anlisis poco o nada practicadas en Espaa hasta la fecha.
ltimamente se detecta un mayor inters por estas tcnicas de apoyo para la
toma de decisiones en polticas de planificacin. Su flexibilidad empieza a
convencer a los polticos, quienes hasta ahora las consideraban encorsetadoras de sus decisiones. En ltimo trmino, la realidad es siempre la que marca
el camino y la que hace que problemas tan serios como la contaminacin, el
deterioro medioambiental o los accidentes requieran soluciones eficientes que
rara vez van a confiarse exclusivamente a la aplicacin de modelos mentales
insuficientemente justificados. Por ello precisamente gana terreno el recurso
a tcnicas matemticas aplicadas al sector del transporte, porque estn suponiendo una importante disminucin de los componentes de error en el mbito
de la planificacin.
Se ha emprendido la traduccin de Modelling Transport con entusiasmo
y deseos de seguir aprendiendo y divulgando, aunque en varias ocasiones no
han faltado dudas acerca de determinados subepgrafes de la versin original.
La traduccin que ofrecemos es la versin completa de la tercera edicin de
Modelling Transport que mantiene el justo equilibrio entre los elementos tericos y las aplicaciones prcticas que caracteriza el texto y lo hace particularmente atractivo tanto para los iniciados como para los especialistas del sector.
Como se ha dicho, y en lo tocante al contenido, la obra proporciona indicaciones claras para profundizar precisamente en los elementos tericos que estn en
la base de los modelos de transporte, as como para especular sobre interesantes
temas de investigacin de vanguardia.

MODELOS

DE

TRANSPORTE

En cuanto a los aspectos formales de la traduccin realizada, se ha tratado

de alcanzar un justo compromiso entre la claridad del lenguaje y la fidelidad a
la versin original, adems del compromiso pragmtico de mantener algunos
trminos en ingls, en particular aquellos que, por nuestra experiencia en el
mbito del transporte, consideramos que son de uso comn en castellano.
En el convencimiento de que contar con una versin en castellano del libro
Modelling Transport representa una contribucin significativa para el mundo
de habla hispnica, el Grupo de Investigacin de Sistemas de Transporte de la
Universidad de Cantabria desea mostrar su agradecimiento, en primer lugar, a
los dos autores del libro, los profesores Juan de Dios Ortzar y Luis Willumsen,
por haber depositado su confianza en nuestro grupo confindonos la realizacin
de este trabajo y por las sucesivas revisiones de la traduccin realizada. En
segundo lugar, al Consorcio Regional de Transportes de Madrid, entidad siempre preocupada por el desarrollo del transporte en todas sus vertientes incluso
en la cientfica, como entidad patrocinadora. En tercer lugar, al investigador
y asiduo colaborador del Grupo de Investigacin de Sistemas de Transporte
de la Universidad de Cantabria, D. Felipe A. Gonzlez Rojas, ingeniero civil
por la Pontificia Universidad Catlica de Chile, que ha revisado la traduccin
de todos los conceptos matemticos de los modelos del libro; a la investigadora
Aida Inguanzo, tambin de la Universidad de Cantabria, por su apoyo en la
revisin ortogrfica y gramatical; a Jos Luis Moura por los desbroces iniciales para los captulos 5, 12 y 13; al Ingeniero de Caminos, Canales y Puertos
Antonio Garca Pastor, de Steer Davies Gleave Espaa, por su interesante
aportacin en la traduccin de los Captulos 3, 8 y sobre todo del 12; a Cris
Aol, gegrafo, tambin por sus desbroces iniciales en los Captulos 1, 8 y 13.
Adems debemos mucho a la versin italiana Pianificazione Dei Sistema Di
Transporto, de Elisabetta Cherchi e Italo Meloni, que por la similitud de idioma
ha facilitado grandemente la comprensin de la versin inglesa. No queremos
dejar de agradecer, asimismo, la ayuda recibida de otras muchas personas que,
en mayor o menor medida, han intervenido en este intenso y muy interesante
trabajo a lo largo de su desarrollo. Por ltimo, queremos destacar nuestro
agradecimiento a la Universidad de Cantabria, que, de acuerdo con la editorial
Wiley, se encarga de la edicin y distribucin de esta edicin espaola.

1.
Introduccin

1.1.

PLANIFICACIN Y MODELIZACIN DEL SISTEMA DE TRANSPORTES

1.1.1. Antecedentes

unque en las ltimas dcadas se han producido sustanciales cambios

en el devenir mundial a los que el transporte no ha sido en absoluto
ajeno, muchos de sus problemas no slo han persistido del pasado sino
que incluso se han incrementado. Situaciones como la congestin, la
contaminacin, los accidentes, el dficit financiero de las empresas municipales
de transporte pblico siguen siendo hoy en da problemas tan o ms importantes que en el pasado, apareciendo como nuevos retos a resolver en un entorno
de movilidad sostenible. No obstante, ltimamente ha sido posible aprender
bastante de un perodo de escasa planificacin, limitada inversin, nfasis en
el corto plazo y en general, falta de confianza en la modelizacin y toma de
decisin estratgica tanto en pases en desarrollo como en muchos pases industrializados. Se ha aprendido, por ejemplo, que los problemas bsicos recin
mencionados no desaparecen simplemente con la aplicacin de mejores tcnicas
de gestin del trfico; de hecho, estos problemas clsicos tienden a reaparecer
con mayor virulencia difundindose en reas ms amplias y adoptando nuevas
formas an ms difciles y complejas de manejar.
En estos momentos, el mundo desarrollado est pasando por una fase de
mayor confianza en las soluciones tcnicas que en dcadas anteriores. No es
una confianza ciega en la tecnologa como proveedora de soluciones mgicas
para los problemas sociales y econmicos; tambin hemos aprendido que stas
no son ms que un mero espejismo. Sin embargo, la electrnica y la informtica
han avanzado tanto que posibilitan nuevas concepciones de infraestructura del
transporte (p. ej., sistemas guiados automticos) y de los sistemas de movimiento (p. ej., sistemas de navegacin vial y trenes completamente automatizados).

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 tratamiento 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 desarrollo 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 instrucciones 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 decisivo 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

han ido perfeccionndose e implementndose por grupos selectos de expertos,

aunque muchas de esas innovaciones no han tenido demasiado alcance fuera de
los mbitos acadmicos. Por lo tanto, despus de estos aos de experimentacin
comienza a observarse una mayor comprensin del papel que pueden cumplir
los modelos de transporte a la hora de tomar decisiones en la planificacin y
es por lo que en este libro se intenta revisar lo ms importante de la prctica
actual en la modelizacin del transporte. En la mayora de los casos se abordan
los aspectos ms avanzados seleccionando aquellos que ya han sido implementados con xito en la prctica. Asimismo este libro no representa tanto la
vanguardia de la investigacin en la modelizacin, pero s intenta proporcionar
herramientas fundamentales para quienes desean mejorar el conocimiento sobre la modelizacin y su repercusin en la planificacin del transporte. Puede
afirmarse, por tanto, que esta obra trata de tender un puente o ser un punto de
partida hacia trabajos ms tericos que, sin duda, conformarn la base de la
modelizacin del transporte en el prximo futuro.
Ha de quedar claro entonces que la modelizacin del transporte no es la
planificacin del transporte sino una herramienta para la toma de decisiones
en dicha actividad, a pesar de que en determinadas ocasiones puede adquirir
un papel preponderante aunque no definitivo. Se conocen muchos y buenos
profesionales que han desarrollado modelos de transporte suficientemente sofisticados pero que, sin embargo, han visto frustrado su trabajo por su falta de
consideracin a la hora de la toma de decisiones en planificacin. La realidad
es que la modelizacin ha de ser considerada como una herramienta de apoyo
para la toma de decisiones y no como el objetivo principal de dicha planificacin. Esta filosofa sustenta este trabajo.

1.1.2.

Los modelos y su papel

Un modelo es, esencialmente, una representacin simplificada de la realidad:

el sistema de inters. Es una abstraccin que se utiliza para lograr mayor claridad conceptual acerca de la realidad, reduciendo su variedad y complejidad
a niveles que permitan comprenderla y especificarla de forma adecuada para
su anlisis. Normalmente en un modelo se expresan de forma simplificada las
caractersticas ms relevantes (para el caso estudiado) de un cierto fenmeno
o situacin real. Una definicin tan amplia permite diferenciar los modelos
fsicos de los abstractos. Por ejemplo, en la primera categora estn aquellos
modelos tales como maquetas arquitectnicas, tneles de viento o modelos en

Introduccin

canales, oleaje y presas en ingeniera hidrulica o modelos de regeneracin de

playas o de diques portuarios, los cuales estn claramente limitados al aspecto
del diseo. En la segunda categora, la tipologa de modelos abarca desde los
modelos mentales, usualmente utilizados en nuestras interacciones diarias,
hasta las representaciones formales y abstractas (tpicamente analticas) de
alguna teora acerca del sistema de inters de que se trate y de cmo funciona
(modelos abstractos). Los modelos mentales juegan un papel importante en la
comprensin y la interpretacin del mundo real as como de los modelos analticos que se utilizan en la planificacin del transporte. Se mejoran mediante
discusiones, adquisicin de nuevo conocimiento y, sobre todo, experiencia; por
ese motivo son difciles de comunicar y validar.
Este libro trata principalmente una importante clase de modelos abstractos:
los modelos matemticos que intentan replicar el sistema de inters y su comportamiento por medio de ecuaciones matemticas basadas en ciertas hiptesis
tericas. Aunque no dejan de ser representaciones simplificadas, estos modelos
pueden ser muy complejos y frecuentemente requieren el uso de importantes cantidades de datos. Los modelos, en todo caso, son un instrumento muy
valioso en cuanto a que suponen un mbito comn de discusin en polticas
de intervencin, permitiendo examinar, con un mnimo de objetividad, el inevitable compromiso que la experiencia requiere. Otra ventaja importante de
los modelos matemticos es que durante su formulacin, calibracin y uso, el
planificador puede aprender mucho, mediante la experimentacin, acerca del
comportamiento y funcionamiento interno del sistema en cuestin. De esta
forma, se pueden enriquecer los modelos mentales consiguiendo as una mejor
y ms inteligente organizacin y gestin del sistema de transporte.
Un modelo es solamente una representacin realista desde una perspectiva
particular de la realidad. Puede ser razonable usar un cuchillo y un tenedor
sobre una mesa para representar la posicin de unos coches antes de un choque, pero no para representar sus sistemas mecnicos o su eleccin de ruta. Lo
mismo se puede decir acerca de los modelos analticos: su valor est limitado a
un conjunto de problemas que estn bajo ciertas condiciones especficas. Como
se discute en el resto de este captulo, un modelo slo es apropiado segn el
contexto donde se va a utilizar. La habilidad de elegir y adaptar los modelos
a contextos especficos es uno de los elementos ms importantes en el bagaje
total del planificador.
El objetivo de este libro es resaltar la contribucin que la modelizacin
del transporte puede proporcionar a la mejora de las decisiones en el campo

MODELOS

DE

TRANSPORTE

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 solamente 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.

1.2.

PROBLEMTICA DEL TRANSPORTE

Los problemas asociados al transporte son ya ms globales y serios que nunca,

tanto en los pases industrializados como en los que estn en proceso de desarrollo. La escasez de combustibles lquidos puede no ser un problema serio
en la actualidad. S lo son la congestin, el elevado consumo de tiempo, la
accidentalidad y los consecuentes problemas medioambientales y de calentamiento global y ms crticos hoy que nunca. Estos problemas no solamente se
limitan al trfico en las calles y/o carreteras o a los vehculos. El crecimiento
econmico parece haber generado una demanda tal que sobrepasa las capacidades de la mayora de los sistemas de transporte. Asimismo, los largos
perodos de limitada inversin en algunos modos de transporte y regiones, han
dado como resultado que redes frgiles puedan colapsarse al menor incidente
o variacin en la demanda.
Probablemente estos problemas no van a desaparecer en un futuro prximo. Ha transcurrido tanto tiempo con poca o inadecuada planificacin en el
transporte que es seguro que har falta un esfuerzo importante para mejorar la
mayora de los diversos modos de transporte, tanto en las zonas urbanas como
interurbanas. Por lo tanto, dado que los recursos son limitados, dicho esfuerzo
ha de ser realizado meticulosamente mediante decisiones cuidadosas orientadas
hacia la maximizacin del beneficio de nuevos servicios de transporte, al mismo
tiempo que se minimizan sus costes y efectos colaterales no deseados.

1.2.1.

Introduccin

Caractersticas de la demanda de transporte

La demanda de servicios del transporte es altamente cualitativa y diferenciada.

Existe una amplia gama de demandas especficas de transporte que se diferencian por hora del da, da de la semana, motivo del viaje, tipo de mercanca,
importancia de la velocidad y frecuencia, etctera.
Un servicio de transporte sin los atributos que permitan satisfacer esta demanda diferenciada puede ser totalmente intil. Estas caractersticas
hacen ms difcil analizar y predecir la demanda por servicios de transporte:
las ton/km y los pasajeros/km son unidades de rendimiento extremadamente
gruesas que esconden una inmensa gama de requerimientos y servicios.
La demanda de transporte es una demanda derivada, es decir, no es un fin
en s misma. Con la posible excepcin del turismo, la gente viaja para satisfacer
ciertas necesidades en sus destinos (trabajo, salud, entretenimiento). Esto es
an ms cierto en el caso de las mercancas. Para comprender la demanda de
transporte es importante analizar cmo estn distribuidas en el espacio las
facilidades para satisfacer estas necesidades humanas e industriales, tanto en
contextos urbanos como regionales. Es evidente que un buen sistema de transporte ampla las oportunidades para satisfacer dichas necesidades, as como un
sistema muy congestionado o mal conectado limita las opciones de movilidad
y, por tanto, el desarrollo econmico y social.
La demanda de transporte tiene lugar en relacin al espacio. Aunque parece
trivial, es la distribucin de las actividades en el espacio lo que provoca la demanda de transporte. Existen algunos problemas de transporte que se pueden
tratar, a un nivel muy agregado, sin considerar explcitamente el espacio. Sin
embargo, en la gran mayora de los casos, el tratamiento explcito del espacio
es inevitable y muy deseable. El enfoque ms usual para tratar el espacio consiste en dividir el rea de estudio en zonas y codificarlas, junto a las redes de
transporte, de una forma adecuada para su procesamiento y tratamiento con
la ayuda de paquetes computacionales especializados (software). En algunos
casos, el rea de estudio puede ser descrito simplificadamente, suponiendo que
las zonas de inters forman un corredor que puede ser representado mediante
un sistema lineal. En ambos casos existen diferentes mtodos para tratar la
distancia y/o distribuir orgenes y destinos (y sus atributos) en el espacio, los
cuales son elementos esenciales del anlisis de transporte.
La articulacin espacial de la demanda frecuentemente provoca problemas
de falta de coordinacin del sistema, la cual puede influir, de forma relevante,

MODELOS

DE

TRANSPORTE

en el equilibrio entre oferta y demanda de transporte. Por ejemplo, un servicio

de taxis puede tener una fuerte demanda no satisfecha en una parte de la ciudad, mientras en otras existen muchos taxis buscando clientes. Por otro lado, la
concentracin de poblacin y actividad econmica en corredores bien definidos
puede justificar un sistema de transporte masivo de alta capacidad que quizs
no sera defendible en reas geogrficas con menor densidad de actividades.
Finalmente, la oferta y demanda de transporte tienen elementos dinmicos
muy potentes. Una parte importante de la demanda de viajes de transporte se
concentra especialmente, durante unas pocas horas del da, en reas urbanas
coincidentemente con los momentos de mayor congestin de trfico (horas
punta). Esta caracterstica de variabilidad de la demanda en el tiempo hace
que su anlisis y clculo de previsiones sean ms difciles y a la vez tambin
ms interesantes de estudiar. Puede ser que un sistema de transporte funcione
adecuadamente para la demanda promedio de viajes pero que se colapse durante la hora punta. Existen varias tcnicas para tratar de repartir la carga de
la hora punta de una red: flexibilizar los horarios de trabajo, partir la jornada
laboral, tarificacin por congestin, etc. Sin embargo, la variacin de demanda
entre las horas punta y valle sigue siendo un problema central y fascinante de
la modelizacin y planificacin del transporte.

1.2.2.

Caractersticas de la oferta de transporte

La primera caracterstica de la oferta de transporte es que es un servicio y no

una mercanca; por lo tanto, no se puede almacenar para ser utilizada cuando
exista una demanda mayor. Un servicio de transporte tiene que ser consumido
cundo y dnde se produce, si no, pierde su beneficio. Por esta razn es muy
importante estimar la demanda con la mayor precisin posible para as ahorrar
recursos ajustando la oferta de servicios de transporte a ella.
Muchas caractersticas de los sistemas de transporte provienen de su naturaleza como servicio. En trminos muy generales, un sistema de transporte
requiere un nmero de activos fijos (la infraestructura) y un nmero de unidades mviles (los vehculos). Es la combinacin de ambos, junto con una serie
de normas para su operacin, lo que posibilita el movimiento de personas y
mercancas.
Frecuentemente se da el caso de que la infraestructura y/o los vehculos
de transporte no son propiedad ni son operados por la misma empresa o grupo de empresas. Esto sucede en la mayora de los modos de transporte, con

Introduccin

la excepcin notable de muchos sistemas ferroviarios. La separacin entre el

gestor de infraestructura y el gestor del servicio final de transporte genera una
serie de interacciones suficientemente complejas entre entidades o Administraciones Pblicas (estatales, regionales y/o locales), empresas de construccin,
empresarios, operadores de transporte, viajeros, transportistas y pblico en
general. Este ltimo juega diversos papeles en la oferta de servicios de transporte, ya que con sus demandas puede influir en la puesta en marcha o no, de
nuevos servicios que satisfagan sus necesidades dotando as, por ejemplo,
de accesibilidad a un territorio y fomentando a la vez el desarrollo y la actividad econmica.
La provisin de infraestructura de transporte es particularmente importante desde el punto de vista de la oferta. La infraestructura de transporte es
un sistema unitario, en el sentido de que no se puede concebir media pista
de aterrizaje o la tercera parte de una estacin de ferrocarril. Ciertamente, en
algunos casos, puede haber razones suficientes para proveer gradualmente
infraestructura a medida que crece la demanda. Por ejemplo, se puede empezar
con una carretera sin pavimento, mejorarla ms adelante con una o dos vas
mediante un tratamiento superficial; luego una carretera sencilla o autova bien
construida, para finalizar con una carretera a nivel de autopista. De esta forma,
la provisin de la infraestructura puede ajustarse y adecuarse a la demanda,
evitndose as tempranas inversiones en instalaciones costosas innecesarias.
Esto no es tan sencillo en otras reas como, por ejemplo, aeropuertos, lneas
ferroviarias, de metro, etctera.
A este respecto es necesario indicar que las ltimas tendencias en la planificacin del transporte van dirigidas hacia la gestin de la demanda en entornos de movilidad sostenible. El espacio es limitado pero el crecimiento de la
demanda no lo es tanto. Por ello, puede ser interesante, en lugar de crecer en
infraestructuras, proceder a una mejor optimizacin de los recursos existentes
gestionando adecuadamente la demanda en modos y formas diferentes a los
utilizados en las ltimas dcadas.
Por otro lado, las inversiones en infraestructura del transporte no solamente
son enormes sino que tambin su puesta en servicio lleva un tiempo considerable. Normalmente se trata de proyectos grandes y desde que comienza su
planificacin hasta que se implementan pueden pasar entre 5 y 15 aos. Este
aspecto es incluso ms crtico en reas urbanas en las que cualquier construccin y/o reparacin de infraestructura de transporte, puede provocar serias
perturbaciones, cuyas repercusiones en los usuarios y no usuarios son evidentes.

MODELOS

DE

TRANSPORTE

Adems, las inversiones en transporte tienen un componente poltico muy

importante. Por ejemplo, en los pases en desarrollo los polticos normalmente consideran los proyectos de carreteras como algo seguro electoralmente:
demuestran que hacen algo y es difcil que los medios de comunicacin puedan demostrar errores. En pases industrializados, en cambio, los proyectos de
transporte normalmente conllevan el riesgo de polemizar con los residentes
afectados o con los usuarios que sufren debido a la congestin y a los retrasos
en obras sobrepasadas por la demanda. El juicio poltico es esencial en este tipo
de disyuntivas, pero cuando no est apoyado por una planificacin exhaustiva,
las decisiones resultan ser una reaccin rpida y, en general, poco reflexiva al
problema y al momento de crisis; en el caso del transporte esto es, inevitablemente, demasiado tarde. En estos casos, la reflexin y la planificacin son
esenciales. En los 80, el nfasis en medidas tcticas de gestin de transporte
a corto plazo reflejaba tanto una desconfianza en la modelizacin como un
intento de evitar los problemas polticos, y una incapacidad a la hora de pensar
estratgicamente acerca del futuro del sistema de transporte.
La separacin entre los que proveen infraestructura y los que ofrecen servicios introduce tambin complejidades desde el punto de vista econmico.
Para empezar, no siempre est claro que todos los usuarios perciban realmente
los costes totales incurridos en la provisin de los servicios que ellos usan. Por
ejemplo, prcticamente nunca se paga directamente por el espacio fsico ocupado por las carreteras y cuando se hace, no se incluyen los costes de congestin
u otras externalidades; posiblemente lo ms cercano a esto son las autopistas
de peaje y los modernos esquemas de tarificacin vial. Los impuestos sobre
vehculos y combustibles son solamente una aproximacin genrica al pago
por la provisin de infraestructura.
Pero, son importantes estas cuestiones? no ocurre quizs que otros bienes
y servicios como los parques pblicos, las bibliotecas, la polica son a menudo
proporcionados sin realizar ningn pago directo? Qu problema hay en permitir la libre utilizacin econmica de las calles? La teora econmica bsica
nos ensea que s importa. En un mercado perfecto, una buena asignacin
de recursos para satisfacer las necesidades humanas solamente se consigue
cuando los costes marginales de los bienes son iguales a su utilidad marginal.
Por eso, a menudo se dice que el precio de los bienes y servicios, es decir, su
coste percibido, debera fijarse segn su coste marginal. Por supuesto, los
mercados reales no son perfectos y la capacidad para pagar no es un buen indicador de necesidad; sin embargo, este marco general proporciona una base

Introduccin

para contrastar otras formas de organizar el sistema de precios y su impacto

en la asignacin de recursos.
El transporte es un elemento muy importante en el bienestar de los pases
y sus habitantes. Si los usuarios que utilizan la infraestructura de transporte
no perciben las consecuencias de sus elecciones en trminos de recursos, probablemente van a generar un equilibrio ineficiente entre oferta y demanda. Se
despilfarrarn recursos, escasos al ser tarificados por debajo de su coste real,
mientras que recursos ms abundantes pero tarificados podran no ser utilizados. El hecho de que globalmente algunos sectores de la economa (tpicamente
los dueos de vehculos privados) paguen ms de lo necesario (a travs de impuestos, tasas, combustibles, etc.) por el uso de infraestructura, no garantiza una
asignacin de recursos ms racional. Los propietarios de coches probablemente
ven estos costes anuales como costes fijos (a fondo perdido) y como mucho
afectan en su decisin de comprar un coche, pero no de utilizarlo.
En los pases industrializados, sobre todo, las subvenciones entre usuarios
se producen de forma cruzada no slo entre modos (los impuestos del combustible pueden usarse para subvencionar el ferrocarril) sino dentro del mismo
modo (los costes de mantenimiento de las carreteras son pagados mucho ms
ampliamente por los coches en funcin de lo que deterioran, que lo que pagan
los vehculos pesados que, evidentemente, deterioran mucho ms). Comparados
con los vehculos pesados, los coches contribuyen ms a los costes de mantenimiento de una carretera (de peaje o no) que el deterioro que ambos generan.
Otro elemento de distorsin proviene de los efectos secundarios asociados a la produccin de servicios de transporte: accidentes, contaminacin y
degradacin del medioambiente en general. Estos efectos normalmente no son
internalizados; el usuario del sistema de transporte raramente percibe el coste
medioambiental o los gastos derivados de las hospitalizaciones de los heridos
en accidentes relacionados con el transporte. Internalizar estos costes tambin
podra ayudar a mejorar la toma de decisiones en planificacin de transporte y,
por tanto, a mejorar la asignacin de la demanda hacia modos alternativos.
Una de las caractersticas ms importantes de la oferta de transporte es
el grado de congestin al que se ha llegado ltimamente, sobre todo en reas
urbanas y en algunas infraestructuras interurbanas. Es difcil definir la congestin objetivamente aunque todos sabemos cundo la sufrimos. Hay aqu un
problema de percepcin, ya que de sobra es conocido que lo que se considera congestin excesiva en ciudades como Leeds o Lleida frecuentemente
se considerara normal en Londres o Lagos. La congestin surge cuando la

MODELOS

DE

TRANSPORTE

Tiempo de viaje t

intensidad de la demanda se aproxima a la capacidad de la instalacin (calle,

carretera, estacin, etc.) y el tiempo requerido para utilizarla (viajar a travs
de ella) sobrepasa muy por encima la media establecida bajo condiciones de
baja demanda. En el caso de la infraestructura de transporte, la inclusin de un
vehculo adicional en el sistema genera un retraso suplementario a todos los
dems usuarios, como puede verse, por ejemplo, en la figura 1.1. Obsrvese
que la contribucin de un vehculo adicional al retraso de todos los usuarios
es mayor cuando la intensidad de flujo vehicular es ms alta.

Figura 1.1.

1 Flujo V

La congestin y sus efectos externos.

Este efecto externo, motivado por el fenmeno de la congestin, es generalmente percibido por los dems usuarios pero no por el conductor que lo
origina. ste es el coste que se intenta internalizar mediante sistemas como la
tarificacin vial electrnica, con el objetivo de ayudar en la toma de decisiones
individuales ms razonadas.

1.2.3.

Equilibrio oferta y demanda

En trminos generales, dado un sistema de transporte con una cierta capacidad de operacin, la funcin de la planificacin del transporte es asegurar la
satisfaccin de una cierta demanda D de movimiento de personas y mercancas
con diferentes motivos de viaje, en distintos momentos del da, semana, mes y
ao, utilizando los distintos modos que lo conforman. El sistema de transporte
se puede definir como la interaccin de:

Introduccin

1. Una infraestructura (p. ej., la red de transporte).

2. Un sistema de gestin (esto es, un conjunto de normas, como p. ej., conducir
por la derecha y una serie de estrategias de control, como las seales de
trfico, etc.).
3. Un conjunto de modos de transporte y sus operadores.
Considrense un conjunto de volmenes de trfico V sobre una red, a una
velocidad S y con una capacidad de operacin Q de acuerdo a un sistema de
gestin M. En trminos muy generales, la velocidad sobre la red puede ser
representada como:
S = f {Q,V,M}

(1.1)

La velocidad puede ser considerada como una primera aproximacin de un

indicador general del nivel de servicio (LOS) ofrecido por el sistema de transporte. En trminos ms generales, un LOS sera especificado como una combinacin de varios efectos: velocidad o tiempo de viaje, tiempos de espera y
caminata y precio; estos aspectos sern tratados en mayor detalle en los captulos siguientes. El sistema de gestin M puede incluir esquemas de gestin del
trfico, control de reas de trfico y/o regulaciones aplicables a cada modo. La
capacidad Q depende del sistema de gestin M y de los niveles de inversin I
a lo largo del tiempo. De esta forma se puede escribir que:
Q = f {I,M}

(1.2)

El sistema de gestin tambin puede ser utilizado para redistribuir la capacidad entre las diferentes infraestructuras de transporte, generando otra variable
Q y/o dando prioridad a ciertos tipos de usuarios frente a otros, basndose
en criterios de eficiencia (usuarios de transporte pblico, ciclistas), medioambientales (vehculos elctricos) o de equidad (todos somos peatones alguna
vez cada da).
Como en el caso de la mayora de los bienes y servicios, se espera que el
nivel de demanda D dependa del nivel de servicio ofrecido por el sistema de
transporte y tambin de la distribucin de las actividades A en el espacio:
D = f {S,A}

(1.3)

Para un sistema de actividades fijo resulta que combinando las ecuaciones

(1.1) y (1.3) se debera encontrar un conjunto de puntos de equilibrio entre

MODELOS

DE

TRANSPORTE

la oferta y la demanda de transporte. Pero al variar el nivel de servicio en el

espacio y en el tiempo, el sistema de actividades probablemente cambiar, determinando dos conjuntos diferentes de puntos de equilibrio: a corto y a largo
plazo. El objetivo de la planificacin del transporte es prever y gestionar la
evolucin en el tiempo de estos puntos de equilibrio de forma que se maximice
el bienestar social. Por supuesto, ello no es una tarea fcil: la modelizacin de
estos puntos de equilibrio debera ayudar a comprender mejor esta evolucin
y al mismo tiempo ayudar al planificador en el desarrollo e implementacin
de estrategias de gestin M y programas de inversin I.
Algunas relaciones causa-efecto muy simples se pueden representar grficamente para ayudar a comprender la naturaleza de algunos problemas de
transporte. Un ejemplo tpico es el crculo vicioso coche/transporte pblico
que se muestra en la figura 1.2. El crecimiento econmico trae como consecuencia, entre otros aspectos, un aumento en la compra de vehculos privados.
Inicialmente, ms coches significan, en general, que ms personas desean transferirse del transporte pblico al coche, lo cual implica evidentemente menos
pasajeros. A ello, los operadores pueden responder incrementando los precios
de los billetes y/o reduciendo la frecuencia (el nivel del servicio) o ambos. En
consecuencia, la situacin descrita hace ms atractiva la posesin y uso del
coche privado, acelerando as el crculo vicioso. A medida que este proceso se
Aumentos
de renta
Uso ms atractivo
del coche

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

Incremento de los costes

de operacin de los buses

Figura 1.2.

El crculo vicioso del transporte pblico.

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 atractivas, 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

Incremento de los costes

de operacin de los buses

Figura 1.3. Ruptura del crculo vicioso: vehculo privado-transporte pblico.

MODELOS

DE

TRANSPORTE

ingresos aumenten si dichos estndares se cumplen, penalizando a aquellos

empresarios que no los cumplen.
El tipo de modelo que subyace en las figuras 1.2 y 1.3 suele denominarse
modelo estructural, tal y como se tratar en el Captulo 12; se trata de representaciones sencillas pero poderosas, en particular, porque permiten la discusin
de temas fundamentales de forma suficientemente parsimoniosa.
Sin embargo, no estn libres de peligros al ser aplicados en contextos
diferentes. Por ejemplo, pinsese en este modelo del crculo vicioso en el contexto de un pas en desarrollo. El crecimiento de la poblacin mantendr el
incremento de la demanda de transporte pblico mucho ms tiempo que en
un pas industrializado. De hecho, en algunos pases los flujos de autobuses
encontrados son enormemente altos, llegando a los 400-600 autobuses por hora
por sentido en algunos corredores. El contexto tambin es relevante cuando se
trata de buscar soluciones, as, se ha discutido que uno de los objetivos principales del establecimiento de carriles slo bus en pases en desarrollo no es
tanto proteger a los autobuses de la congestin, como el de organizar el movimiento de los autobuses (Gibson et al., 1989). Los altos volmenes de autobuses frecuentemente otorgan una prioridad de facto, y en estos casos, la interferencia entre autobuses puede llegar a ser un mayor factor de retraso que la
congestin generada por los coches. Por lo tanto, habra que revisar el modelo
del crculo vicioso expuesto anteriormente.
Asimismo parece observarse una cierta concienciacin debido a los problemas derivados de las fuertes emisiones de contaminantes que el trfico
produce, sobre todo en las ciudades. La alarma sobre la situacin de la capa de
Ozono y la preocupacin mostrada en este sentido (Protocolo de Kyoto, etc.)
por muchos pases o por la misma Unin Europea, ha hecho que se comiencen
a adoptar medidas para intentar paliar estos problemas. As, la Cumbre de los
Presidentes de los pases miembros de la UE adopt, el 9 de marzo del 2007, tres
resoluciones importantes con horizonte el ao 2020: la primera es el acuerdo
de reducir las emisiones en un 20%; la segunda hace alusin a que el 20% de
la energa utilizada provenga de fuentes renovables y la tercera establece que
el 10% de los combustibles utilizados en el transporte pblico han de ser biocarburantes. De hecho, a iniciativa de la UE est surgiendo, adems, toda una
lnea de trabajo dirigida hacia proyectos de investigacin en los que se favorezca el uso de modos alternativos de transporte en ciudades, bajo el concepto de movilidad sostenible: uso de combustibles alternativos (bio-disel,
pilas de hidrgeno, vehculos hbridos), tanto para buses como para coches con

Introduccin

importantes subvenciones pblicas para los consumidores, fomento masivo (y

en muchos casos, gratuito) de la bicicleta, programas de difusin y formacin
hacia la sostenibilidad, fomento de los carriles bicis y peatonales, carriles
BUS-VAO (para buses y para coches altamente ocupados), establecimiento de
peajes urbanos, etc. En definitiva, todo un conjunto de medidas disuasorias
de la utilizacin del vehculo privado.
Desgraciadamente, es imposible caracterizar todos los problemas de transporte de una forma sencilla, nica y universal. Los problemas de transporte
dependen del contexto, el cual no puede ignorarse a la hora de resolverlos. Los
modelos pueden contribuir a lograr que la identificacin de los problemas y la
seleccin de la forma de resolverlos tenga una base ms slida.

1.3.

MODELOS Y PROCESO DECISIONAL

1.3.1.

Estilos de toma de decisiones

Antes de elegir un marco de modelizacin para un problema determinado,

hay que identificar y definir el contexto relevante: pas, gobierno o entidad
determinada. Tambin debe reconocerse que existen varios estilos de toma de
decisiones en la prctica y que no todos ellos utilizan la modelizacin como
herramienta bsica. Dichos estilos se pueden caracterizar de muchas diferentes
maneras: lo que se explica a continuacin es una adaptacin de un esquema
realizado por Nutt (1981).
1.3.1.1.

Decisiones basadas en Planes Directores

Existe una larga tradicin en desarrollar y aplicar este tipo de estrategia en el

campo del transporte. Tambin existe una amplia experiencia sobre el fracaso
de este enfoque. Las decisiones se basan en interpretaciones del Plan Director
que establecen las normas que controlan las contingencias, las expectativas de
rendimiento y lo que se puede y no se puede hacer. Normalmente se prepara
el Plan Director con muchsimo cuidado y atencin al futuro, quizs utilizando un modelo de transporte estratgico de alto coste, del tipo utilizado en las
dcadas de los 60 y 70.
Los Planes Directores pueden ser razonables cuando el contexto socioeconmico es estable y por ende los problemas son recurrentes. Tienen la ventaja de informar a todos de lo que se va a hacer y la gran desventaja de que casi
nunca funcionan: los ambientes econmicos, sociales y tecnolgicos cambian

MODELOS

DE

TRANSPORTE

ms rpido de lo que el plan puede adaptarse. Adems, como la informacin

nueva no encaja en el Plan Director, casi nunca se recoge o se utiliza para
mejorar la toma de decisiones. Desgraciadamente, muchos pases en proceso
de desarrollo han tratado de adoptar este tipo de enfoque que es inapropiado
para sus cambiantes condiciones.
1.3.1.2. Teora de la decisin normativa o racionalidad sustantiva
ste es el enfoque racional para la toma de decisiones implcito en la mayora de
los libros de texto acerca de planificacin de transporte. Tambin se le conoce
como enfoque sistmico. Aqu la cuantificacin es esencial. El problema de
decisin se considera bajo la perspectiva de elegir opciones entre un conjunto
completo de alternativas y escenarios, con estimaciones acerca de su probabilidad de ocurrencia; la utilidad de cada alternativa se mide en trminos de
beneficios y costes y de otros criterios como la proteccin del medioambiente,
seguridad, etctera.
En algunos casos es posible formular el problema de decisin en un marco de programacin matemtica. Esto requiere que la funcin objetivo sea
conocida y especificada, y que lo mismo se aplique para las restricciones que
definen el espacio de soluciones. Sin embargo, en la mayora de los problemas
reales resulta difcil cuantificar algunos elementos de la funcin objetivo o de
las restricciones o convertirlos a unidades de medida comunes, como dinero
o tiempo. Tambin puede ser difcil incluir alguno de los elementos probabilsticos en cada caso pero se puede aprender bastante del problema durante el
proceso. En este caso, la modelizacin es el elemento central. Algunos ejemplos del tipo de problemas asociados a la aplicacin de la teora de la decisin
normativa son:
1. La acusacin de falta de sensibilidad frente a las aspiraciones del pblico.
2. Sus elevados costes.
3. La aberracin de quienes toman decisiones, que pueden no entender o
aceptar un tratamiento analtico del problema.
Adems, este enfoque frecuentemente ha fracasado en lo que se refiere a producir resultados a tiempo y con una exactitud aceptable; hasta ver
la adversa reaccin a la modelizacin de transporte a gran escala durante
los 80.

Introduccin

1.3.1.3. Teora conductual de la decisin

ste es un intento de suavizar el enfoque de la teora de la decisin normativa
reconociendo que a menudo los que toman decisiones no buscan maximizar la
utilidad sino solamente producir una solucin satisfactoria (ver la discusin en
el Captulo 7). La bsqueda de mejores soluciones frecuentemente se detiene
cuando se encuentra una que es aceptable; este enfoque combina bsqueda,
aprendizaje y toma de decisiones, pero probablemente no logre generar soluciones que no constituyan ms que mejoras marginales a la prctica actual.
De hecho, este enfoque es parecido a un anlisis marginal del problema de
optimizacin empezando desde una solucin no ptima; se buscan y se exploran mejoras menores pero aceptables con la esperanza de subir un escaln en
el proceso. La modelizacin juega aqu un papel ms restringido y puede ser
del tipo ms sencillo que se discute en el Captulo 12. Los modelos de oferta
y demanda marginales encajan muy bien en este enfoque.
1.3.1.4. Toma de decisiones en grupo
ste es un enfoque que se sigue en muchas reas gobernadas por un comit. La
toma de decisiones se convierte en un proceso de aprendizaje dentro de un grupo
con autoridad para tomar decisiones y un objetivo especfico. Los individuos
contribuyen con su experiencia y conocimientos, y el grupo intenta aplicarlos
al problema de decisin. En este enfoque se combina informacin cuantitativa
y cualitativa, as como posibles previsiones; sin embargo, el proceso no se realiza de forma sistemtica. Los puntos de vista de los miembros del grupo ms
persuasivos o poderosos pueden predominar ms all de su valor intrnseco.
La participacin en un grupo de este tipo a menudo ayuda a aceptar ciertas
decisiones, lo cual es muy importante en un contexto de planificacin. Algunas
veces se crea un grupo directivo para guiar y aconsejar la implementacin
de ejercicios de modelizacin importantes. Tienen el potencial de dar buenos
consejos acerca de lo que se incluye o no en la tarea de modelizacin y tambin
pueden promocionar la aceptabilidad del plan resultante.
1.3.1.5. Toma adaptativa de decisiones
Este enfoque es una versin ms flexible de la toma de decisiones en grupo.
Reconoce la interaccin entre grupos de presin, que no tienen poder de decisin. Cada grupo ve el problema de una forma distinta, siendo necesarios la
negociacin y el compromiso para llegar a una solucin decisional. Este enfoque

MODELOS

DE

TRANSPORTE

es til si el problema contiene muchas variables e interacciones que no estn

bien definidas y si no existe una teora normativa o de comportamiento que
sugiera relaciones causa-efecto. El enfoque es bastante comn en la toma de
decisiones legislativas y diplomticas, as como en muchos grupos de decisin,
especialmente cuando la supervivencia pasa a ser el objetivo dominante.
Dentro de este enfoque la modelizacin del transporte slo juega un papel
instrumental menor. Las recomendaciones de un determinado estudio se utilizan como argumentos en las negociaciones entre los grupos de presin, de
forma casi independiente de su valor intrnseco. Pueden usarse las tcnicas ms
modernas, no porque sean las ms exactas o sensibles sino porque el mencionar
que se han utilizado otorga mayor valor a los resultados del estudio y, por lo
tanto, ms poder a los que promocionaban su uso.
1.3.1.6. Estrategias mixtas de toma de decisiones
Finalmente, a menudo es posible combinar muchos de los enfoques anteriores
en una estrategia flexible. Esto es bastante comn en estudios de transporte.
Este tipo de estrategia reconoce que la forma en que se toman las decisiones
puede ser tan importante como la accin elegida. El enfoque mixto utiliza el
anlisis, la persuasin, la negociacin y las estrategias polticas en diferentes
escenarios bajo diferentes objetivos. A veces, estos ltimos se consideran fijos
y conocidos pero mientras las negociaciones continan puede ser necesario
aumentarlos para incluir las preocupaciones de grupos en conflicto.
ste es un enfoque realista que acepta que en el caso de problemas importantes los objetivos y escenarios pueden variar como parte del proceso de toma
de decisiones. ste es el caso de, por ejemplo, los planes para hacer importantes
mejoras en una red de carreteras o construir una autopista en una zona urbana;
o la tarea de elegir la mejor ruta para un ferrocarril que una Londres con el
Tnel de La Mancha; o el aumento de la capacidad de un aeropuerto que sirva
a una gran conurbacin. La modelizacin suele jugar un papel importante en
este enfoque; el nfasis debera estar en la flexibilidad y en la capacidad de
adaptacin, la inclusin de nuevas variables y el anlisis rpido de polticas y
diseos innovadores.

1.3.2.

Cmo escoger un enfoque de modelizacin

Este libro supone que el estilo de decisin adoptado implica el uso de modelos, por ejemplo, estrategias de racionalidad sustantiva o mixtas, pero no pro-

Introduccin

mueve un enfoque de toma de decisiones nico (es decir, normativo). La aceptabilidad de la modelizacin o de un enfoque de modelizacin en particular,
en el contexto de un estilo de decisin es muy importante. Los modelos que
terminan siendo ignorados por quienes toman decisiones no solamente malgastan recursos sino que tambin producen analistas y planificadores desanimados. Tambin se propone que cuando se especifica un enfoque analtico
hay que tener en cuenta varias caractersticas de los problemas y modelos de
transporte.
1. El contexto de la toma de decisiones. Implica adoptar una perspectiva
particular y elegir el alcance o amplitud del sistema de inters. La eleccin de la perspectiva define el tipo de decisiones que se han de considerar: planificacin estratgica, tctica (de gestin de transporte) o incluso
soluciones a problemas especficos de operacin. La eleccin del alcance implica especificar el nivel del anlisis: solamente se ha de incluir el
transporte o tambin ha de implicarse la localizacin de actividades?; para
diferentes niveles del sistema de transporte, interesa solamente la demanda o tambin la oferta?; ha de considerarse tambin la eficiencia del sistema o de los operadores de servicios, la minimizacin de los costes entre
los operadores, etc.? Tambin es crucial la cuestin de cuntas alternativas
hay que tener en cuenta para satisfacer a los diferentes grupos de inters
o para desarrollar el mejor plan; por lo tanto, el contexto en que se toman
las decisiones tambin ayudar a definir los requerimientos de los modelos
utilizados, las variables a ser incluidas en el modelo y las que se considerarn dadas o exgenas.
2. Exactitud deseada. ste es resultado del punto anterior y est influenciado en gran manera por los dos puntos siguientes (3 y 4). Sin embargo,
normalmente la exactitud deseada es justo la necesaria para discriminar
entre una buena solucin y otra menos buena. En algunos casos puede ser
bastante obvio cul es la mejor solucin, necesitndose as una modelizacin menos precisa. Sin embargo, hay que recordar que en el pasado, se ha
responsabilizado al sentido comn de algunas decisiones de planificacin
de transporte muy pobres.
3. La disponibilidad de datos adecuados, su estabilidad y las dificultades
asociadas a pronosticar sus valores futuros. En muchos casos puede que
se disponga de muy pocos datos; en otros pueden existir razones para
desconfiar de la informacin, o tener menos confianza en las predicciones
a futuro de las variables clave de planificacin, pues el sistema no es lo

MODELOS

DE

TRANSPORTE

suficientemente estable. Muchas veces los datos disponibles sern el factor

clave en la decisin del enfoque de modelizacin.
4. Estado del arte en modelizacin para un tipo particular de intervencin
en el sistema de transporte. Esto, a su vez, puede dividirse en:
a) Riqueza terica.
b) Facilidad del tratamiento matemtico e informtico.
c) Disponibilidad de buenos algoritmos de solucin.
Debe considerarse que, en la prctica, todos los modelos suponen que algunas variables son exgenas. Adems, muchas otras variables deben ser
omitidas del marco de la modelizacin, ya sea porque no son relevantes
para la tarea a realizar, demasiado difciles de predecir o porque se espera
que varen poco y no influyan en el sistema de inters. Una consideracin
explcita de lo que se ha dejado fuera del modelo puede ayudar a la hora de
decidir acerca de su idoneidad en relacin a un determinado problema.
5. Recursos disponibles para el estudio. stos incluyen dinero, datos, equipos y software informtico, habilidades tcnicas, etc. Sin embargo, hay dos
tipos de recursos que merecen una mencin especial: el tiempo y el nivel de
comunicacin con los que toman las decisiones y con el pblico. El tiempo
es probablemente lo ms crucial: si hay poco tiempo disponible para elegir
entre diferentes soluciones, ser necesario tomar atajos para poder ofrecer
asesora en plazos adecuados. Los decisores suelen fijar escalas de tiempo
absurdamente cortas para evaluar proyectos que tardarn aos en procesarse a travs de los mltiples niveles de decisin, aos en implementarse y
muchos ms aos en verificar si eran o no correctos. Por otra parte, un buen
nivel de comunicacin con quienes toman las decisiones y con los usuarios
aliviar en parte el problema: surgirn menos expectativas irrealistas acerca
de nuestra habilidad para modelizar con exactitud diferentes alternativas de
transporte, adems, una mejor comprensin de las ventajas y limitaciones
de la modelizacin debera moderar los extremos de aceptacin ciega o
rechazo total a las recomendaciones del estudio.
6. Requisitos de procesamiento de datos. Este aspecto sola interpretarse
como algo del tipo: de qu tamao es el ordenador que necesitas? La
respuesta actual a esa pregunta es no muy grande, ya que un buen microordenador bastar en la gran mayora de los casos. El verdadero cuello
de botella en el procesamiento de datos es la habilidad humana para recoger, codificar e introducir los datos, activar los programas e interpretar

Introduccin

los resultados. Cuanto mayor sea el nivel de detalle, ms difciles sern

estas tareas. La recoleccin de datos ayudados por ordenador incluyendo edicin grfica de entradas y salidas reduce en parte este problema.
Sin embargo, se necesita ms progreso en estas materias para superar este
cuello de botella.
7. Niveles de preparacin y habilidad de los analistas. Normalmente los
costes de entrenamiento son bastante altos; tanto que, a veces, es mejor
usar un modelo existente y bien conocido antes que intentar adquirir y
aprender el uso de un modelo ligeramente ms avanzado. Por supuesto,
ello podra parecer una receta para sofocar la innovacin y el progreso;
sin embargo, siempre sera posible dedicar tiempo a aprender sobre tcnicas ms modernas y eficaces sin rechazar la experiencia lograda con los
modelos anteriores.
Florian et al. (1988) formalizaron los contextos de la toma de decisiones
utilizando un marco bidimensional: nivel de anlisis y perspectiva. Los niveles de anlisis pueden incluir seis grupos diferentes de procedimientos, cada
uno de los cuales se centra en uno o ms modelos y sus algoritmos especficos
de solucin. stos son:
1. Procedimientos de localizacin de actividades, L;
2. Procedimientos de demanda, D;
3. Procedimientos de rendimiento del sistema de transporte, P, que producen
como salidas los niveles de servicio, el gasto econmico y las capacidades
prcticas, y dependen de los niveles de demanda y de las condiciones de
oferta de transporte;
4. Procedimientos de intervenciones en la oferta, S, que determinan las acciones tomadas por los proveedores de servicios de transporte e infraestructura; stas dependen de sus objetivos (maximizacin de beneficios,
bienestar social), ambiente institucional, sus costes y una estimacin de
futuros estados del sistema;
5. Procedimientos de minimizacin de costes, CM;
6. Procedimiento de produccin, PR.
Los dos ltimos tienen ms que ver con los aspectos microeconmicos
que afectan a los proveedores de la oferta (ya sean operadores o de infraestructuras) cuando eligen entre las combinaciones de insumos que minimizan
sus costes.

MODELOS

DE

TRANSPORTE

La perspectiva de la dimensin del problema considera los seis niveles de

procedimientos L, D, P, S, CM, PR y, adems, tres perspectivas: una estratgica STR, una tctica TAC y una operativa OPE. Por supuesto, stas se
relacionan con los horizontes de planificacin y los niveles de inversin; sin
embargo, en este contexto, ellos deberan considerarse como conceptos genricos asociados a la capacidad de:
1. Visualizar los niveles L, D, P, S, CM, PR en su importancia absoluta y
relativa.
2. Elegir, a cualquier nivel, lo que puede ser considerado como fijo o variable.
En la figura 1.4 se resume la forma en que se interrelacionan las diferentes
perspectivas y niveles. Por supuesto el nivel ms importante y agregado es el
nivel estratgico; los anlisis y las elecciones en este nivel tienen impactos que
afectan a todo el sistema a largo plazo, y, en general, implican la adquisicin de
recursos y el diseo de redes. Los temas tcticos tienen una perspectiva ms
corta y puntual, y se trata de cuestiones tales como el mejor aprovechamiento
de las instalaciones e infraestructura actuales. La perspectiva ms estrecha, la
operativa, trata de los problemas a corto plazo de los proveedores de servicios
de transporte y queda fuera del alcance de este libro; sin embargo, las decisiones
reales acerca de, por ejemplo, el nivel de servicio o el tamao de vehculos,
representan una entrada exgena importante en algunos de los modelos discutidos en este libro, y esto se muestra en la figura 1.4.
Todo es, por supuesto, una forma relativamente abstracta e idealizada de
visualizar los problemas de planificacin de transporte. Sin embargo, ayuda
a clarificar las elecciones que debe hacer el analista al desarrollar un enfoque
de modelizacin de transporte. Este libro se centra principalmente en los problemas de planificacin estratgica y tctica al nivel de los procedimientos
de demanda y rendimiento del sistema de transporte. No obstante, algunos de
los modelos discutidos a veces pueden ser tiles fuera de estos niveles y perspectivas.

1.4.

TPICOS EN MODELIZACIN DEL TRANSPORTE

Hasta aqu ya se han identificado las interacciones entre los problemas de

transporte, los estilos de toma de decisiones y los enfoques de modelizacin. Ahora se discutir acerca de algunos de los tpicos crticos de modelizacin que son relevantes para la eleccin de un modelo. Estos tpicos consi-

Introduccin

Exgenos

Estratgica

Operacional

Endgenos

Tctica

Perspectivas
de
 Planicacin
y Gestin

Localizacin de actividades L
Demanda

Rendimiento

Alcance
de este
libro

Intervenciones en la oferta S
Minimizacin de costes

CM

Produccin

PR

Niveles sistema de transportes

Figura 1.4.

El marco conceptual tridimensional.

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.

1.4.1.

Tpicos generales de modelizacin

Wilson (1974) proporciona una interesante lista de preguntas que deberan ser
respondidas por cualquier aspirante a modelizador; sta abarca desde aspectos generales como el propsito que hay detrs de construir el modelo, hasta
aspectos ms detallados como qu tcnicas estn disponibles para dicha construccin. A continuacin se discuten algunos de estos temas, junto con otros
que son especialmente relevantes para el desarrollo de este libro.

MODELOS

1.4.1.1.

DE

TRANSPORTE

Los roles de la teora y los datos

Mucha gente tiende a asociar la palabra teora a una serie sin fin de frmulas
y manipulaciones algebraicas. En el campo de la modelizacin del transporte
urbano esta asociacin ha sido bastante correcta: es difcil comprender y replicar las complejas interacciones entre seres humanos, que constituyen una
caracterstica inevitable de los sistemas de transporte.
Algunos desarrollos tericos que trataron de superar estas dificultades, han
dado como resultado modelos a los que les faltaban tanto datos como software
adecuados para su implementacin prctica. Ello ha llevado a muchos profesionales a pensar que la brecha entre teora y prctica es cada vez ms amplia;
y esto es algo que se ha intentado contrarrestar en este libro.
Una consideracin importante para juzgar la contribucin de una nueva
teora es si sta impone restricciones que tengan sentido a, por ejemplo, la
forma de una funcin de demanda. Existe por lo menos un caso documentado
sobre un estudio prctico de planificacin de transporte, que dur varios
aos y cost varios millones de dlares, que dependa de modelos de demanda
pragmticos con una estructura errnea (algunas de sus elasticidades tenan el
signo incorrecto; vase Williams y Senior, 1977). Aunque esto podra haber sido
diagnosticado previamente por dichos profesionales pragmticos si no hubieran
despreciado la teora, slo fue descubierto a posteriori por los tericos.
Desgraciadamente (o quizs afortunadamente, dira un pragmtico) a veces se pueden derivar formas funcionales similares de los modelos a partir de
diferentes perspectivas tericas (este tpico de equifinalidad se trata con ms
detalle en el Captulo 8). Sin embargo, la interpretacin de los resultados de
un modelo depende en gran medida del marco terico adoptado. Por ejemplo,
la misma forma funcional del modelo gravitacional se puede derivar de una
analoga con la fsica, de la maximizacin de la entropa y de la teora de la
maximizacin de la utilidad. La interpretacin de los resultados, sin embargo,
puede depender de la teora adoptada. Si interesan solamente los flujos en los
arcos de una red, podra ser irrelevante qu marco terico subyace en la funcin
analtica del modelo. Sin embargo, si se requiere una medida de evaluacin, la
situacin cambia, ya que slo sera de ayuda en este caso una teora basada en
el comportamiento del usuario bajo la perspectiva econmica. En otros casos,
se utilizarn frases como la atraccin de la zona de destino de viajes se incrementar, o sta es la forma ms probable de organizar los viajes, o
la matriz de viajes ms probable coincidente con nuestra informacin acerca
del sistema; estas frases no ayudan a definir medidas de evaluacin pero

Introduccin

pueden ayudar a interpretar mejor la naturaleza de la solucin encontrada.

Asimismo, el marco terico tambin otorgar cierta credibilidad al modelo al
intentar pronosticar el comportamiento futuro. En este sentido es interesante
reflexionar sobre la interaccin entre la prctica y la teora. Por ejemplo, se
ha comprobado que los modelos o formas analticas utilizadas en la prctica,
tradicionalmente han influenciado las hiptesis utilizadas en el desarrollo de
nuevos marcos tericos. Tambin se sabe que modelos ampliamente utilizados,
como, por ejemplo, el logit mltiple, que ser tratado en los Captulos 6 y 7,
han sido objeto de importantes racionalizaciones a posteriori:
los avances tericos son especialmente bienvenidos cuando fortalecen las prcticas habituales que pueden carecer de una lgica particularmente convincente
(Williams y Ortzar, 1982b).

Los dos estilos clsicos de enfoque para el desarrollo de teoras son el

mtodo deductivo (construir un modelo y probar sus predicciones frente a observaciones) y el mtodo inductivo (en el que a partir de los datos se intentan
inferir leyes generales). El enfoque deductivo se ha mostrado ms productivo
en el caso de las ciencias puras y el enfoque inductivo se ha preferido en el
caso de las ciencias sociales analticas. Es interesante hacer ver que los datos
son un elemento central de ambos enfoques; de hecho, se sabe que la disponibilidad de datos normalmente deja poco margen para la negociacin y el
compromiso entre la relevancia y la complejidad de un modelo. Es ms, en
muchos casos la naturaleza de los datos restringe la eleccin del modelo a una
nica alternativa.
El tema de los datos est estrechamente ligado a otros aspectos como, por
ejemplo, el tipo de variables que se va a representar en el modelo y esto, por supuesto, tambin est ligado a aspectos tericos. Los modelos predicen un cierto
nmero de variables dependientes (o endgenas) dadas otras variables independientes (o explicativas). Para probar la bondad de un modelo normalmente
se necesitaran datos acerca de cada variable. De inters particular son las
variables de poltica, que son aquellas que se supone estn bajo el control de
quienes toman las decisiones, y esto es, las que el analista puede hacer variar
para evaluar diferentes polticas o proyectos.
Otro tema importante en este contexto es el de la agregacin:
Cuntos segmentos de la poblacin o tipos de individuos son necesarios
para obtener una buena representacin o conocimiento del problema?

MODELOS

DE

TRANSPORTE

A qu nivel de detalle se deben medir ciertas variables para replicar un

fenmeno dado?
El espacio es un elemento crucial en el transporte; a qu nivel de detalle
se debe codificar el origen y el destino de los viajeros para modelizar su
comportamiento?
1.4.1.2.

Especificacin de modelos

En su acepcin ms amplia e interesante, la especificacin del modelo comprende los siguientes aspectos:
La estructura del Modelo. Se puede replicar el sistema que se va a modelizar con una estructura sencilla que suponga, por ejemplo, que todas las
alternativas son independientes? o es necesario construir modelos ms
complejos que calculen, por ejemplo, las probabilidades de eleccin condicionales en elecciones anteriores? Modelos contemporneos, como los que
se discuten en los Captulos del 7 al 9, normalmente contienen parmetros
que representan aspectos de la estructura de los modelos, y las extensiones
metodolgicas logradas a mediados de los 80 han permitido la estimacin
de modelos cada vez ms generales. Sin embargo, como ha sealado Daly
(1982b), aunque podra suponerse hipotticamente que, al fin y al cabo,
todas las cuestiones acerca de la forma de los modelos podran resolverse
con pruebas empricas, tal solucin no es posible ni apropiada.
Forma Funcional. Es posible utilizar formas lineales o el problema requiere
funciones no lineales ms complejas? Estas ltimas pueden representar al
sistema de inters con mayor exactitud, pero seguramente van a ser ms
exigentes en trminos de recursos y tcnicas de calibracin y uso del modelo.
Aunque las consideraciones tericas pueden jugar un importante papel a la
hora de solucionar esta cuestin, tambin es posible examinarla de forma
inductiva mediante simulaciones de laboratorio, por ejemplo, mediante
experimentos de intenciones/preferencias declaradas.
Especificacin de variables. ste es el significado ms usual asociado al
tema de especificacin, y consiste en definir qu variables se deben utilizar y cmo (de qu forma) deberan entrar en un modelo determinado.
Por ejemplo, si se supone que el ingreso de los usuarios influye en la eleccin modal individual, cmo debera entrar esta variable en el modelo,
como tal o deflactando a la variable coste? Los mtodos para avanzar en
esta cuestin van desde la utilizacin deductiva (constructiva) de la teora

Introduccin

hasta el anlisis estadstico inductivo de los datos mediante transformaciones.

1.4.1.3. Calibracin, validacin y uso de modelos
Un modelo puede representarse sencillamente como una funcin matemtica
de variables X y parmetros , tal que:
Y = (X,)

(1.4)

Es interesante mencionar que los conceptos gemelos calibracin de modelos

y estimacin de modelos han tomado tradicionalmente diferente significado
en el campo del transporte. La calibracin de un modelo requiere la seleccin de sus parmetros que se suponen con valor distinto de cero, con el objetivo de optimizar una o ms medidas de bondad de ajuste que son funcin
de los datos observados. Esta forma de proceder se ha atribuido a los fsicos e
ingenieros responsables de la primera generacin de modelos de transporte, que
no se preocupaban demasiado acerca de las propiedades estadsticas de estos
ndices; esto es, cun grandes pueden ser los errores de calibracin.
La estimacin implica encontrar los valores de los parmetros que hagan
que los datos observados sean ms probables bajo la especificacin del modelo;
en este caso puede resultar que uno o ms parmetros no sean significativos
y deban excluirse del modelo. La estimacin tambin considera la posibilidad
de examinar empricamente ciertas cuestiones de especificacin; por ejemplo, se pueden estimar parmetros estructurales y/o de forma funcional. Este
procedimiento se ha asociado a los ingenieros y econometristas responsables
de la segunda generacin de modelos, quienes daban mucha importancia a la
posibilidad de efectuar tests estadsticos ofrecida por estos mtodos. Sin embargo, en esencia ambos procedimientos coinciden porque la forma de decidir
cules son los mejores valores de los parmetros consiste en examinar algunos
indicadores de bondad de ajuste previamente definidos. La diferencia est en
que estas medidas normalmente tienen propiedades estadsticas bien conocidas que permiten construir intervalos de confianza alrededor de los valores
estimados y las previsiones de los modelos.
Ya que la gran mayora de los modelos de transporte han sido construidos
basndose en datos de corte transversal, ha existido una tendencia a interpretar
la validacin del modelo exclusivamente en trminos de su bondad de ajuste al
comportamiento observado. Aunque sta es una condicin necesaria para la
validacin del modelo, no es de ninguna manera suficiente; esto se ha demos-

MODELOS

DE

TRANSPORTE

trado en un nmero de casos en los que se ha podido comparar las predicciones

del modelo con los resultados observados en estudios antes y despus (vase
la discusin en Williams y Ortzar, 1982a). La validacin del modelo requiere
comparar sus predicciones con informacin que no haya sido utilizada durante
el proceso de estimacin. Naturalmente, esto implica un test ms riguroso del
modelo y requiere ms informacin o ms recursos.
Una de las primeras tareas que enfrenta el modelizador es decidir cules son
las variables que el modelo va a predecir y cules son los inputs o entradas necesarios a tal efecto. Algunas variables no se incluirn en absoluto, bien porque
el modelizador no puede obtenerlas o bien porque la teora subyacente al modelo
no las contempla (vase la figura 1.5). Ello implica, inmediatamente, un cierto
grado de error y de incertidumbre (se volver sobre este tema en el Captulo 3)
que, obviamente, se complica an ms por otros errores que tambin son inherentes a la modelizacin; por ejemplo, los errores de muestreo y, todava ms
importante, los errores debidos a las inevitables simplificaciones de la realidad
que necesita el modelo para ser utilizado en la prctica (vase la figura 1.5).

Comportamiento
individual

Eleccin

Respuesta

Factores
que determinan
la eleccin

Poblacin

Medioambiente

Teora
del comportamiento

Atributos
Cambio de poltica

Muestra
Modelo

Simulacin

Espacio del modelizador

Figura 1.5.

Modelizacin y muestreo.

Previsin

Introduccin

Por lo tanto, el uso principal de los modelos en la prctica es la prediccin

condicional: el modelo producir estimaciones de las variables dependientes
dado un conjunto de variables independientes. De hecho, las predicciones tpicas vienen condicionadas de dos formas (Wilson, 1974):
En relacin a los valores asignados a las variables de poltica en el plan y
cuyo impacto es analizado en el modelo.
En relacin a los valores supuestos para otras variables.
Los modelos son normalmente utilizados para valorar una serie de planes
alternativos para un rango de hiptesis factibles acerca de los valores futuros
de las otras variables (p. ej., escenarios de ingreso). Ello significa que el modelo debe ejecutarse muchas veces en el contexto de evaluar un determinado
problema. Por esta razn, puede ser de gran importancia que su especificacin
permita altas velocidades de procesamiento por ordenador; esto no es una
tarea fcil en el caso de un modelo de transporte a gran escala, ya que implica
procesos complejos de equilibrio entre oferta y demanda, como se discutir
en el Captulo 11.

1.4.2.

Modelizacin agregada y desagregada

El nivel de agregacin seleccionado para la medicin de los datos es una cuestin importante en el diseo general de un estudio de planificacin de transporte. Aunque un nivel mayor de detalle con miras a un mayor grado de
exactitud debera mejorar la calidad de los modelos, probablemente incrementar los costes de recogida y anlisis de datos as como de la mayora de
los restantes aspectos del ejercicio de la modelizacin.
De inters central es la agregacin de los datos exgenos, es decir, la informacin acerca de cuestiones diferentes al comportamiento de los viajeros,
que se supone endgeno (es decir, el modelo intenta replicarlo). Por ejemplo,
durante aos se ha discutido si un tem de datos representa el valor medio de
un grupo de viajeros o si debera ser recogido especficamente para un individuo. Es inevitable un cierto grado de agregacin cuando el modelo de inters
procura representar el comportamiento de ms de un individuo (p. ej., un
seguimiento de mercado como los propietarios de coche de una determinada
zona) como en el caso de los modelos agregados o de primera generacin, que
sern examinados en los Captulos 5 y 6. Pero, cuando el modelo de inters
intenta representar el comportamiento individual, como es el caso de los mo-

MODELOS

DE

TRANSPORTE

delos desagregados o de segunda generacin examinados en los Captulos 7

a 9, es lgico pensar que la informacin exgena pueda ser obtenida y utilizada
separadamente para cada viajero. Una cuestin importante es entonces si, por
razones de coste u otras, se debera preferir utilizar datos menos detallados
(vase Daly y Ortzar, 1990).
La previsin de la demanda futura es un elemento crucial en la mayora
de los estudios de planificacin del transporte. El ser capaz de predecir el
uso ms probable de nuevas infraestructuras es un precursor esencial para
la toma de decisiones racional acerca de las ventajas o no de proveer tales
infraestructuras. Tambin puede ser importante tener alguna idea acerca de
la sensibilidad de la demanda respecto a variables importantes que estn bajo
control del analista (p. ej., la tarifa que se cobra por su uso). En la mayora de
los casos las previsiones y los estudios de sensibilidad deben proporcionarse
a nivel agregado, es decir, deben representar el comportamiento del total de
la poblacin de inters. Por lo tanto, con el fin de obtener estos indicadores
el analista que utiliza modelos desagregados tiene que encontrar un mtodo
robusto para agregar los resultados del modelo.
Los modelos de la primera generacin se solan utilizar casi sin excepcin en los estudios de transporte hasta finales de los 70; llegaron a hacerse
familiares, necesitaban relativamente pocas habilidades por parte del analista
(pero s algn conocimiento de informtica bsica) y tenan la propiedad de
ofrecer una receta para todo el proceso de modelizacin completo, desde la
recoleccin de datos hasta la prediccin de flujos en los enlaces de una red.
Los resultados de estos modelos, quizs porque eran generados por complicados programas de ordenador, a menudo se consideraban ms exactos de lo que
se pretenda; por ejemplo, predecir giros a izquierda de vehculos a 15 aos
vista. Los modelos de la primera generacin han sido criticados severamente
(a veces con justificacin) por su inflexibilidad, inexactitud y coste. Desgraciadamente, muchos enfoques de la segunda generacin, habiendo adoptado
un tratamiento sofisticado de las elecciones y restricciones enfrentadas por los
viajeros individuales, han fallado al momento de realizar previsiones, a veces
porque requeran datos que no podan ser estimados de forma razonable.
Los modelos desagregados, que llegaron a ser muy populares en los 80,
ofrecen sustanciales ventajas sobre los mtodos tradicionales y tambin son
de utilidad prctica en mltiples aplicaciones. Sin embargo, un problema prctico importante es que requieren un alto nivel de conocimiento y habilidades estadsticas y economtricas (especialmente en la interpretacin de los

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 inicialmente 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 comportamiento, en particular durante el proceso de desarrollo del modelo; en muchos
casos, el enfoque desagregado es claramente superior al conjunto de comportamientos 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.

1.4.3.

Datos de corte transversal y series temporales

Hasta finales de los 80 la gran mayora de los estudios de planificacin de

transporte dependan de informacin acerca de los patrones de viaje obtenidos a partir de una muestra representativa de individuos tomada en un nico
momento fijo en el tiempo (seccin transversal). De hecho, el uso del enfoque
de muestreo mostr las diferencias entre las dos generaciones de modelos
anteriormente descritos.
Una hiptesis fundamental del enfoque de seccin transversal es que se
puede encontrar una medida de la respuesta a variaciones incrementales simplemente calculando las derivadas de una funcin de demanda respecto a las
variables de poltica de inters. Ello hace explcita la hiptesis de que una
relacin causa-efecto realista puede deducirse de los parmetros de un modelo estimado con observaciones correspondientes a un determinado momento
temporal. Esto sera razonable siempre que hubiese suficientes personas que
cambiasen sus elecciones, por ejemplo, respecto a destinos o modo, en ambas

MODELOS

DE

TRANSPORTE

direcciones y si, adems, no existiesen variaciones debidas al hbito o los

efectos de desfases temporales.
Sin embargo, la hiptesis de seccin transversal tiene dos desventajas
potencialmente serias. En primer lugar, una muestra representativa puede
corresponder a una historia particular de cambios en los valores de ciertas
variables clave que influyen en la eleccin. Por ejemplo, cambios en el tiempo, en el modo o en la localizacin, pueden haber sido provocados por una
serie de estmulos diferentes (precio del combustible, cambios en el ciclo de
vida, etc.) y el grado en el que el sistema puede ser considerado en desequilibrio
(p. ej., debido a la inercia) va a depender de ellos. El problema es que se puede
demostrar (vase el Captulo 7) que la respuesta de grupos con exactamente
las mismas caractersticas actuales, pero que han pasado por un proceso de
cambios diferente, puede ser totalmente distinta. En segundo lugar, los datos
correspondientes a un solo perodo temporal, normalmente no permiten discriminar entre formulaciones alternativas de un modelo, ni siquiera si stas
derivan de hiptesis tericas completamente diferentes. Siempre es posible
encontrar parmetros que produzcan el mejor ajuste a los datos del ao base
incluso si el modelo tiene severos problemas de especificacin; el problema es,
por supuesto, que estos parmetros no garantizan buenas propiedades de respuesta ante situaciones futuras. Como se vio en la seccin 1.4.1, el hecho de que
un modelo reproduzca bien la situacin del ao base no es una condicin de
validacin suficiente.
Por lo tanto, en general, cuando se utilizan datos de seccin transversal no
es posible distinguir entre la amplia variedad de fuentes posibles de dispersin presentes en un conjunto de datos (es decir, dispersin de preferencias,
efectos de hbito, restricciones, etc.). Un progreso real en la comprensin y
valoracin de la efectividad de un modelo predictivo slo puede obtenerse si
existe informacin disponible sobre respuestas en el tiempo. Desde un punto
de vista terico, tambin es deseable disear un marco apropiado de anlisis
que permita el eventual rechazo de hiptesis relacionadas con la respuesta a
cambios. Mientras que esto no se logre, seguirn existiendo dudas sobre la
validez de los estudios realizados con datos de seccin transversal.
La discusin anterior ha llevado a que muchas personas consideren que para
construir modelos predictivos ms fiables, siempre que sea posible deberan
usarse datos longitudinales o series temporales. Este tipo de datos, por definicin, incorpora informacin sobre la respuesta del sistema frente a variaciones
en la situacin actual. Por lo tanto, en principio puede proveer los instrumentos

Introduccin

necesarios para testear directamente y quizs tambin refutar hiptesis relativas

a la respuesta a cambios.
Los datos longitudinales pueden tomar la forma de paneles o, ms sencillamente, de informacin antes y despus. Desgraciadamente, los modelos
construidos a partir de este tipo de datos tambin presentan serios problemas
tcnicos; de hecho, hasta finales de los 90 el progreso en este campo haba sido
bastante limitado. En los Captulos 3 y 7 se discutirn algunos de los temas
relacionados con la recogida y uso de este tipo de informacin.

1.4.4.

Preferencias Reveladas y Declaradas

Puede ser bastante complicado desarrollar modelos aceptables y robustos

si el analista no puede disear experimentos que permitan observar el comportamiento del sistema bajo un amplio rango de condiciones. En el sector
transporte las experimentaciones de este tipo no son ni prcticas ni viables y el
analista, como el astrnomo, se encuentra obligado a hacer observaciones sobre
situaciones y elecciones que no puede controlar. Hasta mediados de los 80 era
casi axiomtico que la modelizacin de la demanda de transporte se basara en
informacin acerca de elecciones y decisiones observadas, es decir, de datos
de preferencias reveladas. Dentro de este enfoque, la evaluacin de proyectos
requiere que la poltica de intervencin sea expresada en trminos de variaciones en los atributos que se consideran influyentes en los comportamientos
actuales. Sin embargo, tiene limitaciones prcticas bsicamente asociadas a los
costes de la muestra y a la dificultad de distinguir los efectos de atributos que
no sean fciles de observar, por ejemplo, aquellos relacionados con conceptos
como calidad o conveniencia. Otro problema prctico tradicional ha sido cmo
tratar alternativas nuevas, dnde se requiere pronosticar el comportamiento
de una instalacin que no est disponible en la actualidad y qu puede ser
radicalmente diferente de las existentes.
Las tcnicas de preferencias/intenciones declaradas, provenientes del
campo de los estudios de mercado surgieron a finales de los 70 como un instrumento para realizar experimentos con elecciones relacionadas con sistemas
de transporte, y por tanto para resolver algunos de los problemas anteriormente
descritos. Las tcnicas de preferencias declaradas basan la estimacin de la
demanda en un anlisis de las respuestas a elecciones hipotticas; stas naturalmente, pueden comprender una gama de atributos y condiciones mayor
que las del sistema real. Sin embargo, estas tcnicas se desacreditaron en sus

MODELOS

DE

TRANSPORTE

comienzos porque no se saba cmo descontar el excesivo entusiasmo de ciertos

encuestados; por ejemplo, ni siquiera la mitad de los individuos que declaraban
que tomaran un curso de accin determinado, realmente lo hacan cuando
eventualmente tenan la oportunidad.
Esta situacin tard una dcada en cambiar pero, a finales de los 80, los
mtodos de preferencias declaradas llegaron a ser percibidos por muchos como
una oportunidad real de solucionar las dificultades anteriormente mencionadas.
Adems, se ha encontrado que, en ciertos casos, los mtodos y datos de preferencias declaradas y reveladas se pueden utilizar de forma complementaria,
evidenciando y combinando las ventajas de ambos enfoques. En particular, se
considera que ofrecen una herramienta invaluable para ayudar a la modelizacin
de alternativas completamente nuevas. En el Captulo 3 se examinan los aspectos relativos a la recogida de datos en los mtodos de preferencias declaradas,
y en el captulo 8 se examinan cuestiones referentes a su modelizacin.

1.5.

ESTRUCTURA DEL MODELO CLSICO DE TRANSPORTE

Aos de experimentacin y desarrollo han dado como resultado la definicin de

una estructura general de modelizacin denominada modelo clsico de transporte. Esta estructura es, en efecto, el resultado de la prctica en los 60, pero
ha permanecido relativamente inalterada a pesar de las importantes mejoras
experimentadas en las tcnicas de modelizacin durante los ltimos 40 aos.
La forma general del modelo puede verse en la figura 1.6. El enfoque
comienza considerando una zonificacin y un sistema de redes as como la recogida y codificacin de datos de planificacin, calibracin y validacin. Estos
datos deberan incluir informacin para el ao base sobre la poblacin de diferentes tipos en cada zona del estudio as como niveles de actividad econmica,
incluyendo empleo, espacio dedicado a la actividad comercial, instalaciones de
educacin y recreativas. A continuacin estos datos se utilizan como variables
independientes de la funcin de demanda, para estimar modelos que reproduzcan el nmero total de viajes atrados y generados (variable dependiente) por
cada zona del rea de estudio (generacin de viajes). El paso siguiente es asignar estos viajes a diferentes destinos, en otras palabras, su distribucin en el
espacio, dando lugar a una matriz de viajes origen-destino (O-D). La etapa siguiente consiste en modelizar la eleccin del modo, y esto tiene como resultado
el reparto o distribucin modal, es decir, la asignacin de los viajes de la matriz
O-D segn los diferentes modos de transporte. Finalmente, la ltima etapa del

Introduccin

Zonificacin

Datos aos base

Datos futuros
de
 Planicacin

Base de datos:
Ao base
Futuro

iteraciones

Generacin

Distribucin
Reparto modal

Asignacin a la red
Evaluacin

Figura 1.6.

El modelo clsico de transporte de cuatro etapas.

modelo clsico consiste en la asignacin de los viajes en cada modo a su red

correspondiente: tpicamente de transporte pblico o de transporte privado.
El modelo clsico se presenta como una secuencia de cuatro etapas o submodelos: generacin de viajes, distribucin, reparto modal y asignacin. Actualmente se reconoce que las decisiones de viaje no se toman realmente siguiendo
este tipo de secuencia; una visin contempornea es que el posicionamiento de
cada submodelo depende de la forma de la funcin de utilidad asumida para
explicar todas estas elecciones de viaje (vase Williams, 1977). Ms an, se
critica que el modelo de cuatro etapas concentra la atencin en slo un espectro
limitado de las decisiones que pueden adoptar los usuarios. La tendencia actual
requiere analizar una gama ms amplia de respuestas a los problemas y proyectos de transporte. Por ejemplo, ante una situacin de congestin creciente,
un viajero puede responder con una serie de cambios simples en:
El recorrido seguido, para evitar la congestin o aprovechar nuevos enlaces;
esto incluye la eleccin de aparcamiento o una combinacin de servicios en
el caso de transporte pblico.

MODELOS

DE

TRANSPORTE

El modo utilizado para llegar al destino.

La hora de salida para evitar los momentos ms congestionados.
El destino del viaje hacia una zona menos congestionada.
La frecuencia de los viajes, hacindolos otro da, o quizs combinndolos
con otras actividades.

Adems, a ms largo plazo pueden tener lugar otras respuestas ms complejas, por ejemplo, cambio de lugar de empleo, de localizacin residencial, de
reas comerciales, etc.; todos estos aspectos son sensibles, al menos en parte,
a cambios en la accesibilidad del sistema de transporte.
A pesar de estos comentarios, el modelo secuencial de cuatro etapas constituye un punto de referencia respecto a mtodos alternativos. Por ejemplo,
algunos de los enfoques actuales intentan tratar de forma simultnea la eleccin de frecuencia de viaje (viajes por semana), destino y modo de viaje en un
modelo nico que colapsa estas tres etapas. Otros enfoques ponen el nfasis
en el papel de las actividades familiares y en las elecciones de viaje que ellas
originan; conceptos como circuitos, presupuestos de tiempo y dinero se utilizan
en este contexto para modelizar las decisiones y restricciones de viaje. Estas
estrategias de modelizacin son ms difciles de plantear en trminos de los
cuatro submodelos o decisiones anteriormente descritas. Hasta el momento,
estos nuevos enfoques han jugado un papel ms bien de investigacin y su
uso operativo parece an lejano. Sin embargo, estos modelos basados en las
actividades permiten una mejor comprensin del comportamiento respecto
a viajes y probablemente en el futuro mejoren los enfoques de modelizacin
ms convencionales.
La secuencia generacin-distribucin-eleccin modal-asignacin es la ms
comn pero no es la nica posible. Por ejemplo, algunos estudios en el pasado han situado la eleccin modal antes que la distribucin e inmediatamente
despus de (o junto con) la generacin de viajes. Esto permite dar un mayor
nfasis a las variables decisionales que dependen de la unidad que genera el
viaje, quizs el hogar. Sin embargo, situar la eleccin modal antes de que se
conozca la distribucin dificulta la inclusin en el modelo de los atributos del
viaje y del modo y le resta relevancia en trminos de anlisis de polticas al
modelo de reparto modal. Quizs un mejor enfoque sera tratar simultneamente
la distribucin y eleccin del modo, tal y como se discute en el Captulo 6.
Obsrvese tambin que el modelo clsico considera a la generacin de viajes
como inelstica, es decir, es independiente del nivel de servicio proporcionado
por el sistema de transporte. Probablemente, ello no es demasiado realista pero

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 planificacin 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 planificacin.
Una vez definidos un conjunto de escenarios y planes realistas para su
verificacin, se activa nuevamente la misma secuencia de modelos para simular sus prestaciones. A continuacin se realiza una comparacin entre los costes 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 necesidad 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 distribucin, 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

1.6.

DE

TRANSPORTE

PLANIFICACIN CONTINUA DEL TRANSPORTE

Por s mismos los modelos de planificacin de transporte no solucionan los

problemas del transporte. Para que sean tiles deben ser utilizados dentro de
un proceso decisorio adaptado al leal estilo de toma de decisiones elegido. El
modelo clsico de transporte fue desarrollado originalmente como un enfoque
normativo idealizado para la toma de decisiones. Su papel en la planificacin
del transporte puede ser descrito como una contribucin a las fases clave de un
proceso decisional de tipo racional, como puede verse en la figura 1.7:
1. Formulacin del problema. Un problema puede definirse como una discrepancia entre lo que se espera y la realidad percibida. La definicin
formal de un problema de transporte requiere fijar objetivos, estndares
y restricciones. Los primeros reflejan los valores implcitos en el proceso
decisional, es decir, la definicin de un estado ideal pero posible de conseguir en una situacin futura. Los estndares sirven para confrontar, en un
Formulacin del problema
Recoleccin de datos
Construccin analtica
del modelo y calibracin
Generacin
de soluciones
a testear

Previsin de
las variables de
planificacin
Test del modelo y Solucin

Evaluacin de soluciones y recomendacin de la mejor

Implementacin de la solucin

Figura 1.7.

Un marco para la toma de decisiones racional utilizando modelos.

2.

3.

4.

5.

6.

Introduccin

momento dado, si se estn alcanzando las prestaciones mnimas a diferentes

niveles de inters. Por ejemplo, el hecho de que muchas intersecciones
semaforizadas en una ciudad operen a un grado de saturacin del 90% es
una indicacin de red sobrecargada. Las restricciones pueden ser de muchos
tipos, financieras, geogrficas, temporales, tcnicas, o simplemente que
existan algunas reas o tipos de edificios que deberan ser salvaguardados
en los nuevos proyectos.
Recogida de datos sobre la situacin actual del sistema para apoyar el
desarrollo del modelo analtico. Evidentemente, la recogida de datos no
es independiente del desarrollo del modelo, ya que ste define el tipo de
datos necesarios: la recogida de los datos y el desarrollo del modelo estn
estrechamente relacionados.
Construccin de un modelo analtico del sistema de inters. Las herramientas proporcionadas en este libro pueden ser utilizadas para construir
modelos de transporte que incluyan procesos para la demanda y para las
prestaciones del sistema desde un punto de vista tctico y estratgico. Por
lo general, el objetivo consiste en seleccionar el enfoque de modelizacin
ms simple que permita elegir entre diferentes proyectos de forma consistente. La construccin de un modelo analtico implica su especificacin, su
estimacin o calibracin de parmetros y la validacin de sus prestaciones
con datos no utilizados durante su calibracin.
Generacin de soluciones para ser verificadas. Esto puede lograrse de
varias formas, desde aprovechar la experiencia y creatividad de los planificadores de transporte y grupos interesados, hasta la construccin de
modelos de diseo a gran escala con la ayuda de tcnicas de optimizacin,
por ejemplo. Ello puede implicar la introduccin de mtodos de minimizacin de oferta y costes, que quedan fuera del alcance de este libro.
Para verificar las soluciones provenientes de los proyectos propuestos en el
epgrafe anterior, es necesario predecir los valores futuros de las variables de planificacin, las cuales han de utilizarse como entradas o inputs
del modelo. Ello requiere la preparacin de descripciones cuantitativas
precisas o escenarios, acerca del ordenamiento futuro de la zona de inters,
normalmente utilizando predicciones que provengan de otros sectores y/o
unidades de planificacin. Este aspecto ser tratado en el Captulo 13.
Verificacin del modelo y de las soluciones. El rendimiento del modelo
debe ser verificado, para as confirmar su razonabilidad, bajo diferentes
escenarios de planificacin; tambin se utiliza el modelo para simular dife-

MODELOS

DE

TRANSPORTE

rentes soluciones y estimar sus resultados en trminos de un conjunto de

indicadores idneos, coherentes con los objetivos identificados y con la
definicin del problema mencionado anteriormente.
7. Evaluacin de soluciones y recomendaciones de un plan de estrategia y/o
poltica. Esta fase considera la valoracin de estrategias de accin alternativas en trminos operativos, econmicos, financieros y sociales en base a
los indicadores obtenidos del modelo. Esto requiere una combinacin de
habilidades que van desde el anlisis econmico hasta el juicio poltico.
8. Implementacin de soluciones y bsqueda de nuevos problemas a afrontar. Esta fase requiere la reutilizacin del procedimiento descrito en estos
pasos comenzando de nuevo por el punto 1.
Aunque se basa en conceptos propios del enfoque de teora de decisiones
normativas, este marco de referencia puede ser utilizado tambin dentro de estilos correspondientes a la teora del comportamiento, con el objetivo de formular planes generales o simplemente para generar argumentos en las licitaciones
asociadas a la toma de decisiones adoptada. Supone, de forma implcita, que
el problema puede ser especificado por completo, que las restricciones y el
espacio de soluciones pueden ser definidas y que la funcin objetivo puede ser
identificada aunque no necesariamente cuantificada completamente.
Sin embargo, uno de los principales aspectos que este libro trata de destacar es que los sistemas reales de transporte no siguen las restricciones anteriormente descritas: a menudo es difcil definir las funciones objetivo as como
sus restricciones. Adems, si bien uno puede hacerse la ilusin de que, acotando
un problema de transporte, se puede ser capaz de resolverlo, desgraciadamente
los problemas de transporte tienen la costumbre de reaparecer en lugares distintos y bajo formas diferentes; al mismo tiempo que aumenta el conocimiento
propio del sistema de transporte se incorporan nuevos aspectos y perspectivas; los cambios en los factores externos y en las variables de planificacin sacan de su curso a los planes muy detallados. Un proceso decisional normativo bien estructurado pero fijo puede ser apto para problemas sencillos, bien
definidos y restringidos, pero difcilmente resulta apropiado para tratar los
problemas de transporte que son ms ricos, complejos, multidimensionales y
multifacticos.
Cmo se puede mejorar este enfoque general para afrontar un mundo
en permanente mutacin? Parece esencial reconocer que el futuro es mucho
ms cambiante de lo que nos haran creer nuestros modelos predictivos. Si

Introduccin

ste es el caso, los planes estratgicos deberan ser revisados a intervalos de

tiempo regulares y las estrategias de decisin deberan ser apoyadas mediante
la inclusin de informacin al da, recogida regularmente, para verificar la
evolucin del proceso y corregir su curso cuando sea necesario. En este sentido, los procedimientos decisionales, adaptativos o mixtos, aparecen como
ms flexibles y apropiados a las caractersticas de los problemas relacionados
con el transporte. stos reconocen la necesidad de redefinir constantemente
los problemas, escenarios y objetivos a medida que los entendemos mejor,
identificamos nuevas estrategias de solucin, respondemos a cambios polticos
y tecnolgicos y mejoramos nuestras capacidades de modelizacin mediante
entrenamiento, investigacin y experiencia.
La introduccin de una funcin de seguimiento es un aadido importante
al esquema de la figura 1.7. Un sistema de monitoreo no se restringe a la recogida de datos regular; tambin debera facilitar todas las dems etapas en el
marco de toma de decisiones, tal y como se seala en la figura 1.8. El sistema
Formulacin del problema
Recoleccin de datos

Generacin
de soluciones
a testear

Previsin de
las variables de
planicacin
Test del modelo y Solucin

Funcin de seguimiento

Construccin analtica
del modelo y calibracin

Evaluacin de soluciones y recomendacin de la mejor

Implementacin de la solucin

Figura 1.8.

Planificacin y seguimiento con la ayuda de los modelos.

MODELOS

DE

TRANSPORTE

de seguimiento tiene dos funciones principales: en primer lugar, debera proporcionar datos para identificar cundo el sistema de transporte y las variables
exgenas clave, como poblacin y crecimiento econmico, se alejan de su
comportamiento estimado. En segundo lugar, los datos recogidos deberan
ser tiles para continuar validando y mejorando el enfoque de modelizacin
utilizado en la preparacin de los planes.
Un buen sistema de seguimiento tambin debera facilitar el aprendizaje
del equipo de planificacin y proporcionar ideas acerca de cmo mejorar y
modificar los modelos. En este sentido, la ocurrencia de problemas serios en
el sistema de transporte, como, por ejemplo, huelgas de transporte pblico,
escasez temporal de combustible o grandes obras viales que temporalmente
cambien la estructura de la red y sus caractersticas, deberan constituir una
importante fuente de informacin acerca del comportamiento del sistema que
puede ser contrastado con las previsiones del modelo. Estos experimentos no
planificados, deberan permitir que los analistas verificaran y mejoraran sus
modelos. Un sistema de seguimiento encaja muy bien con la idea de un enfoque
de planificacin de transporte regular o continua. Por lo tanto, si no existe un
sistema de seguimiento, ste debera establecerse como parte de cualquier
estudio de planificacin de transporte.
El seguimiento de las prestaciones (rendimiento) de un sistema y planes
de transporte es una funcin tan importante que merece influir en la eleccin de los modelos de transporte a utilizar para apoyar la planificacin y la
toma de decisiones. En particular, el uso de modelos que puedan ser reutilizados
y actualizados usando datos de bajo coste y relativamente fciles de obtener,
parecen particularmente apropiados para esta tarea. No obstante, como se ver
en los captulos siguientes, estos modelos ms simples no pueden considerar
toda la riqueza de comportamiento de enfoque ms detallados. Sin embargo,
existe la posibilidad de combinar las dos tcnicas, aplicando las herramientas
con mayor resolucin a las partes ms crticas del problema y utilizando las
ms gruesas y sencillas que son ms fciles de actualizar para seguir el proceso e identificar dnde y cundo hace falta un esfuerzo de modelizacin ms
detallado. Se han hecho intentos por identificar el potencial de compromisos
de este tipo en el resto de este libro.
La adopcin de una funcin de seguimiento permite establecer un proceso
de planificacin continua que contrasta con el enfoque convencional en el que
se gastan recursos considerables durante un perodo de uno o dos aos para
realizar un estudio de transporte a gran escala. Este intenso esfuerzo puntual

Introduccin

puede ser seguido por un perodo mucho ms largo de esfuerzos limitados en

la planificacin y puesta al da de los planes. As, rpidamente los informes
y planes estratgicos quedan obsoletos o sencillamente se olvidan, y en la
unidad de planificacin no queda nadie capaz de activar los modelos nuevamente. Luego, puede que algunos aos ms tarde se emprenda un nuevo gran
esfuerzo de planificacin y modelizacin y el ciclo se repite. Este estilo de
planificacin derrocha recursos, no motiva ni el aprendizaje ni la adaptacin
como habilidades de planificacin y aliena a los analistas de los problemas
reales. Este enfoque es especialmente doloroso en pases en vas de desarrollo:
no tienen recursos que desperdiciar y los rpidos cambios socio-econmicos
que los caracterizan aceleran el proceso de obsolescencia de planes y datos.
En el Captulo 12 se plantea el uso de modelos ms sencillos y fciles de actualizar para ayudar a la implantacin de una funcin de seguimiento robusta
pero de bajo coste.

1.7.

SOBRE LA TEORA VERSUS LA PRCTICA

Uno de los temas recurrentes en la prctica de la modelizacin del transporte

es la distancia y, algunos diran, desconfianza que existe entre los investigadores que desarrollan las teoras detrs de los modelos y los profesionales que
los aplican en la prctica. Los profesionales a menudo hacen referencia a la
necesidad de elegir entre un conjunto de modelos tericamente slidos pero
difciles de implementar y un enfoque de modelizacin ms pragmtico que
refleje las limitaciones en cuanto a datos, tiempo y recursos disponibles para
un estudio. La sugerencia es que el mtodo pragmtico puede producir las
respuestas necesarias dentro del perodo de tiempo disponible para el estudio,
aunque se deban tomar atajos para realizarlo.
Los autores de este libro no tienen nada en contra de los enfoques pragmticos siempre y cuando proporcionen las respuestas necesarias para tomar decisiones correctas. No hay razn para utilizar modelos sofisticados y caros
(pero presumiblemente ms slidos desde el punto de vista terico) slo con
el objetivo de adquirir mejor prestigio dentro de la comunidad acadmica. Sin
embargo, existen varias razones para preferir un modelo tericamente robusto,
por ejemplo:
1. Garantiza resultados estables. Las recomendaciones que emanan de un
estudio no deberan depender del nmero de iteraciones del modelo. Pres-

MODELOS

2.

3.

4.

5.

DE

TRANSPORTE

cripciones como partir siempre de los costes de flujo libre o iterar solamente dos veces, no son razones suficientes para suponer un resultado
estable: la vez siguiente alguien podra sugerir hacer dos iteraciones ms o
utilizar, justificadamente, un punto de partida diferente pero ello no debera
ser suficiente para justificar un cambio en la recomendacin, a favor o en
contra, de un determinado proyecto.
Garantiza la coherencia. Hay que tener precaucin en no utilizar un modelo
particular de eleccin en una parte de un sistema y otro diferente en otra
parte. A veces los modelos pragmticos no superan este test. La consistencia del modelo es necesaria para superar el test de razonabilidad as
como el juicio pblico.
Proporciona confianza en las predicciones. Casi siempre es posible ajustar un modelo a una situacin existente. Sin embargo, hay muchos ejemplos de modelos con buen ajuste que no tienen demasiado sentido, quizs
porque estn basados en variables correlacionadas. En este sentido, variables que estn correlacionadas hoy puede que no lo estn maana; por
ejemplo, una fuerte correlacin entre la produccin de pltanos y la tasa
de motorizacin en un pas determinado, puede desaparecer si se descubre
petrleo all. Por lo tanto, los modelos deberan apoyarse en alguna teora de comportamiento del viajero con la finalidad de poder interpretarlos
correctamente y tener alguna confianza en que seguirn siendo vlidos
en el futuro.
Permite comprender las propiedades del modelo y desarrollar mejores algoritmos para su solucin. Cuando se est en posicin de plantear un problema en trminos de programacin matemtica o de maximizacin de la
verosimilitud, por citar dos enfoques populares para generar modelos, se dispone de una variedad de herramientas tcnicas que ayudan a desarrollar
buenos algoritmos de solucin. stos han sido mejorados con el paso de los
aos por investigadores trabajando en muchos campos adems del de transporte.
Facilita la comprensin de lo que se puede suponer constante y lo que se
debe aceptar como variable, en un contexto particular de decisin y un
cierto nivel de anlisis. Un aspecto clave en la modelizacin econmica
es la identificacin de variables exgenas y endgenas, y aquellas que se
pueden suponer que permanecern constantes. Por ejemplo, en algunos
estudios de planificacin tctica a corto plazo, tal y como sucede en muchos
esquemas de gestin de trfico, puede ser razonable suponer una matriz

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 aprovechan mejor los datos correspondientes a muestras pequeas de lo que lo
hacen algunos de los enfoques ms pragmticos. Las mejoras en los mtodos 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 comportamiento de los usuarios. Esto equivale a decir que es mejor trabajar con
matrices de viaje fijas, incluso si hay que expandirlas al horizonte de planificacin 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 servicios, 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

4. Los modelos tericos no se pueden calibrar al nivel de detalle necesario

para el anlisis de algunos proyectos. Esta afirmacin tiene algo de cierto,
por lo menos en algunos casos en los que las limitaciones de los datos
y el tiempo disponibles, requieren negociar el nivel de detalle requerido
si se desea utilizar un modelo mejor. Sin embargo, puede ser preferible
equivocarse de esta forma antes que trabajar con la ilusin de tener un
nivel de detalle suficiente, pero encontrarse debilitados por resultados potencialmente patolgicos (previsiones con errores de signo o de sentido) o
inelsticos, producto de procedimientos ad hoc.
5. Es mejor utilizar el mismo modelo (o software) para la mayor parte de los
problemas porque esto asegura la consistencia de los mtodos de evaluacin. En principio esta afirmacin es correcta, siempre que el modelo siga
siendo apropiado para estos problemas. Tiene la ventaja de ser un mtodo
consistente, fcil de usar e interpretar y con costes de formacin reducidos.
Sin embargo, esta estrategia falla cuando los problemas no son de la misma
naturaleza. Hiptesis acerca de matrices de viaje fijas o insensibles a la
eleccin del modo o a polticas de tarificacin, pueden ser razonables en
algunos casos pero difciles de aceptar en otros. El uso del mismo modelo
con las mismas hiptesis puede ser apropiado en un caso y completamente
desorientador en otro.
La importancia de estos criterios depende, naturalmente, del contexto decisional y del nivel de anlisis implcito en el estudio. En este libro se recomienda
utilizar el nivel de resolucin apropiado para cada problema de inters. Los
autores consideran que, siempre que sea posible, es preferible utilizar modelos buenos y slidos incluso si hubiera que sacrificar cierto nivel de detalle.
Debe, por tanto, encontrarse para cada caso particular y para cada contexto
decisional, el mejor equilibrio entre coherencia terica y conveniencia prctica.
Este libro se esfuerza en proveer el material necesario para ayudar al lector
en esta eleccin.

2.
Prerrequisitos matemticos

2.1. INTRODUCCIN

ste libro va dirigido a profesionales y estudiantes en el campo de la

modelizacin y planificacin de transporte. Algunos de estos lectores
dispondrn de un conocimiento matemtico slido al respecto y pueden
saltarse este captulo sin prdida de continuidad. Otros lectores poseern una base de conocimiento ms endeble o desearn refrescar sus ideas y
conceptos. Este captulo est dirigido a estos ltimos lectores. Todo ello bajo
la perspectiva de perfilar los requisitos previos matemticos ms importantes
necesitados para una mejor comprensin de esta obra.
Cabe destacar que los requisitos matemticos aqu expuestos no son, en
ningn modo, demasiado exigentes y que el lector puede resolver la comprensin de lo que sigue, con conocimientos de lgebra y clculo modestos.
Primeramente se introduce la idea del concepto de funcin as como su
notacin especial utilizada para, entre otros aspectos, poder disear e interpretar dichas funciones (en coordenadas cartesianas ortogonales). Despus de
introducir el concepto de series, se trata un tema fundamental, tal cual es el
lgebra matricial; esto es particularmente importante en el transporte ya que
a menudo se trabaja con matrices de viajes, de varianza-covarianza, etc. Posteriormente se tratan elementos de clculo integral y diferencial. Merecen cierta
atencin las funciones logartmicas y exponenciales pues con frecuencia nos
las encontramos en los modelos de transporte. Del mismo modo, es usual tener
que analizar mximos y mnimos de funciones en el desarrollo de modelos y
en la generacin de algoritmos de solucin. Finalmente, se presentan algunos
conceptos elementales de estadstica en la ltima seccin de este captulo ya
que su tratamiento interviene tambin en una parte importante de las tcnicas
de modelizacin. A parte de ello, se introducirn otros conceptos estadsticos
en captulos posteriores, en la medida que sea necesario.

Prerrequisitos matemticos

Las referencias bibliogrficas a este respecto son muy abundantes tanto

para el lector informado como para lectores que necesiten una cierta puesta
a punto. Es recomendable revisar los trabajos realizados por Morley (1972),
Stone (1966) y Wilson y Kirby (1980). Por otro lado, se puede comprobar que
el futuro de la prctica de la modelizacin del transporte se basar cada vez
menos en el uso de modelos simples y rpidos e ir adoptando modelos que
tengan un fuerte soporte terico. Esta tendencia es el resultado de la necesidad
de proporcionar, en muchos casos, soluciones y consejos consistentes para los
que toman las decisiones de planificacin; estos consejos no deben depender,
por ejemplo, de un nmero arbitrariamente elegido de iteraciones o de un punto
de partida particular, ni de modelos que probablemente produciran resultados
errneos cuando se intenta pronosticar nuevas opciones. Por tanto, el rigor que
demanda la modelizacin del transporte depender del planteamiento de mejores representaciones matemticas y estadsticas de los problemas a analizar,
lo cual implica inevitablemente lecturas adicionales en estas reas.

2.2.
2.2.1.

LGEBRA Y FUNCIONES
Introduccin

El lgebra elemental consiste en construir expresiones utilizando las cuatro

operaciones bsicas de la matemtica ordinaria que relacionan letras las cuales representan nmeros determinados. Es til distinguir entre las variables
(generalmente denotadas por x, y, z), que representan medidas cuantitativas
y constantes o parmetros (generalmente denotados por letras como a,b,c,,
k,m,n,, o por letras del alfabeto griego). El valor de una constante se supone
que permanece invariante para una situacin particular determinada.
Variables y constantes, estn relacionadas a travs de ecuaciones como:
y = a + bx

(2.1)

y si estuviramos interesados en la variable x, podemos obtenerla despejndola

de la ecuacin (2.1), as:
x = (y a) / b

(2.2)

Las variables x e y en (2.1) y (2.2) estn relacionadas por el signo =.

Sin embargo, en el lgebra tambin pueden aparecer desigualdades de los
siguientes tipos:

MODELOS

DE

TRANSPORTE

> significa mayor que

< significa menor que

 significa
 menor o igual que

 significa
 mayor o igual que
y que se utilizan para restringir variables, como por ejemplo:
x + 2y

 5

(2.3)

Esta expresin (inecuacin), no puede ser resuelta para x e y, sin embargo,

denota que ambas variables pueden tomar slo un rango restringido de valores. Por ejemplo, si se establece que sus valores han de ser enteros y positivos,
puede verse fcilmente que x no puede ser mayor que 3 y que y no puede ser
mayor que 2.
Las inecuaciones se pueden manipular de la misma forma que se hace con
las ecuaciones, es decir:
Se puede sumar a ambos lados de la inecuacin la misma cantidad y el
resultado no vara. Lo mismo sucede con la resta.
Se puede multiplicar o dividir cada lado por la misma cantidad sin variar la
inecuacin pero, si el nmero por el que est multiplicndose o dividindose
fuera negativo, la desigualdad se invertira.
Por ejemplo, si se resta 5 en ambos lados de (2.3) resulta:
x + 2y 5 < 0
que es ciertamente la misma restriccin. Sin embargo, si se multiplica por 2
a ambos lados, lo que queda es:
2x 4y

 10
El lector puede verificar que esta inecuacin proporciona la misma restriccin y el mismo resultado que la (2.3).
El uso de letras para denotar variables slo es conveniente desde un cierto
punto de vista. Pronto aparecer la necesidad de utilizar ndices (subndices o
superndices) para definir variables adicionales, como, por ejemplo, x1, x2 , x3,,
xn, que pueden ser resumidas as: xi, i = 1,2,,n; y carece de importancia si se
utiliza otra letra para el ndice si tiene el mismo rango numrico. Por ejemplo,
se podra definir tambin de esta manera: xk, k = 1,2,,n.

Prerrequisitos matemticos

La utilizacin de ndices facilita una muy conveniente notacin para las

sumas y productos:
in

 x1  x2  x3  ...  xn

(2.4)

i 1

o bien:
m

 y1 y2 y3 ... ym

(2.5)

j 1

En ciertos casos no es suficiente un solo ndice, pudiendo entonces utilizarse dos o ms. Por ejemplo, se podran definir las seis variables siguientes,
T11, T12 , T21, T22 , T31, T32 como Tij, i = 1,2,3, y j =1,2. Con variables de dos subndices se pueden establecer dobles sumas o dobles productos, como en:
3

T  (T
ij

i 1 j 1

i1

 Ti 2 )  T11  T12  T21  T22  T31  T32

(2.6)

i 1

2.2.2. Funciones y grficas

Hasta aqu se ha hecho referencia a cmo estn relacionadas las variables
mediante igualdades y desigualdades; en general stas pueden denominarse
relaciones funcionales. Por otra parte, una funcin particular consiste en algn
tipo especfico de relacin entre dos o ms variables. Por ejemplo, la funcin
de poder:
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)

Existe un gran abanico de funciones de diferentes tipos y formas y consecuentemente, los lectores deben familiarizarse con ellas. Es conveniente,

MODELOS

DE

TRANSPORTE

y
x3 x2

x
x1/2

x3

Figura 2.1.

Grficas de funciones de poder.

normalmente, graficar las funciones en un sistema de coordenadas Cartesianas

(ver Figura 2.1).
Una variable dependiente puede ser una funcin de varias variables independientes, por ejemplo:
y = f (x1, x2 ,, xn)

(2.9)

pero se requieren n + 1 dimensiones para proceder a su representacin grfica (n para las variables independientes y 1 para la variable dependiente). Las
coordenadas cartesianas se pueden utilizar para tres o ms dimensiones; en
el caso de tres dimensiones, el tercer eje, en la figura 2.1, saldra del papel
hacia fuera. Ms de tres dimensiones no pueden visualizarse fsicamente, sin
embargo, su tratamiento algebraico es semejante que en el caso de una, dos o
tres dimensiones. Por ejemplo, en el caso de n = 2 la funcin puede representar una superficie que, evidentemente, se sale del plano conformado por las
dimensiones (x1,x2).
Generalmente, cualquier ecuacin puede ser representada de la forma
f(x) = 0 por ejemplo, la ecuacin lineal:
ax = b
es equivalente a la ecuacin
ax b = 0

Prerrequisitos matemticos

en que f(x) = ax b. Resolver esta ecuacin es equivalente a encontrar los

puntos en los que la curva y = f(x) intersecciona con el eje x. Estos puntos se
denominan soluciones reales o ceros de la ecuacin f(x); son, por ejemplo, los
puntos (0,x1) y (0,x2) de la figura 2.2.
Tambin puede estarse interesado en ver qu sucede con el valor de la
funcin f(x), cuando x tiende a infinito (x
 ). Fcilmente puede comprobarse
que las posibilidades son las siguientes:
f (x) tiende a infinito cuando x
 [p. ej., en la funcin f(x) = x2].
f (x) tiende a menos infinito cuando x
 [p. ej., en la funcin f(x) = x].
f (x) oscila entre ms infinito y menos infinito, cuando x
 [p. ej., en la
funcin f(x) = (1)x x2].
f (x) tiene lmite finito cuando x
 [p. ej., en la funcin f(x) = 1 + 1 / x].
y

y = f(x)

x1

Figura 2.2.

x2

Soluciones reales a una funcin genrica.

Para funciones ms complejas tambin podra intentar calcularse si el lmite

de f(x) cuando x
 tiene un valor finito o no.
Tambin se podra estar interesado en conocer el lmite cuando x se aproxima a un valor finito. Por ejemplo, para la funcin y = f(x) = 1 / (x + 3), podra
comprobarse fcilmente que su lmite cuando x 0, es 1/3. En general si existe
un valor tal que si x
 resulta que f(x)
 , entonces la recta de ecuacin
x
 =
 es una asntota de la funcin y = f(x) (ver Figura 2.3).

MODELOS

DE

TRANSPORTE

y = f(x)

Figura 2.3. Funcin

 genrica
 con
 asntota
 en
 x
 =
 .

Una de las funciones ms importantes es la lnea recta (ver Figura 2.4), cuya
ecuacin general es la especificada en (2.1), toma el valor a cuando x = 0 y se
denomina normalmente intercepto de la funcin con el eje y. La constante a
se denomina pendiente de la funcin, cuyo valor fcilmente se demuestra que es:
y 2 y1
a = x2 x1
(2.10)
donde (x1, y1) y (x2, y2) son dos puntos cualesquiera de la recta (ver Figura 2.4a).
Aunque una lnea recta tiene por definicin su pendiente (gradiente) constante,
sta puede ser positiva o negativa (Figura 2.4b).
y = ax+b

y1

y2

y = ax+b
b
(a)

Figura 2.4.

x1

x2

(b)

Representaciones de la recta y = ax + b con pendiente positiva (a) y

con pendiente negativa (b).

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)

Despejando x en (2.11b) y sustituyndolo en (2.11a), resulta el punto solucin de coordenadas (x = 1, y = 3).

y

y=x+2

4
3
2

y = x + 4

1
2

Figura 2.5.

Interseccin de dos lneas rectas.

2.2.3. Sumas de series

Una serie se define simplemente como una secuencia de nmeros
un, n = 1,2,, N. En muchos casos puede ser interesante encontrar su suma:

S N  u1  u2  ...  u N  un

(2.12)

Una serie muy conocida es la progresin aritmtica en que cada trmino

se obtiene del anterior aadindole un nmero d.
un = un1 + d

(2.13)

Se puede deducir fcilmente que la suma de N trminos de una progresin aritmtica en la que el primer trmino es b, viene dada por la siguiente
expresin:

MODELOS

DE

TRANSPORTE

S N  Nb 

N ( N 1)d
2

(2.14)

Otra serie muy comn es la denominada progresin geomtrica (2.15) en

que cada trmino se obtiene del anterior multiplicndole por un factor fijo r
(razn de la progresin geomtrica). Si el primer trmino es b, la suma finita
de N trminos viene dada por la expresin (2.16).
un = run1

SN 

b(1 r n )
1 r

(2.15)
(2.16)

En el caso de la serie (progresin aritmtica) representada por un = n, la

suma finita de N trminos es:

SN 

N ( N  1)
2

Y en el caso de una progresin geomtrica cuyos trminos vienen representados por la expresin un = xn, la suma finita, tambin de N trminos es:

SN 

x(1 x N )
para x

 1
(1 x)

Pero cuando N

 ,
 la
 suma
 de
 la
 serie
 anterior
 tiende
 tambin
 a
 infinito.

Lo mismo sucede para la serie un = n; y para la serie un = xn si x > 1; sin embargo, para esta misma serie, si 0 < x < 1, su suma es finita y su expresin es:

SN 

x
1 x

2.3. LGEBRA MATRICIAL

2.3.1. Introduccin
Cualquier variable con dos subndices puede denominarse matriz. Aqu se
expresan las matrices por la notacin B = {Bij}, donde las variables Bij, tal que

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
M

BN 1

B12
B22
BN 2

B13 L B1M

B23 L B2 M

BN 3 L 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 importante 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

M
VN

(2.18)

Formalmente, una variable sin ndices, o incluso una constante, puede

considerarse como una matriz de 1 1 y se la conoce como un escalar.
Intercambiando filas (N) y columnas (M) de la matriz inicial B, se obtiene
la matriz traspuesta BT de B, dada por

B11

B12
BT 
M

B1M

B21
B22
B2 M

B31 L BN 1

B32 L BN 2

B3 M L BNM

(2.19)

De la misma manera para un vector columna (N 1)su traspuesta sera

un vector fila (1 N), as:
VT = [V1,V2,V3, V N]

(2.20)

MODELOS

DE

TRANSPORTE

Una matriz cuadrada S es una matriz B tal que el nmero de filas es el

mismo que el de columnas (N = M); una matriz cuadrada es simtrica si
S = ST. Una matriz diagonal D = {Dij} es aquella en la que i

 j

 Dij = 0
es decir, todos los elementos de la matriz son cero excepto el o los de la diagonal principal (i=j). La matriz unidad o Matriz Unitaria (I) es una matriz diagonal cuadrada con todos los elementos = 1, es decir:

1 0 L0

0 1 L0

I
M

0 0 L1

(2.21)

2.3.2. Operaciones bsicas en el lgebra Matricial

Dadas dos matrices A y B, la matriz C representar las diferentes combinaciones que a continuacin se van a establecer. Vase primero la suma de
matrices:
C=A+B=B+A

(2.22)

Los elementos de la matriz C se definen as: Cij = Aij + Bij. Por ello se requiere que ambas matrices tengan la misma dimensin, as: N M. Lo mismo
sucede con la diferencia de matrices:
C=AB

(2.23)

Adems, para multiplicar un escalar por una matriz, se multiplican todos

los elementos de la matriz por dicho escalar, es decir, Cij = kAij:
C = kA

(2.24)

Multiplicar dos matrices es algo ms complejo:

C = AB

(2.25)

Para ello se define el elemento de la matriz producto C ij como:

Cij = k Aik Bkj, donde A es una matriz N M y B es otra matriz cualquiera
M L (es decir, el nmero de columnas de A es el mismo que el de filas de B).
En este caso, la matriz producto C es de dimensin N L.

Prerrequisitos matemticos

Es fcil de comprobar que, en general, AB no es igual a BA, es decir, el

producto de matrices no es conmutativo, como sin embargo ocurre en el lgebra
elemental. Pero ste no es el caso de la multiplicacin de dos matrices en el que
una de ellas es la matriz unitaria I. Es fcil verificar que:
IA = AI = A

(2.26)

As, para definir en general el producto de cualquier nmero de matrices, el

orden siempre debe respetarse. De hecho, se especifica la pre-multiplicacin de
A por B para formar el producto BA, y la postmultiplicacin para formar AB.
Para definir la divisin es conveniente utilizar el concepto de matriz inversa.
Desafortunadamente, ello slo es posible para matrices cuadradas y no siempre.
Si la matriz inversa existe se denotar por B -1 y es la matriz que satisface:
B -1B = BB -1 = I

(2.27)

En este caso la matriz B es no-singular. Se proporcionar un procedimiento

para el clculo de los elementos de la matriz inversa que, como podr comprobarse, es bastante complicado. Es suficiente saber que bajo las condiciones
convenientes, dicha matriz existe. La divisin es entonces simplemente pre o
postmultiplicacin por B -1.
En este libro se utiliza la notacin matricial para representar sintticamente
los sistemas de ecuaciones as como para obtener su solucin, para lo cual se
necesita obtener la matriz inversa.

2.4. ELEMENTOS DE CLCULO

Las dos ramas principales de clculo son la diferenciacin y la integracin; su
naturaleza bsica puede identificarse intuitivamente por referencia a la funcin
y = f(x) dibujada en la figura 2.6. Considere los puntos P y Q y el segmento
por ellos definido. La diferenciacin se ocupa en el clculo de la pendiente de
una curva en un punto. Para ello, es til considerar Q prximo a P; en el lmite
el segmento PQ llega a ser la tangente a la curva en P = Q (es decir, cuando
la distancia horizontal h es 0) y por definicin su pendiente es igual a la
pendiente de la curva en ese punto.
La integracin, por otro lado, se ocupa de calcular el rea bajo una curva
considerada, tal cual es el rea sombreada en la figura 2.6; como ms adelante
puede observarse, ambos conceptos estn estrechamente relacionados.

MODELOS

DE

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
Si el lmite de (x) cuando h

 0
 existe
 y
 es
 el
 mismo
 si
 h tiende a cero
desde ambos lados del punto considerado, entonces a este lmite se le denomina
derivada de la funcin y o f(x) con respecto a x en xo y usualmente se escribe
como f '(x0) o dy / dx en xo. El proceso de encontrar la derivada se denomina
diferenciacin.
Si f(x) viene dada como una funcin de x, normalmente no es difcil calcular f '(x) como otra funcin de x. La tabla 2.1 proporciona las derivadas de las
funciones ms usuales.
A partir de aqu, tambin se pueden definir las derivadas de segundo orden,
tercero y en general derivadas de orden superior (p. ej., f 0"(x) o d 2 x / dx2 d 2y / dx2
y as sucesivamente). Por ejemplo, si se diferencia la derivada primera de la
funcin y = xb en la tabla 2.1, resulta:

d2 y
 b( b 1) x b 2
x
d 2

(2.28)

y
y = f(x)

f(x0 + h)
f(x0)

x0

x0 + h

Figura 2.6. Gradiente en un punto y rea bajo una curva.

Prerrequisitos matemticos

Tabla 2.1.

Derivadas ms comunes
Funcin f(x)

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
x

y este resultado depende siempre de una constante arbitraria aditiva; por ejemplo, si g = bxb1 (ver Tabla 2.1), la integral indefinida de g(x) viene dada por:

y  G ( x)  bx b 1dx  x b  C

(2.29)

donde C es la constante arbitraria de integracin (es decir la derivada de

xb + C es bxb1 sin importar el valor de C). El uso elemental ms prctico de
la integracin es obtener el rea bajo una curva como una integral definida,
tal y como se muestra en la figura 2.7a.
rea abcd  ; F ( x) =a  F (b) F (a )  a ydx  a f ( x)dx
b

(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

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:
rea = F(b) F(a) = h(b a)
que es, de hecho, el rea del rectngulo sombreado en la figura 2.7(b).
Como ejemplo, pueden utilizarse las derivadas de la tabla 2.1 para calcular
sus integrales indefinidas; en particular, si:

u ( x)dx  U ( x)  C

v( x)dx  V ( x)  C

entonces:

u ;v( x)= v '( x)dx  U ;v( x)=  C

U ( x)v( x)dx  U ( x)V ( x) u ( x)V ( x)dx

Evidentemente no todas las funciones, ni siquiera algunas que pueden
parecer simples, tienen integrales indefinidas que sean expresiones simples
tambin. Sin embargo, como se ver ms adelante, pueden calcularse las integrales definidas de forma numrica.

Prerrequisitos matemticos

2.4.3. Funciones logartmicas y exponenciales

La integral de la funcin y = f(x) = 1 / x (Figura 2.8) se ha definido como el
logaritmo natural de x, o loge(x), donde e es la constante de Nepper. Su valor
es aproximadamente 2,7183 y corresponde a los puntos del eje x, (1,0) y (e,0)
de la figura 2.8, tal que el rea sombreada entre ellos y la curva es 1, es decir,
loge(e) = 1. Como en este libro slo se utilizan logaritmos naturales, se prescinde
de la notacin subndice e en lo sucesivo.
y

1,0

0,5

y = 1/x

Figura 2.8.

0,5

1,0

1,5

2,0

2,5 e 3,0

Funcin inversa de x y constante de Nepper.

Como otras funciones logaritmo, el log (x) tiene las siguientes propiedades:
log (1) = 0
lim
log (t)


t


lim
log (t)


t

 0
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) = ex e y

MODELOS

DE

TRANSPORTE

Por otro lado:

elog(x) = x

Ambas funciones log (x) y exp (x) son fciles de diferenciar; por definicin:

d
1
log ( x) 
dx
x

(2.31)

Y por tanto no es difcil de demostrar que:

d x
(e )  e x
dx

(2.32)

Es decir, la funcin exp (x) permanece inalterada ante la diferenciacin.

2.4.4.

Mximos y mnimos de funciones

Una de las ms importantes utilizaciones de la diferenciacin es calcular

mximos y mnimos de funciones. Considrese el ejemplo de la figura 2.9; la
funcin representada tiene un mximo en el punto (x1,0) y un mnimo en (x2 ,0).
Ambos puntos se caracterizan porque las pendientes (gradiente) de la curva
en esos puntos son cero; por lo tanto, para encontrarlos, es necesario resolver
la ecuacin f '(x) = 0.
Es importante destacar, sin embargo, que no todos los ceros ( f '(x) = 0)
que tuviera la funcin f(x) son mximos o mnimos; un ejemplo de ello es el
y
y = f(x)

x1

Figura 2.9.

x2

x3

Mximo, mnimo y punto de inflexin.

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)

La funcin f(x) presenta un mnimo si f '(x) = 0, y adems:

f "(x) > 0

(2.34)

La funcin f(x) presenta un punto de inflexin si f '(x) = 0, y adems:

f "(x) = 0

(2.35)

Estos casos se ilustran en la figura 2.10 y para evitar errores puede utilizarse 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)

Figura 2.10.

(b)

(c)

Puntos estacionarios: (a) mximo, (b) mnimo, (c) punto de inflexin.

En orden a desarrollar una teora directamente dirigida hacia una caracterizacin global de los ceros locales de funciones, los matemticos consideran
necesario introducir nociones complementarias sobre convexidad y concavidad.
Ambos conceptos son importantes y adems proporcionan una interpretacin

MODELOS

DE

TRANSPORTE

geomtrica interesante de las condiciones de segundo-orden expuestas en (2.33)

a (2.35).
y

(a)

Figura 2.11.

(b)

(c)

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.

2.4.5.

Funciones de varias variables

Es muy til realizar aplicaciones de la diferenciacin y del clculo integral a

este nuevo tipo de funciones con ms de una variable. Supngase que se tiene
la funcin:
y = f(x1,x2,,xn)

(2.36)

Entonces para derivar dicha funcin respecto a una de estas variables xi,
se deriva normalmente respecto de ella suponiendo constantes las dems. Se
conoce con el nombre de derivada parcial de la funcin con respecto a la variable
 considerada
 y
 se
 escribe
 as:
 y
 /
 xi. Por ejemplo, si:
y = 2x1 + x23x3

Prerrequisitos matemticos

resulta que:

uy
2
ux1
uy
 3x22 x3
ux2
uy
 x23
ux3
Los mximos y mnimos de una funcin (2.36) se obtendran igualando a
cero todas las derivadas parciales:

uy
 0 i = 1, 2,..., n
uxi

(2.37)

que proporciona un sistema de n ecuaciones a resolver. Un caso particularmente

interesante es el de los mximos y mnimos restringidos. Imagnese que se
desea maximizar la ecuacin (2.36) sujeta a las siguientes restricciones:

r1 ( x1 , x2 ,..., xn )  b1
r2 ( x1 , x2 ,..., xn )  b2
M

(2.38)

rK ( x1 , x2 ,..., xn )  bK
Para su resolucin pueden aplicarse los multiplicadores de Lagrange 1,
2 ,, K sobre cada una de las ecuaciones (2.38) y, a su vez, maximizar la
funcin Lagrangiana as definida:
kK

L  f ( x1 , x2 ,...xn )  L k rk ( x1 , x2 ,..., xn ) bk

(2.39)

k 1

como una funcin de x1,x2,,xn y 1,2,, K. Entonces se procede a resolver

los siguientes sistemas de ecuaciones:

uL
 0 i = 1, 2,..., n
uxi

(2.40)

MODELOS

DE

TRANSPORTE

y
L = 0
k

k = 1,2,,K

(2.41)

Las ecuaciones (2.41) son simplemente las restricciones (2.38) expresadas

de otra forma; el artificio de introducir los multiplicadores como las variables
adicionales permite encontrar el mximo restringido.

2.4.6. Integracin mltiple

En el caso de la integracin, puede definirse el concepto de integrales mltiples.
Por ejemplo, dada la ecuacin (2.36), se podra escribir:

V  L f ( x1 , x2 ,...xn )dx1dx2 ,..., dxn

(2.42)

con n integrales. Para comprender intuitivamente su significado, puede ser til

considerar el caso bidimensional, es decir, sea la funcin:

S  f ( x1 , x2 )

(2.43)

que representa una superficie en un sistema Cartesiano tridimensional. La

integral doble sera:

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:

uy
uy xi
y
E ( y , xi ) 

uxi y uxi
xi

(2.45)

Prerrequisitos matemticos

y puede interpretarse como el cambio porcentual que experimenta la variable

dependiente con respecto a un cambio porcentual dado en la variable independiente correspondiente.
En los temas economtricos, se centrar el inters, a menudo, en las elasticidades de una funcin de demanda dada con respecto a los cambios en los valores de algunas variables explicativas o atributos. Generalmente se distingue
entre elasticidades directas y cruzadas; las primeras se relacionan con los atributos del servicio o de la mercanca bajo consideracin y las segundas, con los
atributos de servicios o mercancas alternativas. Por ejemplo, se afirma a menudo que la elasticidad de demanda de transporte pblico respecto de las tarifas
est alrededor de 0,33; esto significa que si se aumentan las tarifas un 1% se
debe esperar una disminucin relativa de la demanda en un 0,33%, es decir:

uD uD
uD
E ( D, T )  D  D  0, 33 m
 0, 0033
uT 0, 01
D
T

2.4.8.

Desarrollos en serie

Dada una funcin f(x), a veces es necesario estimar su valor en el entorno de un

punto x0 y de sus derivadas en este punto. Para ello puede utilizarse el desarrollo
en serie de Taylor; primeramente se define el concepto de nmero factorial
(n!), el cual se aplica a nmeros enteros no negativos:

n !  n(n 1)(n 2)...3 2 1

0!  1

(2.46)

La serie de Taylor se define as:

f ( x0  h)  f ( x0 )

h0
h1
h2
h3
 f '( x0 )  f ''( x0 )  f '''( x0 ) L
0!
1!
2!
3!

(2.47)

y es muy til cuando h es bastante pequeo ya que pueden despreciarse los

trminos de orden superior al ser prcticamente nulos. As, simplemente podra considerarse una aproximacin suficiente utilizando al menos dos o tres
trminos del desarrollo en serie de Taylor como representativos de la funcin
considerada.

MODELOS

DE

TRANSPORTE

Un caso especial del desarrollo en serie de Taylor es cuando x0 = 0 y se

le conoce entonces como desarrollo en serie de Maclaurin, que a partir de la
ecuacin (2.47) quedara:

f ( x )  f ( 0)

h0
h1
h2
h3
 f '(0)  f ''(0)  f '''(0)  L
0!
1!
2!
3!

(2.48)

Esto proporciona un mtodo de expresin de ciertas funciones como la

serie de poder ex, as:

e x  1  x  x 2 / 2!  x 3 / 3!  ...

2.5. ESTADSTICA MATEMTICA ELEMENTAL

En esta seccin se proporciona slo una revisin bsica de los conceptos estadsticos ms fundamentales. En el resto del libro, se supone que el lector no
slo tiene conocimiento de las distribuciones ms importantes (p. ej., la Binomial, Normal, Student, Chi-cuadrado y Fisher) sino que tambin dispone de
cierto conocimiento sobre la inferencia estadstica bsica (p. ej., estimadores,
intervalos de confianza y contraste de hiptesis). Existen multitud de libros al
respecto pero en cualquier caso se recomiendan especficamente los siguientes:
Wonnacott y Wonnacott (1977) y el Captulo 7 de Wilson y Kirby (1980).
Se presentan ciertos tpicos especializados como elementos esenciales
tericos y bsicos, tales como el anlisis de regresin lineal y la estimacin de
la mxima verosimilitud, los cuales se desarrollan ms profundamente en los
captulos pertinentes (es decir 3, 4 y 8 respectivamente).

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
md
x

ni
n

(2.49)

donde ei es el resultado deseado, n es el nmero de veces que se repite el experimento y ni el nmero de veces que ocurre ei. La expresin (2.49) permite
deducir ciertas propiedades bsicas de las probabilidades:

Prerrequisitos matemticos

0

 pi

 1


(2.50)

como ni puede tomar valores entre 0 y n, resulta que:

1

(2.51)

con n1 + n2 + = n. Una visin alternativa de la probabilidad esperada de un

resultado puede expresarse en el ejemplo denominado realizar una apuesta
justa. Sea pi la probabilidad de ganar una apuesta (que el resultado ei se produzca), y por tanto sea (1-pi) la probabilidad de no ganarla (que el resultado
ei no se produzca), si la apuesta se gana, se perciben 35$ y si se pierde, deben
pagarse x$. La denominacin apuesta justa proviene del hecho de iguales
prdidas y ganancias, es decir:

35 pi  x(1 pi )
Por lo tanto, de aqu se obtiene la probabilidad de ganar la apuesta, despejando pi, es decir:

pi 

x
x  35

En muchas ocasiones las probabilidades de ciertos experimentos no son

tan simples de calcular. Si se define un suceso (en ingls event), como un subconjunto del conjunto de resultados de un experimento

E  [e1 , e2 ,..., ei ]
se puede ver que la probabilidad de un suceso es la suma de las probabilidades
de los resultados que lo componen, esto es:

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

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 U B )  P ( A)  P( B) P( A I B)

(2.52)

y si A y B son mutuamente excluyentes;

P ( A U B )  P ( A)  P ( B )

(2.53)

B
Unin

D
Interseccin

Figura 2.12.

Diagrama de Venn para sucesos y probabilidades.

P(A / B) es la probabilidad de A condicionada por B y es:

P( A / B) 

P( A I B)
P( B)

(2.54)

Un evento F es estadsticamente independiente de otro evento E, si y slo

si (abreviadamente se escribe iff ) la probabilidad de F condicionada por E es
igual a P(F). Por consiguiente, para los eventos independientes se tiene que:

P( E I F )  P( E ) P( F )

(2.55)

que anteriormente se aplic intuitivamente al estimar la probabilidad de evento

en el ejemplo 2.1.

Prerrequisitos matemticos

2.5.2. Variables aleatorias

Pueden ser definidas como aqullas que toman valores siguiendo una cierta
distribucin de probabilidad (ver Figura 2.13).
S = espacio muestral

Rx = rango de la variable X
X = variable aleatoria
(mapeo)

s = suceso

x = valor
especco
de X

E

 S

X(S)
 Rx

Figura 2.13.

Variable aleatoria.

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

Puede verse que una ventaja importante de utilizar el concepto de variable

aleatoria es que el conjunto de los resultados (espacio muestral) se reduce a un
conjunto numrico ms pequeo y conveniente. Cabe destacar que los valores
de probabilidad de la variable aleatoria en este caso sern:
P(x = 1) = P(cs sc) = P(cs) + P(sx) = 1 / 2
P(x = 2) = P (x = 0) = 1 / 4
Las variables aleatorias pueden ser discretas o continuas. En el primer
caso, x toma valores de un conjunto finito numerable, con probabilidades que
pertenecen a un conjunto p(x) que satisface (2.51) y p(xi)

 0.
 En
 el
 segundo

caso es necesario definir una funcin de densidad f(x), tal que:

MODELOS

DE

TRANSPORTE

f ( x) dx  1

f ( x) r 0,

x

(2.56)

2.5.3. Estadstica descriptiva

Cuando se trata con datos estadsticos, la informacin puede ser proporcionada
convenientemente mediante la especificacin de ciertos aspectos importantes
en lugar de toda una distribucin de esos datos. Por ejemplo, la distribucin
de una variable aleatoria puede ser descrita con referencia al valor medio y a
su dispersin alrededor de l. La estadstica descriptiva puede utilizarse para
hacer comparaciones simples entre funciones de distribucin y/o de densidad,
sin entrar en todos los detalles. Es ms, ciertas distribuciones estndares pueden
ser completamente especificadas con slo unos pocos estadsticos.
La estadstica descriptiva ms usual intenta indicar el medio en el que se
desenvuelven las funciones de distribucin: para ello, normalmente se definen
tres medidas o momentos en torno a cero, como son:
1. Si x es una variable aleatoria, entonces el valor esperado E(X) es la funcin
que se obtiene como promedio ponderado de los xi por sus probabilidades, as:

E ( X )  xi pi ( xi ), para el caso discreto

i

E ( X )  xf ( x)dx, para el caso continuo

(2.57)

donde f(x) se define para el rango [a,b]. El valor esperado corresponde al

concepto de media en estadstica descriptiva, y en el caso de la poblacin
total suele denotarse con la letra griega .
Una de las propiedades ms importantes del valor esperado es:

E (a  bX  cY )  a  bE ( X )  cE (Y )

(2.58)

2. La moda X* es el valor de X que maximiza pi(xi) es decir, cualquier mximo

relativo de la distribucin de frecuencias o cualquier valor de la variable
que posea una frecuencia mayor que su anterior y posterior.
3. La mediana X0,5: considrese una variable discreta X, cuyas observaciones
en una tabla estadstica han sido ordenadas de menor a mayor. Se deno-

Prerrequisitos matemticos

mina mediana al primer valor de la variable que deja por debajo de s al

50% de las observaciones, por tanto, si n es el nmero de observaciones,
la mediana corresponder a la observacin |n / 2| + 1, donde se representa
por | | la parte entera de un nmero, es decir:
X 0 ,5

P( X 0 ,5 )  P( X )  0, 5

para el caso discreto.

x 1

P( x  X 0 ,5 ) 

X 0 ,5
a

f ( x ) dx  0, 5

para el caso continuo

(2.59)

Otro importante estadstico de una distribucin es su dispersin o anchura;

para su medicin se utilizan los siguientes estadsticos ms comunes:
1. La varianza Var(X) de una variable aleatoria se define como:

Var ( X )  E ; X E ( X )=

(2.60)

Desarrollando la anterior expresin, resulta:

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)

Evidentemente la varianza no es un operador lineal:

Var (a + bX) = b2 Var (X), es decir, sumar una constante no afecta a la
dispersin de la distribucin.
Var (aX + bY) = a2 Var (X) + b2 Var (Y) + 2ab Cov (X,Y), donde la covarianza de X e Y viene dada por:
Cov (X,Y) = E(XY) E(X)E(Y)

(2.62)

donde la covarianza de dos variables aleatorias independientes es cero.

2. La desviacin estndar se(x) es la raz cuadrada de la varianza y, en contraposicin a la variacin, tiene las mismas dimensiones que la variable
aleatoria X y que los momentos centrales.
3. El coeficiente de variacin CV, que est dado por el cociente entre la desviacin estndar y la media, es una medida adimensional de la dispersin
de la distribucin.

3.
Datos y rol del espacio

ste captulo est dedicado a la problemtica de la toma de datos y su

representacin, para ser utilizados en la modelizacin de transportes.
Se consideran cuatro aspectos que son requisito previo para el resto del
libro. En primer lugar se proporciona una breve introduccin a la teora
estadstica del muestreo, que complementar en parte los conceptos elementales tratados en el apartado 2.5. A los lectores interesados se les remite a un
libro completo sobre el tema (Stopher y Meyburg, 1979) que puede consultarse
para ms detalles. En el apartado 3.2 se discute la tipologa e importancia de
los errores que pueden surgir durante la estimacin de modelos y en su uso en
modalidad predictiva; se menciona asimismo la interesante disyuntiva entre
precisin de los datos y complejidad y coste del modelo.
En el apartado 3.3 se presentan los distintos tipos de encuestas utilizados en
planificacin de transporte. Merecen un especial inters los problemas referidos
a la correccin, expansin y validacin de los datos de encuestas. Tambin se
tratarn temas relativos a la toma de datos de preferencias declaradas y longitudinales (p. ej., un panel). Finalmente en el apartado 3.4 se afrontarn los
problemas prcticos ms importantes en la representacin de redes y en el diseo
de la zonificacin de un rea de estudio. Es aqu donde realmente se deciden las
capacidades espaciales del modelo, es decir, su capacidad de tratar correctamente el espacio. Representaciones pobres de la red o sistemas zonales demasiado gruesos, pueden invalidar los resultados del modelo terico ms atractivo.

3.1. TEORA BSICA DE MUESTREO

3.1.1.

Consideraciones estadsticas

La estadstica puede definirse como la ciencia que trata sobre la recogida, anlisis, tratamiento e interpretacin de datos con objeto de obtener la mxima

Datos y rol del espacio

cantidad de informacin til para describir un fenmeno. Tambin puede ser

descrita como una de las disciplinas relacionadas con la toma de decisiones
bajo condiciones de incertidumbre. En este caso su objetivo sera ayudar a
determinar el nivel de incertidumbre asociado a datos medidos para contribuir
a mejorar el proceso de toma de decisiones.
Normalmente los datos consisten en una muestra de observaciones tomadas
de una cierta poblacin de inters, la cual no es econmicamente (o quizs ni
siquiera tcnicamente) susceptible de ser observada en su integridad. Estas
observaciones se realizan sobre uno o ms atributos de la poblacin (p. ej., el
ingreso) y permiten, despus, realizar inferencias sobre el valor medio de estos
atributos, a menudo llamados parmetros de la poblacin. El diseo muestral
ha de estar encaminado a asegurar que los datos que se van a obtener, ofrezcan
la mayor cantidad de informacin til sobre la poblacin de inters, al menor
coste posible. El resto del problema consiste en cmo utilizar dichos datos
(p. ej., expandir los valores de la muestra) para realizar inferencias correctas
sobre la poblacin. Se presentan entonces dos dificultades:
cmo asegurar que la muestra sea representativa; y
cmo extraer conclusiones vlidas de una muestra que satisfaga la condicin
anterior.
Ninguna de estas dificultades constituira un problema si no hubiera variabilidad en la poblacin. Para resolver la segunda dificultad (extraccin de conclusiones vlidas) existe un procedimiento perfectamente establecido que no
presenta graves problemas si se mantienen ciertas hiptesis y condiciones.
La identificacin de una muestra representativa puede suponer una tarea ms
delicada en ciertos casos, como se ver a continuacin.
3.1.1.1.

Definiciones bsicas

Muestra: se define como el conjunto de unidades que han sido especialmente

seleccionadas para representar a una poblacin ms grande con ciertos atributos de inters (p. ej., altura, eleccin zonal o modal, etc.). Tres aspectos de
esta definicin tienen particular importancia. Primero: qu poblacin trata
de representar la muestra. Segundo: cul debe ser el tamao de la muestra.
Tercero: qu significa especialmente seleccionada.
Poblacin de inters: es el grupo completo sobre el que se busca informacin. En muchos casos su definicin se obtiene directamente de los objetivos

MODELOS

DE

TRANSPORTE

del estudio. La poblacin de inters se compone de elementos individuales.

Sin embargo, la muestra se selecciona habitualmente sobre la base de unidades muestrales no equivalentes a los elementos individuales, ya que la
agregacin de stos ltimos se considera a menudo necesaria. Por ejemplo,
una unidad muestral utilizada con frecuencia es el hogar, mientras que los
elementos de inters son los individuos que lo componen.
Mtodo de muestreo: la mayora de los mtodos comnmente aceptados
se basan en alguna forma de muestreo aleatorio. Para ello lo fundamental
es que la seleccin de cada unidad se lleve a cabo independientemente, de
forma que cada unidad de muestreo tenga la misma probabilidad de ser
incluida en la muestra. Los mtodos ms interesantes son:
Muestreo aleatorio simple, que no es solamente el mtodo ms sencillo,
sino que tambin constituye la base del resto. Consiste en asociar a cada
unidad de la poblacin un identificador (un nmero) y despus seleccionar
estos nmeros al azar para obtener la muestra. En algunos casos pueden
necesitarse muestras demasiado grandes para asegurar informacin suficiente sobre opciones minoritarias de inters especial. Por ejemplo, puede
ocurrir que una muestra de unidades familiares tomadas al azar en un
pas en vas de desarrollo ofrezca muy poca informacin sobre hogares
con ms de un vehculo.
Muestreo aleatorio estratificado, en el cual se utiliza en primer lugar
informacin previa para subdividir la poblacin en estratos homogneos
(respecto a las variables de estratificacin), y despus se efecta un muestreo aleatorio simple dentro de cada estrato utilizando la misma tasa de
muestreo. El mtodo permite obtener las proporciones correctas de cada
estrato en la muestra. Esto puede ser importante cuando existen subgrupos de la poblacin relativamente pequeos, que pudieran no quedar bien
representados en un muestreo aleatorio simple.
Es posible tambin estratificar con respecto a ms de una variable, creando
de esta forma una matriz n-dimensional de celdas grupales. No obstante
debe tenerse especial cuidado con el nmero de celdas creado, ya que se
incrementa geomtricamente con el nmero de estratos. Un nmero excesivo de celdas puede llevar a que el nmero medio de unidades muestrales por celda sea demasiado pequeo. Ni siquiera el muestreo estratificado es de gran utilidad cuando se requiere informacin sobre opciones con
una baja probabilidad de eleccin dentro de la poblacin. En estos casos se

Datos y rol del espacio

utiliza un tercer mtodo, denominado muestreo basado en la eleccin, que

es en realidad un subconjunto del anterior. El mtodo consiste en estratificar la poblacin en base a los resultados del proceso de eleccin. Este
mtodo es muy comn en estudios de transporte, como se ver en la seccin 3.3. Una ventaja considerable es que los datos pueden ser obtenidos con
un coste mucho menor que con los otros mtodos de muestreo. Su principal
desventaja es que la muestra global as obtenida, puede no ser aleatoria y
de aqu que sea mayor el riesgo de sesgo a la hora de expandir los valores
obtenidos.
Error muestral y sesgo de muestreo: stos son los dos tipos de errores que
pueden darse al obtener una muestra; su combinacin contribuye al error
de medicin de los datos. El primer tipo de error se debe simplemente al
hecho de que se est tratando con una muestra y no con el total de la poblacin, y por lo tanto siempre estar presente debido a efectos aleatorios.
Este tipo de error no afecta a los valores expandidos de las medias de los
parmetros estimados, solamente afecta a la variabilidad en torno a ellas,
determinando as el grado de confianza que puede asociarse a las mismas.
Bsicamente es funcin del tamao muestral y de la variabilidad intrnseca
de los parmetros a investigar.
El sesgo muestral, por otra parte, se produce por errores cometidos bien al
definir la poblacin de inters o bien al seleccionar el mtodo de muestreo,
la tcnica de toma de datos o cualquier otra parte del proceso. Se diferencia
del error muestral en dos aspectos importantes:
Puede afectar no slo a la variabilidad en torno a la media de los parmetros estimados sino tambin a los valores mismos. Por ello puede ocasionar
una distorsin ms grave de los resultados de la encuesta.
Mientras que el error muestral no puede ser evitado (solamente puede
reducirse incrementando el tamao de la muestra), el sesgo puede eliminarse en la prctica tomando precauciones especiales durante las distintas
fases del diseo muestral y la toma de datos.
Tamao de la muestra: desafortunadamente no hay respuestas simples ni
directas para el clculo del tamao de la muestra en cada situacin. Esto
ocurre porque muchos de sus inputs son inciertos y relativamente subjetivos, a pesar de que los clculos involucrados se basan en precisas frmulas
estadsticas. Por ello el analista slo puede obtener el tamao de la muestra
despus de analizar cuidadosamente el problema estudiado.

MODELOS

DE

TRANSPORTE

La determinacin del tamao de la muestra es un problema de compromiso,

ya que:
una muestra demasiado grande puede implicar una toma de datos y un
proceso de anlisis demasiado caros dados los objetivos del estudio y el
grado de precisin requerido, pero
una muestra demasiado pequea puede implicar resultados sujetos a un
grado de variabilidad inaceptable, reduciendo el valor de todo el ejercicio.
Entre estos dos extremos se encuentra el tamao de muestra ms eficiente
(en trminos de coste) para los objetivos de un estudio concreto. A partir
de ahora se supone que dicho objetivo consiste en la estimacin de ciertos
parmetros de la poblacin mediante estadsticos calculados a partir de los
datos de la muestra. Como estos estadsticos estn sujetos al error de muestreo, es tambin necesario incluir una estimacin de la confianza asociada
al valor de cada uno de ellos.
3.1.1.2. Tamao de la muestra para estimar los parmetros
de la poblacin
sta depende de tres factores principales: variabilidad de los parmetros en
la poblacin estudiada, grado de exactitud requerido para cada uno de ellos y
tamao de la poblacin. Sin duda los dos primeros son los ms importantes.
Esto puede resultar sorprendente a primera vista, porque parece intuitivamente
necesario tomar muestras ms amplias en poblaciones ms grandes con el fin
de mantener el grado de exactitud de las estimaciones. Sin embargo, segn se
ver a continuacin, el tamao de la poblacin no afecta significativamente al
tamao de la muestra, excepto en el caso de poblaciones muy pequeas.
El Teorema Central del Lmite, que es la base primordial del problema de
estimacin del tamao muestral, postula que la estimacin de la media de una
muestra tiende a una distribucin Normal a medida que el tamao de la muestra
(n) aumenta. Esto se cumple para cualquier distribucin de la poblacin si n es
mayor o igual a 30. El teorema se cumple, incluso en el caso de muestras ms
pequeas, si la poblacin original tiene una distribucin similar a la Normal.
Considrese una poblacin de tamao N y una propiedad especfica que
distribuye con media
 y varianza 2. El Teorema Central del Lmite indica
que la distribucin de la media (x ) de muestras sucesivas es una distribucin

Datos y rol del espacio

Normal con media y desviacin estndar se (x ), conocida como el error

estndar de la media, y viene dada por:

se ( x ) 

( N n)s 2
( N 1) n

(3.1)

Si slo se considera una muestra, la mejor estimacin de es x y la mejor

estimacin de 2 es S2 (la varianza de la muestra). En este caso el error estndar
de la media puede estimarse como:

se ( x ) 

( N n) S 2
Nn

(3.2)

y, segn se mencion anteriormente, es funcin de tres factores: la variabilidad

del parmetro (S2), el tamao de la muestra (n) y el tamao de la poblacin
(N). Sin embargo para poblaciones grandes y tamaos de muestra pequeos
(el caso ms frecuente), el factor (N n) / N es muy prximo a 1 y la ecuacin
(3.2) se reduce a:

se ( x ) 

S
n

(3.3)

De esta forma, por ejemplo, aumentando cuatro veces el tamao de la

muestra nicamente se reduce a la mitad el error estndar, siendo un caso
tpico de retornos decrecientes a escala. El tamao de la muestra necesaria
puede ser estimado resolviendo la ecuacin (3.2) para n. Pero normalmente
es ms sencillo realizarlo en dos pasos, primero calculando n de la ecuacin
(3.3) de la forma:

n' 

S2
se ( x ) 2

(3.4)

y despus, si es necesario, se corrige por tamao de poblacin finita mediante:

n

n'
n'
1
N

(3.5)

MODELOS

DE

TRANSPORTE

Aunque el procedimiento descrito parece ser objetivo y relativamente

simple tiene dos inconvenientes importantes que debilitan su aplicacin: la
estimacin de la varianza de la muestra S2 y la eleccin de un error estndar
aceptable para la media. El primero es obvio: S2 solamente puede calcularse una
vez que se ha tomado la muestra, por lo que ha de estimarse desde otras fuentes.
El segundo problema est relacionado con el grado de confianza que se desea
asociar al uso de la media muestral como estimador de la media poblacional.
La prctica habitual no especifica un valor nico del error estndar sino un
intervalo alrededor de la media para un determinado nivel de confianza. Por
tanto se necesitan dos hiptesis para calcular un error estndar aceptable:
En primer lugar se debe elegir un nivel de confianza para el intervalo. ste
expresa cun frecuentemente el analista est dispuesto a cometer un error
al aceptar que la media muestral es una medida de la verdadera media (el
nivel de confianza tpico del 95% implica una disposicin a errar en el 5%
de los casos).
En segundo lugar es necesario especificar los lmites del intervalo de confianza alrededor de la media en trminos absolutos o relativos. En este
ltimo caso, como el intervalo se expresa como una proporcin de la media,
se necesita una estimacin de la misma para calcular los valores absolutos
del intervalo. Una opcin til consiste en expresar el tamao muestral como
funcin del coeficiente de variacin esperado (CV = / ) de los datos.
Por ejemplo, si se supone una distribucin Normal y se considera un nivel
de confianza del 95%, significa que un valor mximo de 1,96 se (x) se aceptara
para el intervalo de confianza ( 1,96 contiene el 95% de la distribucin
de probabilidad Normal). Si se especifica un error del 10% se obtiene un intervalo ( 0,1) y puede observarse que:
se (x ) = 0,1 / 1,96 = 0,051
y reemplazando este valor en (3.4) se obtiene:
n' = (S / 0,051)2 = 384 CV2

(3.6)

Obsrvese que si el intervalo se especifica como ( 0,05), es decir, con

la mitad de error, n se incrementara cuatro veces hasta 1.536 CV2.
Para completar este punto es importante enfatizar que el desarrollo anterior es relativamente subjetivo. Por ejemplo, es posible asignar intervalos de

Datos y rol del espacio

confianza ms pequeos y/o niveles de confianza mayores a parmetros ms

importantes. No obstante, cada una de estas acciones producir errores estndar
aceptables ms pequeos y, en consecuencia, mayores muestras y costes. Si
se necesita estimar varios parmetros, la muestra puede ser elegida a partir de
aquel parmetro que requiera un tamao muestral mayor.
3.1.1.3. Obtencin de la muestra
El ltimo paso del proceso de muestreo es la extraccin de la muestra en s.
En algunos casos el procedimiento puede ser fcilmente automatizable, tanto
en terreno como en gabinete (en cuyo caso se debe prestar especial atencin a
que el proceso se cumpla realmente en la prctica), pero debe realizarse siempre con referencia a un proceso aleatorio. Aunque los nicos procedimientos
verdaderamente aleatorios son aquellos de naturaleza fsica (p. ej., tirar un
dado o lanzar una moneda), son por lo general demasiado costosos para ser
utilizados en la seleccin de la muestra. Por esta razn normalmente se utilizan
procedimientos pseudo-aleatorios, capaces de generar fcil y rpidamente un
conjunto de nmeros aleatorios.
Ejemplo 3.1: considrese una determinada rea cuya poblacin puede clasificarse en grupos segn: posesin de vehculo (con y sin coche) y tamao
familiar (hasta cuatro y ms de cuatro miembros).
Supngase que se necesitan m observaciones por celda para garantizar un
nivel de confianza del 95% en la estimacin de, por ejemplo, la tasa de viajes.
Supngase tambin que la poblacin tiene la siguiente distribucin (obtenida
de datos histricos).
Posesin de vehculo

Con coche
Sin coche

Tamao familiar

% de poblacin

4 o menos

Ms de 4

16

4 o menos

25

Ms de 4

50

En este caso hay dos formas posibles de proceder:

1. Obtener una muestra con m observaciones por celda mediante muestreo
aleatorio. As, sera necesario seleccionar el tamao de muestra que ga-

MODELOS

DE

TRANSPORTE

rantice este nmero de observaciones para cada celda, incluyendo la clase

con la proporcin ms pequea de la poblacin. Por tanto el tamao de
celda debera ser:

n  100m / 9  11,1m
2. Alternativamente se puede llevar a cabo una muestra aleatoria preliminar de 11,1m hogares donde nicamente se pregunte el grupo o clase al
que pertenece. Esta encuesta, de bajo presupuesto, puede utilizarse para
obtener las direcciones de m hogares incluso para el grupo menor. Como
slo se necesitan m observaciones por celda sera suficiente seleccionar
aleatoriamente una muestra estratificada de 3m hogares en los otros grupos
para ser encuestada en detalle (junto con las m ya detectadas para la celda
ms restrictiva).
Como puede observarse en el primer caso se obtiene una muestra mayor;
su coste (aproximadamente tres veces ms encuestas) debe compararse con el
coste de la encuesta preliminar.

3.1.2. Conceptualizacin del problema de muestreo

En esta parte se asumir que el objetivo final de la toma de la muestra es calibrar un modelo de eleccin para toda la poblacin. Siguiendo la notacin
de Lerman y Manski (1976) se denomina P y f a las caractersticas de la
poblacin y de la muestra respectivamente. Tambin se supone que cada observacin muestral puede describirse en base a las dos siguientes variables:
i = eleccin observada del individuo encuestado (p. ej., ha tomado un
autobs).
X = vector de caractersticas (atributos) del individuo (edad, sexo, ingreso, posesin de vehculo) y de las alternativas de su conjunto de eleccin
(tiempo andando, de espera y de viaje, coste).
Finalmente se supone que el proceso de eleccin subyacente en la poblacin puede representarse mediante un modelo con parmetros . En este caso
la distribucin conjunta de i y X est dada por:
P(i, X / )

Datos y rol del espacio

y la probabilidad de elegir la alternativa i entre el conjunto de opciones con

atributos X es:
P(i / X, )
Dependiendo de la forma en que se extraiga cada observacin, la muestra
tendr su propia distribucin conjunta de i y de X que puede escribirse como
f(i,X / ). En base a esta notacin el problema de muestreo puede formalizarse
como se muestra a continuacin (Lerman y Manski, 1979).
3.1.2.1. Muestreo aleatorio
En este caso la distribucin de i y X en la muestra y en la poblacin debera
ser idntica, esto es:
f(i, X / ) = P(i, X / )

(3.7)

3.1.2.2. Muestreo estratificado

En este caso la muestra no es aleatoria respecto a ciertas variables independientes del modelo de eleccin (p. ej., una muestra con el 50% de familias de
ingreso bajo y el 50% de familias con ingreso alto es estratificada slo si se
toma una muestra aleatoria dentro de cada estrato). El proceso de muestreo
se define mediante una funcin f(X), que da la probabilidad de encontrar una
observacin con las caractersticas X. En el conjunto de la poblacin, esta
probabilidad es por supuesto P(X). La distribucin de i y X en la muestra
viene dada por:
f(i, X / ) = f(X)P(i, X / )

(3.8)

Es sencillo comprobar que una muestra aleatoria es un caso especial de

muestra estratificada en la que f(X) = P(X), ya que:
f(i, X / ) = P(X) P(i / X, ) = P(i, X / )

(3.9)

3.1.2.3. Muestreo basado en la eleccin

En este caso el procedimiento de muestreo se define mediante una funcin
f(i), que da la probabilidad de encontrar una observacin que elija la opcin i.
Ahora, la distribucin de i y X en la muestra viene dada por:

MODELOS

DE

TRANSPORTE

f(i, X / ) = f(i)P(X / i, )

(3.10)

Si bien la ltima probabilidad, P(X / i, ) no se haba definido, se puede

obviar a partir del teorema de Bayes que seala:
P(X / i, ) = P(i / X / )P(X) / P(i / )

(3.11)

La expresin del denominador, P(i / ) que tampoco haba sido definida,

puede obtenerse suponiendo valores discretos de X de la forma:

f ( i,X / Q )  f ( i ) P( i/ X ,QP(i
) P/()
X )=/ P( i/ X , Q ) P( X )
X

(3.12)

Por tanto la expresin final de la probabilidad conjunta de i y X para una

muestra basada en la eleccin, es claramente ms compleja:

f ( i,X / Q )  f ( i ) P( i/ X ,Q ) P( X ) / P( i/ X , Q ) P( X )

(3.13)

y sirve para ilustrar no solamente que el muestreo basado en la eleccin es

intuitivamente ms problemtico que los otros, sino tambin para constatar
que posee un potencial de sesgo ms alto precisamente en aquello que ms
importa: la eleccin.
De todo lo anterior se puede sealar que cada mtodo de muestreo conduce
a una distribucin diferente de elecciones y caractersticas de la muestra, y que
no hay razones a priori para esperar que un nico mtodo de estimacin de los
parmetros sea aplicable en todos los casos.
Ejemplo 3.2: supngase que para los objetivos de un estudio de transporte,
la poblacin de un rea determinada ha sido clasificada segn dos categoras de
ingreso, y que slo hay dos modos de transporte disponibles (coche y autobs)
para efectuar el viaje al trabajo. Supngase tambin que la distribucin de la
poblacin es la siguiente:
Ingreso Bajo (IB)

Ingreso Alto (IA)

Total

Usuario Bus

0,45

0,15

0,60

Usuario Coche

0,20

0,20

0,40

Total

0,65

0,35

1,00

Datos y rol del espacio

1. Muestreo aleatorio. Est claro que si la muestra es al azar, se debera obtener la misma distribucin en la muestra que en la poblacin.
2. Muestreo estratificado. Considrese una muestra con el 75% de viajeros de
Ingreso Bajo (IB) y el 25% de viajeros con Ingreso Alto (IA). De la tabla
anterior es posible calcular la probabilidad de que un viajero de ingreso
bajo utilice el autobs, as:
P (Bus/IB) =

P (IB y Bus)
0,45
=
= 0,692
P (IB y Bus) + P (IB y Coche)
0,45 + 0,2

Ahora, como la muestra estratificada tiene el 75% de individuos con ingreso bajo, la probabilidad de encontrar un usuario de autobs de ingreso
bajo en la muestra es: 0,75 0,692 = 0,519. Procediendo anlogamente
se puede construir la siguiente tabla de probabilidades para la muestra
estratificada:
Ingreso Bajo

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

3. Muestreo basado en la eleccin. Supngase que ahora se toma una muestra

del 75% de usuarios de autobs y 25% de usuarios de coche. En este caso
la probabilidad de encontrar un usuario de autobs con ingreso bajo puede
calcularse de la forma:
P (IB/Bus) =

P (IB y Bus)
0,45
=
= 0,75
P (IB y Bus) + P (IA y Bus)
0,45 + 0,15

Por tanto la probabilidad de encontrar en la muestra un viajero de ingreso

bajo que utilice el autobs es 0,75 veces 0,75, es decir 0,563. Procediendo
anlogamente, se obtiene la siguiente tabla de probabilidades:
Ingreso Bajo

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

TRANSPORTE

Como se esperaba, cada mtodo de muestreo produce, en general, una

distribucin diferente en la muestra. La importancia del ejemplo anterior es
mayor cuando se consideran las implicaciones de utilizar las distintas muestras
obtenidas en la estimacin de modelos. Para ello es necesario, primeramente,
entender lo que hacen los programas de calibracin estndar; ellos simplemente
buscan los coeficientes del modelo (), asociados a un conjunto de variables
explicativas, que mejor repliquen las elecciones observadas en la muestra.
Para el total de la poblacin, la probabilidad de observar un conjunto de
datos determinados, se puede encontrar en forma conceptual simplemente
calculando las probabilidades de que distintos tipos de viajeros (con alternativas
y atributos dados) elijan la alternativa observada.
Por ejemplo, en la primera tabla del ejemplo 3.2 (muestreo aleatorio simple)
la probabilidad de que un viajero de ingreso alto elija coche viene dada por la
razn entre la probabilidad de tener ingreso alto y usar coche y la probabilidad
de tener ingreso alto, esto es:
0,20
= 0,572
0,15 + 0,20
Si se considera la segunda tabla (muestreo estratificado), la probabilidad
anterior es ahora:
0,143
= 0,572
0,107 + 0,143
Esto no es coincidencia. De hecho fue una de las conclusiones ms importantes obtenidas en una investigacin llevada a cabo por Lerman et al. (1976)
en Estados Unidos. En la prctica significa que se puede utilizar software
estndar para la estimacin de modelos con datos obtenidos de una muestra
estratificada.
Es tambin importante destacar que esto no ocurre para el caso de muestras
basadas en la eleccin. Para demostrarlo se calcula, a continuacin, la misma
probabilidad anterior pero utilizando informacin de la tercera tabla:
0,125
= 0,400
0,187 + 0,125
Como puede verse, el resultado es completamente diferente. Para finalizar
con este tema, es interesante mencionar que Lerman et al. (1976), propusieron

Datos y rol del espacio

un mtodo para utilizar datos de muestras basadas en eleccin en la estimacin

de modelos evitando el sesgo, a expensas nicamente de tener un conocimiento
previo de los repartos reales del mercado. Esto implica ponderar las observaciones por factores calculados mediante:
P (elegir la alternativa en una muestra aleatoria)
P (elegir la alternativa en una muestra basada en la eleccin)
De esta forma, en el ejemplo anterior, el factor de ponderacin para las
observaciones de autobs debera ser:
0,45 + 0,15
= 0,8
0,563 + 0,187
y para usuarios de coche:
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.

3.1.3. Consideraciones prcticas del muestreo

3.1.3.1. El problema de la extraccin de la muestra
El muestreo estratificado (as como el basado en la eleccin), requiere muestreo
aleatorio dentro de cada estrato. Para llevarlo a cabo es necesario, en primer
lugar, aislar al grupo de inters y esto, en la prctica, puede no ser tan sencillo.
Considrese, por ejemplo, un caso en el que la poblacin de inters est formada
por todos los viajeros potenciales de una ciudad. Si se estratifica por rea de
residencia, puede ser relativamente simple aislar la subpoblacin de residentes
dentro de la ciudad (p. ej., utilizando datos de una encuesta anterior). El problema reside en que es extremadamente difcil aislar y tomar una muestra del
resto, esto es, aquellos que viven fuera de la ciudad.
Un problema adicional es que, en ciertos casos, incluso aunque sea posible
aislar todas las subpoblaciones y conformar estratos, es difcil asegurar una
muestra aleatoria dentro de cada uno. Por ejemplo, si se est interesado en realizar una muestra basada en la eleccin de modo de los viajeros de una ciudad,

MODELOS

DE

TRANSPORTE

sera necesario entrevistar a usuarios de autobs y para ello, en primer lugar,

hay que decidir qu rutas deberan incluirse en la muestra. El problema es que
ciertas rutas podran tener proporciones de estudiantes y/o viajeros de la tercera
edad ms altas que la media, por lo que se introduciran sesgos.
3.1.3.2. Obtencin del tamao de cada subpoblacin
ste es un elemento clave y de gran importancia para determinar el nmero
de personas a muestrear posteriormente. Dada una cierta estratificacin, hay
varios mtodos disponibles para averiguar el tamao de cada subpoblacin,
tales como:
1. Medicin directa. Esto es posible en ciertos casos; por ejemplo, en una
muestra basada en la eleccin de modo para viajes al trabajo, el nmero de
billetes de metro y autobs vendidos, y aforos de trfico en la hora punta
en un corredor de la ciudad, pueden ofrecer una medida adecuada (aunque imperfecta, ya que no todos los viajes durante el perodo punta son al
trabajo), del nmero de personas que eligen cada modo. Por otro lado, si
interesa una estratificacin geogrfica (p. ej., zonal), se puede utilizar el
ltimo censo para estimar el nmero de habitantes de cada zona.
2. Estimacin a partir de una muestra aleatoria. Si se realiza un muestreo
aleatorio simple, la fraccin en la muestra correspondiente a cada estrato
es un estimador consistente de la fraccin del total correspondiente a cada
subpoblacin. Es importante sealar que el coste de este mtodo es bajo,
ya que la nica informacin registrada es la necesaria para establecer el
estrato al cual pertenece el entrevistado.
3. Resolucin de un sistema de ecuaciones simultneas. Supngase que se
trata de estratificar por el modo elegido (coche, bus y metro) y que se conocen datos sobre ciertas caractersticas de la poblacin como el ingreso
medio (I) y la tasa de motorizacin promedio (TM); entonces bastara con
realizar una pequea encuesta en cada modo para obtener el I y TM en
cada uno y plantear un sistema de ecuaciones que tenga las proporciones
de subpoblacin como incgnitas.
Finalmente, cuando se disea un muestreo, debe tenerse en cuenta la tasa
de fallo de los diferentes tipos de encuestas. El tamao de la muestra anteriormente discutido se corresponde con el nmero de respuestas vlidas en todo el
proceso de toma de datos. Algunos procedimientos de encuesta generan tasas

Datos y rol del espacio

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

Si Fi denota la fraccin que es cada subpoblacin del total, se puede plantear

el siguiente sistema de ecuaciones:

33.600  78.000 F1  14.400 F2  38.400 F3

0, 44  1,15 F1  0, 05 F2  0, 85 F3
1  F1  F2  F3
cuya solucin es:

F1  0, 2451
F2  0, 6044
F3  0,1505
Esto significa que si la poblacin total del rea es de 180.000 habitantes,
habra aproximadamente 44.100 usuarios de coche, 108.800 usuarios de autobs
y 27.100 de metro.

3.2. ERRORES EN LA MODELIZACIN Y EN LA PREDICCIN

Los procedimientos estadsticos normalmente utilizados en la modelizacin de
la demanda de viajes suponen no slo que se conoce a priori la especificacin
funcional correcta del modelo, sino tambin que los datos utilizados durante

MODELOS

DE

TRANSPORTE

la estimacin no contienen errores. En la prctica estas dos condiciones no son

frecuentemente respetadas. Incluso, aunque se satisficieran, las estimaciones
realizadas con los modelos estn sujetas a errores debidos a imprecisiones en
los valores supuestos para las variables explicativas en el ao horizonte.
El objetivo final de la modelizacin es, en la mayor parte de los casos, el
poder realizar previsiones (p. ej., el nmero de personas que elegiran diversas opciones). Un problema importante con el que se enfrenta el diseador de
modelos es encontrar cul es la combinacin adecuada entre la complejidad
del modelo y la exactitud de los datos que se adapta mejor a la confiabilidad
requerida en la prognosis y a los recursos disponibles para el estudio. Con este
fin, es importante distinguir entre los diferentes tipos de errores, en particular
entre:
aquellos que pueden ocasionar resultados incorrectos a partir de modelos
correctos, p. ej., errores en la prediccin de las variables explicativas, errores
de transferencia y agregacin, y
aquellos que llevan a la estimacin incorrecta de los modelos, p. ej., errores
de medida, de muestreo o de especificacin.
En la siguiente seccin, se presta especial atencin a los tipos de errores
que pueden surgir y los efectos que ellos pueden causar. A continuacin se
examinar el equilibrio entre la complejidad del modelo y la exactitud de los
datos, haciendo especial nfasis en el rol que tienen los modelos simplificados
en determinados contextos.

3.2.1. Clasificacin de errores

Durante el proceso de construccin, calibracin y prognosis de modelos, pueden
producirse los siguientes tipos de errores:
3.2.1.1. Errores de medicin
stos aparecen debido a las imprecisiones inherentes al proceso de medida de
los datos en el ao base, tales como: preguntas mal planteadas en las encuestas,
respuestas mal interpretadas por el encuestador, errores de medida en las redes,
errores de codificacin y digitalizacin, etctera.
Estos errores tienden a ser ms altos en pases menos desarrollados, pero
siempre pueden reducirse mejorando las precauciones y calidad de la toma de

Datos y rol del espacio

datos (p. ej., utilizacin apropiada de ordenadores como apoyo a la realizacin

de encuestas), o simplemente destinando ms recursos para controlar la calidad
de los datos. Ambas soluciones cuestan dinero.
Los errores de medicin, tal como se definen aqu, deben distinguirse de la
dificultad de definir las variables a medir. La complejidad que puede aparecer
en este tema se indica en la figura 3.1.
Idealmente, la modelizacin debe basarse en informacin percibida realmente por los viajeros, pero mientras que los datos registrados ofrecen alguna
aproximacin a su percepcin, su empleo introduce la dificultad de estimar lo
que los usuarios van a percibir en el futuro.
As, parece inevitable que los modelos se caractericen por tener errores
de percepcin que tienden a ser ms grandes para aquellas alternativas no
elegidas, debido a la existencia de sesgos de auto-seleccin (los atributos de la
Errores
de medicin
Valores
verdaderos

Datos
ingenieriles
Errores de percepcin,
informacin y tiempo
de respuesta

Datos
percibidos

Errores de registro,
redondeo
y comunicacin
Restricciones

Modo
elegido

Figura 3.1.

Datos
registrados

Medida de los atributos y proceso de eleccin.

MODELOS

DE

TRANSPORTE

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 conjunto 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 procesos 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 comprende 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

Datos y rol del espacio

trmino de error aleatorio (como los que se vern en los Captulos 4 y 7)

estn diseados para acomodar este error. Sin embargo pueden surgir problemas cuando la variable excluida est correlacionada con variables del
modelo o cuando su distribucin en la poblacin relevante es diferente de
su distribucin en la muestra utilizada para la estimacin del modelo (ver
Horowitz, 1981b).
Exclusin de las variaciones en los gustos por parte de los individuos. Esto
siempre produce modelos sesgados, como se indica en el Captulo 8. Desafortunadamente ste es el caso de la mayora de los modelos de eleccin
ms prcticos. Notables excepciones son los modelos Probit Multinomial y
logit mixto, de los cuales se hablar tambin en el Captulo 8.
Otros errores de especificacin, en particular la utilizacin de formas funcionales que no sean apropiadas, tales como funciones lineales para representar
efectos no lineales, modelos compensatorios para representar comportamientos que pueden ser no compensatorios (Captulo 8) o la omisin de efectos
tales como el hbito o la inercia. En Williams y Ortzar (1982a) puede
encontrarse una discusin completa de estas formas de error.
Todos los errores de especificacin pueden reducirse, en principio, incrementando la complejidad del modelo. Sin embargo el coste ocasionado por esto
no es fcil de estimar, ya que est relacionado con la operacin del modelo,
pero, puede inducir otros tipos de error que, en ocasiones son imposibles o
costosos de eliminar (p. ej., al hacer prognosis sobre un mayor nmero de variables y con un alto nivel de desagregacin). Ms an, la eliminacin de algunos
errores de especificacin puede requerir una investigacin ms profunda sobre
el comportamiento de los usuarios, por lo que debe aceptarse que ellos pueden
estar presentes en todos los modelos factibles.
3.2.1.5. Errores de transferencia
stos aparecen cuando un modelo que ha sido desarrollado en un contexto
(tiempo y/o lugar) se aplica en otro contexto diferente. Aunque se puede realizar algn ajuste para compensar dicha transferencia, en ltimo trmino se
debe tener en cuenta que el comportamiento puede ser diferente en situaciones
distintas. En el caso de transferencia espacial, los errores pueden reducirse o
eliminarse mediante una re-estimacin parcial o completa del modelo para el
nuevo contexto (aunque una re-estimacin completa implicara desechar los
ahorros sustanciales producidos por la transferencia). Sin embargo, en el caso

MODELOS

DE

TRANSPORTE

de transferencia temporal (p. ej., prognosis), esta re-estimacin no es posible

y no queda ms que aceptar algunos errores potenciales.
3.2.1.6. Errores de agregacin
Aparecen bsicamente de la necesidad de realizar prognosis (previsiones) para
grupos de personas, mientras que la modelizacin a menudo se lleva a cabo
al nivel del individuo, con objeto de capturar mejor su comportamiento. Las
clases ms importantes de errores de agregacin son:
Agregacin de datos. En la mayor parte de los estudios prcticos, los datos utilizados para definir la eleccin de viaje de los individuos se agregan
de una u otra forma. Incluso al preguntar al individuo sobre las caractersticas de sus alternativas disponibles, ste slo puede haber realizado su
eleccin modal basndose en los valores esperados de estas caractersticas.
Cuando se utilizan modelos de redes, existe agregacin en las rutas, horas de
salida, e incluso en las zonas; esto significa que los valores de las variables
explicativas as obtenidos son, en el mejor de los casos, medias para cada
grupo de usuarios, en vez de valores exactos para cada viajero individual.
Los modelos estimados con datos agregados tienen algn tipo de error de
especificacin (ver Daly y Ortzar, 1990) y su reduccin implica la realizacin de mediciones bajo muchos ms tipos de circunstancias: ms zonas,
ms horas de salida, ms rutas, ms categoras socioeconmicas. Todo esto
aumenta el coste y el plazo de ejecucin e incrementa la complejidad del
modelo.
Agregacin de alternativas. Debido de nuevo a consideraciones prcticas,
puede ser inviable considerar el espectro completo de alternativas u opciones disponibles para cada usuario. Incluso en casos relativamente ms
sencillos, tales como la eleccin modal, aparece algn tipo de agregacin
ya que, por ejemplo, la gran variedad de servicios que abarca una opcin
como autobs (autobuses de un piso con conductor, autobuses de dos pisos
con dos empleados, minibs, servicios express, etc.), raramente se plantean
como opciones separadas.
Agregacin del modelo. Puede ocasionar graves dificultades al analista,
excepto en el caso de modelos lineales, en los que es un problema trivial.
Cantidades agregadas tales como el flujo de trfico en arcos de la red, son
un resultado bsico de la modelizacin en la planificacin del transporte,
pero los mtodos para obtenerlas estn sujetos a errores de agregacin que

Datos y rol del espacio

son a menudo imposibles de eliminar. Este problema ser examinado con

cierto detalle en los Captulos 4 y 9.

3.2.2.

Compromiso entre complejidad del modelo y exactitud

de los datos

Teniendo en cuenta las dificultades expuestas anteriormente, parece razonable

considerar el problema dual de cmo optimizar la inversin necesaria para
aumentar la exactitud de los datos, a partir de un presupuesto fijo para el estudio
y un cierto nivel de complejidad del modelo, para alcanzar un nivel razonable
de confianza en la prognosis. Para abordar este problema hay que comprender
en primer lugar, la influencia que tienen los errores en las variables de entrada
sobre la exactitud de los modelos utilizados.
Sean x las variables observadas y ex sus errores asociados (p. ej., desviacin
tpica). Para obtener el error final derivado de la propagacin de los errores de
las variables de entrada en una funcin como la siguiente:

z  f ( x1 , x2 , ... , xn )
se puede utilizar la siguiente frmula:
2

u f 2
uf uf
e =
ex +
ex ex rj

i u xi
i
j x i u xi u x j
2
z

(3.14)

donde rij es el coeficiente de correlacin entre xi y xj. La frmula es exacta para

funciones lineales y constituye una aproximacin razonable para otros casos.
Alonso (1968) la utiliza para postular algunas reglas simples a seguir, con
objeto de evitar grandes errores finales durante la construccin de modelos;
por ejemplo, una bastante obvia es no utilizar variables correlacionadas ya que
de esta forma el segundo trmino de la parte derecha de la ecuacin (3.14) se
reduce a cero.
Si se toman derivadas parciales de ez respecto a exi y se ignora el trmino
de correlacin, se obtiene:
2

uez uf exi


uexi uxi ez

(3.15)

MODELOS

DE

TRANSPORTE

Mediante la utilizacin de estas tasas marginales de mejora y de una estimacin de los costes marginales resultantes para mejorar la exactitud de los
datos, es posible, en principio, determinar un presupuesto ptimo para mejorar
los datos. En la prctica, el problema no es de fcil resolucin, entre otras
cosas debido a la ley de rendimientos decrecientes (cada porcentaje adicional
de reduccin en el error de una variable tender a costar proporcionalmente
ms), resultando un complejo proceso iterativo. Sin embargo, de la ecuacin
(3.15) se pueden deducir dos reglas lgicas:
se debe concentrar el esfuerzo de mejora en aquellas variables que posean
un error mayor y
se debe concentrar el esfuerzo en las variables ms relevantes, es decir,
aquellas que posean un valor superior de la derivada parcial del trmino
(f
 /
 xi), ya que tienen un mayor efecto sobre la variable dependiente.
Ejemplo 3.4: sea el modelo z = xy + w, y las siguientes medidas de las
variables independientes:
x = 100 10; y = 50 5; w = 200 50
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:

ez2  y 2 ex2  x 2 ey2  ew2  502.500

donde ez = 708,87. Procediendo anlogamente, los valores de mejora de ez en
los casos de mejorar x, y w son respectivamente 674,54, 642,26 y 708,08.
Tambin de la ecuacin (3.15) se obtiene:





10y2
ez
=
= 35,2;
ex
 708,87


ez
= 70,5;
ey



ez
= 0,0705
ew

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

Datos y rol del espacio

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

Figura 3.2.

Variacin del error con la complejidad.

MODELOS

DE

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):

ez2  0 ,01 x12 ( x2 x3 x4 x5 )2  x22 ( x1 x3 x4 x5 )2  L  x52 ( x1 x2 x3 x4 )2

2

ez2  0 ,05 x1 x2 x3 x4 x5  0 ,05z 2

es decir, e z = 0,22z o lo que es lo mismo, un error del 22%, en cuyo caso se
elegira el segundo modelo.
Es interesante mencionar que repetir los clculos anteriores en una situacin
donde los errores de medicin fuesen ms elevados, producira resultados diferentes. El lector interesado puede comprobar que si se asume que las variables
xi slo pueden ser medidas con un error del 20%, el error total del segundo
modelo aumenta hasta el 44,5%, en cuyo caso se elegira el primer modelo
(incluso si su error total aumentara hasta el 44%).
La figura 3.3 ilustra este fenmeno, que puede resumirse de la siguiente
forma (Alonso, 1968): si los datos no son de muy buena calidad, puede ser
Error
E*
e*m
E
em

es
Pases pobres Pases ricos

Complejidad

Figura 3.3. Influencia del error de medicin.

Datos y rol del espacio

ms conveniente realizar la prognosis con modelos ms sencillos y robustos.

Sin embargo, para aprender y entender el fenmeno, es siempre preferible
un modelo con mejor especificacin. Por otro lado y como se sabe, la mayor
parte de los modelos son utilizados para efectuar prognosis, de forma que los
valores de las variables de planeamiento xi no son observadas sino estimadas.
Es cierto que algunas variables de planeamiento son ms fciles de proyectar
que otras y que la desagregacin hace an ms incierta la tarea de predecir sus
valores futuros. Por tanto, al elegir un modelo para su utilizacin en la prognosis
futura, se debe dar especial preferencia a aquellos en los que las variables de
planeamiento puedan ser proyectadas con un nivel de confianza superior.

3.3. MTODOS DE RECOLECCIN DE DATOS

3.3.1. Consideraciones prcticas
La determinacin del enfoque de recoleccin de datos ms apropiado para una
situacin dada, est fuertemente influenciada por limitaciones prcticas. El diseo de una encuesta no es una tarea simple y requiere considerable experiencia y
habilidad. Se remite al lector al muy buen libro de Moser y Kalton (1989 y 1971)
para informacin bsica sobre temas relativos a la contratacin de encuestadores, entrenamiento de los mismos, diseo de cuestionarios, supervisin y control
de calidad. Tambin se puede encontrar informacin sobre procedimientos de
encuesta con aplicaciones especficas a la planificacin de transportes, en el
libro de Stopher y Meyburg (1979). A continuacin se tratarn someramente
algunas de las restricciones prcticas ms usuales en estudios de transporte.
3.3.1.1. Duracin del estudio
Obviamente tiene gran importancia ya que determina indirectamente el tiempo
y el esfuerzo que es posible dedicar a la etapa de toma de datos. Es muy importante lograr un estudio bien equilibrado (en cuanto a sus distintas etapas),
evitando el problema demasiado frecuente de que la mayor parte del presupuesto (y tiempo) sea utilizado en la toma de datos, anlisis y validacin (ver
Boyce et al., 1970).
3.3.1.2. Horizonte del estudio
Hay dos tipos de situaciones que se pueden considerar a este respecto:

MODELOS

DE

TRANSPORTE

Si el ao de diseo es muy cercano al ao base, como sucede en los estudios

tcticos de transporte, no existir mucho tiempo para llevar a cabo el trabajo.
Esto probablemente implicar la utilizacin de un tipo particular de herramienta de anlisis, que tal vez requiera datos de algn tipo especial.
En los estudios estratgicos de transporte, por otra parte, el horizonte habitual es de 20 aos o ms hacia el futuro. Aunque, en principio, esto permite
tener tiempo para la utilizacin de cualquier tipo de herramienta analtica
(con su trabajo de campo asociado), tambin significa que los errores en la
prognosis slo se conocern al cabo de 20 aos o ms. Se debe tender entonces hacia la flexibilidad y la adaptacin, si se desea implantar un proceso
exitoso de seguimiento y reevaluacin.
3.3.1.3. Lmites del rea de estudio
Es importante aqu olvidarse de los lmites polticos formales (p. ej., municipio,
distrito) y centrarse en el rea de inters total. Es tambin necesario distinguir
entre rea de inters y rea de estudio definida en las bases del proyecto. La
primera es normalmente ms grande ya que se espera que el rea de estudio
se desarrolle en un perodo de unos 20 aos. La definicin del rea de estudio depende tanto del tipo de polticas a examinar como de la toma de decisiones prevista. Se insistir sobre este punto ms adelante.
3.3.1.4.

Recursos dedicados al estudio

Es necesario conocer lo ms claramente posible y con el nivel ms profundo

de detalle, cuntas personas y de qu nivel estarn disponibles para el estudio.
Tambin hay que conocer, qu recursos informticos estarn disponibles y
qu restricciones existirn para su uso. En general, el tiempo y los recursos
disponibles deben ser acordes con la importancia de las decisiones que van a
ser tomadas a partir de los resultados del estudio. Cuanto mayor sea el coste de
una decisin equivocada, mayores deben ser los recursos que hay que dedicar
para lograr que la decisin sea tomada correctamente.
Otros tipos posibles de restricciones van desde las puramente fsicas (p. ej.,
dimensin y topografa de la localidad), hasta restricciones sociales y medioambientales (p. ej., resistencia de la poblacin a responder cierto tipo de preguntas)
que necesitan tenerse en cuenta por su influencia en el diseo muestral.
Una consideracin prctica general es que los viajeros son reacios a contestar otro cuestionario ms. La respuesta a encuestas consume tiempo y muchas

Datos y rol del espacio

veces puede ser considerada como una cierta intromisin de la privacidad.

Ello puede traer como consecuencia que el encuestado simplemente rehse a
contestar o bien que ofrezca respuestas simplistas pero crebles, lo que es an
peor. En muchos pases es necesario obtener permiso de las autoridades antes
de realizar cualquier encuesta que implique algn tipo de molestia a los viajeros.

3.3.2. Tipos de encuestas

Durante los sesenta y hasta la mitad de los setenta se llevaron a cabo un gran
nmero de encuestas domiciliarias origen-destino (O-D) en reas urbanas de
pases industrializados y en muchas ciudades importantes de pases en desarrollo, utilizando tcnicas de muestreo aleatorio simple. Este gran esfuerzo era muy
costoso, y demandaba a su vez, enormes cantidades de tiempo (un problema
en la recogida de gran cantidad de informacin es que debe dedicarse tambin
mucho tiempo y dinero a su anlisis); de hecho como ya se ha sealado, la fase
de toma de datos consume tradicionalmente una parte vital de los recursos disponibles para estos estudios dejando, en muchos casos, poco tiempo y dinero
para las tareas cruciales de preparacin y evaluacin de planes.
En muchas reas urbanas, y en particular en las grandes reas metropolitanas, la recoleccin de datos de viajes juega un papel destacado en este tipo de
estudios. En algunos casos estos datos son adquiridos principalmente para ser
utilizados en las previsiones y, posteriormente, en la modelizacin; mientras
en otros casos los datos son utilizados mayoritariamente para representar un
cuadro ms rico de la situacin existente.
El conocimiento de cmo se utilizarn los datos es uno de los puntos clave
en la determinacin de la metodologa de cualquier encuesta de viajes. Por
ejemplo, los modelos basados en actividades (Beckman et al., 1995) requieren,
no slo grandes cantidades de datos sobre las actividades que desarrolla la
gente sino tambin sobre la infraestructura de actividades (p. ej., el horario de apertura de los comercios). En todo caso, la utilizacin normal de los
datos de una encuesta de movilidad es proporcionar las bases para realizar
previsiones ms exactas, tpicamente mediante modelos de planificacin estratgica. En esta situacin, los datos clave son los viajes entre orgenes y
destinos ms que los elementos que determinan este comportamiento, y de ah
el trmino estudios de origen-destino.
Los requisitos de una buena metodologa de encuestas son: un diseo,
muestreo y anlisis del estado del arte, coste-eficacia y fiabilidad para pre-

MODELOS

DE

TRANSPORTE

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 enteramente 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 provengan de otras fuentes como encuestas en cordn.
Desdichadamente, la recoleccin de datos a travs de este mtodo, que propicia 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.

Datos y rol del espacio

Viajes con origen

y destino
externo al rea
Hogares

Desplazamientos
de los residentes

Figura 3.4.

Desplazamientos
de los no-residentes
entrando y saliendo
del rea de estudio

Alcance y recoleccin de datos para una encuesta OD

en un rea metropolitana.

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, tamao 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

ticular sobre las no domiciliadas en el rea objetivo. Estos datos tambin

pueden ser utilizados para verificar y ampliar la informacin relativa a
los viajes de la encuesta a hogares que atraviesan el rea de estudio, dado que la cantidad de datos recogidos (nmero de personas que responden) generalmente es muy reducida incluso en una encuesta amplia. Estas
encuestas de interceptacin son muy breves y, normalmente, se realizan
en puntos a pie de calle interceptando los desplazamientos de llegada/
salida del rea de estudio, por ejemplo, a la vera del camino para conductores de coches (un buen sitio para una encuesta rpida es aqul en el
que el coche ha de parase por obligacin: cruces, semforos, etc.), en medios de transporte pblico o en puntos de intercambio modal (p. ej., aeropuertos).
Encuestas de interceptacin en cordones internos y en lneas pantalla: stas
se utilizan para medir los viajes de los no-residentes y tambin para verificar,
en parte, la validez de los datos obtenidos de las encuestas domiciliarias.
Estos datos son importantes entradas para otros modelos.
Conteos de trfico y personas: los conteos proporcionan informacin de
verificacin. La integracin de esta informacin en la metodologa de encuestas ser discutida ms abajo.
Otras informaciones: para construir modelos robustos capaces de realizar
eficientes previsiones, especialmente en reas metropolitanas, tambin es
importante contar con una metodologa de encuestas que permita la integracin de datos, que tengan su influencia sobre el comportamiento de viajes
(Richardson et al., 1995). En esta categora se incluyen:
Inventario de datos relativos al uso del suelo, zonas residenciales (densidad
de viviendas), zonas comerciales e industriales (por tipologa de empresa),
inventario de aparcamientos, etc.; estos datos son particularmente tiles para
la estimacin de modelos de generacin de viajes.
Inventario de datos relativos a las infraestructuras y a los servicios existentes
(redes de transporte pblico y privado, tarifas, frecuencia, etc.; ubicacin
y ciclos semafricos): medicin de flujos de trfico (aforos), velocidades y
tiempos de viaje para construir curvas flujo-velocidad, lo cual no es una tarea
simple. Estos datos son esenciales tambin para la calibracin de modelos,
especialmente los modelos de distribucin y asignacin.
La informacin de encuestas especiales sobre actitudes y elasticidades de la
demanda (es decir, Preferencias Declaradas y otros mtodos).

Datos y rol del espacio

Cada uno de estos componentes de encuesta requiere un detallado diseo

junto con una cuidadosa seleccin de la estrategia de muestreo. A continuacin
se ahondar en el diseo metodolgico completo y se proporcionarn indicaciones sobre las medidas necesarias para integrar los diferentes componentes
de la encuesta.
3.3.2.2. Encuestas O-D
Aunque las encuestas O-D ms complicadas y costosas son las domiciliarias,
tambin son las que ofrecen, por lo general, la posibilidad de obtener informacin ms til. A veces el inters no se centra en la recogida de datos para un
sistema completo de modelos sino slo para algunas partes del mismo: el caso
ms tpico es el de eleccin modal y asignacin en estudios a corto plazo.
Un mtodo interesante, particularmente recomendable para estudios de
viajes en corredores por motivo trabajo, y que ha sido probado eficientemente
en la prctica, es la realizacin de encuestas en el lugar de trabajo (ver Dunphy
1979, Ortzar y Donoso, 1983). Este tipo de encuestas implica solicitar permiso a una muestra de instituciones y/o empresas en, por ejemplo, el rea
Central de Negocios (CBD) para entrevistar a una muestra de sus empleados.
En ciertos casos ha resultado muy eficiente solicitar que la muestra distribuya segn el lugar de residencia del trabajador (p. ej., aquellos que viven en
un determinado corredor). Cabe destacar que, contrariamente al caso de las
encuestas aleatorias domiciliarias, los datos obtenidos por este mtodo estn
basados en la eleccin del destino; no obstante son aleatorios respecto al modo
de transporte.
Todo lo que se muestra a continuacin hace referencia principalmente a
las encuestas domiciliarias, aunque la mayor parte de los aspectos generales y
especialmente el diseo de instrumentos de medida son aplicables a cualquier
otro tipo de encuestas O-D.
Consideraciones generales. Es ampliamente reconocido que los procedimientos e instrumentos de medida utilizados en la recogida de informacin
in situ tienen una influencia directa y profunda en los resultados que se desprenden de cualquier trabajo de toma de datos. sta es la razn por la que se
recomienda incluir el procedimiento de medicin como otro elemento a considerar explcitamente en el diseo de cualquier proyecto que requiera datos
empricos para su desarrollo. Wermuth (1981), por ejemplo, realiz incluso
una categorizacin de las distintas fases involucradas en un procedimiento

MODELOS

DE

TRANSPORTE

de medicin. En esta parte se har referencia slo a dos de estas categoras: el

desarrollo y la utilizacin de instrumentos de medicin diseados para medir
los patrones de actividad fuera del domicilio.
Se ha mencionado anteriormente que la medicin emprica del comportamiento de viajes es uno de los principales inputs en el proceso de toma de
decisiones para la planificacin de transporte urbano. De hecho, constituye la
base para la formulacin y estimacin de modelos que expliquen y predigan
actividades de viajes futuros. Por esta razn las deficiencias metodolgicas en
esta fase tienen repercusiones directas sobre las sucesivas fases del proceso de
planificacin de transporte.
Las crticas ms frecuentes que aparecen sobre las encuestas O-D domiciliarias o en los lugares de trabajo son:
Las encuestas nicamente miden el comportamiento promedio (y no el real)
de los viajeros.
Solamente se puede investigar una parte de los desplazamientos de las personas.
La informacin (p. ej., respecto de los tiempos de viaje) suele ser mal estimada por el entrevistado.
De hecho, se ha constatado que los resultados provenientes de encuestas
O-D tradicionales (p. ej., variables relativas a tiempos, distancias y costes de
viajes) han resultado inadecuados al compararlos con los valores medidos de
forma objetiva. Esto es, se ha detectado que las caractersticas reportadas
referentes al comportamiento respecto a viajes han tendido a diferir de forma sustancial con la realidad, a pesar de que las personas que contestan las
encuestas experimentan los valores reales de estas caractersticas de nivel
de servicio dos veces al da. Tambin se ha demostrado que los sesgos tienen
naturaleza sistemtica y estn aparentemente relacionados con las actividades
del usuario respecto a cada modo de transporte. Por ejemplo, en el caso del
transporte pblico, los tiempos de acceso, espera y trasbordo (que son aparentemente bastante molestos) tienden a ser severamente sobreestimados. Es
importante destacar que desde un punto de vista conceptual estos resultados
indicaran que la percepcin subjetiva hacia las variables de nivel de servicio
constituye un determinante importante en la eleccin modal (discusin de
Ortzar et al., 1983).
Un anlisis metodolgico de estas crticas conduce a dos conclusiones evidentes. En primer lugar la informacin sobre los comportamientos en relacin

Datos y rol del espacio

a los viajes no debera recolectarse (preguntarse) de manera general (esto es,

en trminos de valores promedio), sino haciendo alusin a un hito temporal de
referencia concreto. En segundo lugar, no es recomendable examinar aisladamente las diversas actividades sino que debera considerarse el patrn de actividades completo como base para el anlisis. Por ejemplo, puede demostrarse
que preguntar por las horas de comienzo y finalizacin de un viaje produce
resultados ms precisos que preguntar sobre su duracin total (Ampt, 1981).
Este anlisis crtico ha producido dos importantes consecuencias:
Una mejora sustancial de los procedimientos de medicin asociados a las
encuestas domiciliarias y otras O-D, que ha permitido superar la mayor parte
de las deficiencias antes mencionadas (Brg y Ampt, 1982).
El desarrollo de mtodos de recoleccin alternativos o complementarios,
tales como el diario de viajes, que se discutir brevemente ms adelante.
Un proceso de adquisicin continua de datos. El enfoque contemporneo
de recoleccin de datos OD a travs de encuestas domiciliarias seala que la
informacin debe ser obtenida para cada da de la semana durante el ao completo y durante varios aos sucesivos (Richardson et al., 1995). Por otro lado
y con el objetivo de permitir la utilizacin de datos que puedan ser utilizados
a cualquier nivel de agregacin y para no depender de un sistema estndar de
zonificacin, la metodologa tambin recomienda que la informacin correspondiente a orgenes y destinos sea geocodificada.
La recoleccin de datos para cada da de un determinado ao permite capturar variaciones estacionales tales como la diferencia entre los das de la semana
y del fin de semana. Por lo tanto el enfoque presenta numerosas ventajas:
Permite medir las variaciones de la demanda en el tiempo y, en particular,
correlacionar estos cambios con cambios de la oferta del sistema.
Ya que los entrevistados slo informan sus datos para uno o dos das, su tarea
es ms simple y fiable, y al mismo tiempo proporciona datos con respecto
a un perodo de tiempo ms largo.
Como el estudio se extiende a lo largo de un ao se consiguen costes operativos ms bajos.
Permite un mejor control de calidad.
Por otra parte, al recomendar este nuevo enfoque, se debe tambin reconocer la aparicin de algunos problemas especficos de diferentes casos, los
cuales deben ser por tanto, considerados. Por ejemplo:

MODELOS

DE

TRANSPORTE

Es necesario esperar un ao al menos, antes de que se tengan datos suficientes para alcanzar los objetivos planteados en el estudio (tpicamente un modelo estratgico completo).
Si se emplean encuestadores, es necesario mantenerlos motivados por un
largo perodo de tiempo.
Es pertinente desarrollar procesos de ponderacin de los datos que tengan
en cuenta las variaciones estacionales.
Es menester desarrollar mtodos especiales de ponderacin de los datos
anuales al combinar datos de encuestas continuas. Ms adelante se discutir
este tema.
Actualizacin peridica de matrices y modelos. Las matrices y los modelos asociados a sistemas de adquisicin continua de datos deberan ser puestos
al da peridicamente para maximizar el beneficio de contar con informacin
continua. As, aunque sea posible elaborar matrices parciales de viajes debido
a exigencias particulares, las matrices y los modelos para el rea completa de
estudio no deberan ser puestos al da ms de una vez cada 12-18 meses, en
funcin del tipo de ciudad en estudio.
Implicaciones sobre la recoleccin de datos. Puede ser que la puesta al
da peridica de modelos y matrices O-D tenga efectos sobre la recoleccin
de los datos. Por ejemplo, qu informacin es ms sensible para la puesta al
da? En este contexto, pueden existir varios elementos que merece la pena
actualizar peridicamente:
Los modelos de generacin y atraccin de viajes.
Las matrices O-D que reflejan el crecimiento diferencial de determinadas
zonas del rea de estudio.
La distribucin o reparto modal, incluyendo los modos no motorizados, que
refleja el posible impacto de diferentes polticas de transporte.
Los niveles de servicio (trfico) en diferentes puntos de la red, ya que permiten la identificacin de crecimientos diferenciados en las redes primarias,
secundarias, de acceso y locales.
La posesin de coche y las tendencias de crecimiento de las familias en
determinados municipios de las ciudades.
La prioridad asociada a cada uno de estos indicadores depender del tipo
de poltica de transporte considerada as como de la necesidad de hacer el

Datos y rol del espacio

seguimiento de sus efectos y de las necesidades generales de modelizacin.

Tambin depender de los valores esperados de sus tasas de variacin, de su
importancia y de los costes asociados a la adquisicin de datos para su puesta
al da, incluido el coste social de posibles molestias a los usuarios del sistema
de transporte (DICTUC, 1998).
Adems es importante destacar la conveniencia de tener en cuenta otros
tipos de modelos que, probablemente pueden ser necesarios en el futuro, como
los modelos de eleccin de la hora (del da) del viaje o los modelos dinmicos.
Por otra parte, la disponibilidad de datos adquiridos de forma continua, permite
realizar el seguimiento del comportamiento de los usuarios con respecto a posibles intervenciones radicales en el sistema de transporte. Algunos ejemplos
son: las situaciones de emergencias medioambientales en las que se incrementan
las restricciones de los accesos vehiculares al centro, trabajos en los principales
viales, huelgas en el transporte, variaciones en el precio del carburante, en las
tarifas de los buses y en los costes del aparcamiento. La respuesta a tales polticas (previsibles o no tanto) proporciona informacin de base acerca de los
umbrales del comportamiento de los usuarios y crea un banco de datos temporal
que debera facilitar el desarrollo de modelos ms sofisticados.
Diseo y formato del cuestionario. Desde el momento en que uno de los
objetivos del muestreo es conseguir la tasa ms alta posible de respuestas, para
minimizar el sesgo de no-respuesta, se recomienda utilizar mtodos mixtos de
recoleccin de datos es decir, encuestas de auto-llenado y entrevistas personales
(Goldenberg, 1996). En particular el sistema de auto-llenado parece ms apropiado en los barrios donde las personas tienen mayor costumbre de rellenar
cuestionarios (convalidndose con entrevistas personales posteriores), o donde
los hogares no puedan ser contactados sin una previa llamada de seguridad,
siendo sta la causa por la que los intentos de realizar entrevistas personales
tienen bajas tasas de respuesta. Esta combinacin aprovecha el coste-eficacia
de los formularios de auto-llenado de alta calidad y minimiza la carga de respuesta de los entrevistados (Richardson et al., 1995).
En trminos de formato, el orden en el que se formulan las preguntas, busca
minimizar la resistencia a responder del encuestado, por lo que las preguntas
difciles (p. ej., las relacionadas con el ingreso) son formuladas al final de la
entrevista. En cuanto a su aspecto formal, el instrumento de medicin (y cualquier entrevista personal) debera tratar de satisfacer los siguientes criterios:
Las preguntas deben ser simples y directas.

MODELOS

DE

TRANSPORTE

Debe minimizarse el nmero de preguntas abiertas (no precodificadas).

La informacin sobre los viajes debe incluir el motivo del viaje. Tambin es
interesante recopilar datos sobre todas las etapas del desplazamiento (p. ej.,
todos los movimientos sobre la va pblica), para asegurar que los anlisis
posteriores permitan relacionar modos especficos con localizaciones especficas, horarios del da, longitudes de desplazamiento, etctera.
A causa del crecimiento de modos diferentes al coche, la bsqueda de informacin debe referirse a todos los modos de viaje, incluidos aquellos no
motorizados.
Debido a la creciente importancia de los desplazamientos independientes
por parte de los nios y de los modos no motorizados (ver punto anterior),
todas las personas de la familia deberan ser incluidas en la encuesta incluyendo a los miembros que no pertenezcan a la familia, como, por ejemplo,
los trabajadores que realizan labores domsticas puertas adentro, que son
tpicas de pases en vas de desarrollo.
Para facilitar la tarea de recordar todos los desplazamientos de los encuestados, se recomienda utilizar un marco de recuerdo de actividades, es decir, el que las personas recuerden los viajes efectuados en el contexto de
las actividades realizadas, ha demostrado que resulta ser de mucha mayor
exactitud en la medicin de los viajes (Stopher, 1998).
Como las personas tienen dificultad en recordar actividades infrecuentes
o discrecionales, aunque sean recientes, se recomienda asignar uno o ms
das de viaje a cada familia y solicitarles que registren los viajes realizados
en dichos das en los diarios de viaje; as, en los das anteriores a la realizacin de la encuesta, deberan entregarse breves diarios de viaje para
los das asignados y la informacin registrada en ellos ha de ser facilitada
al entrevistador al final de stos (o lo antes posible), en el nivel de detalle
requerido en la encuesta.
El instrumento de encuesta debe ser diseado de forma que minimice la
carga del entrevistado y que logre la mxima tasa de respuesta y, por tanto,
la mayor robustez de los datos:
En el diseo de encuestas de auto-llenado se necesita focalizar la atencin
sobre el formato completo del formulario porque ste representa el nico
contacto con los entrevistados. El formato tiene que ser claro y conciso y en
general debera guiar a los entrevistados a travs de las diferentes preguntas. Los formatos generalmente deben ser diseados con el fin de animar a

Datos y rol del espacio

responder a cada entrevistado sin importar si estn acostumbrados a rellenar

cuestionarios.
El valor de las entrevistas personales est en el hecho de que para los encuestados es fcil contestar. Por lo tanto, en este punto es clave el entrenamiento
de los entrevistadores, para que comprendan el contexto de estudio y para
asegurar que el diseo de la encuesta es simple de administrar para ellos.
Para ambos tipos de encuestas domiciliarias (entrevista personal y autollenado) se recomienda que la investigacin sea dividida en dos partes: (1) identificacin y caractersticas de los individuos y de los hogares y (2) datos sobre
los viajes. Se comenta, brevemente, a continuacin, la informacin a adquirir
en cada uno de los dos puntos citados:
Caractersticas e identificacin de los individuos y de los hogares: esta
parte incluye aquellas preguntas dirigidas a clasificar a los miembros de
la familia en relacin a su posicin respecto al jefe de familia (p. ej. mujer,
hijo), y posteriormente informacin acerca del sexo, la edad, la posesin de
permiso de conducir, el nivel de estudio y la ocupacin. Al objeto de reducir
la posibilidad de clasificaciones subjetivas es importante definir un conjunto
completo de ocupaciones laborales (cuando se trata de encuestas no domiciliarias stas conciernen slo a las personas entrevistadas, sin embargo las
preguntas relevantes son las mismas o similares). En esta parte tambin se
incluyen preguntas para conocer la situacin socio-econmica de los hogares,
como, por ejemplo, las caractersticas de la vivienda, la identificacin de los
vehculos del hogar (incluyendo un cdigo para identificar a sus habituales
usuarios), la posesin de la vivienda y el ingreso familiar.
Datos de viajes: esta parte de la encuesta tiene por objetivo detectar y caracterizar todos los viajes hechos por los miembros de la familia, identificados
en la primera parte. Un viaje se define como cualquier desplazamiento fuera
de un edificio o local con un propsito dado; pero la informacin que se
necesita considera los viajes por etapas, donde una etapa se define por un
cambio de modo (incluyendo el modo andando). Cada etapa est caracterizada por una serie de atributos tales como el origen y destino (expresado
normalmente por su interseccin vial ms cercana o el cdigo postal, si se
conoce), propsito o motivo de viaje, hora de inicio y fin del viaje, modo
utilizado, coste del viaje, etctera.
Definicin del marco muestral. El mbito de las encuestas de movilidad
normalmente incluye a todos los viajeros del rea de estudio (Figura 3.4). Por

MODELOS

DE

TRANSPORTE

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 proporcionar 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-residentes 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, estaciones 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

Datos y rol del espacio

y modelos fiables e insesgados, sin gastar excesivos recursos en la adquisicin

de los datos. A menudo existe ms de una manera de adquirir la informacin
relevante. Para algunos datos puede ser posible obtener informacin a travs
de encuestas domiciliarias y/o a travs de encuestas de interceptacin. En estas
situaciones lo mejor es utilizar el mtodo que permita obtener los datos ms
precisos al ms bajo coste (DICTUC, 1998).
Hoy en da se acepta que, seleccionar un tamao de muestra ptimo tal
que sus datos puedan ser utilizados eficazmente en todos sus usos potenciales,
es prcticamente imposible. El tamao de muestra ptimo normalmente est
restringido por su coste, y por lo tanto es necesario decidir cules son las variables ms importantes a adquirir para que dicho coste no exceda el presupuesto
disponible. Como el uso final de los datos obtenidos es servir de entrada para
los diferentes modelos y tipologas de anlisis, no es posible definir un nico
output como ms importante que otros, por ello no es posible establecer un
criterio natural de optimizacin del problema. Adems, como normalmente se
tienen mltiples usuarios y objetivos as como diferentes tipos de instrumentos
de encuesta, la tarea de optimizar el tamao muestral parece no slo impracticable sino sencillamente imposible.
Tradicionalmente se han realizado encuestas domiciliarias O-D a partir de
muestras aleatorias muy grandes. La tabla 3.1 muestra los valores que han sido
recomendados en encuestas realizadas durante ms de 20 aos (ver Bruton,
1985), pero que son raramente utilizados en la prctica.
Tabla 3.1.

Tamaos muestrales recomendados en encuesta tradicionales

Poblacin del rea

Tamao de la muestra (viviendas)

Recomendado

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

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 exactitud (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,

Datos y rol del espacio

en este aspecto, es donde descansa el arte de la determinacin del tamao

muestral.
Una vez que se conocen estos factores, el tamao de la muestra (n) puede
calcularse utilizando la siguiente frmula (M.E. Smith, 1979):

n

CV 2 Z2
E2

(3.16)

donde CV es el coeficiente de variacin, E es el nivel de exactitud (expresado

como proporcin) y Z es el valor de la variable Normal estandarizada (N(0,1))
para el nivel de confianza () requerido.
Ejemplo 3.6: se desea medir el nmero de viajes por hogar de una determinada rea, y se tienen datos sobre el coeficiente de variacin de esta variable
para varias localidades de los Estados Unidos, segn la siguiente tabla:
rea

CV

Media para Estados Unidos (1969)

0,87

Pennsylvania (1967)

0,86

New Hampshire (1964)

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 posteriores 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:
n = 1,0 (1,645)2 / (0,05)2 = 1.084
es decir, sera suficiente tomar una muestra de aproximadamente 1.100 observaciones para asegurar tasas de generacin de viajes con un 5% de tolerancia,

MODELOS

DE

TRANSPORTE

en un 95% de las ocasiones. El lector interesado puede consultar M.E. Smith

(1979) para otros ejemplos de este enfoque.
La situacin se modifica, sin embargo, cuando se intenta estimar una matriz O-D. En este caso, M.E. Smith (1979) demuestra que para estimar valores
de 1.100 viajes entre parejas O-D al 90% de confianza con un error estndar
del 25%, sera necesaria una muestra del 4% de todos los viajes en un rea de
estudio dada. Esto significa que si hubiera menos de 1.100 viajes, un tamao
de muestra inferior al 4% no sera suficiente para detectarlos.
Ortzar et al., 1993, analizaron el nmero de viajes por celda de la matriz
O-D en la ciudad de Santiago, en Chile, para una agrupacin de, solamente,
34 zonas (es decir, a nivel de municipalidades) y detectaron que slo el 58% de
las celdas O-D tenan ms de 1.000 viajes. Por tanto, para estimar una matriz
O-D a nivel de municipalidad con un 25% de error y 90% de confianza en
Santiago, sera necesario postular un tamao de muestra del 4% de viajes (y
consecuentemente, el 4% de los hogares). Si se considera el efecto de la tasa
de respuesta (incluso si llega al 75%), y teniendo en cuenta que en Santiago
habra cerca de 1.240.000 hogares, eso implicara una muestra de 62.000 familias. Realmente es necesario un tamao de muestra tan grande (con lo que
implica en costes y en los niveles de eficiencia asociados) para alcanzar un
objetivo tan precario?
Claramente, la razn que subyace en la eleccin de muestras grandes es
la necesidad de conseguir matrices de viajes a nivel zonal. Tambin se ha
demostrado que es muy difcil reducir el error de medicin a un nivel aceptable en aquellas reas que cuentan con ms de 100 zonas, en cuanto a que,
para ese nmero de zonas (ms de 100), el tamao de la muestra requerida se
aproxima al tamao de toda la poblacin (M.E. Smith, 1979). En tal caso,
si el objetivo del estudio comprende la estimacin de matrices O-D, es deseable utilizar una combinacin de diferentes mtodos de muestreo, que incluyan tanto encuestas domiciliarias como encuestas de interceptacin, para as
poder explotar las ventajas de uno y otro mtodo y alcanzar los objetivos del
estudio.
Estrategias de optimizacin en el diseo muestral. Para obtener un diseo muestral que logre una muestra de menores dimensiones, es necesario
proponer las estrategias que estimen, por ejemplo, las tasas de generacin de
viajes de acuerdo a estatus socioeconmicos. Un enfoque consiste en utilizar una heurstica de muestreo multi-etapa, que pueda producir resultados
mejores que el mtodo clsico propuesto por M.E. Smith (1979), aunque ello

Datos y rol del espacio

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 zonas 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
15 zonas 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 resolviendo el siguiente problema de optimizacin (Ampt et al., 1998):
Minimizar

s.a.

i[clases] j[ zonas]

jij

0 bj b

j[ zonas]

jij r i

donde j es la proporcin de hogares a entrevistar en la zona j,

 un lmite razonable (p. ej. un mximo del 5%), ij es el nmero de hogares de la clase i en
la zona j y i es la mnima dimensin aceptable de la muestra para cada clase i
(es decir, 30 50 observaciones).
Utilizando la misma informacin del caso anterior, se encontr que el
problema podra haber sido resuelto ptimamente generando una muestra de
slo 482 familias. An ms interesante, para una estratificacin en 26 clases
(es decir aadiendo el tamao del hogar como variable para estratificar), se

MODELOS

DE

TRANSPORTE

concluy que un tamao ptimo de muestra de 1.372 hogares, garantizara un

mnimo de 30 observaciones por cada clase especfica, adquiriendo los datos
nicamente en 17 de las 264 zonas.
Sin embargo, al no aplicar ningn lmite para , algunos valores de se
aproximaron de nuevo al valor del 20% de la poblacin zonal. As aplicando la
restriccin de que fuera menor que 5%, se consigui finalmente una muestra
de 1.683 familias en slo 27 zonas. Un aspecto a destacar es que este mtodo
permite segmentaciones diferentes a las socioeconmicas hasta el momento
consideradas. De ah que tambin sea posible identificar diferencias espaciales en trminos de rea fsica (p. ej., distancia desde el centro de la ciudad) o
de acceso a la red de transporte pblico y, por tanto, incrementar el nmero de
clases consideradas en la optimizacin (DICTUC, 1998).
En fin, cabe destacar que el diseo de la muestra puede ser tambin mejorado permitiendo diferentes tasas de respuesta para diferentes grupos. En
lnea con el principio de esta exposicin, es posible estimar el nmero de
hogares necesarios para una muestra gruesa (i ) de forma que se consiga un
nmero mnimo establecido de respuestas para cada clase; as se garantiza
tambin que el diseo produzca datos de generacin de viajes de calidad an
ms elevada.
Tamao muestral para encuestas continuas. Un desafo final consiste
en planificar una estrategia de muestreo para encuestas continuas, es decir,
a lo largo de varios hitos temporales. En el supuesto de que fuera necesaria
una muestra de 15.000 familias en el primer ao para satisfacer las exigencias
iniciales de modelizacin en un rea metropolitana, una encuesta continua
probablemente tendra una estructura como la siguiente:
1 ao

2 ao

3 ao

4 ao

5 ao

15.000

5.000

5.000

5.000

5.000

Este mtodo requiere muestras ms pequeas despus del primer ao, lo

cual ofrece diferentes ventajas:
La posibilidad de disponer de un equipo bien entrenado y ms reducido para
el trabajo en terreno, y tambin de procesos administrativos ms sencillos
que probablemente garanticen la obtencin de datos de calidad muy alta con
mnimo esfuerzo en los aos subsecuentes.

Datos y rol del espacio

Las autoridades pueden acordar un programa de financiacin (en el primer

ao) para los cuatro aos restantes, reduciendo as los riesgos de no poder
conseguir fondos, por ejemplo, durante el cuarto ao.
Por otro lado, para asegurar que los datos sean utilizables en cada ao, este
enfoque requiere el desarrollo de un sistema anual de ponderacin e integracin de los datos que sea robusto y de simple manejo. Es necesario asegurar
que todos los datos al final del ao 2 sean representativos del ao 2, que todos
los datos referidos al final del ao 3 sean representativos de dicho ao y as
sucesivamente. Dicho procedimiento proporciona una representacin actualizada del comportamiento de los usuarios (viajes) en la modelizacin y para el
cumplimiento de otros objetivos. En ciudades en fase de expansin (donde se
perciben cambios rpidos, por ejemplo, en la posesin de coche y en la expansin y distribucin de usos del suelo), este mtodo permite una capacidad de
modelizacin mucho ms esmerada en comparacin a metodologas anteriores.
Adems, tambin proporciona una muestra de tamao ms amplia y eficiente
para utilizar en aos posteriores (un tamao de encuesta similar a la del primer
ao), haciendo posible as responder de manera ms detallada a la demanda.
Asimismo, en el supuesto de que estos datos fueran utilizados para otros fines
(adems del de modelizado), el mtodo de adquisicin de los mismos anualmente proporcionara toda una serie de informaciones fundamentales en forma
de series temporales. Vanse estos ejemplos que constatan la oportunidad de
realizar encuestas continuas a lo largo del tiempo:
Cambios en el patrn de viajes (por modo), correlacionados con modificaciones en los niveles de posesin de coche y en su distribucin, en los niveles
de polucin o en la ordenacin territorial.
Cambios en la eleccin del modo relacionados con modificaciones en la
ordenacin de la oferta, por ejemplo, mejoras en los recorridos peatonales
o expansin de la red de servicios colectivos.
La integracin y combinacin de los datos del segundo ao y posteriores
con los del primer ao debe realizarse a los siguientes cuatro niveles: hogares,
vehculos, personas y viajes. En este sentido es importante considerar tres
aspectos:
Una esmerada seleccin de la muestra y altas tasas de respuesta para asegurar que las 15.000 familias del primer ao sean representativas de la

MODELOS

DE

TRANSPORTE

ciudad; posteriormente se deberan aplicar procedimientos de ponderacin

y expansin como se indica ms adelante.
Asegurar que las 5.000 familias en el segundo ao sean representativas de
la ciudad (tanto espacialmente como sobre los otros parmetros utilizados
en el primer ao para seleccionar la muestra); para ello es necesario aplicar
nuevamente procedimientos de ponderacin.
Al final del segundo ao la base de datos constar de 20.000 familias, pero
slo contendr los datos originales (en bruto) y los factores de ponderacin.
En ciudades de menor dimensin donde haya pocas variaciones estructurales y de tamao, puede que no sea necesario utilizar una estrategia de muestreo
tan compleja, si bien, de ello depender la posterior utilizacin de los datos.
Por ejemplo, podra ser apropiada una muestra de datos igual para cada ao,
en un perodo de cinco aos.
3.3.2.3. Otros tipos importantes de encuestas
Encuestas a la vera del camino. Este tipo de encuestas proporciona informacin til sobre viajes que no son registrados en las encuestas domiciliarias
(p. ej., viajes que atraviesan el rea de estudio en una encuesta cordn). A
menudo estas encuestas constituyen un mejor mtodo para estimar matrices de
viaje que las encuestas domiciliarias, ya que es posible disponer de muestras
mayores. Los datos obtenidos son tambin tiles para la validacin y expansin
de la informacin basada en el domicilio.
En las encuestas en la va pblica se entrevista a una muestra de conductores y pasajeros de vehculos (coches, transporte pblico, camiones) que cruzan
la estacin de encuesta, con un nmero limitado de preguntas; stas incluyen al
menos el origen y destino del viaje y el motivo del mismo. Es deseable obtener
tambin otras informaciones adicionales tal y como son la edad, el sexo y el
nivel de ingresos, aunque normalmente no se consultan debido a las limitaciones de tiempo. No obstante, si los encuestadores tienen experiencia y han
sido bien entrenados pueden aadir fcilmente algunos de estos datos a partir
de una simple observacin del vehculo y sus ocupantes (con las dificultades
obvias en el caso de transporte pblico).
La realizacin de estas encuestas requiere mucha organizacin y planificacin para evitar retrasos innecesarios, garantizar la seguridad y lograr
resultados de calidad. La identificacin de los mejores lugares, coordinacin con
la polica, disposicin de sealizacin y supervisin son elementos importan-

Datos y rol del espacio

tes para la adecuada realizacin de estas encuestas. A continuacin se indican algunas consideraciones en torno al tamao muestral y al nivel de exactitud:
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
V(X1) = np(1 p)(1 n / N)
Utilizando una aproximacin a la Normal (basada en el teorema central
del lmite), se obtiene la distribucin de X1 as:

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,

y un intervalo de confianza aproximado 100(1 )% para p viene dado por:

p(1 p )(1 n / N )
p(1 p )(1 n / N )
, p  z
p z

n
n

donde z es el valor de la variable Normal estandarizada para el nivel de confianza requerido (1,96 para el 95%). Usualmente se requiere que el error absoluto e asociado a p no exceda de un valor preestablecido (normalmente 0,1),
es decir:

MODELOS

DE

TRANSPORTE

Ez

p (1 p )(1 n / N )
be
n

Manipulando algebraicamente esta expresin se obtiene:

p (1 p )(1 n / N )
(e / z ) 2

nr
o lo que es equivalente:

nr

p (1 p )
2

p (1 p )
e

z
N

(3.17)

Puede observarse que dados los valores de N, e y z, el valor p = 0,5 produce

el nmero ms alto (ms conservador) de n en la ecuacin (3.17). Tomando este
valor y considerando e = 0,1 (un error mximo del 10%) y z = 1,96 se obtienen
los valores de la tabla 3.2
Tabla 3.2.

Variacin del tamao de la muestra con el flujo observado.

N (viajeros/perodo)

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

Ejemplo 3.8: el anlisis de datos histricos durante la realizacin del trabajo

previo de preparacin de una encuesta en la va pblica (carretera), ha revelado
que los flujos que atraviesan la estacin de encuesta varan enormemente durante el da. Teniendo en cuenta este hecho, se consider demasiado complejo
intentar aplicar la estrategia de la tabla 3.2 en campo. Para ello se desarroll
la siguiente tabla simplificada:

Datos y rol del espacio

Flujo horario estimado (viajeros/perodo)

Tamao de la muestra (%)

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)

El trabajo de campo requiere parar aleatoriamente al nmero correspondiente de vehculos, encuestando a todos los pasajeros y preguntando el
origen, destino y motivo del viaje. En el caso de viajes en transporte pblico, dadas las dificultades prcticas de inmovilizar los vehculos durante el
tiempo necesario para entrevistar a los viajeros, se realiza la encuesta a bordo
de los vehculos. Para este trabajo es necesario definir tramos de carretera en
vez de estaciones de encuesta y tener en cuenta que el nmero de encuestadores depende de los factores de ocupacin observados en el tramo. Incluso
este mtodo puede ser difcil de aplicar si los vehculos estn cercanos a su
capacidad.
Encuestas cordn. Este tipo de encuestas ofrece informacin til sobre
viajes externos-externos y externos-internos. Su objetivo es determinar el
nmero de viajes que abandonan y/o cruzan el rea delimitada por el cordn, contribuyendo de esta manera a completar la informacin obtenida
en las encuestas domiciliarias. La encuesta ms importante se lleva a cabo en
el cordn externo, aunque tambin es posible realizar encuestas en cordones internos. Para reducir las demoras, a veces la realizacin de estas encuestas implica detener a una muestra de vehculos que pasan por una estacin
de control (normalmente con ayuda de la polica), entregando a los ocupantes de dichos vehculos un pequeo cuestionario para ser devuelto por correo.
En algunos estudios holandeses se ha tomado una muestra de nmeros de matrculas en las estaciones de control de forma que los cuestionarios se envan
a las direcciones correspondientes obtenidas del gobierno. En estos casos,
uno de los problemas principales es el conocido sesgo que tienen las encuestas devueltas por correo; ste se debe a que normalmente se devuelven menos del 50% de los cuestionarios repartidos, quedando demostrado que el
tipo de persona que los devuelve es diferente al que no lo hace (ver Brg

MODELOS

DE

TRANSPORTE

y Meyburg, 1980). sta es la razn por la que en muchos pases se limita

el nmero de preguntas (ocupacin del vehculo, motivo, origen, destino y
modos disponibles) en encuestas a pie de calle, logrando mejorar las tasas de
respuesta.

Viajes de un lado a otro

de la lnea pantalla

Encuestas en lneas pantalla. Las lneas pantalla dividen el rea de estudio

en grandes zonas naturales (p. ej., ambos lados de un ro o de una autopista),
con pocos puntos de cruce entre ellas. El procedimiento es anlogo al de las
encuestas cordn y los datos se utilizan tambin para complementar y validar
la informacin proveniente de las encuestas domiciliarias y cordn (ver Figura 3.5). Se ha de prestar atencin al intentar corregir los datos de la encuesta
domiciliaria de esta forma, ya que puede ser difcil establecer comparaciones
sin introducir sesgo.

Datos lnea
pantalla
Datos encuesta O-D
(incluyendo encuesta
a vehculos de carga)
Hora del da

Figura 3.5.

Verificacin de consistencia de datos de la encuesta

domiciliaria O-D.

Encuestas de diario de viajes. Son un tipo especial de encuestas domiciliarias a travs de las cuales se obtiene informacin similar a la de las encuestas
O-D, pero con mayor detalle. Sin embargo, parece difcil imaginar un detalle
superior al del enfoque actual de diseo de encuestas contemporneas, por lo
que podra darse el caso de que finalmente este tipo de encuestas desaparezca.
De hecho, slo si la carga al entrevistado no permite que el analista recopile
los datos de la forma recomendada aqu, el diario de viajes puede ser la nica
salida en muchos estudios.
El diario de viajes debe ser aplicado por separado a cada uno de los miembros de la familia encuestada que viaje durante el tiempo de realizacin del

Datos y rol del espacio

estudio. Cada persona debe llevar y cumplimentar su diario de viajes durante el

da, y por esta razn este instrumento de medicin ha de cumplir los siguientes
objetivos de diseo:
Facilidad de transporte. Se requiere un formato pequeo que permita transportarlo en el bolsillo o en bolsas de mano.
Facilidad de comprensin por el usuario. Por ello es necesario idear una forma de solape de sus pginas para tener las instrucciones permanentemente
a la vista (ver Ortzar y Hutt, 1988).
Facilidad de cumplimentacin. Como es normal en cuestionarios de autollenado, se deben ofrecer opciones precodificadas en todos los casos en
que sea posible, con objeto de minimizar la necesidad de incorporar texto
escrito.
Un diario de viajes se plantea normalmente con dos objetivos: contribuir
al proceso general de correccin de la encuesta O-D, como se ver en la seccin 3.3.3, y obtener un banco de datos apto para la estimacin de modelos
desagregados de eleccin modal. Este mtodo de toma de datos implica los
siguientes pasos:
Una primera visita a cada hogar de la muestra (que debera seleccionarse
teniendo especial cuidado en evitar aquellos hogares ya contactados para la
encuesta O-D), con objeto de presentar y explicar los diarios, y para recoger
los mismos datos socioeconmicos que en el caso de la encuesta O-D. Las
personas entrevistadas han de ser brevemente entrenadas en el uso del diario,
pidindoles que completen con todo detalle los viajes del da siguiente. A
cada viajero se le entrega ms de un diario si se desea que el ejercicio sea
repetido durante la semana (ver Brg y Ampt, 1982).
Debe realizarse una segunda visita al da siguiente del ltimo para el que
se solicitaron datos (24 horas ms tarde de la primera visita en el caso de
diarios de un solo da), con objeto de recoger los formularios completamente
rellenados por cada viajero. Es bastante comn que sea necesario prestar
ayuda para completar los diarios en esta visita.
Los diarios de viaje se procesan en dos fases: durante la primera, se registra
nicamente la informacin socioeconmica y las tasas de viaje por motivo, ya
que stos son los datos necesarios para el proceso de correccin de la encuesta
O-D. En una segunda fase se consideran los datos de cada viaje y se incorporan
medidas muy precisas de las variables de nivel de servicio para la alternati-

MODELOS

DE

TRANSPORTE

va de viaje elegida e indicada en el diario y para el resto de alternativas del

conjunto de elecciones de cada individuo. Segn se ver en el Captulo 8, los
datos se presentan de esta forma para la estimacin de modelos desagregados
de eleccin.

3.3.3. Correccin, expansin y validacin de los datos

de encuestas O-D
En cualquier tipo de encuesta sobre viajes, especialmente en las O-D, es necesario corregir y ponderar de una forma u otra, los datos obtenidos (Armoogum
et al., 1997). En este epgrafe se tratarn los mtodos ms adecuados para
corregir, expandir y validar los datos de encuestas O-D obtenidos con la metodologa anteriormente descrita.
3.3.3.1. Correccin de los datos
La necesidad de corregir los datos provenientes de la encuesta O-D, con el
fin de alcanzar resultados que no sean solamente representativos del total de
poblacin, sino tambin fiables y vlidos, se ha discutido en detalle (ver Brg y
Erl, 1982; Wermuth, 1981). Hoy en da se acepta que no es conveniente efectuar
una expansin simple de la muestra, aunque durante muchos aos ste fue el
mtodo ms usual en la prctica. Brg y Ampt (1982) identifican las siguientes
etapas de correccin.
Correccin por tamao del hogar y por caractersticas sociodemogrficas. Para efectuar las correcciones que garanticen que la distribucin del
tamao de los hogares y de la edad y sexo de los datos de la muestra representan
a toda la poblacin (basada en datos de las listas censales), es necesario utilizar
un enfoque iterativo ya que mtodos muy simples no garantizan resultados
vlidos (Deville et al., 1993). En este caso, un buen enfoque consiste en utilizar
el mtodo bi-proporcional (que se estudia en detalle en el epgrafe 5.6.1), ya
que garantiza la convergencia en pocas iteraciones. Adems, tiene la ventaja
potencial de que su aplicacin no requiere recalcular posteriormente factores
de expansin para la muestra.
Este mtodo resulta particularmente apropiado cuando la fecha del ltimo
censo realizado est cercana a la fecha de realizacin de la encuesta O-D; sin
embargo no es idneo si la encuesta se realiza mucho tiempo despus (aos)
del ltimo censo, ya que la poblacin urbana puede cambiar, y muy rpida-

Datos y rol del espacio

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 epgrafe 5.6.1).
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 imaginar 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 respuesta a datos difciles de obtener, como el ingreso.

MODELOS

DE

TRANSPORTE

Si no es posible obtener la informacin de O-D siguiendo las reglas mencionadas anteriormente (es decir, viajes por etapas en un da predefinido y
siguiendo un marco recordatorio de actividades), puede existir una subestimacin de los viajes no habituales. En estos casos puede ser importante verificar
el nmero de viajes por propsito, obtenido en la encuesta O-D, con aquellos
obtenidos mediante diarios de viajes, donde se debera haber conseguido informacin ms detallada acerca de cada viaje y especialmente acerca de los
viajes no habituales. Un mtodo de correccin propuesto por Ortzar y Hutt
(1988) considera los siguientes pasos:
Dividir los hogares en categoras (definidas, p. ej., por ingreso, motorizacin
y tamao familiar). El nmero total de categoras est limitado por la condicin de que cada una debe al menos poseer 30 observaciones en la encuesta
del diario de viajes, para asegurar que la tasa de viajes media tenga una
distribucin Normal.
Calcular el nmero medio de viajes por motivo (y su varianza) para cada
categora, tanto para la encuesta O-D como para los datos del diario de
viajes. Denominando a las medias como X y Xb y a las varianzas como S
y Sb respectivamente, calcular la diferencia D = X Xb.
La diferencia mnima detectable (d) entre las medias de una cierta variable
X en dos muestras con tamaos N y Nb para una probabilidad del 80% de
que su diferencia real (D) sea significativa al 95% de confianza, viene dada
por la expresin (Skelton, 1982):
1/ 2

S
S
d  2, 8 a  b
N a Nb

Si D > d, la diferencia es significativa. Por ello si la tasa media de viajes en

esa categora es ms pequea en la encuesta O-D que en el diario de viajes,
tiene que aplicarse un factor para igualarla a la tasa media de viajes de los
diarios. Si ocurre lo contrario, no se efecta ninguna correccin (es decir,
el factor es igual a la unidad).
Si D

 d la diferencia no es significativa y, por tanto, no se realiza correccin.
En el caso del ingreso u otros tems sin respuesta, los estudios de validacin pueden proveer mayor informacin acerca de los que no han contestado;
por lo tanto, si hubiera datos de validacin disponibles, se podran conseguir

Datos y rol del espacio

modelos ms flexibles. Sin embargo, se ha argumentado que no es posible

modelizar los errores de no-respuesta en tems separadamente de los errores
de comportamiento, por lo que diferentes modelos de no-respuesta pueden
ser obtenidos utilizando los mismos datos cuando se modelizan diferentes
contextos de eleccin (Ortzar y Garrido, 2001). Para el caso de no respuesta
de una unidad (p. ej., individuo) es incluso preferible imputar una observacin completa en lugar de reponderarla (ver discusin sobre mtodos de imputacin ms adelante).
Correccin por no-respuesta. Se refiere a situaciones en las que una familia o un individuo no contestan, es decir no devuelven la ficha de la encuesta
o rechazan verbalmente o por carta el contestar a la encuesta. Ello puede ser
atribuido a diferentes causas, y es importante diferenciar entre no-respuestas
autnticas o prdidas (p. ej., viviendas vacas) y rechazos (en los que las personas pudieran efectuar viajes pero no contestan). En el caso de entrevistas
personales es recomendable que la correccin est basada en el nmero de
visitas necesarias para conseguir una respuesta, ya que se ha demostrado que
sta cuestin est asociada con fuertes diferencias en el comportamiento de
viaje. En encuestas de auto-llenado, en cambio, la correccin puede estar basada
en el nmero de recordatorios necesarios para generar una respuesta del hogar
(Richardson et al., 1995).
Ponderacin para integrar encuestas continuas. La ponderacin para
integrar encuestas continuas se requiere para unificar cada hito/oleada temporal de la encuesta; en este caso es recomendable proceder as (Ampt et al.,
1998):
La ponderacin por hogar debe ser realizada para cada variable importante (escogidas previamente). En la tabla 3.3 se muestra, a ttulo de ejemplo,
el caso del tamao de la familia, pero podra hacerse de forma semejante
para las variables posesin del coche o ingreso familiar.
La ponderacin por vehculo se efecta de modo anlogo. Una variable de
particular importancia es la edad del vehculo, ya que sin una correcta ponderacin dara la impresin de que el parque vehicular no envejece.
La ponderacin de las personas debera incluir, por ejemplo, factores como
el ingreso y el nivel de educacin.
La ponderacin de los viajes incluye el nmero de viajes y el modo, segn
el mismo procedimiento general de ponderacin anteriormente descrito.

MODELOS

DE

TRANSPORTE

Tabla 3.3.

Procedimiento de ponderacin integrada

Valores ponderados para los aos 1 y 2
Tamao del hogar
1

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

Valores de reponderacin para el ao 1

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

Mtodos de imputacin. Existen varios mtodos de imputacin en el estado del arte (una interesante discusin sobre este tema puede verse en Armoogum y Madre, 1998). Sin embargo, estos mtodos no conservan la varianza
de la variable a imputar (p. ej., el ingreso), y por tanto, cuando la variable que
contiene imputaciones es incluida en un modelo, pueden conducir a estimaciones inconsistentes. Por esta razn, algunos investigadores consideran que en
algunos casos imputar valores incrementa el error, es decir, simplemente los
datos se transforman en valores improvisados. Por tanto se aconseja registrar
los cambios producidos tras imputar valores y, si es posible, evaluar sus efectos.
Para solucionar ste y otros problemas, estudios recientes sugieren realizar
imputaciones mltiples y luego combinar los estimadores de los modelos resultantes en cada caso para as conseguir valores consistentes que tengan en
cuenta los errores asociados al proceso de imputacin (Brownstone, 1998).

Datos y rol del espacio

3.3.3.2. Expansin de la muestra

Una vez que los datos han sido corregidos, es necesario expandirlos para representar a la poblacin total. Para efectuar esta expansin, se definen factores
para cada zona de estudio como el ratio entre el nmero total de direcciones
en la zona (A) y el nmero de direcciones obtenido como muestra final. No
obstante, es habitual que los datos de A estn desfasados, ocasionando problemas en el trabajo de campo. La siguiente expresin es totalmente general
en este sentido:

Fi 

A A(C  CD / B ) / B
B C D

donde Fi es el factor de expansin para la zona i, A es el nmero de direcciones de la poblacin total en la lista original, B es el nmero de direcciones
seleccionado como la muestra original, C es el nmero de direcciones de la
muestra que no fueron elegibles en la prctica (p. ej., casas demolidas, edificios
no residenciales), y D es el nmero de direcciones de la muestra donde no se
obtuvo respuesta. Como se puede ver, si A fuera perfecto (es decir C = 0), el
factor sera simplemente A / (B D) , como se defini anteriormente. Por otra
parte si D = 0, puede comprobarse que la frmula considera sustraer de A la
proporcin de casos no elegibles, con objeto de evitar sesgos en Fi.
3.3.3.3. Validacin de resultados
Los datos obtenidos de las encuestas O-D se someten normalmente a tres procesos de validacin. El primero de ellos consiste simplemente en comprobaciones
en campo de la coherencia y completitud de los datos. A esta comprobacin
sigue normalmente la codificacin y grabacin de los datos en gabinete. El
segundo proceso es una comprobacin por ordenador de los rangos vlidos
para la mayor parte de las variables y, en general, de la consistencia interna de
los datos. Una vez que se han completado ambos procesos, se supone que los
datos no tienen errores obvios.
En el estado del arte en estudios de movilidad, puede observarse que la
validacin ms importante de los datos se hace con los datos mismos de la encuesta y no con datos secundarios como los conteos de trfico sobre lneas
pantalla y cordn. La razn es que cada mtodo posee sus propias y particulares
distorsiones, las cuales pueden engendrar confusin en el proceso de validacin.
Por ejemplo, comparaciones groseras, como el nmero de desplazamientos que

MODELOS

DE

TRANSPORTE

atraviesan una seccin de cordn o el nmero de desplazamientos por modo, a

menudo proporcionan comparaciones de escaso significado.
Las tcnicas de encuestas actuales minimizan estos problemas, pero a pesar de ello siempre es recomendable utilizar datos independientes para cotejar
las cifras procedentes de todos los componentes de una encuesta O-D a nivel
metropolitano. La comparacin objetiva de estas cifras, teniendo en cuenta
que cada mtodo de encuesta tiene sus puntos fuertes y dbiles, hace posible
localizar potenciales sesgos y adoptar los pasos adecuados para corregirlos.
Adems, si se deben ajustar matrices es esencial reservar datos independientes
para validar los resultados finales. Todo esto requiere buen juicio y experiencia
porque, si no se presta la debida atencin, es fcil realizar correcciones a las
matrices O-D que no se corresponden con la realidad.

3.3.4. Encuestas de Preferencias Declaradas

La discusin previa ha sido desarrollada bajo la hiptesis implcita de que
cualquier dato sobre eleccin corresponda a informacin de Preferencias Reveladas (PR); esto quiere decir, datos sobre elecciones reales u observadas
realizadas por los individuos.
Es importante destacar que raramente se pueden observar realmente las
elecciones. Normalmente se obtienen datos de lo que los individuos sealan
que hacen, o ms frecuentemente, que hicieron el da anterior. En trminos
de entender el comportamiento de viaje, los datos de PR tienen varias limitaciones:
Las observaciones de elecciones reales pueden no tener la suficiente variabilidad para construir buenos modelos de evaluacin y prediccin. Por
ejemplo, atributos tales como el tiempo de viaje y la tarifa pueden estar tan
correlacionados en la muestra que puede ser difcil separar sus efectos en
la estimacin de modelos y por ende para la prognosis.
El comportamiento observado puede estar dominado por algunos factores
haciendo muy difcil detectar la importancia relativa de otras variables. ste
es un problema particular con variables cualitativas secundarias tales como
informacin sobre servicios de transporte pblico, seguridad, confort; pero
estos atributos cuestan dinero e interesara saber cmo son valorados por
los usuarios antes de asignarles recursos.
Las dificultades asociadas para conseguir respuestas a actuaciones que sean
totalmente nuevas, por ejemplo, la introduccin de un nuevo modo (como

Datos y rol del espacio

vehculos sin conductor), o un sistema nuevo de cobro y recaudacin (p. ej.,

peaje electrnico).
Estas limitaciones podran solventarse si fuera posible llevar a cabo experimentos reales controlados dentro de las ciudades o en los sistemas de transporte.
Las oportunidades para ello son muy limitadas. Las encuestas de Preferencias
Declaradas (PD) ofrecen una aproximacin a los mismos, siendo un tipo de cuasi-experimento basado en situaciones hipotticas establecidas por el investigador
y por tanto, constituyen una aproximacin de un experimento controlado.
Lo que distingue fundamentalmente a las encuestas PR y PD es que en
este ltimo caso se pregunta a los individuos sobre lo que ellos elegiran (o
cmo jerarquizaran o puntuaran ciertas opciones) en una o ms situaciones
hipotticas. El grado de artificialidad de estas situaciones puede variar de
acuerdo con las necesidades y el rigor del ejercicio:
El contexto de la decisin puede ser hipottico o real, en otras palabras, se
puede pedir al encuestado que considere las circunstancias de su viaje actual
o de uno que pudiera realizar en el futuro.
Las alternativas ofrecidas son a menudo hipotticas, aunque alguna de ellas
puede ser la realmente existente; por ejemplo, el modo utilizado por el entrevistado incluyendo todos sus atributos.
La respuesta obtenida de cada individuo puede tomar la forma de elecciones
o nicamente de preferencias expresadas de diferentes formas.
Un problema bsico con la toma de datos PD es cunto se puede confiar
en que los individuos hagan realmente lo que declararon que haran cuando se
presente la situacin (p. ej., despus de la introduccin de una nueva alternativa).
Las experiencias de los aos setenta no fueron muy buenas en este sentido, en
cuanto a que se comprob (ver Ortzar, 1980a) que en muchos estudios existan
grandes diferencias entre los valores de eleccin estimados y los reales (p. ej.,
slo la mitad de los individuos realizaban lo que haban manifestado). La situacin mejor considerablemente en los aos ochenta y recientemente se han
conseguido ajustes muy cercanos a la realidad con modelos estimados utilizando datos PD (Louviere, 1988a). Este cambio se debe a que los mtodos de toma
de datos PD han mejorado enormemente y actualmente son muy exigentes no
slo en trminos de experiencia en el diseo de encuestas, sino tambin en los
requisitos de personal de campo bien entrenado y procedimientos de control de
calidad. Una buena gua prctica se encuentra en Pearmain et al. (1991).

MODELOS

DE

TRANSPORTE

Las principales caractersticas de una buena encuesta de PD pueden resumirse as:

1. Se basa en la obtencin de declaraciones de los encuestados sobre cmo
reaccionaran ante diferentes alternativas hipotticas de viaje.
2. Cada alternativa se presenta como un paquete de diferentes atributos
tales como tiempo de viaje, tarifa, frecuencia, regularidad, etctera.
3. El investigador construye estas alternativas hipotticas de forma que se
pueda estimar el efecto individual de cada atributo. Esto se logra utilizando
tcnicas de diseo experimental, que ayudan a extraer los valores de los
parmetros de forma ms eficiente.
4. El investigador tiene que asegurarse de que las alternativas hipotticas presentadas sean comprensibles para los encuestados, parezcan realistas y
plausibles y estn relacionadas con su nivel de experiencia real.
5. Los encuestados declaran sus preferencias hacia cada alternativa, ordenndolas segn su atractivo, puntundolas en una escala que indique la
fuerza de la preferencia, o simplemente eligiendo la opcin preferida entre
dos o ms alternativas.
6. Las respuestas de los individuos son analizadas para obtener medidas cuantitativas de la importancia relativa de cada atributo. En muchos casos se
pueden estimar modelos de eleccin como parte de este anlisis, como
se discute en el Captulo 8.
La figura 3.6 muestra un ejemplo de presentacin de alternativas PD para
servicios de autobs. Cada alternativa se describe en una tarjeta en funcin
de sus atributos: frecuencia, tiempo a bordo, tarifa y trasbordo. El encuestado
debe ordenar estas tarjetas de la mejor a la peor alternativa, colocndolas una
tras otra en ese orden.
El poder de un ejercicio PD se basa en la libertad que se tiene para disear
cuasi-experimentos que cumplan los requerimientos de una amplia variedad
de necesidades de investigacin. Este poder debe ser balanceado con la necesidad de asegurar que las respuestas dadas por los individuos sean realistas,
esto es, tan prximas como sea posible a lo que hubieran respondido si estas
opciones hipotticas realmente hubieran existido en la prctica. Este balance
debe lograrse en diferentes etapas de los ejercicios de PD:
a) Identificacin de los atributos clave de cada alternativa y construccin de
los paquetes que conforman las opciones de eleccin. Todos los atribu-

Datos y rol del espacio

Tarifa

Trasbordo

70 p

Ninguno

Tiempo en bus Tiempo andando

15 mins

Tarifa

Trasbordo

70 p

Ninguno

10 mins

Tiempo en bus Tiempo andando

20 mins

Tarifa

Trasbordo

85 p

Ninguno

8 mins

Tiempo en bus Tiempo andando

15 mins

Tarifa

Trasbordo

70 p

1 Cambio

10 mins

Tiempo en bus Tiempo andando

15 mins

8 mins

Figura 3.6. Ejemplo de un ejercicio de jerarquizacin en PD.

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 encuestados y de qu forma stos pueden expresar sus preferencias. La presentacin 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 procedimientos de aseguramiento de la calidad de los resultados.
Utilizacin de tcnicas adecuadas de estimacin de modelos, preferiblemente 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.

3.3.4.1. Atributos y alternativas

Un experimento de preferencias declaradas tiene como uno de sus elementos
principales la construccin de un conjunto de alternativas u opciones hipotticas
(aunque realistas), que pueden ser definidas como alternativas tecnolgicamente
factibles (viables). stas se definen tomando como base los factores que influyen con ms fuerza en el problema de eleccin en el estudio. El diseo de estas
alternativas tecnolgicamente factibles requiere cuatro tareas diferenciadas:

MODELOS

DE

TRANSPORTE

(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 iniciativas 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 inferior 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

Datos y rol del espacio

realizar una encuesta piloto controlada cuidadosamente, mediante la cual

se pueda estudiar cualquier aspecto relativo a la descripcin de atributos
y alternativas.
c) La eleccin de las unidades de medida para la mayor parte de los atributos
es relativamente directa. No obstante, hay algunas situaciones que pueden
necesitar consideraciones adicionales, en particular en el caso de atributos
cualitativos como la comodidad o la regularidad. Por ejemplo, la regularidad en el tiempo de viaje puede presentarse como una distribucin
de tiempos de viaje en diferentes das laborables de la semana, o como la
probabilidad de retraso en un tiempo determinado.
d) Con respecto del nmero de niveles que cada atributo puede tener, es importante recordar que Wittink et al. (1982) han encontrado que las variables
con un nmero mayor de niveles pueden ser percibidas por los entrevistados
como ms importantes.
3.3.4.2.

Diseo experimental

El diseo de las alternativas y su presentacin se articula, en esencia, en tres

fases: (a) seleccin de los niveles de los atributos y de las combinaciones que
constituyen cada alternativa (diseo experimental); (b) diseo de la presentacin
de estas alternativas (presentacin de los estmulos) y (c) especificacin de las
respuestas que se van a obtener de los encuestados. A continuacin se discute
la primera de estas fases.
Un diseo experimental ortogonal asegura que las combinaciones de
atributos presentadas varan independientemente unas de otras. La ventaja
de ello es que el efecto de cada atributo sobre las respuestas es ms fcil de
identificar.
El nmero de atributos (a) y el nmero de niveles que cada uno puede tomar (n), determinan un diseo factorial (na). Existen tablas (ver, p. ej., Kocur
et al., 1982), que proporcionan el nmero de opciones hipotticas necesarias
para probar la mayora de los diseos de inters y garantizan la ortogonalidad.
El diseo distingue aquellos casos que solamente consideran efectos principales y aquellos que permiten el tratamiento de interacciones (es decir, cuando los efectos de dos variables no son aditivos, y se comportan como producto de las dos variables, ver Figura 3.7). Un problema de las interacciones
es que requieren la construccin de un nmero superior de alternativas; por
esta razn se utilizan frecuentemente diseos factoriales fraccionados, en los

MODELOS

DE

TRANSPORTE

que se supone que algunos o todos los productos de las variables son despreciables.

(a)

Frecuencia (buses/hr)
12
3

20

50 tarifa

Probabilidad de elegir bus

Probabilidad de elegir bus

Ejemplo 3.9: sea el siguiente diseo experimental (Pearmain et al., 1991)

para tres atributos de un servicio de autobuses (tarifa, frecuencia y tiempo
de viaje), cada uno de ellos con dos niveles posibles (alto y bajo). Un diseo
factorial completo necesitara 23 = 8 opciones que se describen en trminos
cualitativos y numricos (la ltima representa una notacin estndar para el
diseo experimental) en la tabla 3.4.

(b)

12
3
30

50 tarifa

Figura 3.7. Presencia y ausencia de interaccin entre atributos: (a) sin interaccin,
(b) con interaccin.

Para situar este diseo experimental en un contexto apropiado para el

encuestado, se debe averiguar en primer lugar los niveles experimentados
actualmente; supngase, por ejemplo, que la persona utiliza un servicio que
tiene un tiempo de viaje de 25 minutos, una frecuencia de 30 minutos y una
tarifa de 0,50. El objetivo del estudio es investigar la aceptacin de una mejora del servicio, y analizar cunto se puede aumentar la tarifa si se incorpora
dicha mejora.
El diseo experimental puede traducirse en trminos de alternativas como se ilustra en la tabla 3.5. Destacar que en este punto se debe decidir cmo
transformar los niveles Alto y Bajo o Rpido y Lento en descripciones
relevantes y plausibles para el encuestado. Adems, el rango de las variaciones en los niveles de los atributos debe ser lo suficientemente amplio como

Datos y rol del espacio

para obtener variaciones detectables en las preferencias declaradas, pero al

mismo tiempo no tan grandes como para comprometer la credibilidad de la
alternativa.
ste es un diseo factorial completo, donde el analista es capaz de recoger
todos los efectos directos y de interaccin. Sin embargo, si interesa tambin el
efecto producido por la reduccin del nivel de servicio, podra resultar necesario aumentar (de dos a tres), el nmero de niveles del tiempo de viaje y de la
frecuencia, aumentando as el nmero de alternativas hasta 32 21 = 18 aunque
un nmero tan elevado de opciones puede provocar fatiga en el encuestado y
reducir por tanto el valor de sus respuestas.
Tabla 3.4.

Diseo experimental para tres atributos con dos niveles cada

uno
Atributos

Alternativas

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

Representacin numrica: 1= pobre, 1= bueno

Alternativas

Atributo 1

Atributo 2

Atributo 3

MODELOS

DE

TRANSPORTE

Tabla 3.5.

Presentacin de alternativas de Transporte Pblico

Alternativas

Tarifa ()

Tiempo de viaje (min)

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

Los diseos factoriales fraccionados permiten reducir el nmero de alternativas a costa de perder uno o ms efectos de interaccin. En Pearmain
et al. (1991) se incluyen algunas directrices sobre cmo reducir el nmero y
complejidad de las opciones, teniendo en cuenta los objetivos del estudio y las
restricciones de tiempo y alcance de los instrumentos de encuesta.
Un elemento clave en la construccin de un diseo factorial es, de hecho, su
complejidad. La experiencia demuestra que las personas responden ms verazmente cuando se les pide considerar cambios simultneos de hasta tres factores
nicamente (Huber y Hanson, 1986). Es esperable que la complejidad asociada
a responder la encuesta tenga influencia sobre la cantidad de errores en los
datos; a este propsito, los pre-tests, el control de la encuesta, el monitoreo de
la entrevista y las sucesivas sntesis postoperativas, pueden detectar problemas
generales, e incluso se pueden incorporar test en el instrumento de medicin
para identificar aquellos individuos con menor comprensin del ejercicio. En
este sentido parecen particularmente apropiados procedimientos interactivos de
encuesta, ya que permiten detectar estos problemas e, inmediatamente, realizar una comprobacin ms detallada o proporcionar instrucciones adicionales.
Ejemplo 3.10: sea un diseo con cinco atributos, dos de ellos con dos niveles
de variacin y el resto con tres niveles (esto es, un diseo 22 32). Dependiendo
del nmero de interacciones que se desee investigar, el nmero de opciones a
presentar variara de la siguiente forma:
108 si fuera necesario considerar todos los efectos (diseo factorial completo).

Datos y rol del espacio

81 para considerar los efectos principales y todas las interacciones entre

pares de atributos, ignorando efectos de orden superior.
27 para considerar los efectos principales y las interacciones entre un atributo
y el resto de los atributos.
16 si no se consideran interacciones.
Una vez que se ha decidido el diseo factorial, se construyen las alternativas tecnolgicamente factibles (que, por supuesto, pueden ser hipotticas),
y finalmente se llevan a cabo el experimento y la recogida de informacin.
Fowkes y Wardman (1988) entregan una serie de recomendaciones prcticas
para la variacin deseable de los niveles de los atributos. Su experiencia indica
que puede ser beneficioso sacrificar la pureza del diseo experimental (p. ej.,
perder la ortogonalidad completa) si se gana en realismo. Adems, ellos y otros
colegas han sugerido recientemente que en ciertos casos (es decir, cuando se
desea estimar relaciones entre parmetros como el valor del tiempo), puede ser
preferible un diseo en el que los propsitos y los atributos estn explcitamente
correlacionados (Watson et al., 1996).
Para optimizar la eficiencia de un diseo PD es necesario poner atencin
en qu condiciones cambiaran las elecciones; por ejemplo, si existe algn
compromiso entre dos o ms atributos, ste debera verificarse en el punto en
el cual las valoraciones relativas de dos alternativas vuelven indiferente al
usuario. Estas valoraciones, definidas por Fowkes (2000) como valores lmite (boundary values), son tiles para averiguar si el diseo cubre un rango
suficiente de valoracin de los atributos.
Ejemplo 3.11: considrese slo dos atributos, coste (C) y tiempo (t), que
asumen valores diferentes en dos (o ms) alternativas y una funcin de utilidad
compensatoria (se estudiar en el Captulo 7), definida como la suma ponderada
de los atributos:
Vi
 =
 t ti
 +
 c Ci
Entonces, si se comparan las alternativas 1 y 2 (p. ej., bus y tren) se tiene
que:

V1 V2  t (t1 t2 )  c (C1 C2 )
El punto de indiferencia entre las dos opciones se obtiene a partir de que
V1 = V2 y por tanto:

MODELOS

DE

TRANSPORTE

t (C1 C2 )

(t2 t1 )
c
donde la relacin t / c es el valor lmite del atributo tiempo expresado en
trminos de coste, es decir es el valor del tiempo (vase la seccin 13.4). Por
ejemplo, en ausencia de efectos aleatorios, un individuo cuyo valor del tiempo
sea mayor que t / c preferira la alternativa con un coste ms alto, y viceversa;
vase el ejemplo en Fowkes (2000). En el caso de que se aada otra variable,
por ejemplo, el tiempo de espera, el analista puede, de modo anlogo, obtener
el valor del tiempo de espera, y si se representan en un grfico los valores del
tiempo de viaje y del tiempo de espera en consonancia con los datos de las
situaciones PD que se presentan a los entrevistados se obtiene un mapa (o
diagrama de rayos), de valores lmite que permite verificar si el diseo realizado cubre un rango adecuado de valores. El concepto de diagrama de rayos
es ahora generalmente utilizado por la mayora de los expertos de PD ms
reconocidos (Bates, 1998).
Pearmain y Swanson (1990) han experimentado con el uso de diseos adaptados para las encuestas PD utilizando ordenadores porttiles. An ms, la utilizacin de software avanzado les permite modificar el experimento a partir de
las respuestas obtenidas por el individuo. Otro enfoque del mismo problema ha
sido investigado por Holden et al. (1992). Los resultados sugieren que hay una
cierta ganancia en construir diseos PD a la medida de cada entrevistado, aunque en este caso se necesita poner cierta atencin en no perder las propiedades
deseables de la muestra y el diseo general. En efecto, Bradley y Daly (2000)
critican la utilizacin de diseos adaptativos ya que pueden producir sesgos.
Es de destacar que esto es totalmente diferente a la tcnica de utilizar diseos
fijos a la medida de cada usuario (es decir, no adaptativo) que es un mtodo sumamente recomendado en cuanto a que permite obtener un ejercicio PD mucho
ms realista; sin embargo, se debe resaltar que ambos enfoques son mucho ms
fciles de llevar a cabo en la prctica utilizando un ordenador porttil. Se remite
al lector a los tres artculos indicados en estos prrafos para ms detalles.
Sea cual sea el enfoque adoptado para el diseo experimental en una encuesta PD, es muy importante probar el instrumento de encuesta antes de
aplicarlo a gran escala. Para ello se llevan a cabo los siguientes pasos:
Utilizar datos simulados para confirmar que el diseo permite recuperar
todos los parmetros del modelo esperado.

Datos y rol del espacio

Realizar pre-test del instrumento de encuesta utilizando una pequea muestra estratificada que permita tener en cuenta la opinin del mayor nmero
posible de sectores de inters en la poblacin.
Evaluar los resultados de esta encuesta piloto en trminos de la calidad del
instrumento de encuesta y de calidad intuitiva de las respuestas obtenidas
segn estratos de la poblacin. Corregir el instrumento antes de su utilizacin.
Obviamente la encuesta piloto sirve tambin para comprobar aspectos relacionados con la organizacin operacional, administrativa y control de calidad
del ejercicio.
3.3.4.3. Presentacin de las alternativas
Para garantizar respuestas realistas por parte de los entrevistados es muy importante que los atributos de las alternativas sean presentados de modo parecido
a como son percibidos por los viajeros. Ello puede requerir, por ejemplo, la
utilizacin de material grfico de alta calidad para transmitir cmo se vera el
material rodante de un nuevo servicio que se fuera a investigar con PD. El investigador debe tener cuidado de evitar cualquier sesgo implcito en el material
ilustrativo utilizado. En este sentido las ilustraciones grficas son preferibles a
las fotografas debido al mayor control que se tiene sobre los detalles incluidos
en las mismas.
Ejemplo 3.12: en un estudio sobre la importancia de la frecuencia en la
demanda por viajes interurbanos (Steer y Willumsen, 1983), se pudo comprobar que aunque diferentes personas perciben la frecuencia de forma distinta,
casi nadie se plante esta variable en trminos de trenes por hora o por da.
Por lo tanto, la primera parte de la entrevista se utiliz para conocer cmo era
percibida la frecuencia por cada viajero, por ejemplo:
Tom el ltimo tren que me deja en Newcastle antes de las 11 a.m.; fue el
tren de las 7:50 desde Kings Cross, o bien
Me limit a llegar a la estacin donde descubr que el siguiente tren a
Newcastle iba a salir en 15 minutos.
El entrevistador posteriormente transform los diferentes atributos de
frecuencia del diseo experimental en trminos equivalentes; por ejemplo,
Para llegar a Newcastle antes de las 11 a.m. debe coger el tren de las 7:30,

MODELOS

DE

TRANSPORTE

en la opcin de baja frecuencia, o coger el tren de las 8:00, en la opcin

de frecuencia alta. Alternativamente el prximo tren a Newcastle saldr
dentro de 30 minutos o saldr en 10 minutos, para cada opcin. Se invit
posteriormente a cada viajero a que eligiera entre las alternativas descritas en
trminos que le fueran familiares, aumentando as el realismo y la relevancia
del proceso de eleccin.
3.3.4.4.

Identificacin de las preferencias

El siguiente tema en la construccin de una encuesta de PD se refiere a la forma

en que se pide a los encuestados que expresen sus preferencias por cada opcin
presentada. Como se ha mencionado anteriormente, hay tres formas principales
de recoger informacin sobre preferencias de las alternativas: pidiendo a los
encuestados que las ordenen por orden de preferencia, que las valoren o punten sobre una escala arbitraria o que elijan una de ellas, en un experimento de
eleccin. Otros enfoques, como, por ejemplo, destinar un presupuesto limitado
a usos alternativos, han sido utilizados con mucha menor frecuencia.
a) Jerarquizar la respuesta. En este mtodo se presentan al encuestado todas
las opciones a la vez, para que las ordene de acuerdo a su preferencia; esto
implica, la creacin asimismo, de una jerarqua de valores de utilidad. El
principal atractivo de este mtodo es que todas las opciones se presentan juntas, pero ello tambin limita el nmero de alternativas que pueden
considerarse sin fatigar al encuestado. Adems el investigador tiene que
ser consciente de que los datos obtenidos por este mtodo representan
juicios de los individuos, que no tienen que, necesariamente, corresponder
al tipo de elecciones que ellos enfrentan en la vida real.
b) Las tcnicas de puntuacin han sido utilizadas durante muchos aos por
los profesionales de investigacin de mercados. En este caso se pide a los
encuestados que expresen su grado de preferencia por cada alternativa utilizando una escala arbitraria, a menudo entre 1 y 10, con descripciones
especficas de los nmeros principales; por ejemplo, 1 = fuerte desagrado,
5 = indiferencia y 10 = fuerte preferencia. Las respuestas pueden tratarse posteriormente utilizando operaciones aritmticas normales (clculo
de medias, ratios, etc.). Sin embargo, se ha demostrado que las respuestas
no son independientes de las escalas utilizadas y de las descripciones asociadas en las mismas. No hay evidencia, por tanto, de que las preferencias
individuales puedan ser eficientemente obtenidas y convertidas en escalas

Datos y rol del espacio

de este tipo. No obstante, la base de estas tcnicas puede utilizarse para

mejorar los experimentos de eleccin que se presentan en el apartado (c).
En este caso, el encuestado expresa su grado de preferencia entre dos
alternativas, tpicamente en una escala de cinco puntos: con seguridad
elegira la alternativa A, probablemente elegira la alternativa A, no
puedo elegir, probablemente elegira la alternativa B y con seguridad
elegira la alternativa B.
c) Los experimentos de eleccin consisten en que el encuestado seleccione
una opcin entre un par (eleccin binaria) o entre un grupo de ellas. En
su forma ms pura, el individuo nicamente elige su alternativa preferida, expresando as la eleccin en trminos anlogos a los de las encuestas
de preferencias reveladas. En su forma extendida, el encuestado declara
sus preferencias sobre una escala como la sealada en el apartado anterior.
Para aumentar el realismo se puede incluir la opcin ninguna de las anteriores, para no forzar la seleccin de una alternativa menos mala, pero
an inaceptable para el usuario.
3.3.4.5.

Nada es importante

Es recomendable agregar una opcin nula al diseo experimental (tambin

conocida como non-purchase option). La razn es que si se presentan dos
o ms opciones a un individuo y todas ellas resultan inaceptables y no se le
proporciona la oportunidad de rechazo total, es posible que esto active un mecanismo secundario de toma de decisiones que podra sesgar los resultados
del experimento. Este importante problema ha sido ignorado muy a menudo
en la prctica.
Ejemplo 3.13: Olsen y Swait (1998) estudiaron la veracidad de las siguientes
proposiciones en el caso de la compra de un producto cuya venta estaba sujeta
a estrictos requisitos previos (p. ej., zumo de naranja concentrado del que se
espera que muchos de los potenciales consumidores lo demanden sin azcar):
Si la opcin o alternativa no-compra (non-purchase option [NPO]) no estuviera presente en el experimento, las ponderaciones de los atributos diferiran
de aquellos observados respecto de si una NPO se presenta como alternativa
en el experimento.
Si una NPO estuviera incluida en el diseo experimental, el analista podra
identificar ms estructuras no-lineales de preferencias que si las NPO no
estuvieran presentes en dicho diseo.

MODELOS

DE

TRANSPORTE

Modelos basados en los datos sin NPO podran tener baja capacidad predictiva 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 alternativas, 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 presentaron 16 situaciones involucrando tres opciones en los diseos con y sin
NPO. Tambin se pregunt si los consumidores vetaran la compra de un producto 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 predicciones 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

Error de prediccin (%)

Con
 NPO

 sin
 NPO

Sin
 NPO

 con
 NPO

3,8

24,8

1,9

21,6

2,8

37,9

NPO

47,8


3.3.4.6.

Datos y rol del espacio

Estrategia de muestreo

Al igual que en otros trabajos de toma de datos, durante el diseo de un experimento PD son muy importantes conceptos tales como la composicin de la
muestra y su tamao. Un requerimiento bsico, comn con los estudios PR,
es la obtencin de una muestra suficientemente grande y representativa. Por
otra parte, los estudios PD son estadsticamente eficientes, en el sentido de que
cada encuestado no produce una nica observacin sino varias en el mismo
contexto de eleccin. Por tanto las muestras son habitualmente ms pequeas que en estudios comparables de PR (Bradley, 1988). Originalmente se pens que unas 30 entrevistas por cada segmento eran suficientes. Sin embargo,
se ha comprobado que es ms apropiado realizar unas 75-100 encuestas por
segmento (ver Pearmain y Swanson, 1990; Bradley y Kroes, 1990; y Swanson
et al., 1992).
Parte de la dificultad se debe a la naturaleza de la informacin recogida
de las encuestas PD. El hecho de que cada entrevista pueda producir 10 o ms
respuestas sobre el mismo nmero de situaciones hipotticas de eleccin, ofrece informacin sobre las variaciones en las respuestas de cada individuo. Sin
embargo, para obtener un modelo representativo, se deben incorporar tanto las
variaciones entre individuos, como las producidas por un mismo individuo,
y esto slo se puede lograr con una muestra adecuadamente dimensionada y
representativa.
El problema de representatividad de la muestra puede complicarse en el
contexto de experimentos de PD, precisamente debido a la flexibilidad adicional que se obtiene con el mtodo (el analista puede controlar el contexto).
Por ejemplo, si se entrevista a un conjunto de individuos de un cierto tipo bien
definido (usuarios frecuentes de un servicio dado), sobre la mejora de servicio
en el mismo modo, se puede asegurar ms fcilmente que el contexto de la
encuesta sea conocido para los encuestados (las alternativas planteadas son
todas tecnolgicamente viables). Sin embargo, un modelo estimado con estos
datos ofrecer escasa fiabilidad sobre el comportamiento de otros grupos,
como, por ejemplo, nuevos usuarios que podran ser atrados por estas mejoras
del servicio.
Para estimar la demanda futura es necesario encuestar a muchos tipos de
individuos a fin de obtener resultados representativos. Si el mtodo es aleatorio,
se pueden necesitar grandes muestras para alcanzar un nmero adecuado de
observaciones sobre elecciones minoritarias. Ya se ha mencionado que en los
estudios PR el muestreo basado en la eleccin resulta un mtodo no muy cos-

MODELOS

DE

TRANSPORTE

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 realismo 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 encuestados 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 encuestados 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 preferencias 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 alternativas se construyan alrededor de la experiencia existente.
Utilizando la percepcin de los entrevistados para definir las posibles limitaciones 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-

Datos y rol del espacio

cin de viaje y no solamente medir la importancia relativa de los diferentes

atributos.
Planteando el experimento de eleccin de forma simple, sin sobrecargar
cognitivamente al encuestado. Hay que recordar que en la prctica se toman
decisiones muy complejas, pero que esto se hace en un perodo de tiempo muy largo, durante el cual se adquiere experiencia sobre las alternativas existentes a la velocidad de cada cual hasta, finalmente, seleccionar
la mejor. En un ejercicio PD estas elecciones se comprimen en un perodo de tiempo muy corto y por tanto, deben ser simplificadas convenientemente.
Permitiendo a los encuestados optar por una respuesta fuera del conjunto de
alternativas experimentales. Por ejemplo, en un ejercicio de eleccin modal
si todas las opciones son muy poco atractivas el encuestado puede decidir
cambiar el destino, el tiempo de viaje o incluso no efectuar el viaje. Por ello
es necesario dejar una alternativa del tipo har otra cosa. Si se trata de
una encuesta realizada por ordenador, se puede programar el acceso a otro
ejercicio en el que se investiguen precisamente estas opciones.
Asegurando que todas las opciones se definan claramente y sin ambigedades. Esto es muy difcil en el caso de atributos cualitativos como la seguridad o el confort. As, no es recomendable describir alternativas escasa
o mejorada, ya que estas palabras son muy vagas e inducen diferentes
interpretaciones por parte de los encuestados. Es preferible describir qu
medidas o caractersticas estn asociadas a mejorar la seguridad o el confort
(circuitos cerrados de televisin en todas las estaciones, personal de seguridad presente en todo momento, aire acondicionado en todos los vagones
como en los trenes interurbanos).
3.3.4.8.

Utilizacin de ordenadores en encuestas PD

En la actualidad es frecuente el uso de ordenadores para la realizacin de diversos tipos de encuestas, incluyendo las de PD. La utilizacin de ordenadores presenta ventajas muy significativas respecto a los mtodos de papel y
bolgrafo, pero tiene algunas limitaciones dada la tecnologa actual, que discutiremos en primer lugar.
En el caso de encuestas de PD es ms probable la utilizacin de ordenadores
porttiles, preferiblemente de tamao pequeo. Sus principales limitaciones
han sido la duracin de las bateras y su peso, aunque los equipos modernos
prcticamente han resuelto estos problemas. Por otro lado, los ordenadores

MODELOS

DE

TRANSPORTE

porttiles actuales poseen un tamao de pantalla suficiente con color de alta

resolucin, apto para presentar la cantidad de informacin necesaria a un precio
razonable. Sin embargo, ni siquiera los programas grficos a base de ventanas
desplegables ms modernos, pueden proporcionar la facilidad de manejo de
tarjetas impresas. Por ello no existen ventajas en la utilizacin de ordenadores
para la mayora de los ejercicios PD que utilizan jerarquizacin.
Por otra parte, la pantalla de ordenador est perfectamente adecuada para
el tratamiento de elecciones entre pares de alternativas en su forma pura y
generalizada (escalamiento). Tambin se pueden presentar no slo los atributos
que varan en el experimento PD, sino tambin otras caractersticas que permanezcan fijas, tales como el destino, las horas o cualquier otra informacin
que pueda ser relevante o til para el encuestado.
Sin embargo, lo que hace ms atractivas a las entrevistas realizadas con
el ordenador es la adaptacin del experimento al individuo. La mayor parte de
las encuestas PD incluyen un cuestionario en el que se recoge la informacin
sobre el individuo y sobre un viaje reciente (o una compra), informacin que
es utilizada para, posteriormente, construir el experimento. Este cuestionario
puede reproducirse en pantalla con ventajas adicionales de validacin automtica de entradas y asignacin de rutas tambin automticamente (ver Figura 3.8).
A partir de un diseo especfico el ordenador puede generar las encuestas PD
apropiadas a las circunstancias de cada individuo. Adicionalmente pueden incorporarse comprobaciones lgicas y los rangos vlidos de las respuestas, ventanas de ayuda o de informacin complementaria (p. ej., horarios de servicios)
y as mejorar la calidad de la entrevista.
La utilizacin de ordenadores para encuestas PD hace posible el diseo de
encuestas mucho ms complejas que las planteadas manualmente, aunque esta
complejidad no sea aparente para el encuestado, ni siquiera para el encuestador.
Por otra parte, el uso de un buen software permite la aleatoriedad del orden
en el que aparecen las opciones presentadas a cada individuo, eliminando de
esta forma una fuente adicional de sesgo en las respuestas.
Adems, como todas las respuestas se graban directamente en el disco duro
del ordenador, no existen costes adicionales ni errores de grabacin de datos,
y la informacin est disponible inmediatamente para su tratamiento.
Ciertos paquetes de software ofrecen excelentes prestaciones para el diseo
y la codificacin de entrevistas muy complejas con un mnimo conocimiento
de informtica. Entre los ms conocidos se encuentran ALASTAIR (Steer Davies Gleave), MINT (Hague Consulting Group) y ACA (Sawtooth Software).

Datos y rol del espacio

Entrevistas a travs de ordenador por Steer Davies Gleave

Cunto tiempo fue caminando desde
el lugar de aparcamiento hasta su destino?

5 minutos

Cunto tiempo tendr

su vehculo aparcado?

8 horas

0m

Cunto paga por un galn de gasolina?

(Presione F1 para /litro)

1 libra

89 peniques

Cuntas millas por galn considera

consume su vehculo?
(Presione F1 para obtener km/litro)

35,00

Si no hubiera podido realizar este viaje

con su coche, qu hubiera hecho usted?

Figura 3.8.

Acompaado por alguien

Bus
Tren
Taxi
A pie
Bicicleta
Viajar de otra forma
No viajar

Ejemplo de cuestionario presentado por ordenador.

Un ejemplo del tipo de pantallas generadas por estos paquetes se incluye en la

figura 3.9. En resumen las ventajas prcticas de las entrevistas PD realizadas
con ordenador son:
formato consistente para todas las entrevistas y encuestados;
derivacin o bifurcacin de la pregunta automtica, solicitud de datos y
validacin de respuestas automtica;
codificacin y almacenamiento de datos automtica;
facilidad de adaptacin del ejercicio PD a cada individuo;
reduccin del tiempo de encuesta, ya que el encuestador no tiene que calcular
y preparar las opciones por escrito;
reduccin de costes de entrenamiento y formacin de los encuestadores;
secuencia aleatoria de las preguntas para reducir sesgos.
Por el contrario, existen costes iniciales de inversin en hardware, software,
seguros y necesidad de contar con algunos servicios complementarios en campo
(discos, lotes de bateras de repuesto, mdems, asistencia tcnica a los encuestadores y supervisores, etctera).

MODELOS

DE

TRANSPORTE

Opcin 1

Opcin 2

CONDUCIENDO COCHE

VIAJANDO EN AUTOBS

Tiempo de conduccin: 40 min

Tiempo de conduccin: 50 min

6 minutos para aparcar en un parking

Hay Autobuses cada 5 minutos

Coste de aparcamiento : 3,40

Coste: 1,40 ida + vuelta

Coste de combustible: 1,90/galn

Un trasbordo entre buses

Unos 5 minutos andando hacia

su destino

Unos 5 minutos andando hacia

su destino

Salida a:
Llegada a:

Salida a:
Llegada a:

08:09
09:00

08:00
09:00

Qu opcin elegira usted?

Denitivamente
Opcin 1

Posiblemente
Opcin 1

No puedo
decir

Posiblemente
Opcin 2

Denitivamente
Opcin 2

Ninguno
de ellas

Figura 3.9. Ejemplo de pantallas de un ejercicio PD de eleccin

del programa ALISTAIR.

3.3.4.9.

Consideraciones sobre la calidad en encuestas de PD

Las tcnicas de Preferencias Declaradas han demostrado ser un instrumento

muy potente en la bsqueda y desarrollo de modelos, tanto en el mbito del
transporte como en otros sectores. Su valor depende de la aplicacin adecuada
de las lneas y directrices presentadas y explicadas en las pginas anteriores. En
particular, reducir la artificialidad del diseo de la encuesta al mnimo requerido constituye un elemento clave en la consecucin de buenos resultados.
Cuanto ms interesado est el analista en predecir el comportamiento futuro, ms importante es asegurarse de que el contexto de decisin sea concreto
(un viaje real, no hipottico) y de que el universo de respuestas corresponda
al comportamiento.
Uno de los riesgos de las tcnicas PD es que es relativamente fcil tomar
atajos o reducir la rigurosidad del ejercicio con el fin de reducir costes. Por
ejemplo, se puede permitir que el contexto de la decisin sea menos especfico
o ms genrico. El muestreo es as ms sencillo, el cuestionario ms simple

Datos y rol del espacio

y, no sorprendentemente, los modelos resultantes bastante crebles, ya que reflejan un comportamiento ideal, en vez de uno sujeto a restricciones. El valor de los indicadores de bondad de ajuste en encuestas PD depende enteramente de la calidad y realismo del experimento. El problema es que los defectos
de los modelos obtenidos mediante estudios ms baratos solamente pueden
detectarse con el paso del tiempo.
Lo mismo sucede tambin con las tcnicas de anlisis que se desarrollan
en el Captulo 8. Un anlisis de calidad requiere a menudo la combinacin de
datos PR y PD para asegurar que los modelos resultantes estn bien anclados
(escalados) a las restricciones y al ruido del comportamiento real.
Las encuestas PD pueden ser una forma eficiente de refinar y mejorar las
herramientas de modelizacin, pero el forzar un coste bajo a expensas de la
calidad y de la rigurosidad del anlisis, conduce probablemente a resultados
decepcionantes y a un apoyo pobre a las decisiones.

3.3.5. Toma de datos longitudinales

La mayor parte de las discusiones realizadas hasta ahora han sido desarrolladas bajo la hiptesis implcita de que los datos son de tipo corte transversal
(fotografa de un momento temporal dado). No obstante, segn se seal en
el Captulo 1, los investigadores del comportamiento de viajeros se han convencido paulatinamente de que los modelos empricos de corte transversal
(cross-section) no son capaces de detectar la inter-temporalidad de la mayora
de las elecciones de viaje.
En este apartado se proporciona una breve introduccin a los mtodos de
toma de datos longitudinales y de series temporales, as como a los problemas
que presentan. En primer lugar se definen los distintos mtodos, para concentrarse posteriormente en el enfoque aparentemente preferido: los datos de panel.
En el Captulo 8 se mencionan los problemas adicionales de la modelizacin
de elecciones discretas para este caso.
Finalmente se examinar la evidencia existente sobre los costes aproximados de un ejercicio de toma de datos de panel en comparacin con el enfoque
ms tradicional de corte transversal.
3.3.5.1.

Definiciones bsicas

1. Encuestas de corte transversal repetidas. En este caso se realizan medidas

similares en muestras de una poblacin equivalente en distintos instantes

MODELOS

2.

3.
4.
5.

DE

TRANSPORTE

de tiempo, sin asegurar que un mismo encuestado se incluya en ms de

una pasada de toma de datos. Este tipo de encuestas produce una serie
de fotografas de la poblacin en diferentes momentos temporales. No
obstante, la realizacin de inferencias sobre la poblacin utilizando modelos
longitudinales puede sufrir algn sesgo si se utilizan este tipo de datos, y
puede ser preferible tratar las observaciones como si fueran obtenidas de
una nica encuesta de corte transversal (Duncan et al., 1987).
Encuesta panel. En este caso se realizan medidas similares, a veces denominadas oleadas, en la misma muestra en diferentes momentos temporales.
Existen varios tipos de encuestas panel, como se seala a continuacin.
Encuesta de panel rotatorio. Es una encuesta panel en la que algunos elementos se conservan en el panel slo durante una parte de su duracin.
Encuesta de panel combinado. Es una combinacin de encuesta panel y
de panel rotatorio.
Estudio de cohortes. Es una encuesta panel basada en elementos que provienen de subgrupos de la poblacin que han compartido una experiencia
similar (p. ej., nacer en un ao determinado).

Es importante distinguir entre encuesta y datos longitudinales. Los ltimos

consisten en mediciones peridicas de ciertas variables de inters. Aunque en
principio es posible obtener datos de panel de una encuesta de seccin temporal,
normalmente se reconoce que para conseguir datos confiables en el tiempo es
mejor realizar un diseo de encuesta panel antes que encuestas con preguntas
retrospectivas.
3.3.5.2. Muestra representativa
Los diseos de panel son frecuentemente criticados porque pueden ser poco
representativos de la poblacin inicial ya que, necesariamente, sus muestras
envejecen. Sin embargo, esto es estrictamente cierto slo en diseos de estudios
de cohortes que se inician con una muestra no representativa. Por ejemplo, si
la muestra consiste en personas nacidas el mismo ao, los individuos que se
agreguen a la poblacin bien por nacimiento o inmigracin, no estarn bien
representados en el diseo.
En general, el diseo de un panel debe intentar conservar una muestra
representativa de la poblacin en el tiempo. Por tanto no slo debe solucionar
los problemas de nacimiento, inmigracin o entrada de individuos por otros
medios, sino tambin ser capaz de tratar la incorporacin de familias enteras

Datos y rol del espacio

en la poblacin (personas que dejan la casa de sus padres, parejas que se divorcian). Es necesario definir un procedimiento que mantenga una muestra
representativa que permita que familias e individuos se incorporen a la muestra con probabilidades conocidas, pero esto no es una tarea sencilla (para ms
detalles ver Duncan et al., 1987).
3.3.5.3. Fuentes de error en datos de panel
Un diseo de panel puede aadir (o quitar, si no se realiza con cuidado) calidad
a los datos. Aunque generalmente est reconocido que contactos y entrevistas
repetidas permiten alcanzar una mejor calidad de los datos, los paneles se
caracterizan por una mayor tasa de no-respuesta con respecto de los mtodos
de corte transversal, y corren el riesgo de introducir contaminaciones como
se ver a continuacin.
Efectos sobre los errores de respuesta. Los entrevistados en las encuestas
panel tienen contacto reiterado con los encuestadores y sus cuestionarios. Esto
puede mejorar la calidad de los datos obtenidos por las siguientes razones:
La entrevista repetida en el tiempo reduce el tiempo transcurrido entre el
fenmeno investigado y la propia entrevista, tendiendo as a mejorar la
calidad de la informacin recordada.
El contacto repetido incrementa la probabilidad de que el encuestado entienda ms claramente el objetivo del estudio. Adems las personas pueden
verse ms motivadas para realizar el trabajo solicitado y producir respuestas
ms precisas.
La calidad de los datos tiende a mejorar en las oleadas ms tardas de un
panel, probablemente por el aprendizaje de los encuestados, de los encuestadores o de ambos.
Problemas relacionados con la no-respuesta. Bajo el concepto genrico
de no-respuesta se incluyen varios conceptos importantes que tienen dos orgenes bsicos: la prdida de una unidad completa de informacin y/o la prdida
de un dato especfico dentro de la unidad. Hensher (1987) discute en detalle la
forma de verificar y corregir este tipo de error.
Los problemas de no-respuesta asociados con la oleada inicial de un panel,
no son diferentes a los de las encuestas de corte transversal, de forma que muy
poco se puede hacer para corregir sus posibles efectos. Por el contrario, se
tiene mucha informacin sobre la no-respuesta en oleadas sucesivas, de forma

MODELOS

DE

TRANSPORTE

que dicha informacin puede ser utilizada para determinar sus principales caractersticas, 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 cantidad 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.

Datos y rol del espacio

Hay otros costes, en el caso del panel, producidos por la necesidad de

contactar y persuadir a los encuestados y por la necesidad de muestrear nuevamente en cada nuevo estudio de corte transversal. Finalmente, existen otros
costes de procesamiento de datos asociados con los paneles, pero stos deben
ser contrastados frente a la mayor oportunidad de comprobar inconsistencias,
analizar el efecto de la no-respuesta, etctera.

3.4. R EDES Y SISTEMAS DE ZONIFICACIN

Una de las primeras y ms importantes decisiones a las que tiene que enfrentarse el profesional de la modelizacin de transporte es el nivel de detalle
(resolucin) que se va a adoptar en el estudio. Este problema tiene varias dimensiones: esquemas de redes y servicios a considerar, tipo de variables de
comportamiento que se incluirn, tratamiento del tiempo, etc. Este epgrafe
concentra su atencin en establecer consideraciones de diseo relativas a dos
de estas decisiones: la definicin de la zonificacin y de la red.
En estos dos casos, al igual que en otros aspectos fundamentales de la modelizacin de transporte, la opcin finalmente elegida refleja un compromiso
entre dos objetivos en conflicto: la exactitud y el coste. Se puede alcanzar una
gran exactitud utilizando una zonificacin ms detallada y un sistema de redes
ms preciso. En el lmite, esto implicara reconocer cada hogar de cada uno de
los individuos, su localizacin, distancia a los puntos de acceso a las redes, etc.
Con una muestra suficientemente grande (tasa del 100% durante varios das), se
podra lograr una representacin muy precisa del sistema actual. Sin embargo
el problema de estabilidad temporal debilita esta visin de la exactitud, ya que
se necesitara predecir, con el mismo nivel de detalle, los cambios a nivel de
cada hogar individual que afectaran a la demanda de transporte. Esta tarea
es imposible e innecesaria. Cuando se realizan prognosis es posible admitir
menores niveles de detalle no slo por motivos econmicos, sino por el nivel
de exactitud requerido (ver el comentario al respecto en el apartado 3.2).

3.4.1. Diseo de la zonificacin

La zonificacin se utiliza para agregar hogares individuales y edificios en
porciones tratables del territorio para los objetivos de la modelizacin. Las
dos dimensiones principales de una zonificacin son el nmero de zonas y
su tamao y, evidentemente, ambas estn relacionadas. Cuanto mayor sea el

MODELOS

DE

TRANSPORTE

nmero de zonas, obviamente ms pequeas debern ser para cubrir la misma rea de estudio. En el pasado ha sido una prctica comn desarrollar un
sistema de zonificacin especfico para cada estudio y para cada contexto de
decisin. Esto es claramente despilfarrador si se realizan distintos estudios en
reas cercanas. Adems, la introduccin de sistemas zonales diferentes hace
difcil la utilizacin de datos de estudios previos y las comparaciones de modelos en el tiempo.
La primera decisin al establecer un sistema de zonificacin es distinguir
el rea de estudio como tal del resto del mundo. Existen algunas ideas que
pueden facilitar esta eleccin:
Al elegir el rea de estudio se debe considerar el contexto de decisin, la
red de transporte que debe ser modelizada y la naturaleza de los viajes
que interesan, es decir, si son obligatorios u opcionales, de corta o larga
distancia, etctera.
Para estudios estratgicos se debera definir el rea de estudio de forma que
la mayora de los viajes tenga su origen y destino dentro de ella. Sin embargo, esto puede no ser posible en el anlisis de problemas de transporte en
pequeas reas urbanas donde la mayora de los viaje de inters atraviesan
el rea e interesa considerar la posibilidad de establecer una circunvalacin
(by-pass).
Problemas similares surgen en estudios de gestin de trfico en reas locales, donde los flujos de trfico tambin tienen su origen o destino, o ambos,
fuera del rea de inters. En estos casos es interesante saber si es posible
modelizar los cambios que experimentaran estos viajes como consecuencia
de nuevas intervenciones en la red.
El rea de estudio tendra que ser algo mayor que el rea concreta de inters y debe comprender todos los proyectos de transporte que hayan de ser
considerados. Debe permitir el cambio de rutas, cambios en el destino, etc.,
ya que interesa modelizar sus efectos en el rea de estudio.
La regin externa al rea de estudio se divide normalmente en un cierto
nmero de zonas externas. En algunos casos puede ser suficiente considerar
cada zona exterior como representante de una parte del resto del mundo en
una direccin particular. Las fronteras de estas diferentes partes del resto del
mundo podran representar reas naturales conectadas mediante arcos de
transporte por los que circulen flujos que alimentan el rea de estudio. En otros
casos, puede ser ventajoso considerar zonas externas de tamao creciente con

Datos y rol del espacio

la distancia al rea del anlisis. Esta consideracin puede facilitar el anlisis de

los impactos sobre diferentes tipos de viajes (corta y larga distancia).
Dicha rea tambin debe dividirse en zonas internas ms pequeas. Su
nmero depender del compromiso entre una serie de criterios que se sealan
ms adelante. Por ejemplo, para el anlisis y organizacin de redes de gestin
de trfico se requerir generalmente zonas ms pequeas, representando incluso aparcamientos de vehculos o los principales generadores/atractores de
viajes. Por otra parte, en el caso de estudios estratgicos, se necesitan diseos
zonales mucho ms amplios. Por ejemplo, en estudios estratgicos de Londres
se han usado zonificaciones muy finas con unas 1.000 zonas (para 7,2 millones
de habitantes) y varios niveles de agregacin de las mismas hasta 50 zonas (a
nivel de municipio). En la tabla 3.7 se presentan ejemplos de los nmeros de
zonas elegidos en diversos estudios.
Tabla 3.7.

Nmero tpico de zonas en varios estudios

Localidad

Londres (1972)

Poblacin

7,2 millones

N de zonas

Comentarios zonificacin

2.252

Subzonas a nivel detallado

~1.000

Zonas normales

~230

Distritos

52

Municipios

Isla de Montreal (1980)

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

Las zonas se representan en los modelos de ordenador, como si todos sus

atributos y propiedades estuvieran concentrados en un nico punto denominado centroide de zona. Este punto se puede considerar flotando en el espacio

MODELOS

DE

TRANSPORTE

y no en una localizacin fsica sobre un mapa. Los centroides se conectan a la

red mediante los conectores de centroide que representan los costes medios
(distancia, tiempo) para incorporarse al sistema de transportes modelizado que
tienen los viajes con origen o destino en esa zona. Casi tan importante como
el coste asociado a cada conector es el nodo de la red al que se conecta. Estos
nodos deben estar prximos a los puntos naturales de acceso/salida de la zona.
El papel de los centroides y conectores en la modelizacin debe contribuir a la
definicin de los lmites de zonas.
A continuacin se incluye un sencillo listado de criterios de zonificacin
que han sido recopilados a partir de la experiencia adquirida en varios estudios:
1. El tamao de las zonas debe ser tal que el error de agregacin causado por
la hiptesis de que todas las actividades se concentran en el centroide, no
sea muy grande. Puede ser conveniente comenzar con un sistema con zonas
muy pequeas, ya que stas pueden agregarse de varias formas dependiendo
de la naturaleza de los proyectos que vayan a ser evaluados.
2. El sistema de zonificacin debe ser compatible con otras divisiones administrativas, particularmente las zonas censales. Este criterio es probablemente el fundamental y el resto slo ha de seguirse si no conduce a inconsistencias con el censo.
3. Es necesario que las zonas sean lo ms homogneas posibles en su composicin de usos del suelo y/o poblacin. Las secciones censales con claras diferencias al respecto (p. ej., sectores residenciales con niveles de ingreso
diferentes) no deben agregarse, ni aunque sean pequeas.
4. Es importante que los lmites de zonas sean compatibles con los cordones y
las lneas-pantalla, as como con los lmites de zonificaciones preexistentes.
Se ha demostrado en la prctica que se debe evitar el uso de vas o calles
principales como lmites de zonas, ya que incrementa considerablemente
la dificultad de asignar viajes a zonas, cuando stos se originan o acaban
en la frontera entre las mismas.
5. La forma de las zonas debe permitir una identificacin sencilla de los conectores de centroides. Esto es particularmente importante para la estimacin sucesiva de caractersticas intrazonales. Una zona debe representar
el rea natural de cobertura de las redes de transporte y su(s) conector(es)
debe(n) ser identificado(s) de forma que representen los costes principales
de acceso a la red.

Datos y rol del espacio

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 jerrquico, 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 zonificacin 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.

3.4.2. Representacin de redes

La red de transporte trata de representar la parte de la oferta dentro del proceso
de modelizacin, es decir, lo que el sistema de transporte ofrece para satisfacer
las necesidades de desplazamiento de los viajeros en el rea de estudio. La
descripcin de una red de transporte en un modelo de ordenador puede realizarse con diferentes niveles de detalle y requiere simplificar su estructura,
sus propiedades o atributos y la relacin entre dichos atributos y los flujos de
trfico. Para una introduccin sobre aspectos relacionados con representacin
de redes, consultar Lamb y Havers (1970).
3.4.2.1.

Detalles de la red

La red de transporte puede representarse con diferentes niveles de agregacin

dentro de un modelo. En un extremo estn los modelos sin ningn arco que se
basan en representaciones continuas de la oferta de transporte (Smeed, 1968).
Con estos modelos se puede obtener, por ejemplo, una ecuacin continua de
la capacidad media de trfico por unidad de rea en vez de por elementos
discretos o arcos. En un nivel de desagregacin ligeramente mayor, se puede
considerar una calle o va individual, pero suponiendo caractersticas como la
curva flujo-velocidad tomada de un rea mucho ms amplia; ver, por ejemplo,
Wardrop (1968).
La prctica normal, sin embargo, es modelizar la red como un grafo dirigido u orientado, es decir un sistema de nodos y arcos conectados (ver Larson y
Odoni, 1981). La mayor parte de los nodos representa intersecciones, mientras
que los arcos representan tramos de calles o vas homogneas entre intersec-

MODELOS

DE

TRANSPORTE

ciones. Los arcos se caracterizan por varios atributos como, por ejemplo, longitud, 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 figura 3.10
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 diferente 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

Datos y rol del espacio

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

Figura 3.10. Red de carreteras codificada con arcos y nodos.

MODELOS

DE

TRANSPORTE

en el caso de redes de transporte pblico, como se ver en el Captulo 11. Lo

que ms importa es que la eleccin de rutas y flujos sea lo ms realista posible
dentro de las limitaciones del estudio.
Jansen y Bovy (1982) investigaron la influencia de la definicin y detalle
de las redes sobre el realismo de la asignacin de flujos en la red. La principal
conclusin de su estudio es que se obtienen errores ms grandes en los niveles
jerrquicos ms bajos de la red viaria. Por tanto se debe incluir en la red al
menos un nivel por debajo de los arcos de inters. Por ejemplo, en un estudio de vas de tipo A (carreteras nacionales), se ha de incluir las vas de tipo
B (carreteras secundarias).
En el caso de redes de transporte pblico se requiere un nivel de detalle
adicional. El modelizador debe especificar la estructura de redes que corresponda a los servicios de transporte pblico ofrecidos. stos se codifican como
una secuencia de nodos sobre los cuales transita el servicio (autobs, ferrocarril), en donde normalmente cada nodo representa una parada o estacin. Las
intersecciones sin paradas de autobs pueden, por tanto, excluirse de las redes
de transporte pblico. Adems se necesita aadir a las redes dos tipos de arcos
adicionales: los arcos a pie, que representan la o las partes del viaje realizadas
andando, y los arcos que modelizan los costes adicionales asociados con el
trasbordo de uno a otro servicio.
3.4.2.2.

Propiedades de los arcos

El nivel de detalle asociado a los atributos de los arcos depende del nivel general
de resolucin de la red y del tipo de modelo utilizado. En el nivel mnimo de
anlisis se requieren los siguientes datos referentes al arco:
Longitud.
Velocidad de recorrido, bien como velocidad a flujo libre o bien como un
valor observado para una determinada intensidad de trfico.
Capacidad del arco, habitualmente en unidades equivalentes de vehculos
de pasajeros (PCU) por hora.
Adems se debe asociar una relacin coste-flujo a cada arco, como se seala ms adelante. En algunos casos se emplean modelos ms elaborados para
representar las demoras al flujo de trfico, pero stos requieren informacin
adicional sobre los arcos, por ejemplo:
Tipo de va (autova, va principal, calle local).

Datos y rol del espacio

Anchura de calzada, nmero de carriles o ambos.

Indicaciones sobre la presencia o ausencia de carriles bus o prohibiciones
para el uso de determinados vehculos (p. ej., camiones).
Giros prohibidos o giros que se realizan slo cuando existe espacio disponible en el trfico opuesto.
Tipo de interseccin y detalles de la misma, incluyendo regulacin semafrica.
Capacidad de almacenamiento de colas y su existencia al comienzo de una
determinada fase semafrica y/o perodo de modelizacin.
Algunas investigaciones han identificado como importantes para los conductores otros atributos de rutas, como peajes, sealizacin y consumo de combustible; ver, por ejemplo, Outram y Thompson (1978) y Wootton et al. (1981).
Estudios holandeses han demostrado que el tiempo y la distancia (ponderados)
explican solamente el 70% de las rutas realmente utilizadas. La categora de
la va (autopista, carretera tipo A, tipo B), la calidad escnica, los semforos
y la capacidad contribuyen a explicar la utilizacin de rutas adicionales. A
medida que progrese la comprensin de la influencia de estos atributos en la
eleccin de ruta, se podrn desarrollar modelos de asignacin ms realistas.
La contrapartida a este avance ser la necesidad de incluir otras caractersticas
de las vas, tales como su calidad escnica, nmero de intersecciones de cada
tipo, etctera.
3.4.2.3. Costes de las redes
La mayor parte de las tcnicas actuales de asignacin suponen que, en la eleccin de ruta, los conductores tratan de minimizar una combinacin lineal de
tiempo y distancia, denominada a veces coste generalizado. Esta hiptesis es
simplista, ya que existen muchas diferencias no slo en la percepcin del tiempo, sino tambin en su importancia relativa comparada con otras caractersticas
de las rutas. Sin embargo, la gran mayora de los modelos de redes utilizados
hoy en da trabajan nicamente con distancia y tiempo de viaje.
Deben distinguirse dos casos cuando se modeliza el tiempo o el coste de viaje como una funcin del flujo existente. El primero es cuando se puede suponer
que las demoras en un arco dependen slo del flujo del arco; ste es el caso tpico
de arcos de gran longitud alejados de intersecciones, y por tanto, es el empleado
en la mayor parte de los modelos de asignacin interurbanos hasta hoy. El segundo caso se puede encontrar en reas urbanas, en las que el tiempo o coste de viaje

MODELOS

DE

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 (denominado 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:
P70 = 240 5 y P80 = 250 2
Para estimar la poblacin futura se dispone del siguiente modelo:
Pn = Pbtd
donde Pn es la poblacin en el ao horizonte n, Pb es la poblacin en el ao base
b, t es la tasa de crecimiento de la poblacin y d = (n b) / 10, es el nmero de
dcadas para extrapolar el crecimiento.
Supngase que los datos de ambos censos son independientes y que el
modelo no posee ningn error de especificacin. Se pide:
a) Encontrar el nivel de exactitud con el que es posible estimar la poblacin
para el ao 2000.
b) Se ofrece informacin sobre el censo de 1990, pero se advierte que su nivel
de exactitud es menor que el de los dos censos previos:
P90 = 265 8
Averige si es conveniente la utilizacin de este valor.
c) Repetir el anlisis suponiendo que el error de especificacin del modelo
es proporcional a d, y que puede estimarse como 12d%.

Datos y rol del espacio

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 )

donde tk es el tiempo de viaje total en el modo k, y un parmetro a estimar.

Durante el desarrollo de un estudio, se calcularon los tiempos de viaje
como la media de cinco medidas (observaciones) para cada modo, a un coste
de $ 1,0 por observacin, obtenindose los siguientes valores:
t1 = 12 2 min
t2 = 18 3 min
a) Si el valor estimado para es de 0,1, calcular un intervalo de confianza
para P1.
b) Supngase que se est dispuesto a pagar $3 por cada unidad porcentual
de reduccin en el error de P1. Encontrar si sera conveniente realizar
10 observaciones adicionales en cada modo, en cuyo caso se tendran los
siguientes valores de tk:
t1 = 12 1 min
t2 = 17,5 1,5 min
3.3. Considrese un rea urbana en la que 100.000 personas viajan al
trabajo. Sea la siguiente informacin sobre las mismas:
1. Informacin general:
Modo

Nmero medio de coches por hogar

Ingreso familiar (1.000 $ / ao)

Coche

2,40

120

Metro

1,60

60

Autobs

0,20

10

Total

0,55

25

MODELOS

DE

TRANSPORTE

2. Distribucin de la poblacin:
Coches por hogar

Ingreso familiar (1.000 $ / ao)

Bajo (< 25)

2+

Total

63,6

15,9

0,0

79,5

Medio (25-75)

6,4

3,7

2,4

12,5

Alto (> 75)

0,0

2,4

5,6

8,0

70,0

22,0

8,0

100,0

Total

Se requiere recolectar informacin para una muestra de viajeros con el

fin de estimar un conjunto de modelos (con un mximo de 8 parmetros),
que garantice un error de especificacin despreciable si se cuenta con al menos 50 observaciones por parmetro. Tambin se sabe que si se toma una
muestra aleatoria al 20% de los viajeros, el error ser despreciable y no habr
sesgos.
El problema es elegir el mtodo de muestreo ms conveniente (aleatorio
puro, estratificado o basado en la eleccin), y para ello se posee tambin la
siguiente informacin:
Coste horario de un encuestador
$ 2 por hora
Coste de procesamiento de cuestionarios
$ 0,3 por formulario
Tiempo necesario para clasificar a un encuestado
4 minutos
Tiempo necesario para completar una entrevista
10 minutos
Tambin se dispone de la siguiente tabla que contiene informacin sobre
los tamaos de muestra recomendados para el caso de muestreo basado en
eleccin:
Tamao de la subpoblacin

% a ser entrevistado

< 10.000

25

10.000-15.000

20

15.000-30.000

15

30.000-60.000

10

> 60.000

Datos y rol del espacio

3.4. Los resultados de muestras obtenidas de una cierta poblacin, tanto

de forma estratificada (basada en el ingreso I), como basada en la eleccin,
son los siguientes:
Muestra estratificada
Modo

Coche
Autobs

Ingreso bajo

Ingreso medio

Ingreso alto

3,33

18,00

20,00

33,34

7,20

4,00

Metro

3,33

4,80

6,00

Total

40,00

30,00

30,00

Muestra basada en la eleccin

Modo

Ingreso bajo

Ingreso medio

Ingreso alto

Total

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

Coche

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 observaciones 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

ste es el primero de varios captulos que tratan de los modelos de demanda agregados o de primera generacin. Tal y como se ha visto en el
Captulo 1, en el modelo de transporte la fase de generacin de viajes
tiene por objetivo predecir el nmero total de viajes generados (Oi) y
atrados (Dj) por cada zona del rea de estudio. Generalmente esto se ha visto
como el problema de contestar una pregunta como cuntos viajes origina
cada zona? Sin embargo, el tema tambin se ha visto en ciertas ocasiones
como un problema de eleccin de la frecuencia de los viajes, por ejemplo,
cuntos viajes, con diferentes propsitos, realizar un cierto tipo de persona
durante una semana promedio? En este ltimo caso el problema generalmente
es afrontado utilizando los modelos de eleccin discreta, tal y como se ver en
los Captulos del 7 al 9, y el planteamiento es: cul es la probabilidad de que
un cierto tipo de persona realice cero, uno, dos o ms viajes con este motivo
de viaje en una semana?
En este Captulo la atencin se centrar en el primer enfoque (esto es,
predecir los totales Oi y Dj, a partir de datos sobre los atributos socioeconmicos de los hogares); ste ha sido el mtodo ms utilizado en la prctica hasta
fines de los 90. Los lectores interesados en temas de eleccin discreta pueden
consultar Ben Akiva y Lerman (1985) y obviamente los Captulos del 7 al 9
de este libro.
En la primera parte del captulo se definirn algunos conceptos bsicos y
se examinarn algunos factores que influyen en la generacin y la atraccin
de viajes, as como, posteriormente, se revisarn los principales enfoques de
modelizacin comenzando por la simple tcnica del Factor de Crecimiento. A
continuacin, y avanzando hacia un enfoque de modelizacin ms sofisticado,
se presenta una razonable revisin de los modelos de Regresin Lineal, que
complementa adecuadamente los temas estadsticos presentados previamente
en los Captulos 2 y 3.

Modelos de generacin de viajes

Posteriormente se estudiarn los modelos de generacin de viajes por

regresin linea1 tanto a nivel zonal como del hogar, haciendo particular referencia al problema de no linealidad que a menudo se presenta en estos casos. Se tratar asimismo y por primera vez, el problema de agregacin de
datos (es decir, determinar los viajes totales por zona) que, en este caso especfico, tiene una solucin muy simple precisamente debido a la forma lineal
del modelo. A continuacin sern analizados los Modelos de Clasificacin
Cruzada (cross-classifcation), considerando no slo la especificacin clsica del anlisis por categoras, sino tambin enfoques ms contemporneos
incluyendo los modelos de anlisis de categoras a nivel de personas. A continuacin se examinar la relacin existente entre generacin de viajes y accesibilidad, incluyendo adems una breve discusin sobre los modelos de
frecuencia de viajes. El captulo se cierra, por un lado, con una breve discusin sobre la previsin de las variables explicativas de los modelos y por
otro, con los problemas de estabilidad y puesta al da de los parmetros de
generacin de viajes.

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

TRANSPORTE

Casa

Trabajo

Produccin

Atraccin

Produccin

Atraccin

Produccin

Atraccin

Atraccin

Produccin

Figura 4.1.

Trabajo

Comercio

Produccin y atraccin de viajes.

Generacin de viajes: se entiende como el nmero total de viajes, sean HB

sean NHB, generados por los hogares (familias) de cierta zona. ste es el
valor que proporcionan la mayor parte de los modelos, y por ende resta
el problema de asignar los viajes NHB a otras zonas como producciones
de viaje.
Durante los aos 80 se aadieron otros trminos al diccionario de modelos
de transporte, tales como tours y cadenas de viajes, que encajan mejor con la
idea de que la demanda de transporte es derivada y depende fuertemente de
la demanda por realizar determinadas actividades, aunque en la prctica han
sido utilizados predominantemente por los modelizadores de eleccin discreta
(vase Daly et al., 1983).

4.1.2.

Clasificacin de viajes

4.1.2.1. Por propsito del viaje

Est demostrado que en la prctica se consiguen mejores modelos de generacin
si se modelizan separadamente los viajes por motivo o propsito. En el caso de
viajes HB, se utilizan generalmente las siguientes cinco categoras:

Viajes al trabajo.
Viajes de estudio (al colegio o universidad).
Viajes de compras.
Viajes sociales y recreacionales.
Viajes por otros motivos.

Los dos primeros generalmente se denominan viajes obligados, mientras

que todos los dems se llaman viajes discrecionales (u opcionales). En particular, la ltima categora encierra todos los viajes efectuados por motivos

Modelos de generacin de viajes

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 perodo 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 realizada 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)

Fuera de Punta (10:00-12:00)

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

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

1.736

0,19

2.262

0,73

24.392

2,72

130.689

41,65

Actividades sociales

Otros
Regresando al hogar

MODELOS

DE

TRANSPORTE

El no haber consignado el motivo por el cual la gente sali de casa, que es

obviamente ms importante que saber que se trataba de un viaje de regreso,
constituye un problema originado por una clasificacin errada o quizs una
falta de previsin en la fase de codificacin. De hecho, fue necesario recodificar
estos datos con el fin de tener informacin adecuada para modelizar la generacin de viajes (vase Hall et al., 1987). Este tipo de problemas solan ocurrir
antes de que el concepto de producciones y atracciones de viajes reemplazara
al concepto de orgenes y destinos, que no hacan referencia explcita a la capacidad generadora de las actividades basadas y no basadas en el hogar.
4.1.2.3. Por tipo de persona
sta es otra clasificacin importante ya que las caractersticas socio-econmicas
influyen fuertemente en el comportamiento de viaje de los individuos. Normalmente se utilizan las siguientes categoras:
Nivel de renta (p. ej., en la encuesta OD realizada en Santiago de Chile se
consideraron nueve categoras).
Posesin de coche (se utilizan generalmente tres estratos: 0, 1 y 2 o ms
coches).
Tamao y estructura del hogar (la mayor parte de los estudios britnicos
utilizan seis estratos).
Es importante resaltar que el nmero total de estratos puede aumentar
rpidamente (en el ejemplo comentado son 9 3 6 = 162), y esto puede
tener fuertes implicaciones en trminos de la cantidad de datos necesarios
y la calibracin y utilizacin de los modelos. Por esta razn, a menudo son
necesarios compromisos, adaptaciones y agregaciones (vase la discusin en
Daly y Ortzar, 1990).

4.1.3.

Factores que afectan a la generacin de viajes

En la modelizacin de la generacin de viajes generalmente interesan no slo

los viajes realizados por las personas sino tambin los viajes de mercancas.
Por ello es por lo que normalmente se utilizan modelos para cuatro grupos
principales (es decir, personas y mercancas, producciones y atracciones). A
continuacin, se analizan brevemente algunos factores particularmente importantes a la luz de la experiencia adquirida en estudios reales. No se tratar aqu

Modelos de generacin de viajes

la modelizacin de la generacin de viajes de mercancas, quedando postergada

su discusin hasta el Captulo 13.
4.1.3.1.

Producciones de viajes de personas

Los siguientes factores se han considerado en muchos estudios prcticos:

Renta.
Posesin de coche.
Tamao del hogar.
Estructura del hogar.
Valor del suelo.
Densidad residencial.
Accesibilidad.

Los cuatro primeros factores (ingreso, posesin de coche, estructura y

tamao del hogar) han sido incluidos en numerosos estudios sobre generacin
de viajes a nivel de hogares, mientras que el valor del suelo y la densidad residencial son tpicos de estudios a nivel zonal. En cambio el ltimo factor, la
accesibilidad, raramente ha sido utilizado en estudios de generacin de viajes,
aunque no han faltado diferentes tentativas de incluirlo. La razn es que dicho
factor ofrece la posibilidad de que la generacin de viajes pueda ser elstica
respecto a variaciones en el sistema de transporte. Se volver sobre este tema
en el apartado 4.3.
4.1.3.2. Atracciones de viajes de personas
Los factores ms utilizados para describir la atraccin de viajes de personas
son la superficie cubierta disponible para la industria, el comercio y otros
servicios. Otro factor generalmente utilizado es el nmero de empleos en cada
zona, aunque ciertos estudios tambin han intentado incorporar alguna medida
de accesibilidad. Sin embargo, es importante destacar que en este caso no se
han realizado demasiados avances.
4.1.3.3. Producciones y atracciones de viajes de mercancas
Las producciones y atracciones de viajes de mercancas generalmente slo constituyen una pequea parte de los viajes en el caso de las naciones
industrializadas llegan a lo sumo al 20% del total de los viajes realizados
en un rea determinada pero pueden ser relevantes en trminos de contri-

MODELOS

DE

TRANSPORTE

bucin a la congestin. En este caso, algunas variables importantes son las

siguientes:

Nmero de empleados.
Nmero de ventas.
Superficie cubierta de las empresas.
Superficie total de las empresas.

Hasta donde alcanza el conocimiento de los autores, ni la accesibilidad ni

el tipo de empresa han sido considerados como variables explicativas en los
estudios de transporte; en particular es curioso que el tipo de empresa no haya
sido tenido en cuenta dado que parece lgico que productos diferentes tengan
exigencias de transporte diferentes.

4.1.4.

Mtodo del factor de crecimiento

Desde principios de los aos 50 se han propuesto numerosas tcnicas para

modelizar la generacin de viajes. La mayor parte de los mtodos intentan
predecir el nmero de viajes producidos (o atrados) por los hogares o por las
diferentes zonas, como una funcin (generalmente lineal) que debe ser definida en base a los datos disponibles. Antes de efectuar cualquier comparacin
entre los resultados conseguidos en reas o en hitos temporales diferentes, es
importante aclarar los siguientes aspectos:
qu viajes tienen que ser considerados? (p. ej., slo los viajes en coche y
aquellos a pie de longitud superior a 300 metros);
cul es la edad mnima a considerar en el anlisis? (p. ej., superior a cinco
aos);
A continuacin se ilustrar brevemente una tcnica que puede ser aplicada
para predecir el nmero de viajes futuros efectuados por cada una de las cuatro
categoras citadas anteriormente. Su ecuacin de base es la siguiente:
Ti = Fiti

(4.1)

donde Ti y ti son, respectivamente el nmero de viajes futuros y actuales generados por la zona i, y Fi es el correspondiente factor de crecimiento.
El nico problema de este mtodo es la estimacin de Fi; el resto es trivial.
Normalmente este factor de crecimiento est ligado a variables como la pobla-

Modelos de generacin de viajes

cin (P), la renta o ingreso (I) y la posesin de coche o Tasa de Motorizacin

(C) segn una funcin del tipo:

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, mientras 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

Con esto es fcil deducir que el nmero de viajes generado al da actualmente est dado por:
ti = 250 2,5 + 250 6,0 = 2.125 viajes/da
Supngase, adems, que en el futuro todas las familias tendrn un coche, y
que el ingreso y la poblacin permanecen constantes (hiptesis prudente a falta
de otros datos). En este caso, podra calcularse el factor de crecimiento as:
Fi = Cid / Cic = 1 / 0,5 = 2
y aplicando la ecuacin (4.1), se puede estimar el nmero de desplazamientos
futuros as:
Ti = 2 2.125 = 4.250 viajes/da
Como se ha podido observar el mtodo es bastante simple, pero, como se
demostrar, tambin es bastante pobre. En efecto, si se recurriera a la informacin existente sobre las tasas de viaje y se supone que stas se mantienen
constantes (que es la hiptesis central que subyace detrs del mtodo de prognosis ms popular, como se ver ms adelante), es posible estimar el nmero
de viajes como:
Ti = 500 6 = 3.000 viajes/da

MODELOS

DE

TRANSPORTE

lo cual significa que el mtodo del factor de crecimiento sobrevalorara el

nmero total de desplazamientos generados en cerca del 42%. Esto constituye
un problema serio ya que la generacin de viajes representa la primera fase del
proceso de modelizacin y los errores cometidos en sta se propagan a lo largo
de todo el proceso y pueden invalidar el trabajo de las etapas siguientes.
Por este motivo, en la prctica el mtodo del factor de crecimiento es generalmente utilizado slo para predecir el nmero futuro de viajes externos al
rea, en cuanto que se trata de un nmero de viajes limitado (dado que el error
que se comete no es demasiado grande), y adems porque no existen mtodos
fciles para predecir tales desplazamientos.
En los prximos prrafos se discutirn otros mtodos (mejores) que, en
lnea con el principio de este captulo, pueden ser tambin utilizados para predecir tanto la produccin como la atraccin de viajes, ya sea de personas o de
mercancas. A pesar de ello, en el anlisis siguiente se har explcita referencia
solamente al caso de producciones de viajes de personas, por cuanto representa
no slo el sector donde hay mayor nmero de experiencias prcticas, sino tambin aquel en el que se han conseguido resultados ms interesantes.

4.2.

ANLISIS DE REGRESIN

En la siguiente seccin se proporciona una breve introduccin a la Regresin

Lineal. El lector que est familiarizado con este tema puede pasar directamente
a la seccin 4.2.2.

4.2.1.

Modelo de regresin lineal

4.2.1.1. Introduccin
Considrese un experimento que se repite varias veces Y = {Yi} para un valor
dado de X fijo. Si dicho experimento no es determinstico, se pueden observar
diferentes valores de Yi para cada valor de Xi.
Sea f i(Y|X ) la distribucin de probabilidad de Yi para un valor dado Xi;
se dispone, en general, de una funcin diferente f i para cada valor de X tal y
como se muestra en la figura 4.2. Sin embargo, el caso completamente general
as planteado es prcticamente intratable, por ello es necesario realizar ciertas
hiptesis simplificatorias respecto a la poblacin para que dicho experimento
pueda ser modelizado. Dichas hiptesis son las siguientes:

Modelos de generacin de viajes

f (X/Y)

2
3

1
x1

Figura 4.2.

x2

x3

Distribucin general de Y dado X.

1. Las distribuciones de probabilidad f i(Y|X) tienen la misma varianza 2 para

todos los valores de X.
2. Las medias i = E(Yi) estn en una lnea recta conocida como recta de
regresin verdadera, la cual viene dada por:
E(Yi) = a + bXi

(4.3)

donde los parmetros de la poblacin a y b que definen dicha lnea, deben

ser estimados a partir de datos muestreados.
3. Las variables aleatorias Y son estadsticamente independientes; esto significa, por ejemplo, que un valor grande de Y1 no tiende a hacer que Y2 sea
grande.
Estas tres hiptesis simplificatorias se conocen como hiptesis dbiles
(vase, p. ej., Wonnacott y Wonnacott, 1977) y pueden escribirse ms concisamente como:
Las variables aleatorias Yi, son estadsticamente independientes con media
a + bXi y varianza 2.

Si se introducen estos cambios en la figura 4.2, resulta la figura 4.3.

A veces es conveniente describir la desviacin de Yi de su valor esperado
como el error o trmino de perturbacin ei, de forma que el modelo tambin
puede escribirse como:
Yi = a + bXi + ei

(4.4)

MODELOS

DE

TRANSPORTE

f (X/Y)

x1

x2

x3

E(Y) = a +bX

(regresin verdadera)

Figura 4.3. Distribucin de Y considerada en la RL.

Hasta aqu no se ha realizado an ninguna hiptesis sobre la distribucin

de Y (ni de e, que es idntica excepto que sus medias son distintas), que tiene
una varianza finita. Sin embargo se necesitarn ms tarde para derivar algunos
tests formales para el modelo. El trmino del error est usualmente compuesto
de errores de medicin y especificacin (se remite al lector a la discusin en
Captulo 3).
4.2.1.2.

Estimacin de los parmetros a y b

La figura 4.4 puede considerarse el grfico fundamental de la regresin lineal.

En ella se representa mediante trazos discontinuos la lnea de la regresin
E(Y) = a + bX que es evidentemente desconocida por el analista, y debe ser
estimada a partir de los datos Y y X de la muestra. En trazo continuo se repre y, como es obvio, esta lnea
senta la lnea de la regresin estimada
 =

 +
 bX
no tiene por qu coincidir con la anterior a menos que el analista sea sumamente
afortunado (l nunca lo sabr). En general, lo ms que se puede esperar es que
los parmetros estimados estn suficientemente prximos a los de la recta de
regresin verdadera.
Es importante distinguir entre los errores ei, que no son conocidos y que
corresponden a la recta de regresin verdadera, y las diferencias, i entre los
observados (Yi) y los valores ajustados (i), que son un elemento crucial del
mtodo de ajuste de recta ms atractivo: la estimacin por mnimos cuadrados.
Si se define una nueva variable x = Xi X, donde X
 es la media de X, es
fcil mostrar que la recta de regresin anterior mantiene su pendiente (b y b
respectivamente) pero obviamente cambia su intercepto (a y respectivamente)

Modelos de generacin de viajes

f (X/Y)

 =

 +
 bX

(regresin estimada)

Y2

Y3

Y1
x1

Figura 4.4.

e3 E(Y) = a +bX

e2

e1

x2

(regresin verdadera)

x3

Rectas de RL verdadera y estimada.

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 gravedad (X, Y ) de la muestra de n observaciones; el mejor estimador de b es, por
su parte:

xY
x

i i

b 

(4.6)

2
i

Estos estimadores tienen las siguientes propiedades interesantes:

E() = a


2
Var () =
n

E(b ) = b


2
=
Var (b)
xi2

Adems, la frmula para la varianza de b tiene implicaciones muy interesantes en lo que se refiere al diseo experimental. Por ejemplo, si los X
estn muy juntos (como sucede en la figura 4.5a), sus desviaciones respecto
a la media X sern muy pequeas y consecuentemente la suma de los xi ser

MODELOS

DE

TRANSPORTE

Y
E(Y)
 =
 a
 +
 bX

E(Y)
 =
 a
 +
 bX

 =

 +
 bX

 =

 +
 bX

(a)

Figura 4.5.

(b)

Influencia del diseo del experimento en el ajuste.

pequea; por esta razn, la varianza de b ser grande y en consecuencia b

ser un estimador inestable o poco fiable. En el caso contrario (Figura 4.5b),
aunque los errores son del mismo tamao que los sealados previamente, b
ser un estimador fiable.
4.2.1.3. Test de hiptesis para b
Para llevar a cabo los correspondientes tests de hiptesis se necesita conocer
la distribucin de b , pero para ello se exige aadir otra nueva hiptesis denominada hiptesis fuerte, que corresponde a la suposicin de que las variables
Y distribuyen Normal. As, como b es una combinacin lineal de los Yi, resulta
que tambin distribuye Normal N(b,2 / i xi2). Esto significa que se puede estandarizar haciendo el siguiente cambio de variable:

z

b b

S / ( i xi2 )

(4.7)

Tambin es interesante destacar que z2 es una forma cuadrtica y que

distribuye 2 con un grado de libertad. Sin embargo no se conoce 2 (varianza
de Y con respecto a la recta de regresin verdadera). Un estimador natural de
2 es la varianza residual s2 alrededor de la recta estimada, dada por:

s2 

(Y Y )
i

n 2

Modelos de generacin de viajes

Se divide por (n-2) para obtener un estimador insesgado de 2 porque se

han empleado dos grados de libertad en calcular
 y b que son los parmetros
que definen la recta Yi ' (vase Wonnacott y Wonnacott, 1977).
Sin embargo, al sustituir 2 por s2 en (4.7) resulta que el b estandarizado
deja de distribuir Normal para distribuir segn una distribucin t de Student
con (n 2) grados de libertad:

t

b b
s / ( i xi2 )

: tn 2

(4.8)

Al denominador de (4.8) se le conoce usualmente como error estndar de

b y se representa como sb. Entonces dicha expresin queda: t = (b b) / sb.
Test-t de hiptesis para b : la tpica hiptesis nula aqu es H0 : b = 0. Entonces la expresin (4.8) se reduce a:
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
 examinando 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 trabajadoras, en que no se sabe si stas van a producir ms o menos viajes que sus

MODELOS

DE

TRANSPORTE

f(t)

Regin de rechazo
(1-)
 =
 0,95

Figura 4.6.

Probabilidad 5%
t0,05,d

t = b / Sb

Regin
 de
 rechazo
 para
 b
 con

 =
 5%.

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, aceptar 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 conocer la distribucin conjunta de ambos estimadores. En este caso, como sus
distribuciones marginales son Normal, la distribucin conjunta de ambos parmetros 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 travs de paquetes de software comerciales mediante la siguiente expresin para F:

F  na 2  xi2 b 2 / 2 x 2

Modelos de generacin de viajes

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.

La hiptesis H0 se acepta si F

 F (2,n 2). Desafortunadamente este
test no es muy poderoso (es decir, se rechaza casi siempre), sin embargo pueden construirse tests con hiptesis nulas ms interesantes, como, por ejemplo,

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 de x,

la mejor prediccin de Yi sera Y . Sin embargo, para cada valor xi, el error de

este mtodo puede ser grande (Yi Y ), es decir la desviacin de Yi respecto

de la media.
Ahora bien, si se conoce xi y se ha calculado la regresin de Yi con xi, se
puede predecir el valor de i a partir de la recta de regresin. Esto reduce bastante el error ya que gran parte de la desviacin anterior queda explicada por
la regresin; as, se cumple que la desviacin total puede descomponerse en
desviacin explicada y no explicada (ver Figura 4.8).
De dicha figura se tiene que:

(Yi Y ) = (i Y ) + (Yi i)

i

MODELOS

DE

TRANSPORTE

Yi -i Desviacin no explicada
por la regresin

Yi
Y
i - Y Desviacin explicada
por la regresin

 =

 +
 bx
o

Figura 4.8.

xi

Desviacin explicada y no explicada.

Desviacin total = desviacin explicada + desviacin no explicada.

Si se eleva al cuadrado la expresin anterior y se suma para i resulta
que:

(Y Y )  (Y Y )  (Y Y )
2

(4.10)

Variacin total = variacin explicada ms variacin no explicada.

i es fcil ver que la variacin explicada es una

Entonces, como (Y i Y ) = bx
El proceso de descomponer
funcin del coeficiente de regresin estimado b.
la variacin total en las dos variaciones expuestas se conoce como anlisis de
varianza de la regresin, o ANOVA (hay que destacar que varianza es igual
a variacin dividida por los grados de libertad).
El coeficiente de determinacin se define como porcentaje de la variacin
total que es explicada por la regresin, as:

(Y Y )

(Y Y )

(4.11)

El mximo valor de R2 es 1 (explicacin perfecta) y el valor mnimo es

0 (no explica nada); los valores intermedios pueden ser interpretados como
el porcentaje de la variacin total explicado por la regresin. Este ndice es exactamente igual al cuadrado de la correlacin muestral R, la cual
mide el grado de asociacin entre X e Y (vase Wonnacott y Wonnacott,
1977).

Modelos de generacin de viajes

4.2.1.5.

Regresin mltiple

La regresin mltiple es una extensin de lo expuesto en la seccin anterior

para el caso de ms variables explicativas y, obviamente, ms regresores (pa Las ecuaciones que resuelven el problema son similares aunque
rmetros b).
ms complejas, pero aparecen algunos problemas nuevos que son importantes,
como los que se exponen a continuacin:
1. Multicolineariedad. Este fenmeno ocurre cuando hay una relacin lineal
entre las variables explicativas; en este caso las ecuaciones para los regresores b no son independientes y no pueden resolverse de forma nica.
2. Cuntos regresores se deben incluir? Para tomar una decisin al respecto
se deben tener en cuenta los siguientes factores:
Existen razones tericas fuertes para incluir una variable dada o es
importante para las polticas probar con el modelo?
Es significativa la variable (es decir, es H0 rechazada en el test-t) y el
signo del coeficiente estimado es consistente con la teora o la intuicin?
Ante la duda, una manera de resolver la situacin es quitar la variable del
modelo y re-estimar la regresin para, as, ver el efecto de su extraccin
sobre el resto de los coeficientes; si dicho efecto no es demasiado importante, se ha logrado eliminar una variable en dicho modelo de regresin
por parsimonia (el modelo es ms simple, de forma que el resto de los
parmetros pueden estimarse con ms precisin). Los paquetes de software
comerciales proporcionan un procedimiento automtico para resolver
este problema; sin embargo, esto puede inducir algunos inconvenientes
como los que se comentan ms adelante. Se volver sobre esta cuestin en
la seccin 8.3 (Tabla 8.1) cuando se trate el tema de los modelos de eleccin
discreta y sus problemas de especificacin.
3. Coeficiente de determinacin. Tiene la misma forma que la presentada en
la ecuacin (4.11). Sin embargo, en este caso la inclusin de otros regresores
aumenta siempre el coeficiente R2; para resolver esta dificultad se utiliza
el coeficiente R2 corregido, que se define as:

R 2  R 2 k / (n 1) ; (n 1) / (n k 1) =

(4.12)

donde n representa el tamao de la muestra y k es el nmero de regreso

res b.

MODELOS

DE

TRANSPORTE

En la modelizacin de la generacin de viajes, el mtodo de la regresin

mltiple se ha utilizado en el caso de datos agregados (zonal) y en el de datos
desagregados (hogar e individuos). En el caso de las producciones de viajes,
la primera lnea de trabajo ha sido prcticamente abandonada, pero an es el
mtodo ms importante para la modelizacin de las atracciones de viaje.

4.2.2.

Regresin zonal mltiple

La regresin zonal mltiple consiste en encontrar una relacin lineal entre

el nmero de viajes producidos o atrados por cada zona y el valor medio de
algunas caractersticas socioeconmicas de los hogares que residen en cada
una de ellas. Algunas consideraciones interesantes son las siguientes:
1. Los modelos zonales slo pueden explicar la variacin en el comportamiento de viaje entre zonas. Por este motivo slo pueden proveer resultados
vlidos si las variaciones interzonales reflejan adecuadamente las razones
reales que estn detrs de la variabilidad de los viajes. Para que esto ocurra
es necesario no slo que las zonas tengan una composicin socioeconmica
homognea, sino tambin que representen el espectro ms amplio posible
de condiciones. Desafortunadamente, un problema importante es que las
principales variaciones en los datos relativos a los viajes de las personas
se obtienen a nivel intrazonal.
2. Papel del intercepto en los modelos de regresin. Aunque en general no es
de esperar que la recta de regresin pase por el origen es muy frecuente
conseguir valores del intercepto bastante grandes (en relacin al producto
del valor medio de las variables por sus respectivos coeficientes). Si esto
sucede, la ecuacin de la recta de regresin puede ser rechazada; y si, por
el contrario, el intercepto no es significativamente distinto de cero, puede
ser til re-estimar dicha recta de regresin, forzndola a pasar por el origen.
3. Zonas nulas. Es posible que ciertas zonas no ofrezcan informacin acerca
de algunas variables dependientes (p. ej., en las zonas no residenciales
podran no existir desplazamientos tipo HB). En este caso, las zonas nulas
deben ser excluidas del anlisis; en efecto, aunque su inclusin no debera
influir de modo significativo en el valor de los coeficientes estimados (en
cuanto que la ecuacin debera pasar por el origen), el incremento arbitrario
del nmero de zonas que no proporcionan datos tiles tiende a producir
estadsticas que sobrevaloran la precisin de la regresin estimada.

Modelos de generacin de viajes

4. Valores totales versus a valores medios. Cuando el analista formula el

modelo, puede elegir si utilizar variables agregadas o totales, como por
ejemplo, el nmero total de desplazamientos y el nmero total de coches
por zona, o bien valores medios para cada zona, como el nmero de viajes por hogar y de coches por familia en cada zona. En el primer caso el
modelo de regresin lineal admite la siguiente forma:

Yi  0  1 X 1i  2 X 2 i  L  k X ki  Ei
mientras que el modelo con valores medios adquiere la forma:

yi  0  1 x1i  2 x2 i  L  k xki  ei
donde yi = Yi / Hi; xi = Xi / Hi; ei =Ei / Hi; y Hi es el nmero de hogares en
la zona i.
Ambas ecuaciones son idnticas, en el sentido de que intentan explicar la
variabilidad del comportamiento de viaje entre zonas, y en los dos casos los
parmetros tienen el mismo significado. La nica y fundamental diferencia
est ligada a la distribucin del trmino de error, en cuanto a que es obvio que
la condicin de variancia constante del modelo no puede ser cierta en ambos
casos, a menos que Hi fuera el mismo para todas las zonas i.
Dado que las variables agregadas reflejan directamente el tamao de la
zona, su utilizacin debera implicar que la magnitud del error depende, efectivamente, de dicho tamao; los resultados prcticos evidencian la presencia
de esta heterocedasticidad (variabilidad de la variancia). La utilizacin de
multiplicadores como, por ejemplo, 1 / Hi, permiten que el modelo sea independiente del tamao de la zona y, por tanto, reducir dicha heterocedasticidad. En
esta misma lnea, las variables agregadas tienden a tener una intercorrelacin
ms alta (es decir, multicolinearidad). No obstante, los modelos con variables
agregadas a menudo producen valores de R2 ms altos, pero esto es slo un
efecto espreo ya que, obviamente, la dimensin de las zonas ayuda a explicar
el nmero total de viajes (vase Douglas y Lewis, 1970). Lo que ciertamente se
debe evitar es mezclar variables agregadas y medias en un solo modelo.
Para finalizar esta cuestin, es importante recordar que aunque se utilicen valores medios, las regresiones zonales siempre estn influenciadas por
la naturaleza y la dimensin de las zonas, debido al problema de agregacin
espacial. En efecto, tal y como se muestra en la tabla 4.2, construida con datos

MODELOS

DE

TRANSPORTE

correspondientes a Perth (Douglas y Lewis, 1970), la variabilidad interzonal

disminuye al aumentar el tamao de la zona.
Tabla 4.2.

Variaciones interzonales en las producciones de viajes personales para dos diferentes sistemas de zonificacin
Valor medio de viajes por hogar
y por zona

Varianza interzonal

75 zonas pequeas

8,13

5,85

23 zonas grandes

7,96

1,11

Sistema de zonificacin

4.2.3.

Regresin a nivel de hogares

Aunque las variaciones intrazonales pueden ser reducidas disminuyendo el

tamao de las zonas, sobre todo si son homogneas, esto implica un aumento
en el nmero de las zonas, lo cual tiene dos consecuencias:
Modelos ms caros en trminos de recoleccin de los datos, calibracin y
utilizacin.
Errores de muestreo mayores, que se suponen inexistentes en los modelos
de regresin lineal mltiple.
Por estas razones parece lgico utilizar modelos que sean independientes
de los lmites zonales. A principios de los aos 70 se pensaba que la unidad
de anlisis ms apropiada era el hogar (y no el individuo), en cuanto a que,
en un modelo individual, la serie de interacciones interpersonales presentes
dentro de un hogar (p. ej., la disponibilidad del coche, es decir, quin lo utiliza), no puede ser incorporada ni siquiera implcitamente. Esto se discute en
el apartado 4.3.3.
En una aplicacin basada en el hogar, cada familia es tomada como un
vector de datos de entrada al modelo, a fin de incorporar toda la gama de variabilidad observada respecto de las caractersticas de la familia y de sus viajes.
La calibracin, como en el caso de los modelos zonales, es un proceso que va
paso a paso (stepwise) testeando, iterativamente, cada una de las variables hasta
que se obtenga el mejor modelo (en trminos de ciertos procesos estadsticos
sinpticos para un nivel dado de confianza).
Es necesario, sin embargo, poner atencin en la utilizacin de los procedimientos automticos paso a paso disponibles en paquetes de software

Modelos de generacin de viajes

especializado, puesto que puede ocurrir que algunas variables, mucho ms

fciles de calcular en las previsiones, queden fuera de dicho software porque
predicen ligeramente peor que otras que son incluidas por el procedimiento
automtico.
Ejemplo 4.3: se consideran las siguientes variables: viajes por hogar (Y),
nmero de trabajadores (X1) y nmero de coches (X2). La tabla 4.3 ilustra los
resultados de los pasos sucesivos de un modelo utilizando la tcnica paso a
paso; la ltima lnea tambin muestra (entre parntesis) los valores del test-t
(t = b / sb). Para muestras de tamao grande, el nmero apropiado de grados
de libertad (n 2) resulta suficientemente grande para poder confrontar los
valores del test-t con el valor crtico de 1,645 para un nivel de significacin del
95% con un test de una sola cola (en este caso se sabe que la hiptesis nula es
unilateral, ya que Y debera crecer al crecer tanto X1 como X2).
Tabla 4.3.

Ejemplo de regresin paso a paso

Paso

Ecuacin

R2

Y = 2,36X1

0,203

Y = 1,80X1 + 1,31X2

0,325

Y = 0,91 + 1,44X1 + 1,07X2

(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 estratificaciones 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 correspondiente 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

TRANSPORTE

Tabla 4.4.

Comparacin de viajes domiciliarios (observados/estimados)

Nmero de trabajadores por hogar
0

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.

4.2.4.

El problema de la no-linealidad

Tal como se ha visto anteriormente, el modelo de regresin lineal supone que

cada variable independiente ejerce una influencia lineal sobre la variable dependiente. Desafortunadamente la no-linealidad no es fcil de detectar, ya que
relaciones aparentemente lineales pueden terminar siendo no lineales si se
permite la incorporacin de otras variables al modelo. En este caso, puede
ser til la utilizacin de grficos multivariados. Por ejemplo, en la figura 4.9,
se ilustran datos para hogares estratificados en grupos de acuerdo a la tasa de
motorizacin (posesin de coche) y al nmero de trabajadores y puede verse

Viajes por hogar (HB)

1 coche
1 trabajador

4
3
2

0 coche
1 trabajador

1
1

2
3
4
5
Personas en el hogar

Figura 4.9.

Ejemplo de no-linealidad.

Modelos de generacin de viajes

que el comportamiento de los viajes no es lineal con respecto a la variable

tamao familiar.
Es importante sealar que hay clases de variables (p. ej., las cualitativas),
que presentan normalmente un comportamiento no lineal (tipo de vivienda,
ocupacin del jefe de la familia, edad, sexo, etc.). En general hay dos mtodos
para incorporar las variables no lineales en el modelo:
1. Transformar las variables de modo que se linealice su efecto (p. ej., tomar
el logaritmo o elevar a la potencia). Desafortunadamente la seleccin de
la transformacin ms adecuada no es un ejercicio fcil o arbitrario y
requiere gran atencin; si se es acucioso, puede requerir tambin mucho
tiempo y esfuerzo.
2. Utilizar variables dummy. La variable independiente se divide en intervalos
discretos y cada uno de ellos se trata separadamente dentro del modelo.
Operando de este modo no es necesario asumir que la variable tenga un
efecto lineal, en cuanto a que cada parte de la variable es considerada
separadamente en trminos de efectos sobre el comportamiento de viaje.
Por ejemplo, en el caso de posesin de coche, se pueden establecer determinados intervalos discretos como, por ejemplo, 0 coches, 1 coche, 2 o
ms coches por hogar. Dado que cada hogar de la muestra slo pertenece
a un intervalo, la correspondiente variable dummy asume el valor 1 en la
correspondiente clase y 0 en las otras. Es fcil ver que slo (n 1) variables
dummy son necesarias para representar n intervalos.
Ejemplo 4.4: considrese el modelo del ejemplo 4.3 en el que se asume que
la variable X2 sea sustituida por las siguientes variables dummy:
Z1 = 1 para hogares con un coche y 0 en otros casos;
Z2 = 1 para hogares con dos o ms coches y 0 en otros casos.
Es fcil ver que las familias u hogares que no poseen ningn coche corresponden a la situacin en la que Z1 y Z2 son nulos. En este caso, el tercer modelo
de la tabla 4.3 resultara ser ahora el siguiente:
Y = 0,84 + 1,41X1 + 0,75Z1 + 3,14Z2
(3,6)

(8,1)

(3,2)

R2 = 0,387

(3,5)

Aunque el valor de R2 no hubiera sido mejor que el del tercer modelo de la

tabla 4.3, este nuevo modelo habra sido preferible ya que el efecto no lineal de

MODELOS

DE

TRANSPORTE

X2 (o de Z1 y Z2) es ciertamente evidente y no se puede ignorar. Obviamente si

los coeficientes de las dos variables dummy hubieran resultado, por ejemplo,
iguales a 1 y 2, y no hubiera en la muestra ms de dos coches por hogar, el
comportamiento sera lineal. Este modelo se representa grficamente en la
figura 4.10.
Regresin
2 o ms coches

Viajes por hogar (HB)

10
9
8
7
6
5
4
3
2
1

Regresin 1 coche
Regresin 0 coche

Figura 4.10.

2
3
4
5
6
Empleados por hogar (X1)

Modelo de regresin con variables dummy.

Observando la figura cabe preguntarse si no sera preferible estimar regresiones separadas para cada grupo, ya que as no se obliga a que cada una de
las rectas tenga la misma pendiente (representada por el coeficiente de X1). La
respuesta generalmente es negativa, a menos que se disponga de una razonable
cantidad de datos para cada una de las clases. La clave de la cuestin es que
el modelo con variables dummy utiliza todos los datos, mientras que regresiones separadas emplearan slo una parte de la muestra y esto normalmente es
desfavorable. Adems, tambin es interesante recordar que la utilizacin de
variables dummy frecuentemente reduce los problemas de multicolinearidad
en los datos (vase Douglas y Lewis, 1971).

4.2.5.

Clculo de los totales zonales

En el caso de los modelos de regresin zonal, el clculo de los totales zonales

no representa un problema puesto que el modelo est estimado a ese nivel. Los
modelos basados en hogares, en cambio, requieren una fase de agregacin para
pasar del nivel hogar a la estimacin de viajes totales por zona. No obstante,

Modelos de generacin de viajes

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:

Ti  H i (0,91 + 1,44X 1i + 1,07X 2 i )

donde Ti representa el nmero total de viajes HB en la zona i, Hi el nmero
total de hogares en la misma zona y Xji el valor medio de la variable Xj, para
la misma zona.
Por otro lado, cuando se utilizan variables dummy es necesario conocer
el nmero de familias pertenecientes a cada clase en cada zona; as, para el
modelo presentado en el ejemplo 4.4 resultara:

Ti  H i (0,84 + 1,41X 1i ) + 0,75H1i + 3,14H 2 i

donde Hji representa el nmero de familias pertenecientes a la clase j en la zona
i. Esta ltima expresin permite observar otra ventaja asociada a la utilizacin
de variables dummy con respecto de la estimacin de regresiones separadas.
Como se aprecia, para agregar los modelos en el ltimo caso hara falta estimar
el nmero medio de trabajadores por familia (X1) para cada grupo de tasa de
motorizacin en cada zona y ello puede resultar bastante complicado.

4.2.6.

Ajuste entre generaciones y atracciones

Es bastante fcil darse cuenta de que los modelos ilustrados anteriormente no

garantizan automticamente que, para cualquier zona, el nmero total de viajes
generados (los orgenes Oi) sea igual al nmero de viajes atrados (los destinos
Dj); no se garantiza, por tanto, que la siguiente relacin se verifique:

O  D
i

(4.13)

El problema es que esta ecuacin es implcitamente requerida por el siguiente submodelo (distribucin de viajes) en la estructura del modelo de demanda.
No es posible, en efecto, obtener una matriz de distribucin de viajes en la que

MODELOS

DE

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 tradicionalmente 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)

4.3.
4.3.1.

ANLISIS POR CATEGORA O CROSS-CLASSIFICATION

El modelo clsico

4.3.1.1. Introduccin
Hasta fines de los 60 la mayora de los estudios de planificacin de transportes
en EE.UU. desarrollaron ecuaciones de generacin de viajes basadas en anlisis de regresin lineal, especialmente en el caso de producciones de viajes de
personas. En efecto, el modelo de regresin fue seleccionado como el mtodo
central de la gua para el anlisis de generacin de viajes de la Federal Highway
Administration (FHWA, 1967).
A finales de la dcada de los 60 apareci otro mtodo alternativo para la
modelizacin de la generacin de los viajes, que se convirti rpidamente en
el mtodo preferido en el Reino Unido. Fue conocido con el nombre de Anlisis por Categora en Gran Bretaa (Wootton and Pick, 1967) y en EE.UU.
recibi el nombre de Anlisis de Clasificacin Cruzada. Este enfoque sigui
el mismo proceso de desarrollo del modelo de regresin lineal, en el sentido
de que primeramente se desarrollaron procedimientos a nivel zonal y slo
posteriormente se ha utilizado informacin a nivel del hogar.

Modelos de generacin de viajes

El mtodo consiste en estimar la respuesta (p. ej., el nmero de viajes

producidos por cada hogar por un motivo dado) como una funcin de los
atributos del hogar, y se basa en la hiptesis de que las tasas de generacin de
viajes son relativamente estables en el tiempo para determinadas categoras
de hogares. Estas tasas se determinan empricamente y para esto generalmente
se necesita contar con una gran cantidad de datos; de hecho un elemento crtico
en el procedimiento es el nmero de hogares en cada grupo. Aunque el mtodo fue diseado originariamente para utilizar los datos del censo britnico,
un problema serio es la necesidad de estimar el nmero de hogares en cada
categora a futuro.
4.3.1.2. Definicin de las variables y especificacin del modelo
Sea tp (h) el nmero promedio de viajes realizados por miembros de un hogar
de tipo h con motivo p (en un cierto perodo de tiempo). Los tipos de hogares
son definidos en base a la estratificacin seleccionada; por ejemplo, una clasificacin basada en m categoras relativas al tamao del hogar y n categoras
relativas a clases de tasa de motorizacin determinar m n tipos h de hogar.
Para calcular las tasas correspondientes a cada celda, el mtodo estndar
consiste en asociar los hogares, en los datos de calibracin, a cada una de las
celdas y calcular, en cada caso, el nmero de desplazamientos observados
T p (h) por motivo. La tasa de viajes t p (h) es, por tanto, igual a la razn entre el
nmero total de desplazamientos en la celda h para cada motivo y el nmero
de hogares H (h) en aquella celda. En trminos matemticos resulta:

t p ( h)  T p ( h) / H ( h)

(4.15)

El arte del mtodo consiste en elegir las categoras de forma que la

desviacin estndar de la distribucin de frecuencias, representada en la figura 4.11, sea mnima. El mtodo presenta, en principio, las siguientes ventajas:
1. Las clases son independientes del tamao de las zonas del rea de estudio.
2. No se hace ninguna suposicin, a priori, sobre la forma funcional de las
relaciones (es decir, la funcin no tiene por qu ser montona y, an menos, lineal).
3. Las relaciones pueden tener forma diferente de clase a clase (de hecho, el
efecto de una modificacin en el tamao del hogar puede ser diferente en
funcin del nmero de coches que posea la familia).

MODELOS

DE

TRANSPORTE

t p (h)

Figura 4.11.

Distribucin de tasas de viajes por tipologa de hogar.

Sin embargo y al igual que los mtodos de clasificacin cruzada tradicionales, presenta tambin varias desventajas:
1. El modelo no permite la extrapolacin ms all de los estratos calibrados,
aunque las clases externas pueden ser dejadas abiertas (es decir, se puede
tener una clase del tipo: familias con dos o ms coches y cinco o ms
domiciliados).
2. No hay tcnicas estadsticas de bondad de ajuste del modelo; por lo tanto,
slo se puede medir la cercana agregada a los datos de calibracin.
3. Se requiere una muestra muy grande; de lo contrario, los valores de las
celdas varan en fiabilidad a causa de la diferencia en el nmero de hogares disponibles para la calibracin en cada una. Por ejemplo, en el estudio
de uso de suelo y transporte de Monmouthshire (vase Douglas y Lewis,
1971), se obtuvo una distribucin como la indicada en la tabla 4.5, para
108 categoras (seis niveles de renta, tres niveles de posesin de coche y
seis niveles de estructura del hogar), para una muestra de 4.000 hogares.
Una regla generalmente aceptada es que para estimar valores medios confiables se requiere al menos 50 observaciones por celda. As, en la muestra
Tabla 4.5.

Distribucin de frecuencia de los hogares

N de categoras

N de hogares en la encuesta

21

69

1-49

50-99

100-199

200+

Modelos de generacin de viajes

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 desviaciones 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)

Para verificar cmo trabaja el modelo, se pueden comparar los valores

modelizados (Oinp ) con los valores observados en la muestra de calibracin.
Los posibles errores, inevitables, se deben a la utilizacin de valores medios
para t p (h); pero, debera esperarse que una mejor estratificacin produjese
errores menores (en el sentido de minimizar la desviacin estndar de la figura 4.11.)
Existen diversas maneras de definir las categoras de hogares. El estudio
original del mtodo en el Reino Unido (Wootton y Pick, 1967) utiliz 108 categoras de la siguiente forma: seis niveles de ingreso, tres niveles de posesin
de coche (0, 1 y 2 o ms coches por hogar) y seis grupos de estructura familiar,
como se ilustra en la tabla 4.6.
El problema ms complicado es cmo predecir el nmero de familias, a
futuro, en cada categora. El mtodo ms comnmente utilizado (vase Wilson,
1974) parte por definir y estimar distribuciones de probabilidad del ingreso
(I), de la tasa de motorizacin (C) y de la estructura familiar (S) con los datos
de calibracin para, posteriormente, construir una funcin de distribucin de
probabilidad conjunta de pertenecer al tipo de hogar h = (I,C,S). Entonces, si

MODELOS

DE

TRANSPORTE

Tabla 4.6.
Grupo

Ejemplo de agrupamiento de la estructura familiar

N de empleados

Otros adultos

2o+

1o

2o+

2o+

1o

2o+

2o+

(h) = (I,C,S) es la funcin de distribucin conjunta, el nmero de hogares

ai(h) de la zona i que pertenecen a la clase h viene dado por:
ai (h) = Hi (h)

(4.17)

donde Hi representa el nmero total de hogares en la zona. Este modelo de estimacin de los hogares puede ser parcialmente testeado, ejecutndolo con datos
relativos al ao de base utilizados para la calibracin. Es posible contrastar
el total de viajes estimados con la ecuacin (4.16), pero utilizando los valores
simulados para ai (h), con los valores observados.
En esta fase se evidencia otra desventaja posterior del mtodo:
6. En el caso de que fuera necesario incrementar el nmero de variables de
la estratificacin, habra que aumentar enormemente el tamao de la
muestra. Por ejemplo, si a la aplicacin original, discutida lneas atrs,
se sumara otra variable dividida en tres niveles (p. ej., la posesin de
motocicletas en un modelo para una ciudad en Asia), el nmero de categoras aumentara de 108 a 324 (recurdese la discusin relativa a la
tabla 4.5).

4.3.2.

Mejoras al modelo clsico

4.3.2.1. Anlisis de Clasificacin Mltiple (ACM)

El anlisis de clasificacin mltiple es un mtodo alternativo para definir las
clases y testear los resultados del Anlisis por Categoras y proporciona un
procedimiento estadstico potente para la seleccin y clasificacin de las variables, que permite superar muchas de las desventajas anteriores. A continuacin

Modelos de generacin de viajes

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 estimar 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

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

Tasa media de viajes

0,73

1,53

2,44

Tamao hogar

1,54

Como puede apreciarse, el rango de valores va desde 0 (ya que es poco

probable encontrar hogares con una persona y ms de un coche) a 201. Aunque en este ejemplo se haya realizado una clasificacin cruzada para slo dos
variables hay, en todo caso, cuatro celdas con un nmero de observaciones

MODELOS

DE

TRANSPORTE

inferior al nmero mnimo convencional requerido (50) para estimar valores

fiables de la media y de la varianza de las tasas de viaje.
Para poder estimar el valor medio de la tasa de desplazamientos (tasas
promedio de viaje) para cada celda, incluyendo aquellas sin observaciones en
la muestra, se procede de la siguiente manera: por ejemplo, para el caso de 0
coches, se calcula la desviacin (de la media global) como 0,73 1,54 = 0,81;
para el caso de un coche, 1,53 1,54 = 0,01 y para dos o ms coches resulta
2,44 1,54 = 0,90. Procediendo de modo anlogo para los grupos de tamao
familiar, se obtienen las siguientes desviaciones: 1,07, 0,26, 0,32 y 0,36. Si
las variables no estn correlacionadas es posible elaborar una tabla completa
de las tasas de viaje a partir de estos valores; as, la tasa de viajes para hogares con una persona y un coche sera 1,54 1,07 0,01 = 0,46 viajes. Sin
embargo, en el caso de un hogar, una persona y ningn coche, la tasa resulta
ser negativa (0,34 = 1,54 1,07 0,81); como no tiene significado fsico una
tasa de viajes menor que cero, sta se fuerza a cero. La tabla 4.8 ilustra los
resultados de las tasas de viaje incluyendo las desviaciones correspondientes
a filas y columnas.
Tabla 4.8.

Tasas de viaje calculadas por clasificacin mltiple

Tamao hogar

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

A diferencia de los modelos clsicos de clasificacin cruzada, en este caso

no slo se calculan las desviaciones por hogar en la celda correspondiente, es
decir, una persona-un coche, sino que por cada clase de posesin de coche se
calculan las desviaciones con respecto de todos los tamaos del hogar y viceversa. Por tanto, si hay interacciones, las desviaciones deberan ajustarse para
tomar en cuenta sus efectos. Ello se puede lograr tomando una media ponderada para cada una de las medias de cada grupo de una variable independiente
con respecto de las clases de las otras variables independientes, en lugar de una

Modelos de generacin de viajes

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 conclusiones 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

TRANSPORTE

Tabla 4.9.

Tasas de viaje para el mismo estudio calculadas mediante anlisis por categoras

Tamao hogar

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

ponderando por la proporcin de hogares (o individuos) a ese nivel (independientemente de los niveles de las restantes variables de estratificacin), y luego
hacer los clculos normales del ACM para estimar las tasas de viaje por celda.
Esto permite tomar en cuenta las interacciones, ya que los promedios ponderados disminuyen el tamao de la desviacin con respecto a la media global.
Ortzar et al. (1998) usaron este mtodo en un estudio sobre la estabilidad de
las tasas de generacin de viajes en Santiago, Chile, para clases formadas por
el cruce de ingreso (cinco niveles), tasa de motorizacin (tres niveles) y tamao familiar (tres niveles); se encontr que los resultados eran efectivamente
superiores a los del ACM normal.
4.3.2.2. Anlisis de regresin estratificado
En ciertas ocasiones, el mtodo ms adecuado para modelizar la generacin de
viajes puede ser una mezcla de clasificacin cruzada y anlisis de regresin.
Por ejemplo, en un rea en el que la distribucin del ingreso sea muy desigual,
es posible que sea importante medir el impacto diferencial de determinadas
polticas en los diferentes estratos de ingreso; de esta forma, puede ser necesario modelizar la demanda de transporte para cada grupo de ingreso de forma
separada a travs del proceso completo. Si adems, en el rea est creciendo de
forma importante la tasa de motorizacin y, como usualmente, no queda claro
cun correlacionadas estn ambas variables, puede ser til postular modelos
de regresin basados en variables que describan el tamao y conformacin de
los distintos hogares, para una estratificacin basada en las dos variables anteriores.
Ejemplo 4.7: la tabla 4.10 presenta las 13 categoras de ingreso y tasa de
motorizacin (Ci) definidas en el Estudio Estratgico de Transporte del Gran

Modelos de generacin de viajes

Tabla 4.10.
Ingreso hogar
(US$/mes)

Nmero de hogares en cada estrato en la muestra de Santiago,

1977
Tasa de motorizacin del hogar
0 coches

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

Santiago (ESTRAUS, 1989) y el nmero de hogares en cada una, de acuerdo

a la encuesta origen-destino (EOD) de 1977 (DICTUC, 1978). Como se puede
observar, la mayor parte de los datos se corresponden con hogares sin coche
e ingreso bajo. Tambin se ve que las categoras 7 y 10 tienen menos datos;
ste es, desafortunadamente, un problema bastante comn de este enfoque (de
hecho, las 13 categoras incluyen bastantes agregaciones).
Las variables independientes utilizadas en este anlisis, despus de haber
excluido las utilizadas para estratificar, incluyeron variables relativas a la fase
del ciclo de vida del hogar, aspecto que ser discutido en el apartado 4.4. Una
extensa bsqueda de la mejor especificacin dio como resultado que las variables de regresin ms significativas eran el nmero de trabajadores (divididos
en cuatro categoras, de acuerdo a ingreso y tipo de ocupacin), de estudiantes
y de residentes.
Los modelos de regresin lineal estimados con estas variables para cada una
de las 13 categoras resultaron satisfactorios en trminos de signos, interceptos
pequeos, niveles de significacin razonables y valores de R2 (p. ej., entre 0,401
para la categora 4 y 0,682 para la categora 7; ver Hall et al., 1987).

4.3.3.

Enfoque basado en categoras de personas

4.3.3.1. Introduccin
sta es una alternativa interesante a los modelos basados en el hogar, que fue
propuesta originariamente por Supernak (1979) y que ofrece las siguientes
ventajas (Supernak et al., 1983):

MODELOS

DE

TRANSPORTE

1. Un modelo de generacin de viajes a nivel de personas es compatible con

otros componentes del sistema clsico de modelizacin de la demanda de
transporte, que se basa en viajeros en lugar de en hogares.
2. Admite un esquema de clasificacin cruzada que utiliza todas las variables
importantes y permite un nmero manejable de clases; ello permite, a su
vez, predecir la representacin de clases ms fcilmente.
3. El tamao de la muestra requerido para desarrollar un modelo por categoras de personas puede ser varias veces ms pequeo que el requerido
para estimar un modelo basado en categoras de hogares.
4. En un modelo por categoras de personas, los cambios demogrficos pueden
considerarse ms fcilmente, pues ciertas variables demogrficas fundamentales en modelizacin (como la edad) son virtualmente imposibles de
definir a nivel de hogar.
5. Las categoras de personas son ms fciles de predecir que las categoras
de hogar, ya que en este ltimo caso se requieren previsiones sobre la
formacin del hogar y sobre su tamao; estas cuestiones se evitan totalmente en el caso de categoras de personas. En general, la mayor parte de
los viajes es realizado por personas mayores de 18 aos; esta poblacin es
ms fcil de predecir a 15 20 aos vista, ya que slo se necesitan tasas
de migracin y de supervivencia para hacerlo.
La mayor limitacin que puede tener un modelo por categoras de personas
se relaciona precisamente con la razn principal de por qu, al final de los
aos sesenta, se eligieron los modelos basados en el hogar para reemplazar
a los modelos de generacin zonal; sta fue la dificultad de introducir, en un
modelo basado en categoras de personas, los efectos de interacciones en el
hogar as como costes y presupuestos monetarios. Sin embargo, Supernak et al.
(1983) defienden que no est claro cun importantes son estas consideraciones
y cuestionan su incorporacin eficaz incluso en los modelos de generacin de
viajes basados en el hogar; de hecho, la discusin en las secciones 4.2.3 y 4.3.1
deja claro que esto debe tratarse de forma implcita solamente.
4.3.3.2. Definicin de variables y especificacin del modelo
Sean tj la tasa de viajes, es decir, el nmero de viajes realizados por un individuo
(promedio) de la categora j durante un cierto perodo de tiempo y tjp la tasa
de viajes por motivo p, Ti el nmero total de viajes realizados por los habitantes de la zona i (todas las categoras juntas), Ni el nmero de habitantes de la

Modelos de generacin de viajes

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 propsito (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 explicar 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: coeficiente 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):
Rjk > 0,900
0,75 < mjk < 1,25
ajk < 0,10

(4.19)

MODELOS

DE

TRANSPORTE

4.3.3.3. Aplicacin del modelo a nivel agregado

Las producciones de viajes zonales a nivel del hogar se obtienen directamente a partir de la ecuacin (4.18), o si se desea se puede hacer del mismo
modo de forma ms desagregada incluyendo los propsitos de viaje. Sin embargo, la estimacin de atracciones de viaje en general y las producciones
NHB a nivel zonal no son tan sencillas, ya que requieren el desarrollo de
mtodos ad hoc muy dependientes del tipo de informacin disponible para
cada aplicacin (vase Supernak, 1979 para un ejemplo desarrollado en Polonia).

4.3.4.

Generacin de viajes y accesibilidad

Tal como se indic en el Captulo 1, la especificacin clsica del modelo de

planificacin de transporte urbano (cuatro etapas), sigue un proceso iterativo
entre la fase de distribucin de viajes y la asignacin, dejando inalterada la
fase de generacin/atraccin. Una desventaja importante de este proceso, vlida
tambin en el caso de los mtodos modernos que intentan resolver de forma
apropiada el complejo equilibrio entre oferta y demanda (vase el Captulo 11),
es que supone implcitamente que los cambios en la red no afectan a la cantidad
de viajes producidos y atrados. Esto significa, por ejemplo, que la extensin de
una lnea de metro hasta una localidad no servida anteriormente no originara
un nmero mayor de viajes entre esta zona y las restantes. Aunque esta hiptesis
podra mantenerse en el caso de viajes obligados, posiblemente no podra en
el caso de viajes discrecionales. Por ejemplo, considrese el caso de viajes de
compra y una nueva lnea de Metro que conecte una zona de bajos ingresos
con el mercado central de la ciudad, que tiene precios ms competitivos que
los de sus tiendas locales.
Para resolver este problema, los tcnicos en modelizacin han intentado
incorporar una medida de la accesibilidad (es decir, una medida de la facilidad
o dificultad de realizar desplazamientos desde/hacia cada zona) dentro de las
ecuaciones de generacin de viajes. El objetivo es reemplazar Oin = f(Hin) por
Oin = f(Hin, Ain) donde Hin representa las caractersticas de los hogares y Ain es
una medida de la accesibilidad por tipo de persona.
Las medidas de accesibilidad tpicas tienen la siguiente forma general:

Ain  f ( E nj , Cij )
j

Modelos de generacin de viajes

donde Ejn representa una medida de la atraccin de la zona j y Cij el coste

generalizado de viaje entre las zonas i y j. Una expresin analtica tpica de la
accesibilidad es la siguiente:

Ain  E nj exp( Cij )

j

donde es un parmetro de calibracin que deriva del modelo gravitacional,

como se ver en el Captulo 5.
Desafortunadamente, este procedimiento raramente ha producido los resultados esperados en el caso de modelos agregados, ya que los parmetros
estimados de la variable de accesibilidad han resultado no significativos o de
signo equivocado. Este tema ha sido, durante muchos aos, de gran inters y
est ligado claramente a dos interesantes problemas an no resueltos: la modelizacin dinmica y la modelizacin con datos longitudinales en lugar de
datos de seccin transversal (Captulo 1). Ortzar et al. (2000b), realizan una
interesante discusin del problema, y ofrecen un ejemplo de lo que se puede
ganar utilizando, en este contexto, datos de preferencias declaradas.
Un trabajo desarrollado en el Reino Unido sobre los efectos del trfico inducido en la evaluacin de infraestructura vial troncal (Department of Transport,
1997) proporcion un nuevo impulso a los modelos elsticos de generacin
de viajes. Este trabajo condujo al estudio de mtodos de generacin de viajes que fueran sensibles a variaciones en la accesibilidad, ya que se reconoci que los mtodos clsicos no eran adecuados en este sentido. Daly (1977)
propone un marco de trabajo basado en tres componentes para la generacin
de viajes:
En su contexto familiar, el individuo estructura sus actividades en el correspondiente perodo de modelizacin, por ejemplo, un da. Evidentemente las
actividades realizadas fuera de casa son las nicas que generan viajes.
Las actividades fuera de casa se organizan en estancias (soujorns), definidas como la permanencia en una localizacin especfica, donde cada
una de ellas tiene un objetivo primario (y posiblemente, a la vez, objetivos
secundarios tambin en la misma localizacin).
Se formula un plan de viaje que relacione las correspondientes estancias,
en particular para decidir cules requieren ser visitadas por tour HB (dos
o ms viajes) y cules pueden ser enlazadas con otras estancias a travs de
viajes NHB.

MODELOS

DE

TRANSPORTE

A partir de estas tres componentes parece razonable ver la posibilidad

de modelizar el nmero de estancias generadas por un hogar o por una
persona y luego subdividir estas estancias en tours HB y viajes NHB. Un
aspecto prctico de modelizacin que se deriva inmediatamente de ese marco
es que las variables dependientes (es decir, el nmero de tours y/o de viajes o
alternativamente el nmero de estancias que pueden ser realizadas), necesariamente ser un nmero entero: 0, 1, 2, 3, etc. Adems, puede esperarse que
la decisin de efectuar o no efectuar el viaje (es decir, entre 0 y 1), se tome sobre una base diferente de la decisin de hacer ms de un viaje (la primera,
en efecto, concierne a la decisin de realizar o no cierta actividad, la segunda, en
cambio, concierne a cmo organizar el tiempo y el lugar, dado que va a existir
algn grado de participacin). Otro punto a tener en cuenta en este proceso
es que para asegurarse de que todas las actividades sean consideradas, es
necesario incluir los viajes realizados en todos los modos; as la no inclusin
de viajes cortos o de viajes en modos no motorizados reducira la calidad del
modelo. Todo esto es pues coherente con el tema de recoleccin de datos O-D
tratado en el Captulo 3.
Las variables que deben ser incluidas en el modelo son las mismas que las
de los mtodos clsicos tratados anteriormente, aunque es de esperar que la
accesibilidad pueda incorporarse. Sin embargo puede existir una influencia
negativa cruzada entre las accesibilidades HB y NHB; por ejemplo, si pueden
realizarse fcilmente viajes HB, como en ciudades pequeas, entonces habr
una menor necesidad de hacer viajes NHB.
La previsin del nmero de estancias debe ser hecha para cada uno de los
motivos de viaje (es de destacar que pueden variar las variables que influyen en
cada tipo de viaje). Primeramente se deberan modelizar los viajes por motivos
obligados y posteriormente los viajes por otros motivos, que evidentemente
dependern de las decisiones tomadas sobre los viajes obligados. De modo
anlogo, debe ser explcitamente modelizada la eleccin entre satisfacer una
necesidad de viaje a travs de un tour HB o un viaje NHB como desviacin de
un tour anteriormente planificado (Algers et al., 1995), aunque tambin pueden ser aceptables modelos independientes como simplificacin. Por ltimo,
aunque sea posible construir modelos de frecuencia de viajes para describir el
comportamiento de un hogar completo (p. ej., considerando todas las interacciones que pueden ser relevantes para el nmero de viajes realizados), en la
prctica, dada la naturaleza de los datos disponibles, resulta mucho ms simple
desarrollar modelos a nivel individual.

Modelos de generacin de viajes

Modelo Logit de eleccin de frecuencias. Daly (1997) analiza diferentes

modelos concluyendo que el ms adecuado es el que tiene una forma tipo
logit (vase el Captulo 7) y que predice el nmero total de viajes calculando
primeramente la probabilidad de que cada individuo decida hacer un viaje y
despus multiplicando tal probabilidad por el nmero relativo de individuos
pertenecientes a la categora correspondiente. El mtodo se puede extender
al caso de varios individuos que efectan ms de un viaje, como se muestra
ms adelante.
Si V es la utilidad de realizar un viaje (asumiendo, sin prdida de generalidad, que la utilidad de no viajar es cero), la probabilidad de hacer ese viaje
viene dada por:

P1 

1
1  exp( V )

en que V generalmente se especifica como una funcin lineal de parmetros

desconocidos :

V  k X k
k

donde X son datos medidos como el ingreso, la posesin de coche, el tamao

del hogar y la accesibilidad, la cual debe ser introducida en el modelo de
forma consistente con la teora de maximizacin de la utilidad (que es la teora que sustenta al modelo logit). Por esta razn, la mejor forma de introducir la accesibilidad es utilizar un resultado popularizado por Ben Akiva
y Lerman (1979), que indica que la forma correcta de la accesibilidad es el
logsum del modelo de eleccin del destino (o del modo); adems, tal y como
se tratar en la seccin 7.4, ya que en este caso se tiene una estructura logit
jerrquica, el parmetro que multiplica la variable logsum de accesibilidad
debe estar comprendido entre 0 y 1. Si esta condicin no se cumple, las previsiones del modelo pueden ser inconsistentes con el sentido comn (Williams
y Senior, 1977).
El modelo logit representa, para cada individuo, la eleccin de efectuar o
no efectuar un viaje, y por tanto resulta particularmente apto para tratar datos
desagregados. Tambin puede ser utilizado con datos agregados, pero en este
caso la probabilidad P representa un porcentaje ms que una probabilidad.
Utilizando datos desagregados se tiene una mayor posibilidad de encontrar

MODELOS

DE

TRANSPORTE

relaciones significativas entre la accesibilidad y el nmero de viajes, ya que

estos datos preservan la cuanta mxima de variancia. Para modelizar frecuencias de viaje superiores a uno, Daly (1997) propone utilizar una estructura
jerrquica que represente un nmero indefinido de elecciones, tal y como se
expone en la figura 4.12.
Cada nivel jerrquico representa la eleccin entre efectuar el siguiente
viaje o bien detenerse en el nmero de viajes realizado (de aqu el nombre de
modelo stop-go). Dado que existen fuertes posibilidades de diferente comportamiento entre la eleccin 0/1+ y las restantes elecciones, se ha encontrado
preferible modelizar la primera eleccin utilizando un modelo separado. Sin
embargo, como a menudo se dispone de pocos datos relativos a viajes mltiples,
tambin es necesario modelizar las restantes elecciones con un nico modelo
stop-go (es decir, que predice la misma probabilidad de detenerse en cada
nivel de la jerarqua).

1+

2+

Figura 4.12.

3+
etc.

Modelo de generacin de viajes del tipo stop-go.

La aplicacin de este sistema de modelizacin es bastante fcil. Si la probabilidad de viajar es p (del modelo 0/1+) y la probabilidad de elegir la opcin go para cada nivel subsecuente es q (calculado siempre por el modelo
stop-go), el nmero esperado de viajes viene dado sencillamente por:
t = p / (1 q)

Modelos de generacin de viajes

El mtodo ha sido aplicado en numerosos estudios en Europa (Daly, 1977),

habindose obtenido coeficientes para la variable de accesibilidad que varan
entre 0,07 y 0,33 para diversos motivos de viaje.

4.4.

PREVISIN DE VARIABLES EN EL ANLISIS DE GENERACIN DE VIAJES

La eleccin de las variables a utilizar para predecir las tasas de viaje generadas por los hogares siempre ha preocupado a los planificadores de transporte;
tpicamente estas variables corresponden al nmero de hogares, su tamao
y/o estructura, el nmero de vehculos que poseen (tasa de motorizacin) y el
ingreso (renta). Sin embargo, el inters por este tema aument a principios de
la dcada de los 80 con el inicio de investigaciones que tuvieron como objetivo
enriquecer los modelos de generacin de viajes con teoras y mtodos tomados de las ciencias sociales que estudian el comportamiento. Las principales
hiptesis detrs de este trabajo fueron que las condiciones sociales en las que
el individuo vive deberan tener estrecha relacin con las oportunidades y los
vnculos que se le presentan cuando afronta la eleccin de las actividades a
realizar; estas ltimas a su vez, pueden llevar, a diferentes comportamientos de
viaje. Por ejemplo, est claro que si una persona vive sola, para poder satisfacer
sus necesidades de viaje no necesita coordinar e intercambiar actividades con
otras personas. En cambio, una pareja con hijos pequeos en edad preescolar
generalmente tendr menor libertad en las elecciones que efecte, con respecto de una pareja sin hijos o con hijos adultos, ya que stos solicitan menos
atenciones. Las personas ancianas o jubiladas que vivan con adultos jvenes
realizarn, probablemente, ms actividades fuera de casa que una pareja de
ancianos que vive sola o con personas de la misma edad.
A nivel del hogar la situacin es bastante parecida: por ejemplo, los hogares
compuestos por personas que no tienen parentesco entre ellas, tendern a tener
esquemas de actividad con menor influencia sobre otros miembros del hogar
(lo que normalmente traer consigo un nmero mayor de viajes); en el caso de
parentesco entre los miembros del hogar, la influencia es obviamente mayor
(a igualdad de dimensin y otras caractersticas del hogar). Ello es debido a la
mayor coordinacin entre los diferentes miembros del hogar y al hecho de que
los esquemas de actividad incluyen un mayor nmero de actividades ligadas
al domicilio.
Una forma de introducir estos conceptos en la modelizacin de la generacin de viajes es definir un conjunto de familias tipo que, efectivamente, cap-

MODELOS

DE

TRANSPORTE

turen estas diferencias de comportamiento y luego aadir esta medida a las

ecuaciones que predicen el comportamiento de los hogares. Un enfoque posible
considera la estructura de edad de los hogares y su estilo de vida. Este enfoque
es consistente con la idea de que viajar es una demanda derivada y que el comportamiento respecto a viajes es parte de un proceso ms amplio de asignacin
de tiempo y dinero a diversas actividades en diferentes localizaciones. Por
ejemplo, el concepto de estilo de vida puede ser hecho operativo en trminos
de asignacin de varias cantidades de tiempo a los diferentes propsitos (actividades), ya sea en el domicilio o fuera de l, donde viajar slo es parte de
esta asignacin de tiempos (vase Allaman et al., 1982). Pudiera parecer que la
asignacin del tiempo por parte de los individuos vara sistemticamente entre
los diferentes segmentos de la poblacin, en funcin de la edad, sexo, estado
civil y hasta la raza; esto puede deberse a que diferentes estructuras familiares
imponen diferentes exigencias a sus miembros.
Entonces, se puede testear empricamente un conjunto de hiptesis respecto
de si las principales fases en el ciclo de vida son coherentes con cambios importantes en las asignaciones de tiempo. Por ejemplo, las fases pueden ser:
la llegada de hijos en edad preescolar;
el perodo en el que el hijo ms joven alcanza la edad escolar;
el perodo en el que un joven deja la familia para ir a vivir solo, con otros
adultos jvenes o contrae matrimonio;
el perodo en el que todos los hijos de una pareja, todava no jubilada, dejan
la casa;
el perodo en el que todos los miembros del hogar alcanzan la edad de la
jubilacin.
Normalmente es muy interesante contrastar hogares pertenecientes a un
cierto estadio de vida con hogares pertenecientes al estadio inmediatamente
precedente.
Los conceptos de estilo de vida y estadio del ciclo de vida de una familia
son importantes bajo dos puntos de vista: primeramente, en cuanto a que identifican grupos estables (basados en la edad o en el sexo), con diferente organizacin de actividades y consecuentemente diferentes demandas de viaje y, en
segundo lugar, porque permiten observar variaciones sistemticas que pueden
estar basadas en variaciones demogrficas (p. ej., cambios en la estructura de
la edad, en el estado civil o laboral). Ya desde el inicio de los aos 80 se ha
prestado una atencin creciente a las numerosas tendencias demogrficas signi-

Modelos de generacin de viajes

ficativas en trminos de comportamientos de viaje (vase Spielgerg et al., 1981).

Una de las tendencias ms significativas para la previsin del comportamiento
de viajes es el cambio en la razn entre hogares y poblacin, especialmente en
las naciones industrializadas. Aunque la tasa de crecimiento de la poblacin ha
ido disminuyendo constante pero establemente desde la dcada de los 80, la tasa
de formacin de hogares aumenta en ciertos casos. Ello es debido, entre otros
motivos, al aumento del nmero de hogares compuestos solamente por una sola
persona (entre otros, los solteros). Por ende, las metodologas de previsin de
viajes en las que se asume implcitamente que el porcentaje de familias en la
poblacin es estable, como a menudo ocurre, pueden verse afectadas por este
cambio estructural en la composicin demogrfica de la sociedad.
Otra tendencia que ha sido discutida en mltiples ocasiones es el envejecimiento global de la poblacin (tambin en este caso sobre todo en las naciones
industrializadas). Esto es importante ya que la mayor edad tiende a ser asociada
con una disminucin de la movilidad y con cambios en el estilo de vida. Es
interesante apreciar, sin embargo, que diferencias en la generacin de viajes
en funcin de la edad pueden, en parte, reflejar lo que se denomina efecto de
cohorte. Esto significa que las personas ancianas pueden viajar menos, sencillamente porque siempre han viajado poco y no precisamente por causa de
su edad. Sin embargo, este efecto quizs sea ms grande para la poblacin a
partir de los 65 aos, y la disminucin en las tasas de generacin de viajes en
otros grupos probablemente refleja un verdadero descenso en la propensin
a viajar.
Por fin, una ulterior tendencia que tambin merece ser mencionada, es el
crecimiento de la proporcin de mujeres que trabajan. Su importancia en trminos de la planificacin del transporte y la previsin de la demanda proviene de
dos efectos: el primero es sencillamente el efecto directo por estar empleadas,
que influye intensamente en la asignacin del tiempo y consecuentemente en
el comportamiento de viajes. El segundo efecto es ms sutil y concierne a determinados cambios en los roles dentro del hogar y su impacto sobre el estilo
de vida, sobre todo en el caso de parejas con hijos.
Para concluir esta seccin es interesante mencionar que las ideas tratadas
anteriormente conducen a proponer la incorporacin de variables relativas a
la estructura familiar en la modelizacin de la generacin de viajes. Esta propuesta ha sido probada con datos reales (Allaman et al., 1982), en cuyo caso
las categoras de estructura familiar se basaron en la edad, sexo, estado civil y
apellido de cada miembro del hogar. Estas variables permitieron determinar la

MODELOS

DE

TRANSPORTE

presencia o ausencia de dependientes dentro del hogar (personas que aunque

no sean de la familia viven con ella), del nmero y del tipo de adultos presentes
y de la relacin entre sus miembros. Sin embargo, aunque Allaman et al. (1982),
hayan afirmado que los modelos que utilizando estas variables representaron
una mejora considerable con respecto de las prcticas tradicionales, pruebas
posteriores con diferentes datos realizadas por McDonald y Stopher (1983),
han conducido a su rechazo.
Esto no se bas slo en evidencia estadstica sino tambin en la sensibilidad
respecto a polticas (es decir, no est claro cmo utilizar la estructura familiar
como variable de poltica) y en la facilidad de previsin (en el sentido de que
la previsin a nivel zonal resulta ser muy problemtica, en particular cuando
se quieren conseguir distribuciones de los hogares por categoras de estructura
familiar). McDonald y Stopher (1983) sostienen que bajo estos puntos de vista
debera preferirse la utilizacin de una variable relativa a la tipologa del hogar
que, indudablemente, resultar ms fcil de utilizar por parte de las agencias
de planificacin de las autoridades locales.

4.5.

ESTABILIDAD Y ACTUALIZACIN DE LOS PARMETROS DE GENERACIN

DE VIAJES

4.5.1.

Estabilidad en el tiempo

Por lo general, los modelos de transporte se desarrollan para ayudar en la

formulacin y evaluacin de planes y proyectos relacionados con el transporte.
Aunque en muchas ocasiones se han empleado estadsticas descriptivas para
examinar las tendencias de viaje, la mayora de los avances han empleado
datos de seccin transversal para expresar la cantidad de viajes en trminos
de factores explicativos; stos tienen que ser tanto plausibles como fciles de
pronosticar para que el modelo sea sensible a la poltica del ao de diseo.
Una suposicin clave (a menudo, implcita) de este enfoque es que los parmetros del modelo se mantendrn constantes (o estables) entre el ao base y el
ao del diseo.
Diversos estudios han examinado esta suposicin en el contexto de generacin de viajes, encontrndose, por lo general, que no se puede rechazar
cuando los viajes en todos los modos se consideren en conjunto (vase Kannel y
Heathington, 1973; Smith y Cleveland, 1976), ni siquiera en el caso de modelos
zonales bastante simples (aunque de todas formas stos no se recomiendan por

Modelos de generacin de viajes

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 implicaciones 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 calcular correctamente el efecto que tienen los precios del combustible sobre las tasas
de viaje (y sobre cualquier otro efecto longitudinal similar). Desafortunadamente, este problema no se puede abordar solamente con las series de datos de
seccin transversal usualmente disponibles para estudios de transporte.

4.5.2.

Estabilidad geogrfica

Queda claro pues que es complicado analizar la estabilidad temporal porque se

requieren datos de calidad similar para dos momentos diferentes en el tiempo
en la misma zona. Por lo tanto, en muchas ocasiones puede ser ms fcil examinar la estabilidad geogrfica (o transferibilidad), ya que quizs sea posible
disponer de datos pertenecientes a dos reas diferentes (p. ej., si dos entidades,

MODELOS

DE

TRANSPORTE

localizadas en diferentes reas deciden llevar a cabo un estudio conjunto). La

transferibilidad geogrfica debera contemplarse como un importante atributo
de cualquier modelo de demanda de viajes, por las siguientes razones:
1. podra sugerir la existencia de ciertas regularidades repetibles en el comportamiento de viajes que podran incluirse y reflejarse en el modelo;
2. indicara una mayor probabilidad de que tambin exista estabilidad temporal; esto, tal y como se ha visto, es esencial para cualquier modelo de
previsin;
3. podra permitir una reduccin sustancial en la necesidad de costosas encuestas de transporte a gran escala en diferentes zonas metropolitanas
(vase la discusin en el Captulo 9).
Est claro que no se pueden transferir todas las caractersticas del viaje
entre diferentes zonas o ciudades; por ejemplo, la duracin media de un viaje al
trabajo claramente depende de su contexto, es decir, debera ser en funcin del
tamao y la forma del rea y de las distribuciones de los lugares de trabajo y de
las zonas residenciales. Sin embargo, la transferibilidad de las tasas de viaje no
debera verse como poco realista; los viajes reflejan las necesidades que tienen
los individuos de participar en diversas actividades fuera del hogar, y si las
tasas de viaje estn relacionadas con grupos homogneos de personas, se puede
esperar que permanezcan estables y sean geogrficamente transferibles.
La transferibilidad de los modelos de generacin de viaje (normalmente
tasas de viaje en un marco de anlisis por categoras a nivel del hogar) ha
sido analizada pocas veces, y normalmente produce resultados poco satisfactorios (vase Caldwell y Demetski, 1980; Daor, 1981); los pocos casos con
xito slo han tenido en cuenta algunos de los viajes, por ejemplo, los viajes
realizados en coche (vase Ashley, 1978). Por otra parte, Supernak (1979, 1981)
ha sealado la exitosa transferibilidad de un modelo de generacin de viajes
por categoras de personas, para las condiciones especficas de Polonia y Estados Unidos.
Ms recientemente, Rose y Koppelman (1984) han examinado la transferibilidad de un modelo de generacin de viajes de eleccin discreta, que
permite el ajuste de las constantes modales utilizando datos locales. Una de
sus conclusiones es que la similaridad del contexto parece ser un determinante
importante dentro de la transferibilidad del modelo; advierten asimismo, ya
que sus resultados demostraron una variabilidad considerable, que se debe

Modelos de generacin de viajes

ser extremadamente cuidadoso a fin de asegurar que el modelo transferido se

pueda utilizar en el nuevo contexto.

4.5.3.

Actualizacin bayesiana de parmetros de generacin

Supngase que se desea estimar un modelo de generacin de viajes y no

se dispone de fondos para realizar una encuesta O-D; una solucin posible
(pero inadecuada) es utilizar directamente modelos que se hayan calibrado
para otras reas relativamente similares. Sin embargo, sera altamente deseable modificarlos, a fin de que reflejaran las condiciones locales de forma ms
exacta.
Esto se puede hacer utilizando tcnicas bayesianas que permiten actualizar
los parmetros del modelo original a partir de informacin sobre una pequea
muestra en el contexto de aplicacin. La actualizacin de Bayes considera una
distribucin a priori (la de los parmetros que se van a actualizar), informacin
nueva (a obtener de la pequea muestra) y una distribucin a posteriori, que
corresponde a la informacin actualizada sobre los parmetros del modelo en
el nuevo contexto. Las tcnicas de actualizacin son muy importantes en el
marco de la planificacin continua y de hecho se pueden encontrar en varias
partes de este libro.
Por ejemplo, considrese el problema de actualizar las tasas de generacin
de viajes por categoras; siguiendo a Mahmassani y Sinha (1981) se utilizar
la notacin expuesta en la tabla 4.11.
Tabla 4.11.

Notacin para la actualizacin bayesiana de la generacin de

viajes

Variable

Informacin a priori

Informacin a posteriori

Tasa promedio de viajes

t1

t2

N de observaciones

n1

n2

2
1

Ss

Varianza de las tasas de viaje

La tasa promedio de viajes de una determinada categora (o celda) es,

obviamente, la media de una muestra de tasas de viajes en hogares. Independientemente de la distribucin estadstica de las tasas en hogares, la distribucin
muestral de la media (tasa promedio de viajes) para una celda determinada

MODELOS

DE

TRANSPORTE

puede considerarse Normal, en base al Teorema Central del Lmite, si la celda

tiene al menos 30 observaciones. As la distribucin a priori de la tasa promedio de una celda en el modelo original (informacin a priori) es N(t1, S12 / n1),
ya que t1 y S12 / n1 son estimadores insesgados de su media y varianza. Para la
muestra pequea ocurre algo similar, lo que implica una distribucin Normal
con parmetros ts y Ss2/ ns.
El teorema de Bayes dice que si las distribuciones a priori y de la muestra
son Normales, con varianzas conocidas, la distribucin a posteriori (actualizada) de las tasas promedio de viajes es tambin Normal, con los siguientes
parmetros:

2
1
t2 
1
1


12 s2

22 

2
s
t1 
1
1

12 s2

ts

(4.20)

1
1
1

12 s2

(4.21)

y sustituyendo por los valores conocidos de S2 y n, queda:

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 

Es importante subrayar que esta distribucin no es la de las tasas individuales de cada hogar en la celda en cuestin, sino la del promedio de las tasas
de dicha celda. De hecho, no se conoce la distribucin de las tasas individuales,
exceptuando que tienen la misma media t2.
Ejemplo 4.8: la siguiente tabla muestra la media de las tasas de viaje, su
variancia y el nmero de observaciones para dos categoras de hogares, obtenidas de un estudio realizado hace 10 aos:

Modelos de generacin de viajes

Categoras de hogares

Variable (datos a priori)

N viajes al da
N de observaciones
Varianza de las tasas de viaje
Varianza de las medias de viaje

1
8
65
64
0,98

2
5
300
15
0,05

Se supone que estos valores podran estar ligeramente obsoletos para su

uso directo hoy, pero no hay suficientes fondos como para realizar una nueva
encuesta a gran escala. Por ello se ha realizado un pequeo muestreo estratificado, cuyos valores se presentan en la tabla siguiente:
Categoras de hogares

Variable (nuevos datos)

N viajes al da
N de observaciones
Varianza de las tasas de viaje
Varianza de las medias de viaje

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 pueden estimar las siguientes tasas de viaje y sus correspondientes varianzas:
Categoras de hogares

Variable (nuevos datos)

Tasas de viaje (viajes/da)
Varianza

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

TRANSPORTE

Como consecuencia de una disminucin en los impuestos de importacin

y un incremento de los ingresos reales del 30%, se espera que en los prximos
cinco aos el 50% de las familias actualmente sin coche adquiera uno. Se desea
estimar cuntos viajes generara la zona en este caso; verifique que el mtodo
utilizado sea realmente el mejor disponible.
4.2. Considrense los siguientes modelos de atraccin, estimados utilizando un paquete de software estndar (los test-t vienen entre parntesis);
Y = 123,2 + 0,89X1
(5,2)

R2 = 0,900

(7,3)

Y = 40,1 + 0,14X2 + 0,61X3 + 0,25X4

(6,4)

(1,9)

(2,4)

(1,8)

Y = 1,7 + 2,57X1 1,78X4

(0,6)

(9,9)

R2 = 0,925
R2 = 0,996

(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:
y = 0,50 + 2,0x1 + 1,5x2
(2,5)

(6,9)

R2 = 0,589

(5,6)

y = 0,01 + 2,3x1 + 1,1Z1 + 4,1Z2

(0,9)

(4,6)

(1,9)

R2 = 0,601

(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.

Modelos de generacin de viajes

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 obtenidos.
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

Utilizando estos datos, hace diez aos se estimaron dos modelos de generacin a nivel de hogar. El primero fue un modelo de regresin lineal dado
por la siguiente ecuacin:
y = 0,2 + 0,5x1 + 1,1Z1

R2 = 0,78

donde y son los viajes por hogar realizados en la hora punta; x1 es el nmero
de trabajadores por hogar y Z1 es una variable dummy que toma el valor 1 para
los hogares con ingresos altos (> 70.000) y 0 en los otros casos.
El segundo fue un modelo del tipo Anlisis por Categoras basado en dos
clases de ingreso (alto y bajo) y en dos niveles de estructura de hogar (1 o
menos, 2 o ms trabajadores por hogar). Las tasas de viaje estimadas fueron
las siguientes:

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, respectivamente:

MODELOS

DE

TRANSPORTE

Zona

Viajes HP

8.200

II

24.300

III

92.500

y asimismo se estim que las caractersticas de las zonas (ingreso, nmero

de hogares y estructura familiar) han permanecido estables. Indicar cul es el
mejor modelo y justificar la respuesta.

5.
Modelos de distribucin zonal

n el captulo anterior se ha estudiado cmo pueden ser utilizados los

modelos de generacin de viajes para estimar el nmero total de desplazamientos realizados por cada una de las zonas (generacin) y atrados
tambin por cada una de las zonas (atraccin) en las que se haya dividido
un rea geogrfica determinada. Las generaciones y atracciones zonales proporcionan una idea de la cantidad de viajes en dicha rea, pero son insuficientes
en general para modelizar el fenmeno de la movilidad o para decidir sobre
polticas de intervencin. Es evidentemente necesario pues disponer de una
perspectiva ms completa del esquema de los viajes, del origen y del destino
de los desplazamientos, de los modos de transporte elegidos y, como se ver
en el Captulo 10, de los recorridos utilizados.
A lo largo de los aos se han propuesto numerosos mtodos para simular
la distribucin de viajes entre varios destinos. Algunos son muy simples y slo
son aplicables a corto plazo, es decir, en estudios tcticos donde no se prev
que se produzcan, por ejemplo, variaciones relevantes en la accesibilidad de la
red. Otros mtodos, en cambio, responden mejor a las variaciones en los costes
de la red y por tanto son aptos para casos de estudios estratgicos a medio
y/o largo plazo o tambin para estudios tcticos que comportan importantes
cambios en los costes de transporte.
Antes de estudiar los modelos de distribucin se establecen algunas definiciones y notaciones que van a ser utilizadas en este captulo, entre ellos,
el concepto de coste generalizado de transporte. El epgrafe 5.2 aborda los
mtodos que se basan solamente en la Tasa de Crecimiento de los desplazamientos (viajes) en origen y/o en destino, los cuales son aptos para extrapolar
tendencias en el corto plazo. En el epgrafe 5.3 se estudiar una familia de
modelos denominados sintticos: el ms conocido es el Modelo Gravitacional.
En el epgrafe 5.4 se estudia una aproximacin a la generacin de los modelos,
en particular el formalismo de la Maximizacin de la Entropa. Un aspecto

Modelos de distribucin zonal

importante en la utilizacin de los modelos sintticos es su calibracin, la cual

consiste en fijar sus parmetros de modo tal que la estructura de viajes relativa
al ao base est bien representada en el modelo; esta parte ser estudiada en el
epgrafe 5.5, mientras que el 5.6 presenta una variante al sistema de calibracin
del modelo de gravedad, el cual permite conseguir formas ms generales del
modelo. Por fin, el captulo concluye con algunas consideraciones prcticas
sobre la modelizacin de la distribucin zonal.

5.1. DEFINICIONES Y NOTACIONES

Es tradicional representar la estructura de viajes en un rea de estudio a travs
de la matriz de viajes. Esencialmente es una matriz bidimensional en la que
las filas y las columnas representan cada una de las zonas del rea de estudio,
incluidas las zonas externas, tal como se muestra en la tabla 5.1.
Tabla 5.1.
Orgenes

Estructura general de una matriz de viajes bi-dimensionales

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

Tzz
D z

i Tij = T

i Tij

D1

D2

D3

Dj

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

TRANSPORTE

En mayscula se representa el objetivo o bien los valores que se quieren

modelizar para el correspondiente perodo de anlisis.
La matriz anterior puede desagregarse en varias matrices, por ejemplo,
segn tipo o clase de individuos (n) y/o modo (k), motivo, hora del da Por
tanto:
Tijkn son los viajes de i a j en el modo k realizados por los individuos de
tipo n.
Oikn son los viajes generados por la zona i en el modo k por los individuos
de tipo n, etctera.
A efectos de simplicidad en la exposicin se omitirn los ndices de los
sumatorios (tanto inferiores como superiores) quedando, por tanto, implcitos.
Por ejemplo:

Tijn  Tijkn
k

T  Tij

y t  tij

ij

ij

En algunos casos puede ser interesante considerar la proporcin de viajes

que utilizan un modo en particular as como el coste de viaje entre dos puntos:
pijk es la proporcin de viajes entre i y j en el modo k.
cijk es el coste del viaje para ir de i a j en el modo k.
La suma de los viajes por cada una de las filas debera ser igual al nmero
total de viajes generados por la zona a la que se refiere dicha fila; anlogamente
la suma de los viajes por cada columna debera corresponder al nmero de
viajes atrado por la zona a la que se refiere la columna. Es decir:

ij

 Oi

(5.1a)

ij

 Dj

(5.1b)

El modelo tiene que satisfacer ambas condiciones; en este caso dicho modelo es doblemente acotado. En cambio, en algunos casos slo se dispone de

Modelos de distribucin zonal

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 trminos de distancia, tiempo o unidades monetarias. A menudo resulta conveniente utilizar lo que se denomina coste generalizado de transporte (viaje),
que representa una medida en la que se combinan todos los atributos principales 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 generalizado para el modo k (el sub-ndice k se omitir por sencillez de notacin),
sera:

Cij  a1tijv  a2tijw  a3tijt  a4tnij  a5 Fij  a6 j +

(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 restantes 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 convertir cada atributo en la misma unidad, por ejemplo, monetaria o tiempo.
Si el coste generalizado se expresa en unidades monetarias (a5 = 1), entonces 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

espera respectivamente, el cual se percibe, en muchos casos prcticos, como

dos o tres veces el valor de a1. Si el coste generalizado se expresase en trminos
monetarios, a5 normalmente se fijara igual a uno.
El coste generalizado de viaje, tal como se expuso anteriormente, representa
una interesante interrelacin entre la desutilidad subjetiva y objetiva del viaje;
con ello se desea representar la desutilidad del viaje tal y como es percibida
por el usuario que se desplaza, y en este caso el valor del tiempo debera
ser el valor subjetivo (percibido) en lugar del objetivo, basado en el valor de
los recursos consumidos. Sin embargo, los coeficientes a1 a6 a menudo se
definen externamente al proceso de modelizacin, siendo a veces precisados
por el gobierno, el cual presupone para dichos parmetros su estabilidad y su
transmisibilidad, cuestin que de momento es, con las limitaciones oportunas,
respaldada por la evidencia.
Ya que el coste generalizado puede ser medido en trminos monetarios o
en unidades de tiempo, resulta bastante fcil pasar de una unidad a otra. Por
ejemplo, si el coste generalizado es medido en unidades de tiempo, a1 sera
igual a 1, a2 y a3 estaran entre 2 y 3, mientras a5 a6 representaran algo as
como la duracin del dinero.
Medir el coste generalizado en unidades de tiempo proporciona bastantes
ventajas tericas y prcticas. Por ejemplo, considrese el efecto del incremento
del nivel de ingresos con respecto al tiempo; este efecto hace crecer el valor del
tiempo y consecuentemente tambin crecen los costes generalizados haciendo,
aparentemente, el mismo destino ms caro. Si, al revs, los costes generalizados se miden en unidades de tiempo, al crecimiento de los niveles de ingresos
debera corresponder una reduccin del coste para alcanzar el mismo destino,
lo cual parece intuitivamente ms aceptable.
Un modelo de distribucin trata de estimar el nmero de viajes en cada
celda de la matriz, en base a cierta disponibilidad de informacin. Asimismo,
se han propuesto diferentes modelos de distribucin para diferentes tipos de
problemas y condiciones. A continuacin, se analizan, en primer lugar, los modelos que se utilizan fundamentalmente para actualizar las matrices de viajes
o para prever matrices futuras, en cuyo caso, la nica informacin disponible
es el porcentaje de viajes futuros o tambin el factor de crecimiento relativo.
Posteriormente sern analizados modelos ms generales y en particular la familia de los modelos gravitacionales. Por ltimo, ser explorada la posibilidad
de desarrollar modelos de distribucin o reparto modal a partir de principios
similares.

Modelos de distribucin zonal

5.2. MTODOS DE FACTOR DE CRECIMIENTO

Considrese la situacin en que se conoce una matriz de viajes de base t,
obtenida, por ejemplo, de algn estudio anterior o estimada a partir de una
encuesta reciente, y se pretende estimar la matriz correspondiente al ao de
diseo (p. ej., dentro de 10 aos). Puede ser que se disponga de informacin
acerca del crecimiento esperado en este perodo de 10 aos para toda el rea,
o bien, alternativamente, puede ser que se disponga de informacin acerca del
crecimiento esperado del nmero de viajes generados o atrados por cada zona.
Dependiendo de estas informaciones, es posible utilizar distintos mtodos de
factor de crecimiento para estimar los viajes futuros.

5.2.1. Factor de crecimiento uniforme

En el caso en que la nica informacin disponible sea un porcentaje general
del crecimiento de viajes relativos al rea de estudio, entonces la nica posibilidad es que se aplique este porcentaje a todas las celdas de la matriz:
Tij
 =
 tij

para cada par i, j

(5.3)

Obviamente
 =
 T/t, es la relacin entre el nmero de viajes totales futuros
e iniciales. Este mtodo supone que toda el rea va a crecer de forma uniforme.
Es, aun dentro de esta clase simple, muy aproximado y poco realista.
Ejemplo 5.1: considrese la matriz 4 4 del ao base de la tabla 5.2. Si
se espera que el factor de crecimiento del trfico en el rea de estudio sea, en
los prximos tres aos, del 20%, entonces la nueva matriz se obtendr sencillamente multiplicando los valores de todas las celdas por 1,2 tal como queda
reflejado en la tabla 5.3.
Tabla 5.2.
1
2
3
4

Matriz de viajes para el ao base

1

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

TRANSPORTE

Tabla 5.3.
1
2
3
4

Matriz futura estimada de viajes con = 1,20

1

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

La hiptesis en la que se basa el mtodo del factor de crecimiento uniforme

generalmente es irreal, excepto quizs en el caso de previsiones a cortsimo plazo (uno o dos aos). En la mayor parte de los casos, en efecto, es normal esperarse que exista un crecimiento diferencial en muchas partes del rea de estudio.

5.2.2. Factor de crecimiento simplemente acotado

Supngase que se dispone de informacin sobre el crecimiento esperado de
viajes originado por cada zona, por ejemplo, de los viajes por motivo de compras. En este caso es posible aplicar, a las correspondientes filas de la matriz,
un factor de crecimiento especfico para cada origen i.
La misma aproximacin puede realizarse en el caso de que haya informacin disponible sobre los viajes atrados por cada zona; en este caso el factor
de crecimiento especfico para cada destino j ha de ser aplicado a las correspondientes columnas. En trminos matemticos sera:
Tij
 =
 itij
Tij
 =
 jtij

para factores especficos a orgenes

para factores especficos a destinos

(5.4)
(5.5)

Ejemplo 5.2: considrese la siguiente versin modificada de la tabla 5.2, en

la que se dispone tambin de los viajes predichos para cada uno de los orgenes.
Tabla 5.4.
1
2
3
4

Matriz de viajes con crecimiento acotado a orgenes

1

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

Modelos de distribucin zonal

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 resultado se presenta en la tabla 5.5.
Tabla 5.5.

1
2
3
4

5.2.3.

Matriz de viajes expandida con el crecimiento acotado

a orgenes
1

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

Factor de crecimiento doblemente acotado

Un problema interesante surge cuando se cuenta con informacin acerca del

nmero de viajes que sern generados y atrados en el futuro por cada zona.
En este caso se dispone de diferentes factores de crecimiento para los viajes
generados y atrados por cada zona y consecuentemente, dos conjuntos de
factores de crecimiento para dicha zona; sean i y
 j los factores de crecimiento
para los orgenes y para los destinos respectivamente, la aplicacin de un factor
de crecimiento medio, por ejemplo, Fij = 0,5(i + j), no sera una buena idea
ya que no quedaran satisfechas las dos condiciones relativas a los totales por
fila y por columna.
Histricamente han sido propuestos muchos mtodos iterativos que permiten conseguir una matriz de viajes que satisface ambas acotaciones (totales
por fila y por columna) o, lo que es el mismo, ambos conjuntos de factores de
crecimiento.
Todos estos mtodos comportan el clculo de un conjunto intermedio de
coeficientes de correccin que tienen que ser aplicados posteriormente de forma apropiada a las celdas de cada fila y columna. Despus de haber aplicado
estas correcciones, por ejemplo, a cada fila, es necesario calcular la suma de
las celdas para cada una de las columnas y confrontar esta suma con los valores
totales previstos. Si las diferencias son significativas, se procede al clculo y
a la aplicacin de nuevos factores de correccin.

MODELOS

DE

TRANSPORTE

El ms conocido entre todos estos mtodos es el de Furness (1965), que

introdujo factores de balanceo Ai y Bj como se muestra a continuacin:
Tij = tijijAiBj

(5.6)

o, anlogamente, incorporando los porcentajes de crecimiento en dos nuevas

variables ai y bj, queda:
Tij = tijaibj

(5.7)

con ai = iAi y bj
 =
 jBj
Los factores ai y bj se calculan a fin de satisfacer las restricciones de orgenes
y destinos. Para esto se requiere el siguiente proceso iterativo:
1. Hganse todos los bj = 1 y encuntrense los ai tal que queden satisfechas las
correspondientes restricciones a orgenes (generaciones).
2. Con los ltimos valores de ai encuntrense los bj, de forma que la matriz
satisfaga la restriccin de destinos (atracciones).
3. Manteniendo los bj fijos, encuntrense los ai y reptanse los pasos 2 y 3 hasta
la convergencia.
Este mtodo proporciona, en pocas iteraciones, soluciones que se alejan
ms o menos del 3-5% del valor de los viajes previstos en las acotaciones a
origen (generacin) y a destino (atraccin), considerndose que es un buen
resultado y que no merece la pena imponer que las acotaciones tengan un nivel
de afinacin superior.
Este mtodo se denomina usualmente algoritmo bi-proporcional a causa
del tipo de correcciones utilizadas. Hay que destacar que este problema no se
limita solamente al campo de los transportes, ya que estas tcnicas de solucin
han sido inventadas, entre otros, por Kruithof (1937) para el trfico telefnico y por Bacharach (1970) para la puesta al da de las matrices input-output
en economa. El mejor tratamiento de las propiedades matemticas de estos
mtodos parece ser el debido a Bregman (vase Lamond y Stewart, 1981).
Como podr verse ms adelante, este mtodo es un caso especial de los
modelos de maximizacin de la entropa de tipo gravitacional cuando no se
considera el efecto de la distancia o separacin entre zonas. En todo caso,
el mtodo de Furness trata de producir el nmero mnimo de correcciones
necesarias a la matriz de base t para satisfacer las restricciones relativas a los
totales generados y atrados futuros. La condicin ms importante para que el

Modelos de distribucin zonal

mtodo converja, es que los factores de crecimiento produzcan valores objetivo

Ti y Tj, tal que:

t  ' t
i

ij

ij

T

(5.8)

Imponer esta condicin puede requerir la correccin de las estimaciones

de los totales producidas por los modelos de generacin de los viajes.
Ejemplo 5.3: en la tabla 5.6 se presenta un problema de factor de crecimiento doblemente acotado, mientras que en la siguiente tabla 5.7 se ilustra su
solucin, despus de tres iteraciones sobre filas y columnas (tres conjuntos de
correcciones para todas las filas y tres para todas las columnas).
Tabla 5.6.
1
2
3
4

Objetivo Dj

Tabla 5.7.

1
2
3
4

Objetivo Dj

Problema de expansin de la matriz doblemente acotada

1

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

Solucin al problema de expansin de la matriz doblemente

acotada
1

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

Destacar que esta matriz estimada presenta un nivel de afinacin ms que

suficiente para este tipo de problemas; en efecto, slo se aleja del 1% de los
totales de los viajes previstos.

MODELOS

DE

TRANSPORTE

5.2.4. Ventajas y limitaciones de los mtodos del factor

de crecimiento
Los mtodos del factor de crecimiento son simples de comprender y utilizan
directamente las matrices de los viajes observados y las previsiones de crecimiento de los totales de generacin y atraccin. Estas tcnicas tratan de mantener, lo ms inalteradas posibles, las relaciones de la matriz observada de forma
consistente con las informaciones disponibles sobre las tasas de crecimiento.
Esta ventaja, sin embargo, tambin representa una limitacin, en cuanto que
estas tcnicas resultan razonables slo para horizontes de planificacin a corto
plazo o donde no se esperan grandes cambios en los costes de viaje.
Los mtodos del factor de crecimiento requieren la misma base de datos
que los mtodos sintticos, es decir, una matriz de viajes observada (obtenida
mediante muestreo), cuya obtencin es bastante cara. Adems, dependen fuertemente de la confiabilidad de la matriz de viajes relativa al ao base.
Tal como se ha podido ver, los valores de las celdas individuales no tienen
nunca una exactitud muy elevada y, por tanto, las matrices resultantes no son
mucho ms fiables que las de la muestra u observadas. Adems, los eventuales
errores relativos del ao base pueden quedar amplificados en las siguientes
aplicaciones de los factores de correccin.
Ms an, los datos no-observados de la matriz relativa al ao base, no
quedan modificados en la matriz futura. Por tanto, estos mtodos no pueden
ser utilizados para rellenar celdas vacas de las matrices de viajes observadas
parcialmente.
Una limitacin ulterior es que estos mtodos no tienen en consideracin
variaciones en el coste de viaje debido a determinadas mejoras en la red (o a
una nueva situacin como, por ejemplo, congestin).
En definitiva, su empleo se debe limitar al anlisis de polticas de intervencin que no prevean la introduccin de nuevos modos de viajes, nuevos arcos
de la red, nuevas zonas o nuevas polticas de tarificacin.

5.3.

MODELOS SINTTICOS O GRAVITACIONALES

5.3.1. Modelo de distribucin gravitacional

Para poder prever la estructura de los viajes cuando se realizan importantes
cambios en la red, se ha desarrollado otro tipo de modelos de distribucin basa-

Modelos de distribucin zonal

dos en la hiptesis del comportamiento de grupos de viajeros y en la influencia

que ejercen sobre ellos factores externos como, por ejemplo, el nmero total
de viajes realizados y la distancia recorrida.
Entre estos modelos el ms conocido es el gravitacional, originariamente
derivado por la analoga de la ley de la gravedad de Newton. Estos modelos estiman el nmero de viajes en cada celda de la matriz sin utilizar directamente la estructura de viajes observada y, por ello, a menudo se denominan
tambin modelos sintticos en contraposicin a los modelos de factor de crecimiento.
Probablemente la primera utilizacin rigurosa de un modelo gravitacional
se debe a Casey (1955), el cual sugiri esta aproximacin para sintetizar los
viajes realizados por compras y sus reas de captacin entre ciudades de una
regin. En su formulacin ms simple el modelo presenta la siguiente forma
funcional:

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 potencia 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
y 3,5. 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 resistencia 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

TRANSPORTE

f(cij) = exp(cij)

Funcin exponencial

(5.11)

f(cij) = cijn

Funcin potencial

(5.12)

f(cij) = cijn exp(cij)

Funcin combinada

(5.13)

La forma general de estas funciones, para diferentes valores de sus parmetros se presenta en la figura 5.1.

5.3.2.

Modelos gravitacionales simple y doblemente acotados

Al objeto de asegurar que las restricciones 5.1 se cumplan, es necesario reemplazar el factor individual de proporcionalidad por dos factores de balanceo
Ai y Bj, tal como se seal en el modelo de Furness.
El modelo gravitacional adopta entonces la siguiente expresin:
Tij = AiOiBjDjf(cij)
1,8 f(cij)

(5.14)

Leyenda:

1,6

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)

Figura 5.1.

70

Tipos de funciones de friccin.

Anlogamente se pueden incluir Oi y Dj en los dos factores de balanceo

quedando el modelo de la siguiente manera:
Tij = aibjf(cij)

(5.15)

Las expresiones (5.14) y (5.15) representan la versin clsica del modelo

gravitacional doblemente acotado. Las versiones simplemente acotadas, ya sea a

Modelos de distribucin zonal

orgenes o a destinos, pueden ser derivadas haciendo al conjunto de factores de

balanceo Bj o Ai igual a uno respectivamente. En el caso de un modelo acotado
a orgenes sera Bj = 1, con lo que:

Ai 

1
D j f (cij )

(5.16)

En un modelo doblemente acotado, en cambio, los valores de los factores

de balanceo son:

Ai 

1
B j D j f (cij )

(5.17)

1
i i f (cij )
AO

(5.18)

Bj 

Los factores de balanceo son, pues, interdependientes; eso significa que

para calcular un conjunto de factores se necesita utilizar los valores del otro
conjunto y viceversa. Por ello es necesario realizar iteraciones anlogas a las
de Furness que, en la prctica, producen buenos resultados. Entonces, dado un
conjunto de valores para la funcin de friccin (o impedancia o de resistencia
al viaje) f(cij), el proceso debe iniciarse haciendo todos los Bj = 1 y calculando
los valores de Ai mediante (5.17). A continuacin, con estos valores hay que
reestimar de nuevo los Bj y repetir estos pasos hasta que el proceso converja.
En una versin ms general de la funcin de friccin se pueden incluir
valores empricos que dependen slo del coste generalizado de viaje. Los costes de viaje pueden agregarse, por tanto, en un nmero pequeo (10 15) de
intervalos de coste, indicados con el superndice m y la funcin de friccin
asume entonces la forma:

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

TRANSPORTE

N de viajes

Las formulaciones (5.11) y (5.12) tienen solamente un parmetro a calibrar.

La formulacin (5.13) tiene dos ( y n), mientras la formulacin (5.19) tiene
varios parmetros, tantos como intervalos. Dichos parmetros tienen que ser
estimados de forma que los resultados que se consigan reproduzcan, lo ms
fielmente posible, la distribucin de longitudes (costes) de los viajes (DLV o,
en ingls, Trip Length Distribution, TLD) observados. Ms adelante se aportar la justificacin terica correspondiente al respecto, aunque por ahora es
suficiente resear que cuanto mayor es el nmero de los parmetros ms fcil
es conseguir una buena adaptacin a la distribucin de la longitud de los viajes
muestreados.
Se ha podido observar que, para reas urbanas y en el caso de viajes motorizados, la distribucin de la longitud de los viajes tiene una forma como la
indicada en la figura 5.2. en la que puede verse que el nmero de viajes cortos
motorizados es pequeo, aumentando sobre todo para viajes de mediana longitud y volviendo a disminuir paulatinamente al aumentar la distancia (tiempo
o coste) de recorrido.

10 20 30 40 50 60 70 80 90 100 120

Longitud de los viajes (minutos)

Figura 5.2.

Distribucin usual de la longitud de viajes en reas urbanas.

La funcin exponencial negativa y la funcin de potencia reproducen bastante bien la segunda parte de la curva pero no la primera, correspondiente a
los viajes cortos. Por ello, normalmente, se utiliza una formulacin combinada
que sea capaz de reproducir ambas partes de la distribucin de longitudes de
viaje (DLV). La mayor flexibilidad de la formulacin por intervalos de coste
permite una adaptacin an mejor, aunque tal aproximacin requiere la hip-

Modelos de distribucin zonal

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.

5.4. MAXIMIZACIN DE LA ENTROPA

5.4.1. Entropa y generacin del modelo
En este epgrafe se presenta el concepto de maximizacin de la entropa que
ha sido aplicado a la generacin de numerosos modelos, incluido el modelo
gravitacional, modelos por compras y modelos de localizacin. Este enfoque
tiene partidarios y detractores, pero generalmente se reconoce como una de
las contribuciones importantes a la mejora de la modelizacin en el sector del
transporte. Hay diferentes formas de presentar esta metodologa; aqu se ha
elegido un modo intuitivo en lugar de establecer una formulacin matemticamente estricta. Para una presentacin ms rigurosa as como para el anlisis
de referencias bibliogrficas y para otras aproximaciones al respecto, vase
Wilson (1974).
Considrese un sistema constituido por un nmero elevado de elementos
distintos. Su descripcin total requiere una completa especificacin de sus
micro-estados, en cuanto que cada estado es distinto y separable. Por ello,
sera necesario, por ejemplo, identificar a cada individuo que efecta un viaje
junto con su origen, destino, modo de transporte utilizado, tiempo de viaje, etctera.
Sin embargo, para la mayor parte de los objetivos prcticos puede ser suficiente trabajar sobre una base ms agregada pero no tan completa denominada
especificacin meso-estado; siguiendo el ejemplo anterior, un meso-estado
puede precisar sencillamente el nmero de viajes entre cada origen y cada
destino. En general, existen muchas descripciones que pueden catalogarse como
meso-estado y tambin muchos micro-estados del sistema pueden corresponder
al mismo meso-estado: si John Smith y Pedro Prez viven en la misma zona
e intercambian su destino, engendran dos micro-estados diferentes pero el
meso-estado no vara.

MODELOS

DE

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 informaciones 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 informacin de estados ms agregados (meso o macro-estados) tienen igual probabilidad 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)

Por tanto, el meso-estado ms probable sera aquel que tuviera un mayor

nmero de micro-estados asociados. Dado que todos los micro-estados son
equiprobables, la matriz ms probable es la que maximiza W. Por conveniencia, aplicando una transformada montona creciente (por ejemplo, logaritmo)
a la funcin W, maximizar W es lo mismo que maximizar log W ya que ambas
funciones presentan los mismos mximos. Se tiene pues que:

log W  log

T!
 log T ! log Tij !
ij
ij Tij !

(5.21)

Teniendo en cuenta la frmula de Stirling (log X! = X log X X) y sustituyendo, queda:

Modelos de distribucin zonal

log W  log T ! (Tij log Tij Tij )

ij

(5.22)

Dado que el trmino log T! es constante, puede ser omitido en la maximizacin. La parte restante de la ecuacin es lo que generalmente se define
como funcin de entropa:

log W '  (Tij log Tij Tij )

ij

(5.23)

La maximizacin de log W', sometida a las restricciones correspondientes

al conocimiento que se posee del estado macro, permite generar modelos para
la estimacin del estado meso ms probable que, en este caso, corresponde
a la estimacin ms probable de la matriz T.
La clave de este mtodo de generacin del modelo, por tanto, es que representa adecuadamente la descripcin idnea de los estados micro, meso y macro,
junto con las restricciones del macro-nivel que tienen que ser satisfechas para
la solucin del problema de optimizacin.
En algunos casos, se puede disponer de informaciones adicionales acerca
de determinados valores a priori (o precedentes) de los meso-estados, como por
ejemplo, disponer de una matriz t de viajes antigua. En este caso el problema
se puede reformular utilizando estas nuevas informaciones, quedando as la
funcin objetivo:

log W ''  (Tij log Tij / tij Tij  tij )

ij

(5.24)

sta es una funcin interesante en la cual cada elemento de la suma toma

el valor cero para Tij = tij, de otro modo dicha funcin es un valor positivo que
crece al aumentar la diferencia entre T y t. Por tanto log W" representa una
buena medida de la diferencia entre T y t. Se propone al lector que demuestre que:

log W '' z 0, 5
ij

(Tij tij ) 2
tij

(5.25)

donde la parte derecha de la expresin representa otra buena medida de la

diferencia entre los meso-estados a priori y los meso-estados estimados. Se

MODELOS

DE

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.

5.4.2. Generacin del modelo gravitacional

Teniendo en cuenta las definiciones de micro, meso y macro-estados tratadas
anteriormente, el problema ahora se convierte en maximizar log W' sometido
a las siguientes restricciones correspondientes a los meso-estados:

Oi Tij  0

(5.26a)

D j Tij  0

(5.26b)

Estas dos restricciones reflejan las informaciones disponibles acerca de

las generaciones y las atracciones en las zonas del rea de estudio, ya que se
tiene inters en que a los valores de las matrices que puedan ser interpretados
como viajes, se les aada la siguiente restriccin:
Tij
 0


(5.27)

El problema de maximizacin con dichas restricciones se puede resolver

aplicando el Lagrangiano, as:

L  log W '  Ai' Oi Tij  A ''j D j Tij

i
j
i

(5.28)

Derivando parcialmente respecto a Tij e igualando a cero se obtiene:

L
Tij

 log Tij i' ''j  0

y por tanto:

Tij  exp( i' ''j )  exp( i' ) exp( ''j )

(5.29)

Modelos de distribucin zonal

Los valores de los multiplicadores de Lagrange se pueden obtener fcilmente realizando un simple cambio de variable:
AiOi = exp(i') y BjDj = exp(j")
resultando:
Tij = AiOi BjDj

(5.30)

Por otra parte, la utilizacin de log W" como funcin objetivo genera el
siguiente modelo:
Tij = AiOi BjDjtij

(5.31)

que, obviamente, representa el modelo bsico de Furness. La versin que resulta

de la ecuacin (5.30) corresponde al caso en el que no se dispone de informaciones a priori, es decir en el que tij =1. Estos dos modelos son muy parecidos
al modelo gravitacional, pero sin embargo no le representan. Lo que falta realmente es el trmino relativo a la funcin de impedancia. Su introduccin requiere una restriccin adicional:

T C
ij

ij

C

ij

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 utilizando la misma tcnica de optimizacin se puede plantear el siguiente Lagrangiano:

L  log W ' i' Oi Tij  ''j D j Tij  C Tij cij (5.33)

i
j
i
ij

j
Calculando, de nuevo, las derivadas parciales con respecto a Tij e igualndolas a cero queda:

MODELOS

DE

TRANSPORTE

uL
 log Tij i' ''j cij  0
uTij

(5.34)

Tij  exp( i' ''j cij )  exp( i' ) exp( ''j ) exp( cij )

(5.35)

y entonces:

y efectuando el mismo cambio de variables realizado anteriormente, queda:

Tij = AiOi BjDj exp(cij)

(5.36)

que representa el clsico modelo gravitacional. Los valores de los factores de

balanceo resultan, entonces, ser:

Ai 

1
1
y Bj 
exp( cij )
B j D j exp( cij )
AO
i i
j

Si no se tuviera en cuenta una de las dos restricciones (5.26a) o (5.26b) se

obtendra el modelo gravitacional simplemente acotado.
El valor de est ligado a satisfacer la ecuacin (5.32). En general C slo
puede ser estimado y, por tanto, queda como un parmetro a calibrar de forma
que el modelo se adapte a la especificidad del rea de estudio, dado que los
valores de no son fcilmente trasladables de un rea a otra. Una primera y
til estimacin del valor de consiste en relacionarla con los valores medios
de coste de viaje; en efecto suele tomarse a veces como el inverso del coste
medio de viaje.
Pueden utilizarse asimismo, diferentes funciones de restricciones de coste
que, por ejemplo, transforman la ecuacin (5.32) en la (5.37):

C ' Tij log cij  0

ij

(5.37)

con lo que el modelo toma la siguiente forma:

Tij  AO
B j D j exp( 'log cij )  AO
B j D j cij '
i i
i i

(5.38)

que es propiamente el modelo gravitacional con una funcin de friccin igual

a la funcin potencial descrita anteriormente.

Modelos de distribucin zonal

El lector puede comprobar que la utilizacin de las restricciones (5.32) y

(5.37) proporciona un modelo gravitacional con una funcin de friccin combinada. Una posterior e interesante aproximacin consiste en descomponer
la restriccin (5.32) en varios grupos o intervalos de coste de viaje (indicado,
como se vio anteriormente, con el sper-ndice m) as:

C m Tij cij ijm  0 para cada m

ij

(5.39)

Por tanto maximizando la ecuacin (5.23) sometida a las restricciones (5.26),

(5.27) y (5.39) proporciona el siguiente modelo:

Tij  AO
B j D j F m ijm  ai b j F m ijm
i i
m

(5.40)

que obviamente representa el modelo gravitacional con una funcin de friccin en base a intervalos de coste. Este modelo presenta algunas propiedades
interesantes que sern discutidas en el epgrafe 5.6.

5.4.3. Propiedades del modelo gravitacional

Tal y como se ha observado, la maximizacin de la entropa representa aproximaciones bastante flexibles a la generacin de modelos en general y de distribucin en particular, formulando el problema en base a una programacin
matemtica como la ya indicada. Dicha base matemtica se fundamenta en
la maximizacin de una funcin de entropa sometida a ciertas restricciones
lineales que representan las informaciones de que se dispone acerca del sistema. La utilizacin de este formalismo presenta varias ventajas, entre otras,
las siguientes:
1. Proporciona un modo riguroso para especificar las propiedades matemticas del modelo que de dicho formalismo se deriva. Por ejemplo, se puede
comprobar que la funcin objetivo siempre es convexa y que si las restricciones utilizadas, como la (5.26) y la (5.27) tienen un espacio de soluciones
factibles, el problema de optimizacin tiene una solucin nica aunque el
conjunto de parmetros Ai y Bj no sea nico.
2. La utilizacin de una base de programacin matemtica facilita la utilizacin de un conjunto de instrumentos de resolucin estndar, adems del
anlisis de la eficiencia de algoritmos alternativos.

MODELOS

DE

TRANSPORTE

3. La base terica utilizada para generar el modelo ayuda a una mejor interpretacin 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 funcional 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 alternativas 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 proporcionar una estructura de viajes a la matriz resultante. Ello puede verse ms claramente si se multiplica y divide la parte derecha de la ecuacin (5.31) por T y se introduce esta constante en los factores de balanceo,
as:

Tij  Tai b j tij / T  ai' b 'j pij

(5.41)

Modelos de distribucin zonal

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

Para ello el primer paso consiste en construir la matriz de los valores de

exp(cij). Dichos valores se presentan en la tabla 5.9.
Tabla 5.9.

Matriz de valores exp(cij) y sus sumas, necesarias para ejecutar un modelo gravitacional
exp(cij)
1

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

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

Tabla 5.10.

Matriz de resultados del modelo gravitacional con la distribucin de la longitud de los viajes
j

Objetivo
Oi

Ratio

ai

74,17

393,36

400

1,02

1,17

106,73

90,98

455,56

460

1,01

1,07

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

155,73

99,00

64,46

57,54

200,22

25,87

bj

1.962

Rangos (min)

Coste

1,0-4,0

4,1-8,0

8,1-12,0

12,1-16,0 16,1-20,0 20,1-24

Suma

Viajes

355,9

965,7

156,5

179,6

1.962

209,2

95,0

Sucesivamente, con estos valores se calcula el total de viajes resultantes

(5,74) y luego se expande cada celda de la matriz multiplicndola por la relacin
1.962/5,74 = 341,67. Esto produce una matriz de base que ahora tiene que ser
reformada para que sea congruente con los totales de generacin y atraccin.
Este proceso es idntico a las iteraciones de Furness. Los valores de ai y bj

Modelos de distribucin zonal

son el producto de los correspondientes factores de correccin que sern multiplicados por el factor de expansin de base 341,67. La matriz del modelo
gravitacional resultante se ilustra en la tabla 5.10.
El lector puede observar que los factores de balanceo ai y bj, son nicos
salvo una constante multiplicativa. Y tambin es posible calcular, como siempre, los factores de balanceo estndares Ai y Bj dividiendo los correspondientes
valores de ai y bj por los valores previstos de Oi y Bj.

5.5. CALIBRACIN DE MODELOS GRAVITACIONALES

5.5.1. Calibracin y validacin
Antes de utilizar un modelo gravitacional es necesario calibrarlo para asegurar que sus parmetros sean tales que el modelo reproduzca lo ms fielmente
posible la estructura de los viajes del ao base. Adems, calibrar un modelo
conlleva un proceso muy diferente al de validacin.
Dicho proceso de calibracin est condicionado por la forma funcional y
por el nmero de parmetros del modelo elegido. Por ejemplo, el clsico modelo gravitacional tiene los parmetros Ai, Bj y (es decir, si Z es el nmero
de zonas, el de parmetros es Z + Z + 1). Los parmetros Ai y Bj se calibran
durante el proceso de estimacin del modelo gravitacional como parte del
esfuerzo directo por satisfacer las restricciones (5.1). Puede observarse que al
menos uno de los dos parmetros (Ai, Bj) es redundante puesto que la condicin
adicional iOi = jDj = T hace a una de las dos condiciones (5.1) linealmente
dependiente del resto.
Por otra parte, el parmetro debe ser calibrado independientemente, ya
que no se cuenta con informacin completa y exacta acerca del coste total C
en el rea de estudio. Si esta informacin estuviera disponible podra utilizarse
directamente sin tener que estimar por otros medios. En el caso de que se
utilizase la funcin de friccin combinada (5.13), se tendra un parmetro ms,
el cual proporcionara una mayor flexibilidad en la calibracin del modelo
gravitacional.
La actividad de validacin es diferente. En efecto, en este caso se pretende
estar seguros de que el modelo est bien adaptado para testear las diferentes
alternativas ante la toma de decisiones. Sin embargo, puede ocurrir que, para
un conjunto de dichas alternativas a examen, el modelo gravitacional no represente eficientemente la realidad. En consecuencia, resulta que el proceso

MODELOS

DE

TRANSPORTE

de validacin del modelo depende de la naturaleza de las polticas y de los

proyectos que se desean valorar.
Una estrategia usual de validacin consiste en averiguar si el modelo reproduce con suficiente fiabilidad un estado conocido del sistema, y ya que el
futuro es definitivamente desconocido, se utiliza a veces una situacin pasada
que est bien documentada, por ejemplo, una matriz de un estudio anterior intentando entonces reproducir este estado. Desafortunadamente es bastante raro
encontrar alternativas antiguas que estn suficientemente documentadas. As,
en algunos casos se recurre a realizar una prueba de validacin con datos no
utilizados durante el proceso de modelizacin. Esto sucede, por ejemplo, cuando
se quiere descubrir si est correctamente reproducido el nmero de viajes entre
lneas cordn importantes o en las vas principales de una ciudad.

5.5.2.

Tcnicas de calibracin

Tal como se ha citado anteriormente, los parmetros Ai y Bj son estimados como

parte de las operaciones de balanceo de los factores en el mtodo de Furness
(bi-proporcional). En cambio el parmetro ha de ser necesariamente calibrado
para poder reproducir lo ms fielmente posible la distribucin de la longitud
de los viajes (DLV). Sin embargo, este requerimiento es excesivo para un parmetro individual. Ms adelante podr analizarse cmo puede mejorarse la
estimacin de dicho parmetro pero por ahora, baste con proponer una tcnica
prctica y muy simple para estimar el mejor valor (*) de .
Un procedimiento fcil para solucionar este problema es sencillamente
suponer un valor de , ejecutar el modelo gravitacional y confrontar la distribucin de los viajes modelizada (DLVM) con la distribucin de los viajes
observada (DLVO). Si las dos distribuciones no estn suficientemente prximas, entonces supngase un nuevo valor de y reptase el proceso hasta que
se consigan valores de DLVM y DLVO suficientemente prximos; entonces el
valor * obtenido deber ser tomado como el mejor valor de .
Destacan los muestreos a hogares o a pie de va pblica (road side interviews), pues proporcionan valores de DLVO con un nivel de exactitud superior
al de los valores de las celdas individuales de la matriz de viajes calculadas
como se ha visto, en cuanto que el porcentaje de muestreo de la longitud de
los viajes, en este caso, es mucho ms eficiente.
Sin embargo, el procedimiento citado anteriormente para el clculo de no
es muy prctico, puesto que ejecutar un modelo gravitacional doblemente aco-

Modelos de distribucin zonal

tado requiere mucho tiempo y si el parmetro que se prueba no es satisfactorio,

este mtodo no proporciona ninguna gua sobre cmo elegir un valor adecuado.
Adems es improbable que las tcnicas convencionales de adaptacin de la
curva produzcan buenos resultados, ya que el modelo gravitacional no es slo
un modelo no-lineal sino tambin, analticamente complejo; en efecto, tambin
los valores de Ai y Bj son funcin de a travs de las ecuaciones (5.17) y (5.18).
Existen varias tcnicas de calibracin implementadas en diferentes paquetes
de software. Las ms importantes han sido contrastadas por Williams (1976) en
las que destaca la tcnica debida a Hyman (1969) como particularmente robusta
y eficiente. A continuacin, se describe brevemente el mtodo de Hyman.
En cualquier proceso de calibracin est disponible una matriz de los viajes
T(
 ) funcin de , que define tambin el nmero total de viajes ijTij () = T
(). El mtodo se basa en la siguiente condicin para dicho parmetro :

c( ) 

T ( )c
ij

ij

ij

T ( )

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:

B m1 

( c * cm 1 )B m ( c * cm )B m 1
cm cm 1

MODELOS

DE

TRANSPORTE

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 cercana 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 demostrado que el mtodo de Hyman es robusto y que presenta en general ventajas
sobre otros algoritmos alternativos.

5.6. ENFOQUE TRI-PROPORCIONAL

5.6.1. Adaptacin del mtodo bi-proporcional
En el prrafo 5.4.2. se ha observado cmo el mtodo de Furness puede ser
derivado a partir de una base de referencia mediante programacin matemtica. Este programa matemtico no lineal puede ser resuelto con numerosos
algoritmos, incluido el mtodo de Newton. Sin embargo, es posible demostrar
que el mtodo originariamente propuesto por Furness representa un algoritmo
prctico y eficiente, sobre todo para matrices grandes. Es, usualmente, denominado algoritmo bi-proporcional en cuanto que requiere realizar sucesivas
iteraciones de filas y columnas para que sean satisfechas las restricciones. El
algoritmo se detiene cuando las correcciones son suficientemente pequeas, es
decir cuando las restricciones estn cumplimentadas dentro de una tolerancia
razonable.
Las condiciones necesarias para la existencia de una solucin nica es que
las restricciones (5.26a) y (5.26b) definan un espacio de soluciones factibles
no negativas de los Tij. Ello requiere que iOi = jDj, lo cual es una condicin
necesaria, pero no suficiente. El modelo tiene una estructura multiplicativa y,
por tanto, no modifica los ceros presentes en la matriz a priori {tij}; adems la
existencia de muchos valores nulos en la matriz a priori, puede impedir que
sean satisfechas una o ms restricciones.
Ejemplo 5.5: considrese, en la situacin actual, el caso de una zona k
que est vaca (es decir, no hay nada) pero en la que se espera en el futuro
un desarrollo que ser punto crucial de una cierta generacin y atraccin de
viajes. Por tanto, los valores de las celdas para {tik} sern cero, mientras los

Modelos de distribucin zonal

valores futuros de Oi y Dk sern, evidentemente, diferentes de cero. En este

caso, pues, no hay factores multiplicativos de correccin capaces de generar
una matriz que satisfaga las restricciones para la zona k. Se puede, entonces,
reemplazar los valores de estas celdas vacas con ciertas hiptesis, es decir
con valores oportunos tomados de zonas parecidas, pero en cualquier caso la
presencia de ceros en la matriz de partida puede causar pequeos problemas,
aunque siempre menos difciles.
Si se trata de resolver el problema del ejemplo 5.1, pero utilizando la matriz
a priori indicada en la tabla 5.11, es posible comprobar que este problema no
tiene una solucin factible en el espacio no negativo Tij. As pues, hay 11 incgnitas y slo 7 restricciones independientes, de forma que la posicin de los
ceros es tal que no hay solucin factible y el algoritmo bi-proporcional oscila
sin converger.
Tabla 5.11.

Versin reexaminada del problema del factor de crecimiento

doblemente acotado de la tabla 5.6
1

50

100

200

355

Objetivo Oi

400

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

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 correcta 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

TRANSPORTE

Tabla 5.12.

Matriz del problema de la tabla 5.11 despus de 10 iteraciones

Furness
1

3,4

0,7

63,5

2,8

191,2

8,3

Objetivo Dj

388,2

61,0

355,3

420

400

388

460

5,9

345,7

420

400

433,1

101,0

734

702

260

400

500

802

260

400

500

802

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
1

4,1

4,5

339,2

77,3

Objetivo Dj

76,2

315,4

420

400

119,1

388

460

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 Oi

1.962
1.962

Modelos de distribucin zonal

Casos de esta complejidad no deben ser considerados como puramente

acadmicos. La falta de convergencia en pocas iteraciones tambin puede indicar que la presencia y la localizacin de ceros en la matriz de salida impide
la existencia de soluciones factibles con los nuevos totales de viajes.

5.6.2. El problema tri-proporcional

En los epgrafes anteriores se ha presentado el modelo gravitacional con
una funcin de impedancia muy flexible que considera valores discretos relacionados con la forma funcional para cada intervalo de coste. En particular de
la ecuacin (5.40) se tena que:

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 intervalos 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 valores 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 parmetros 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 tercera 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

TRANSPORTE

adems, el mtodo es sencillo de programar y no requiere de excesiva memoria

de ordenador.
Ejemplo 5.6: el algoritmo tri-proporcional puede ser desarrollado con el
problema indicado en la tabla 5.8 y con los valores previstos de la distribucin
de la longitud de los viajes (intervalos de costes) de la tabla 5.14.
El modelo se puede resolver, por tanto, realizando las operaciones de balanceo pertinentes para encontrar la correspondencia entre los valores previstos
de estimacin y el intervalo de coste para cada origen.
Despus de cinco iteraciones completas se obtiene la matriz de viajes simulada para cada intervalo de coste Tk, tal y como se muestra en la tabla 5.15.
Tabla 5.14.

Valores previstos de DLV para la calibracin de un modelo

gravitacional tri-proporcional
Intervalos

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 iteraciones, 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

Modelos de distribucin zonal

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 multiplicativas. Es fcil ver que si se multiplica cada ai
 por
 u n
 factor

 y
 cada
 u no
 de

los bj por otro factor
 , y luego se divide cada F*
 por

 la matriz simulada
permanece inalterada.

5.6.3. Tcnicas de matrices parciales

El mtodo de calibracin tri-proporcional se ha utilizado con una distribucin
completa de las longitudes de los viajes, es decir, tiene una entrada de observaciones en cada celda. Definitivamente sera ventajoso si se pudiese calibrar un
modelo gravitacional sin necesidad de disponer de una matriz de viajes completa. Esto es especialmente importante, ya que se sabe que el coste de recoger
datos para obtener una matriz de viajes completa es bastante alto; adems, no
es muy alta la exactitud de algunos datos en las celdas y en la calibracin, pues
se utilizan agregaciones de datos, principalmente la DLV as como del total de
viajes Oi y Dj. En cualquier caso, debe quedar claro que existe la posibilidad
de calibrar modelos gravitacionales con una matriz no completa o parcial. Por
ejemplo, se puede calibrar un modelo gravitacional utilizando una funcin de
coste exponencial solamente con el origen-destino del viaje total y una buena
estimacin del coste medio del viaje, c*.
La calibracin de un modelo de gravedad con una funcin general de impedancia utilizando el mtodo tri-proporcional es incluso ms atractiva en este
caso, ya que se pueden utilizar solamente entrevistas a pie de calle, en cordones
y lneas pantalla para obtener buenas DLVs, as como el total de viajes para algunas zonas en el rea de estudio. No habr ninguna necesidad de utilizar modelos
de generacin de viajes a menos que la finalidad sea hacer pronsticos.
En resumen, el producto ai bj ck debe ser nico, pero obsrvese que los
factores individuales no lo son: hay dos grados de indeterminacin:

1
(ai . )(b j . ) ck

 ai b j ck

que se pueden remover sin afectar a la matriz resultante. El problema surge

cuando hay indeterminacin adicional.

MODELOS

DE

TRANSPORTE

Ejemplo 5.7: la idea bsica explicada anteriormente puede describirse con la

ayuda de una matriz 3 3. En primer lugar, considrese un caso bi-proporcional
donde el problema de actualizar la matriz completa consiste en ajustar una
matriz del ao base de la forma siguiente:
Caso biproporcional
Ajustado a
produce.

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:
Ajustado a

d
g

b
e

produce

P A
Q
R H

c
f
i

B C
D E F
G
I

S A 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
Los valores estimados de ai y bj (utilizando datos de las celdas observadas)
se emplearan para rellenar estas celdas que faltan. La extensin de esta idea a
un caso tri-proporcional es muy sencilla. Kirby (1979) ha demostrado que existen dos condiciones bsicas para una aplicacin vlida de esta aproximacin:
1. El modelo gravitacional debera encajar tanto con los datos disponibles
como con los no disponibles, es decir, debera ser un modelo bueno para
las dos regiones de la matriz: la observada y la no observada.

Modelos de distribucin zonal

2. Las dos regiones de la matriz no deberan ser separables, es decir no debera

ser posible partir la matriz en dos o ms matrices independientes:
El problema es que cada rea separada tiene dos (tres en el caso tri-proporcional) grados de indeterminacin y, por lo tanto, los factores de balanceo
no pueden generar resultados nicos ni estimaciones de viaje. Este problema
tambin se denomina no identificabilidad de resultados nicos en las celdas no observadas. Como se demostr en la figura anterior esto slo ocurre
cuando se hacen las entrevistas a pie de va pblica en un cordn de una zona
de estudio. La realizacin de entrevistas en una lnea pantalla probablemente eliminara el problema, ya que generara las observaciones para la matriz
interna-interna.
Interna

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 observada:

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

TRANSPORTE

Haciendo un cambio de variable (i = eui ; j = evj ; k = ek) las condiciones son:

ui + vj + wk = 0 i, j, k observado.
Resulta un sistema de n ecuaciones lineales con rango r
 n. Si r = i + j + k 2
entonces es identificable.
1 2
Dada la matriz parcial:
, las condiciones seran:
2

111 = 1
122 = 1
212 = 1

i+j+k2=4

Est claro que estas condiciones no son suficientes para garantizar identificabilidad. 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:
V12 = a2b2c1 (2/1)2
que tiene un grado de arbitrariedad dado por (2/1).

5.7.

OTROS MODELOS SINTTICOS

El modelo gravitacional es, con ventaja, el ms utilizado de los modelos agregados de distribucin de viajes. Tiene varias ventajas tericas y no faltan programas de ordenador tiles para calibrarlo y utilizarlo. Puede ampliarse si
se necesita incorporar ms tipologas de individuos, as como utilizarse para
la modelizacin de ciertos tipos de transporte de mercancas. No obstante, el
modelo gravitacional no cubre todas las posibilidades tericas.
A continuacin se presentan dos aproximaciones ms que, aunque su uso
es mucho ms restringido, ofrecen una alternativa real al modelo gravitacional. La primera es el modelo de distribucin de oportunidades relevantes
(intervening-opportunities model) que ser expuesto en este epgrafe, y la
segunda es la familia de modelos de demanda directa, los cuales sern tratados
en el Captulo 6.

Modelos de distribucin zonal

La idea bsica que subyace en el modelo de distribucin de oportunidades

relevantes es que la realizacin de un viaje no se relaciona explcitamente con
la distancia, sino con la accesibilidad relativa a las oportunidades de satisfacer
el objetivo del viaje. Quien por primera vez promovi este mtodo y aplic su
filosofa a la migracin y a la localizacin de servicios y viviendas fue Stouffer
(1940). Sin embargo, fue Schneider (1959) quien desarroll la teora de la forma
en que se presenta hoy.
En primer lugar considrese una zona de origen i y confrmese una lista
ordenada de todos los destinos posibles en funcin de las correspondientes distancias incrementadas desde i. A continuacin, examnese un par origen-destino
(i, j), donde j es el destino msimo segn la distancia desde i. Existen m1 destinos alternativos, efectivamente ms cercanos (ms accesibles) a i.
El individuo que vaya a realizar un viaje, considerara dichos destinos
como posibles lugares para satisfacer el motivo que origina el viaje: stas son
las oportunidades relevantes que influyen en la eleccin del destino.
Sea la probabilidad de que un viajero estuviese satisfecho con una sola
de estas oportunidades; entonces la probabilidad de que sea atrado por una
zona con D oportunidades es D.
Ahora, considrese la probabilidad qim de que el motivo de viaje no sea
satisfecho por ninguna de las oportunidades ofrecidas por los msimos destinos
desde i. Ello es igual a la probabilidad de no ser satisfecho por el primero ni el
segundo, etc. hasta el msimo:

qim  qim 1 (1 Dim )

(5.43)

Por lo tanto, suprimiendo el superndice i por simplicidad de notacin, se

llega a

q m q m 1
 D m
m
q

(5.44)

Ahora, si xm representase las atracciones acumuladas de las oportunidades

intermedias en el destino msimo:

xm  D m
m

se puede reescribir (5.44) as:

MODELOS

DE

TRANSPORTE

q m q m 1
 ; xm 1 xm =
q m 1

(5.45)

El lmite de esta expresin para incrementos infinitesimalmente pequeos

es, por tanto

dq ( x)
 dx
q( x)

(5.46)

Integrando (5.46) se obtiene:

log q ( x)  x  ctte
o

q ( x)  Ai exp( x)

(5.47)

donde Ai es un parmetro de calibracin. Esta relacin expresa la posibilidad de

que un motivo de viaje no sea satisfecho por ninguno de los destinos m (m = 1,
, M) desde i, como una funcin exponencial negativa de las oportunidades
acumuladas o intermedias, hasta la distancia de que se trate desde dicho origen.
Los viajes Tijm desde el origen i hasta el destino j (que es el msimo punto en distancia desde i) son pues, proporcionales a la probabilidad de no ser satisfechos
por ninguna de las oportunidades m 1 ms cercanas menos la probabilidad
de no ser satisfecho por ninguna de las oportunidades hasta el destino msimo:

Tijm  Oi ; qi ( xm 1) qi ( xm ) =

(5.48)

Es fcil demostrar que la constante Ai debe ser igual a:

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)

Modelos de distribucin zonal

Wilson (1970) ha demostrado que esta expresin tambin puede derivarse

de la teora de maximizacin de la entropa.
El modelo de distribucin de oportunidades relevantes es interesante porque comienza a partir de diferentes principios elementales para su derivacin:
utiliza la distancia como una variable ordinal y no cardinal continua como en
el modelo gravitacional. Considera de forma explcita las oportunidades disponibles para satisfacer el motivo de un viaje en zonas cada vez ms distantes
del origen. Sin embargo, el modelo no se usa con frecuencia en la prctica,
probablemente por las siguientes razones:
La base terica es menos conocida y posiblemente ms difcil de comunicar
por los profesionales.
La idea de matrices con destinos ordenados segn la distancia desde el origen
(la celda nsima para el origen i no es el destino n sino el destino nsimo desde
i) es ms difcil de manipular en la prctica.
Las ventajas tericas y prcticas de esta funcin sobre el modelo gravitacional no son muchas.
Falta de programas disponibles.
En el Captulo 12 se tratar una versin ms general de este modelo que
combina la filosofa de los modelos de gravedad y la de los modelos basados
en oportunidades intermedias. Esto se debe a Wills (1986) y se deja a la interpretacin de los datos la decisin de cules de las combinaciones de los dos
modelos encaja mejor con la realidad. Por ltimo, es necesario reconocer que
la complejidad computacional de este nuevo modelo es considerable.

5.8. CONSIDERACIONES PRCTICAS

Hasta aqu se ha tratado un cierto nmero de modelos frecuentemente utilizados para asociar orgenes y destinos y para estimar el nmero de viajes entre
ellos. Sin embargo, an no se ha estudiado toda una serie de consideraciones
prcticas que influyen necesariamente en la exactitud requerida en la utilizacin
de este tipo de modelos.
Dichas consideraciones derivan de las limitaciones inherentes al contexto
de referencia en el que se modeliza y tambin de la incapacidad del modelizador de incluir en ellos descripciones detalladas de la realidad. Estos aspectos,
en trminos generales, se tratan a continuacin.

MODELOS

DE

TRANSPORTE

5.8.1. Matrices incompletas

Las matrices observadas casi siempre son incompletas o poco densas (sparse
matrices), en el sentido de que tienen un gran nmero de celdas vacas. La
razn de ello es fcilmente intuible. En efecto, si se considera un rea de estudio con 500 zonas (250.000 celdas), se pueden esperar cerca de 2,5 millones
de viajes durante la hora punta, lo cual significa una media de unos 10 viajes
por celda. Dado que es probable que algunos pares O-D contengan ms viajes que otros (en particular los pertenecientes a reas residenciales y/o a reas
de servicios), resulta que en general hay numerosas celdas con un nmero muy
pequeo de viajes. Por otro lado, si se considera ahora que el mtodo utilizado
para observar esta matriz de viajes es, probablemente, realizar entrevistas a
pie de va pblica y dado que la tasa de muestreo es del 20% (1 de cada 5) la
probabilidad de no tener observaciones de un par O-D en concreto, es muy
alta. Esta muestra de viajes ser posteriormente expandida utilizando las tasas
efectivas de muestreo en cada punto de encuesta, lo que no afectar, en principio, a las celdas vacas.
El problema originado por la expansin de celdas vacas ya ha sido indicado
en el epgrafe 5.6.1. Se puede intentar reducir este problema rellenando dichas
celdas vacas utilizando tcnicas de matrices parciales o, alternativamente,
puede ser deseable sembrar en dichas celdas vacas un valor pequeo y utilizar un mtodo alternativo de expansin de la matriz, tal y como se estudiar
en el Captulo 12. No obstante es importante tener en cuenta que las matrices
normalmente observadas contienen un gran nmero de errores, los cuales
son generalmente amplificados en el proceso de expansin.

5.8.2. Tratamiento de zonas externas

Puede ser razonable afirmar que los modelos sintticos de distribucin de viajes son idneos para modelizar un rea de estudio, en particular para los viajes
internos. Sin embargo, se sabe que una proporcin significativa de viajes puede
tener su origen o su destino fuera del rea de estudio. La idoneidad de dichos
modelos para representar esos viajes Externos-Internos es cuestionable, ya
que stos dependen de la distancia o del coste de viaje, el cual es una variable
esencialmente indefinida para los viajes externos.
Una prctica comn en estos casos consiste en considerar estos viajes fuera
del proceso sinttico de modelizado: por ejemplo, efectuando las entrevistas

Modelos de distribucin zonal

a lo largo de la calle en puntos de cordn a la entrada y a la salida del rea de

estudio. La matriz resultante de los viajes externos-externos (E-E) y externosinternos (E-I), se trata separadamente para previsiones utilizando los mtodos
del factor de crecimiento, en concreto el mtodo de Furness. Sin embargo,
ya que un cierto nmero de viajes en los modelos de generacin y atraccin
corresponden a viajes E-I, stos tienen que ser restados de los totales de viajes
e incluidos como restricciones en los modelos sintticos.

5.8.3. Viajes intrazonales

Un problema anlogo ocurre en el caso de viajes intrazonales. Dadas las limitaciones de cualquier sistema de zonificacin, los valores de los costes de viaje
se definen entre los conectores de centroides y ello representa una cruda pero
necesaria aproximacin de los costes reales. Por tanto, la idea de un coste de
viajes intrazonales se considera que est pobremente representada por estos
costes en los conectores de centroides.
Algunos programas comerciales permiten al usuario aadir/quitar costes
terminales para facilitar una mejor modelizacin de estos viajes; la idea de base
es que a travs de la manipulacin de estos costes intrazonales podran conseguirse modelos gravitacionales ms consistentes con la realidad. Sin embargo,
este mtodo no es muy eficiente ni realista; en efecto, es preferible quitar los
viajes intrazonales del proceso de modelizacin sinttico y calcular la previsin de estos viajes utilizando aproximaciones an ms simples. Usualmente
se asume, por ejemplo, que los viajes intrazonales sean una proporcin fija de
los totales calculados con los modelos de generacin.
Adems, los viajes intrazonales no se asignan normalmente a la red en
cuanto que se trata de desplazamientos dentro de un mismo centroide, por ello,
resulta menos importante representar dichos viajes en detalle. En la realidad,
algunos de estos viajes utilizan la red modelizada, pero generalmente se trata
slo de un problema significativo para algunos sistemas de zonificacin bastante agregada.

5.8.4. Motivo de los viajes

Normalmente se utilizan diferentes modelos para diferentes motivos de viaje
y/o para diferentes clases de individuos. Tpicamente, los viajes por trabajo o
estudio se modelizan utilizando un modelo gravitacional doblemente acotado

MODELOS

DE

TRANSPORTE

mientras que, para casi todos los dems motivos, se utilizan modelos simplemente acotados. Ello se debe al hecho de que es a menudo difcil estimar con
precisin las atracciones de viajes por motivos como compras, ocio, actividades 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.

5.8.5. Generacin-atraccin, origen-destino

Los modelos sintticos han sido desarrollados en la hiptesis de que cada viaje
tuviera una generacin y una atraccin como fin. Los modelos, esencialmente,
ligan o relacionan las generaciones a las atracciones. En el caso de los viajes
HB, la generacin siempre es el hogar. Sin embargo, el origen de dichos viajes, slo es el hogar para los viajes hacia el lugar de trabajo (o el lugar de estudio o compras, etc.), pero en el viaje de regreso el hogar es ahora el destino
del viaje.
Antes de que la matriz resultante de viajes sea asignada a la red es necesario
que sea trasformada en una matriz origen-destino (O-D). En el caso de matrices
diarias, ambas son prcticamente idnticas en cuanto que se supone que cada
viaje generado-atrado es efectuado una vez en cada direccin durante el da.
En cambio, cuando se precisan matrices O-D para perodos de tiempo corto
ha de considerarse que algunos viajes se realizan en la direccin generacinhacia-atraccin mientras que otros slo se efectan en la direccin opuesta. Para
solucionar este problema pueden utilizarse dos aproximaciones diferentes. La
primera consiste en producir solamente una matriz para un nico motivo, por
lo general trabajo, y entonces suponer que estos desplazamientos siguen slo
una direccin de viaje; esto sucede, por ejemplo, con los viajes de la maana por
trabajo desde la generacin hacia la atraccin. Los datos de la encuesta han de
ser utilizados para corregir los casos en que hay turnos de trabajo, flexibilidad
en las horas de trabajo y viajes realizados por otros motivos durante las horas
punta, aunque la estructura de viajes en la hora punta de la maana todava
estar dominada por los desplazamientos por motivo de trabajo. Una segunda
aproximacin consiste en utilizar directamente los datos de la encuesta para
determinar la proporcin de cada matriz relativa a cada motivo considerado

Modelos de distribucin zonal

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 individuales 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 matriz, 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

problema, slo que entonces no se dispone ya de modelo ni queda capacidad

para realizar previsiones.
El mejor consejo respecto de los factores K es pues evitarlos. La utilizacin
de un nmero limitado de factores K slo se justificara en el caso de que un
rea de estudio presentara un nmero pequeo de pares de zonas (menos del
5% del total), con asociaciones particulares de desplazamientos de viajes que
probablemente no variarn en el futuro.
Su utilizacin por tanto, ha de ser siempre moderada y cuidadosa. Sin
embargo, no se justifica la utilizacin del conjunto completo de factores K.

5.8.7. Errores en la modelizacin

De todo lo expuesto hasta ahora, se deduce que el nmero de errores reduce
la confiabilidad del proceso de la modelizacin. Efectivamente, ello es cierto
y refleja la imperfeccin que an existe en el estado del arte de dicha modelizacin de los transportes. Estos aspectos prcticos no se limitan solamente
a los modelos de distribucin, sino que tambin estn presentes, en diferentes
formas, en las otras fases del proceso.
Los errores correspondientes a las celdas de la matriz son relativamente
grandes ya que muchas de ellas tienen valores pequeos, es decir, entre 0 y 5
en la muestra y cerca de 20 30 en la matriz expandida o sinttica. Muy pocos
estudios han afrontado el problema de la calibracin de modelos sintticos
comparando las matrices de viajes simuladas con las observadas. Sikdar y
Hutchinson (1981) utilizaron los datos de 28 reas de estudio en Canad para
calibrar y testear modelos gravitacionales doblemente acotados. En particular encontraron que las prestaciones de estos modelos eran bastante escasas,
equivalentes a la introduccin en las observaciones de un error aleatorio, comprendido entre el 75 y el 100%, y ello confirma la necesidad de ser cauteloso
en la utilizacin de los resultados de estos modelos. Este resultado no debe
sorprender en cuanto que modelizar una matriz de viajes utilizando pocos
parmetros (dos veces el nmero de zonas por una funcin de impedancia
exponencial) es una tarea suficientemente ardua. En efecto, sta es una de las
razones por las que tambin hoy en da pocos estudios utilizan los modelos
gravitacionales en la forma convencional.
Cuando sea necesario considerar cmo influyen las variaciones de los
costes de transporte en la estructura de los viajes (en particular para motivos
como compras y ocio), es mejor utilizar versiones incrementales o anlisis de
pivoteo del modelo gravitacional (vase epgrafe 12.3.2).

Modelos de distribucin zonal

El tratamiento de los errores en la modelizacin ha recibido una gran

atencin hacia la mitad de los aos 80. Existen dos mtodos que merecen ser
citados particularmente: la aproximacin estadstica y la de simulacin. Los
mtodos estadsticos son muy potentes pero no siempre fciles de desarrollar o
de implementar. Siguen las lneas expuestas en el Captulo 3 cuando se trat el
papel de los errores de los datos en la exactitud total del proceso de modelizacin. Es necesario recordar asimismo que los errores en los datos se traducen
posteriormente en errores en los resultados de los modelos.
El Traffc Appraisal Manual del Departamento de Transportes Britnico
(Department of Transport, 1985) proporciona indicaciones sobre la sensibilidad
que los modelos de distribucin tienen a los errores en los datos de entrada.
En cierto sentido, durante el proceso de construccin de las matrices el mtodo ms simple al respecto consiste en realizar un seguimiento detallado de
errores de los datos, en particular de los de muestreo. El problema se complica
cuando se trata de hacer dicho seguimiento y se utilizan para ello modelos de
distribucin sinttica.
A principios de la dcada de los 80 se desarrollaron tcnicas analticas
adecuadas para la estimacin de los errores de salida del modelo debidas a la
variabilidad de la muestra. Por ejemplo, el trabajo de Gunn et al. (1980) establece expresiones matemticas aproximadas para el intervalo de confianza de las
celdas estimadas en la formulacin tri-proporcional del modelo gravitacional.
El 95% del intervalo de confianza para el nmero de viajes en una celda (i,j)
viene dado por {Cij / Tij TijCij}, donde Cij representa el factor de confianza
dado por la expresin:
0 ,5

1
1
1
Cij  exp 2



nijk nijk nijk

ij
jk
ki

(5.52)

nijk representa el nmero de viajes muestreados en la celda observada, y por

tanto las sumas estn solamente en las celdas observadas. Esta expresin nicamente cubre los errores debidos al muestreo: es probable que los errores en
la recoleccin de los datos y en su elaboracin hagan crecer el intervalo de
confianza. En la estimacin de los modelos hay, adems, otras fuentes de error
las cuales son ms difciles de cuantificar; se trata de los errores de especificacin inherentes al hecho de que el modelo es solamente una representacin

MODELOS

DE

TRANSPORTE

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 representado 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 disponibles 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 indicaciones 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.

5.8.8. Estabilidad de las matrices de viajes

Rara vez se discute la estabilidad en el tiempo de las matrices de viajes. Se
sabe por experiencia que la realidad no es esttica sino ms bien dinmica. El
nivel de los flujos de trfico sobre cualquier arco de la red vara diariamente
de modo significativo. Generalmente se espera un 10% de variacin de los
niveles de flujo en das parecidos y lo mismo para el mismo da de la semana y
en semanas parecidas (es decir, se excluyen las variaciones estacionales). Estas

Modelos de distribucin zonal

variaciones en los flujos de trfico generalmente son debidas a dos causas:

variaciones en las matrices de los viajes que originan tales flujos y variaciones
diarias en la eleccin del recorrido.
Las variaciones en los flujos pueden ser fcilmente detectadas en cuanto
que las estaciones de aforos de trfico permanentes o de cobertura son sencillas
de instalar y mantener y tambin son suficientemente fiables. Los conteos de
trfico son el resultado de la agregacin de viajes en matrices y dicho proceso
de agregacin tender a compensar algunas variaciones casuales a nivel de
matriz de viajes. Las variaciones diarias de los valores de las celdas de la matriz
de los viajes constituyen una informacin mucho ms difcil de obtener puesto
que es muy raro que, para las matrices de viajes, se puedan recolectar datos
repetidos en la misma localidad para diferentes das.
Leonard y Tough (1979) reportan una investigacin que recolect matrices de viajes y conteos de trfico en cuatro das consecutivos en el centro de
Reading, UK. Los datos fueron recogidos para el desarrollo de un modelo
de simulacin detallada. El trabajo de campo consisti en recopilar y transcribir el nmero de las placas de matrcula de los coches en diversos puntos
trazando su recorrido por el centro de Reading junto con sus puntos de entrada/salida y aparcamiento. De este modo se eliminaron los errores de encuestas. Por razones prcticas se recogi esta informacin durante cuatro das (de
lunes a jueves) para una muestra del 10% en aproximadamente 80 arcos reales
y con 40 zonas codificadas. Los datos fueron analizados independientemente
por Willumsen (1982) para observar las variaciones diarias de los flujos sobre los arcos y matrices O-D. Utiliz el porcentaje medio del error absoluto
(% MAE: Mean Absolute Error) para ambos niveles de trfico y matrices de
viajes:

V a V b
% MAE  100% s a
V a

(5.53)

Tija Tijb
% MAE  100% s ij
T a
ij

ij

(5.54)

MODELOS

DE

TRANSPORTE

donde los ndices a y b representan el da de la semana de los flujos observados

V y los O-D de viajes de Tij. Willumsen (1982), encontr los siguientes niveles
de variaciones:

% 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 sensibilidad 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:

Modelos de distribucin zonal

60

275

571

50

410

443

123

61

47

205

265

75

Y en la siguiente tabla se presenta la previsin del total de viajes generados

y atrados por cada una de las zonas:
Origen futuro estimado

Destino futuro estimado

1.200

670

1.050

730

380

950

770

265

Utilizar un mtodo apropiado de factor de crecimiento para estimar los

viajes futuros interzonales. Sugerencia: verificar primeramente las condiciones
de convergencia del mtodo seleccionado.
5.2. Sea un rea de estudio atravesada por un ro y dividida en tres grandes zonas, de las cuales dos de ellas (A y B) se encuentran en una ribera del ro
y la tercera (C) en la otra. Se considera que la demanda de viajes entre estas
zonas depende del hecho de que los pares O-D estn en la misma o en diferente
parte del ro. De una encuesta domiciliaria mediante un pequeo muestreo se
obtiene la siguiente matriz de viajes, en la que los espacios vacos representan
celdas sin observacin:

Origen

Destino
A

12

10

B
C

MODELOS

DE

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 ciudades (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

Los desplazamientos intraurbanos se excluyen del estudio. El presente

estudio tambin incluye entrevistas efectuadas a lo largo de las vas pblicas
en varios puntos. El nmero de personas entrevistadas, su origen y destino se
presentan en la siguiente tabla, en la que, de nuevo, los espacios vacos representan celdas no observadas:

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

Modelos de distribucin zonal

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

n este captulo se tratarn, en primer lugar, los modelos de eleccin

modal desde un punto de vista agregado. Se ver cun lejos se puede
llegar utilizando enfoques similares a aquellos procedimientos seguidos
en la derivacin y aplicacin de los modelos de distribucin de viajes. En
segundo lugar, se examinarn mtodos de estimacin simultnea de modelos
de generacin, distribucin y eleccin modal, los que se conocen tambin con
el nombre de modelos de demanda directa. Dichos modelos, creados en los
aos 60, han sido utilizados rara vez en la prctica por razones que se discuten
ms adelante.
La representacin de la eleccin del modo de transporte es uno de los modelos clsicos ms importantes en la planificacin del transporte, dado el papel
tan relevante del transporte pblico en las polticas de transportes. De hecho,
todos los modos de transporte pblico, casi sin excepcin, utilizan el espacio
vial de forma ms eficiente que los vehculos privados; an ms, sistemas como
el metro y el ferrocarril no ocupan la red vial (aunque ocupan espacios de otro
tipo) y, por lo tanto, no contribuyen a la congestin.
Ms an, si algunos automovilistas pudieran ser persuadidos de utilizar el
transporte pblico en lugar del coche privado, el resto de los usuarios del coche
se veran beneficiados en trminos de una mejora de los niveles de servicio.
Adems, es poco probable que las reas urbanas consigan acoger a todos aquellos que desean utilizar su vehculo privado sin sacrificar zonas importantes de
la trama urbana para la construccin de carreteras y aparcamientos.
El problema de la eleccin modal, por lo tanto, representa el elemento ms
importante en la planificacin de los transportes y en la toma de decisiones.
La eleccin modal influye en la eficiencia general del sistema del transporte,
en la cantidad del espacio urbano dedicado a las funciones del transporte, as

Modelos de reparto modal

como en el conjunto de alternativas disponibles o no para los viajeros. Dicho

problema es igualmente importante en los transportes interurbanos, visto que
tambin los sistemas ferroviarios representan un sistema de transporte eficiente
(en trminos de recursos consumidos, incluido el espacio) aunque existe una
clara tendencia al aumento del transporte por carretera.
Por lo tanto, es importante desarrollar y utilizar modelos que sean sensibles
a aquellos atributos del viaje que influyen en las elecciones individuales del
modo. Se ver en qu medida es posible enfrentarse a este problema a travs
de enfoques agregados, en los que las polticas alternativas deben expresarse
como modificaciones a funciones, como el coste generalizado del viaje, tiles
pero poco flexibles.
Es necesario recordar que, en el pasado, se consideraba que la eleccin de
modo era influenciada principalmente por las caractersticas socio-econmicas
de los individuos, de ah que la eleccin modal estuviese ligada a variables
como la renta (cuanto ms alta es la renta, ms automviles se adquieren y por
lo tanto se utilizan), la posesin de automvil o la densidad residencial. Estos
modelos eran coherentes con una visin general de la planificacin que tena
como objetivo prever el aumento de los viajes en coche; en el corto plazo, pueden ser muy exactos aunque son inadecuados, en cuanto a que son insensibles
a escenarios polticos como la mejora del transporte colectivo, las restricciones
de estacionamiento, etc. Los modelos aplicados despus de la fase de distribucin (denominados trip-interchange modal split o modelos de distribucin y
particin modal) tienen la ventaja de facilitar la inclusin de las caractersticas
del viaje y de las alternativas disponibles para realizarlo, aunque resulta difcil
incluir las caractersticas de los viajeros que ya se han agregado en la matriz de
viajes. Los primeros modelos de este tipo se basaban en curvas experimentales
con poca base terica, por lo tanto su consistencia en fase de prediccin es
dudosa. Adems consideraban pocas caractersticas (generalmente solamente
el tiempo de viaje a bordo) mientras que no se consideraban variables polticas
importantes como la tarifa, el coste del estacionamiento, etc. En fin, siendo
modelos agregados, es difcil que prevean correctamente las restricciones y
las caractersticas de los modos disponibles para cada familia.

6.2.

FACTORES QUE INFLUYEN EN LA ELECCIN MODAL

Los factores que influyen en la eleccin modal se pueden clasificar en tres

grupos:

MODELOS

DE

TRANSPORTE

1. Caractersticas de las personas individuales que realizan el viaje. En general

se consideran importantes:
disponibilidad y/o posesin de coche;
permiso de conducir;
estructura del hogar (pareja joven, pareja con nios, jubilados, solteros,
etctera);
ingreso;
decisiones tomadas en otro lugar, por ejemplo, la necesidad de utilizar
el coche para trabajar, acompaar a los nios a la escuela, etctera;
densidad residencial.
2. Caractersticas del viaje. La eleccin del modo est fuertemente influenciada:
Por el propsito del viaje; por ejemplo, es en general ms fcil utilizar
el transporte colectivo para ir al trabajo que para otros desplazamientos,
dada su regularidad y la posibilidad de ajustes en el largo plazo.
Por el perodo del da en el que se realiza el viaje. Los viajes realizados
en las ltimas horas del da se realizan con mayor dificultad en transporte pblico.
3. Caractersticas del medio de transporte. stas pueden ser divididas en dos
categoras. La primera est constituida por factores cuantitativos como:
el tiempo relativo del viaje: tiempo de viaje a bordo del vehculo, de
espera y a pie por cada modo;
los respectivos costes monetarios (tarifas, combustible y costes directos).
La segunda est constituida por factores cualitativos, menos fciles de
medir, como:
la comodidad y/o conveniencia;
la confiabilidad y regularidad;
la proteccin y seguridad;
Un buen modelo de eleccin modal debera incluir los factores ms importantes de entre los citados. Los modelos de eleccin modal pueden ser agregados, si se basan en informaciones a nivel zonal (e interzonal), o pueden ser

Modelos de reparto modal

desagregados, si se basan en datos familiares o individuales. Los modelos

agregados pueden incorporar las caractersticas del viaje y de los medios de
transporte con una segmentacin sencilla (p. ej., la disponibilidad de coche);
generalmente utilizan el concepto de coste generalizado. Los modelos desagregados pueden, al menos potencialmente, incluir la mayora de los factores
mencionados.

6.3.

MODELOS DE ELECCIN DE DESTINO Y PARTICIN MODAL

La aplicacin de los modelos de eleccin modal para toda la poblacin proporciona, evidentemente, viajes repartidos segn diferentes modos, de ah viene su
nombre de modelos de particin modal. En el pasado, especialmente en EE.UU.,
se pensaba que las caractersticas personales eran los elementos determinantes
y ms importantes para la eleccin del modo de viaje y, consecuentemente,
se intentaron aplicar modelos de particin modal inmediatamente despus de
la generacin del viaje. De esta forma podran preservarse las diferentes caractersticas de los individuos y utilizarlas para estimar la particin de modo:
por ejemplo, para los diferentes grupos despus de haber usado un modelo de
anlisis de categoras. Ya que a ese nivel no haba ninguna indicacin de hasta
dnde pueden llegar los viajes, las caractersticas del viaje y los modos fueron
omitidos en estos modelos.
Esto era consistente con una visin planificadora global segn la cual,
cuando aumentan los ingresos, la mayora de las personas adquieren un coche y desean utilizarlo. El objetivo de la planificacin de transporte fue pronosticar este crecimiento de la demanda para los viajes en coche con el fin
de planificar las inversiones para satisfacerla. Los modelos de particin modal de aquella poca, relacionaban la eleccin de modo solamente con factores
como ingresos, densidad de poblacin y propiedad de los coches. En algunos
casos se incluy la disponibilidad de un servicio de transporte pblico razonable introduciendo un ndice de accesibilidad en las correspondientes formulaciones.
A corto plazo estos modelos podan ser muy exactos, especialmente si
exista transporte pblico disponible de forma similar en toda la zona de estudio
y si haba poca congestin. Sin embargo, este tipo de modelos son bastante pesimistas en el sentido de ser insensible a las decisiones de polticas de trasporte;
parece que no hubiera nada que pudiesen hacer los que toman las decisiones
para influir en la eleccin de modo. Aspectos como mejorar el transporte p-

MODELOS

DE

TRANSPORTE

blico, restringir el aparcamiento, cobrar por el uso de carreteras, no tendran

efecto sobre la particin modal segn estos modelos de eleccin.

6.4.

MODELOS DE DISTRIBUCIN Y PARTICIN MODAL

La modelizacin del reparto modal tuvo gran auge en Europa, casi desde el
principio, por los modelos postdistribucin; es decir, son modelos aplicados
posteriormente al modelo gravitacional o a otro modelo de distribucin. Esta
forma de trabajar tiene la ventaja de facilitar la inclusin de las caractersticas
del viaje y de los modos alternativos; sin embargo, dificulta la inclusin de
las caractersticas del usuario ya que quizs dichas caractersticas se hayan
agrupado ya en la matriz o matrices del viaje.
Los primeros modelos incluyeron solamente una o dos caractersticas del
viaje, usualmente el tiempo del viaje (dentro del vehculo). Se observ que una
curva de forma S representaba mejor este tipo de comportamiento, tal y como
se puede ver en la figura 6.1, la cual muestra la proporcin de viajes realizados
por el modo 1 (Tij1 / Tij) frente a la diferencia de tiempo o coste.

T 1ij
Tij
1,0

0,5

Figura 6.1.

(C 2ij C 1ij)

Curva de particin modal.

stas fueron curvas empricas, obtenidas directamente a partir de los datos

y siguiendo una aproximacin similar a las curvas utilizadas para calcular la
proporcin de viajeros que iban a desviarse para usar una ruta alternativa (ms
larga pero ms rpida); de ah su nombre curvas de desviacin. Por ejemplo,

Modelos de reparto modal

el Estudio del Transporte en Londres (Fase III) empleaba las curvas de desviacin 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 matrices 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.

6.5.
6.5.1.

MODELOS SINTTICOS
Modelos simultneos de distribucin y de reparto modal

El enfoque de maximizacin de la entropa puede utilizarse para generar modelos simultneos de distribucin y eleccin modal. Para ello, es necesario
formular el problema de maximizacin de la entropa en trminos de, por
ejemplo, dos modos tal y como se muestra a continuacin:

Maximizar log W [Tijk ]  (Tijk log Tijk Tijk )

ijk

(6.1)

Sujeto a:

Oi  0

(6.2)

Dj  0

(6.3)

Cijk C  0

(6.4)

k
ij

jk

k
ij

ik

k
ij

ijk

MODELOS

DE

TRANSPORTE

Es fcil ver que este problema lleva a la siguiente solucin:

Tijk  AO
B j D j exp( Cijk )
i i
Pij1 

Tij1
Tij

exp( Cij1 )
exp( Cij1 )  exp( Cij2 )

(6.5)
(6.6)

donde Pij1 es la proporcin de viajes realizados entre i y j con el modo 1. La

forma funcional en (6.6) se conoce como logit y se estudiar con detalle en el
siguiente captulo. Sin embargo, es til citar algunas de sus propiedades:

Genera una curva en forma de S.

Si C1 = C2, entonces P1 = P2 = 0,5.
Si C2 >> C1 entonces P1 1.
El modelo puede extenderse fcilmente al caso de ms de dos modos

Pij1 

exp( Cij1 )

exp( C

k
ij

(6.7)

Hay que destacar que en esta formulacin, desarrolla un doble papel;

por un lado, como parmetro que controla la dispersin en la eleccin modal
y por otro en la eleccin de diferentes destinos que se encuentran a distancias
diferentes del origen. Aunque est justificado mediante base terica, se considera que slo dicho parmetro asume demasiada responsabilidad (en cierto
modo es pedirle demasiado a un parmetro solo). Por lo tanto, en muchos
estudios se ha utilizado un modelo conjunto de distribucin y eleccin modal,
ms prctico, de la forma:

Tijkn  Ain Oin B j D j exp( n K ijn )

exp( n Cijk )

'
k

exp( n Cijk ' )

(6.8)

donde Kijn es el coste compuesto de viaje entre i y j percibido por el individuo

de tipo n. El coste compuesto puede ser especificado de muchas formas diferentes; por ejemplo, puede ser el mnimo entre los dos costes o, quizs mejor,
igual a su promedio ponderado:

K  Pk C k
k

(i y j se omiten por simplicidad de notacin)

Modelos de reparto modal

Es interesante sealar que la mayora de las formulaciones utilizadas en

muchos estudios hasta 1970 eran inapropiadas.
Ejemplo 6.1: considrese la expresin de la media ponderada representada
ms arriba y analcese lo que sucede cuando se aade a un sistema unimodal
actualmente existente, un nuevo modo ms costoso (C2 > C1).
k
k
1
En el estado inicial se tiene que: K  P C  C
k

Mientras en el estado final, despus de la introduccin del modo 2, quedara:

K *  P1C 1  P 2 C 2
Sin embargo, se sabe que P1 + P2 = 1 y, por lo tanto:

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 alternativa, 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, compatible 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)

donde tiene que satisfacer la siguiente restriccin:

n

 n

(6.10)

Se volver a tratar dicha restriccin en el Captulo 7. La medida del coste

compuesto (6.9) tiene las siguientes propiedades:
k

 K b Mink [C ]

K  Mink [C k ] , que corresponde a la eleccin del modo todo o nada.

 lim
md

MODELOS

DE

TRANSPORTE

dK
 Pk
dC k

El modelo [(6.8) (6.10)] representa la buena prctica de la modelizacin agregada del reparto modal y de la distribucin, sobre todo para las reas
urbanas. Aunque un nmero importante de modelos de este tipo se sigue aplicando en la prctica, actualmente estn siendo reemplazados por los modelos
desagregados, ya que responden mejor a los elementos fundamentales de la
eleccin modal y utilizan los datos de manera ms eficiente justificando el
esfuerzo requerido para su recoleccin; nuevamente se tratarn estos modelos
en los Captulos 7 y 9.

6.5.2.

Modelos de reparto multimodal

La figura 6.2 ilustra las estructuras posibles de un modelo de elecciones entre

ms de dos modos. La estructura de N-ramas independientes que, como se ver
en el Captulo 7, es muy popular en la modelizacin desagregada, es la ms
simple; sin embargo, tal y como se indica en el ejemplo famoso del bus azul-bus
rojo (Mayberry, 1973), cuando algunas alternativas se parecen ms que otras (o
sea, cuando las alternativas estn correlacionadas), esta estructura puede crear
problemas, porque asume que todas las alternativas tienen un peso igual.
Ejemplo 6.2: considrese una ciudad donde el 50% de los viajeros eligen
el coche (C) y el 50% el autobs (B). De acuerdo con el modelo (6.7), es decir
una estructura de N-ramas independientes, esto significa que CC = CB. Supngase que el director de la empresa de transporte, en un punto de ingenio,
decida pintar la mitad de los autobuses de rojo (BR) y los otros de azul (BA)
sin modificar el nivel del servicio. Esto significa que CBR = CBA y, debido a que
el modo coche no ha cambiado, su coste todava es igual a CC. Es interesante
apreciar que el modelo (6.7) ahora prev para el modo coche la siguiente probabilidad de eleccin:

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.

Modelos de reparto modal

El ejemplo es, obviamente, exagerado pero sirve para indicar el problema de la estructura de N-ramas independientes en presencia de alternativas
correlacionadas (en este caso totalmente correlacionadas). Se volver a tratar
este tema en el Captulo 7.
La estructura modo-anidado, que se ilustra en la figura 6.2b, ha sido utilizada por muchos profesionales pragmticos hacia finales de los 60 y a
principios de los 70, pero se ha demostrado que produce resultados diferentes
segn el modo que se considere como modo aadido (Langdon, 1976).
Adems, utilizando la simulacin de Monte Carlo se ha demostrado que
la forma del modo aadido que mejor funciona en el ao base, en presencia de
algunos cambios, no es necesariamente la mejor en el futuro (Ortzar, 1980a).
La tercera posibilidad, ilustrada en la figura 6.2c, es la estructura jerrquica (o nested structure). En este caso, las alternativas que tienen elementos
en comn (es decir que son ms similares a otras o estn correlacionadas) se
agrupan en una primera divisin (p. ej., transporte pblico). Despus de que
han sido separadas de la alternativa no correlacionada, se agrupan en una
agrupacin secundaria.
Esta forma de proceder ha representado la prctica usual en la dcada
de los 60 y principios de los 70, pero tena la desventaja de que los costes
compuestos para el transporte pblico normalmente se tomaban iguales al
mnimo entre los costes de autobs y de tren para cada par de zonas y que la
reparticin secundaria se obtena a travs de una asignacin de coste mnimo
todo o nada.
Este procedimiento pragmtico implica un valor infinito para el parmetro de dispersin de la funcin de reparto sub-modal, mientras comnmente se
sabe que, an satisfaciendo (6.10), tiene un valor del mismo orden de magnitud
del parmetro de dispersin en el reparto principal.
Ejemplo 6.3: sea nuevamente el problema del autobs rojo/azul del ejemplo 6.2, pero esta vez, considrese la siguiente expresin de la estructura jerrquica:

PC 

1
;
1  exp [ 1 (CB CC )]

PR/B 

1
1  exp [ 2 (CBA CBR )]

PB  1 PC

MODELOS

DE

TRANSPORTE

Todos los viajes

Eleccin modal
Modo A

(a) Estructura de N-ramas

Modo B

Modo C

Todos los viajes

Primera eleccin
+ nuevo

+ nuevo

Modo B Modo A

Modo C

Segunda eleccin

Segunda eleccin

Modo A

Modo B

Modo B

Modo C

(b) Estructura de modos anidados

Todos los viajes

Reparto primario
Modo compuesto
Reparto secundario
Modo A
(c) Estructura jerrquica

Modo B

Modo C

Figura 6.2. Estructuras del modelo multimodal: (a) estructura de N-ramas

independientes, (b) estructura modos-anidados, (c) estructura jerrquica.

PA/B  1 PR/B
con

CB 

1
log exp( 2 CBR )  exp( 2 CBA )
2

donde PC , como antes, es la probabilidad de elegir el modo coche; (1 PC)PR/B

es la probabilidad de elegir el autobs rojo, (1 PC)PA/B es la probabilidad de
elegir el autobs azul y son los parmetros del reparto principal y secundario.

Modelos de reparto modal

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 usuarios 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

Puede observarse tambin que si 1 = 2 entonces PC = 1/3 o sea se obtiene el

mismo resultado de un modelo logit trinomial, porque la estructura jerrquica
colapsa en el modelo logit simple (epgrafe 7.4).

MODELOS

DE

TRANSPORTE

Sin embargo, para valores pequeos, por ejemplo, 1 = 0,1, la estructura

jerrquica prev un porcentaje de usuarios que escogen el automvil (48%)
muy cercano al valor esperado (50%). Aqu surge la siguiente duda: este 2%
que se pierde puede explicarse porque algunos usuarios tienen una preferencia especial por un color o porque algunos usuarios se ven influenciados por
cualquier cambio (la nueva pintura) en la oferta de un servicio?

6.5.3.

Calibracin de modelos logit binarios

Sea ahora un modelo de eleccin entre el coche y el transporte pblico con

costes generalizados Cijk dados por una expresin del tipo (5.2). Tal y como se
estudi en el Captulo 5, los pesos a asociados a cada elemento de coste
se consideran como dados y la calibracin consiste solamente en encontrar los
mejores valores para los parmetros de dispersin y de penalidad modal (se
considera asociado al segundo modo).
Adems, sean Cij1 y Cij2 las partes conocidas del coste generalizado para
cada modo y par O-D, si tambin se dispone de informacin acerca del porcentaje de usuarios que elige cada modo para cada par (i,j), Pij*, es posible
estimar los valores de y de utilizando una regresin lineal siguiendo los
pasos indicados a continuacin.
El porcentaje P modelizado para cada par (i,j), eliminando los ndices (i,j)
por sencillez de notacin, da como resultado:

P1 

1
1  exp [ (C2  C1 )]

P2  1 P1 

exp [ (C2  C1 )]

(6.11)

1  exp [ (C2  C1 )]

Por lo tanto, la relacin entre los dos porcentajes, es:

P1 / (1 P1 )  1 / exp [ (C2  C1 )]  exp [ (C2  C1 )]

y tomando logaritmos en ambas partes, se obtiene:

log ; P1 / (1 P1 ) =  (C2 C1 ) 

(6.12)

Modelos de reparto modal

donde P y C son datos observados y y son, por lo tanto, las nicas incgnitas. 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 desconocidos, es todava posible calibrar el modelo utilizando la ecuacin (6.12) y la
regresin lineal mltiple. En este caso los pesos calibrados incluiran el parmetro . 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

en la que las primeras cuatro columnas representan los datos relacionados

con la eleccin agregada del modo entre cinco pares de zonas; mientras la
ltima columna de la tabla corresponde a los valores de la parte izquierda de
la ecuacin (6.12).
La ecuacin (6.12), puede ser representada grficamente como se muestra
en la figura 6.3, en la que

 0,72
 y


 3,15.

6.5.4.

Calibracin de modelos jerrquicos de particin modal

Normalmente la calibracin de estos modelos se lleva a cabo de forma heurstica

o recursiva, comenzando con la particin sub-modal y procediendo hacia arriba
hasta la particin primaria. Se postpone hasta el Captulo 7 la discusin general
sobre las ventajas de esta aproximacin en comparacin a la, tericamente,
superior estimacin simultnea.
Dentro de esta aproximacin general existen varios procedimientos de
calibracin posible. Se ha demostrado (vase Domencich y McFadden, 1975)

MODELOS

DE

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.

que las estimaciones mediante mxima verosimilitud son preferibles a las estimaciones por mnimos cuadrados, tanto en la teora como en la prctica.
Ello es especialmente cierto cuando se trabaja con grandes series de datos. Sin
embargo, cuando se trata de fuentes de datos agregados normalmente conviene
agrupar la informacin dentro de clases idneas para su anlisis. De forma ms
importante, los datos normalmente disponibles son, por definicin, datos de
muestreo que han sido expandidos y multiplicados por algunos factores derivados empricamente para representar los viajeros. Esto puede provocar discrepancias cuando se utilizan varias fuentes de datos con diferentes factores
de expansin, pero, en este momento, el aspecto importante es que la serie de
datos reales es muy pequea.
Hartley y Ortzar (1980) compararon diversos procedimientos y encontraron que la mxima verosimilitud produca no solamente resultados de calibracin ms exactos sino tambin ms eficientes en trminos de tiempo de
ordenador.
Considrese un problema trinomial que implica la eleccin entre, por ejemplo, coche, autobs y ferrocarril. Tambin se va a suponer que estos dos ltimos
modos estn correlacionados debido a su naturaleza de transporte pblico.
La calibracin heurstica procede de la siguiente forma. Primero, se obtiene 2
para la particin sub-modal (autobs frente a ferrocarril) tal y como se explicaba
en el ejemplo 6.4 y se utiliza su valor para calcular los costes compuestos de

Modelos de reparto modal

transporte pblico necesarios para la particin primaria utilizando una expresin como la del ejemplo 6.3.
Para los pares de zonas donde hay una eleccin de modo (es decir, son
posibles los viajes de ambos modos) los viajes se clasifican segn diferentes
intervalos de coste de un cierto tamao mnimo. Aquellos viajes que no tienen
eleccin de modo se excluyen de la calibracin.
Entre los intervalos de costes con viajes asignados, pueden existir algunos
de ellos sin ningn viaje; por lo tanto los intervalos se deben agrupar en intervalos ms grandes hasta que cada estrato contenga algn viaje. Finalmente,
para cada estrato se calcula un coste representativo ponderado.
Entonces, si N es el nmero total de intervalos, nk es el nmero de viajes
observado dentro del intervalo de costes k, rk es el nmero de viajes observado
para el primer modo dentro del intervalo, y

Pk 

1
;1  exp( Yk )=

La probabilidad de elegir el primer modo en el intervalo k, con Yk = axk + b,

donde xk es el coste representativo del intervalo k, y a y b son los parmetros
que hay que estimar (es decir, = a as como la penalizacin modal = b / a), el
logaritmo de la funcin de probabilidad (vase el Captulo 8 para ms detalles)
puede escribirse como:

L  ctte   nk rk log(1 Pk )  rk log Pk

k

(6.13)

El procedimiento de maximizacin se realiza a travs de las derivadas

primera y segunda de (6.13) con respeto a los parmetros, los cuales en este
simple caso tienen expresiones analticas sencillas:

uL
  rk nk Pk xk
ua
k
uL
  rk nk Pk
ub
k
u2L
 nk Pk 1 Pk xk2
2
ua
k
u2 L
 nk Pk 1 Pk
ub 2
k
u2 L
 nk Pk 1 Pk xk
uaub
k

uL
  rk nk Pk xk
ua
k
uL
  rk nk Pk
ub
k
MODELOS

DE

TRANSPORTE

u2L
 nk Pk 1 Pk xk2
2
ua
k

u2 L
 nk Pk 1 Pk
ub 2
k
u2 L
 nk Pk 1 Pk xk
uaub
k
Conociendo los valores de las derivadas, cualquier algoritmo de bsqueda
va a encontrar el mximo sin ninguna dificultad. Las rutinas de maximizacin
requieren valores iniciales para los parmetros, junto con alguna indicacin de
su lejana con respecto al ptimo.
La eficacia de la calibracin normalmente depende de la exactitud de estas
estimaciones. Un procedimiento para generar primeras estimaciones bastante
exactas consiste en encontrar el coste equi-probable (vase Bates et al., 1978),
donde la probabilidad de elegir cualquiera de los modos es 0,5.
Antes de cerrar este captulo conviene discutir una aproximacin alternativa
que consolide, en un solo modelo, los aspectos de dos o tres de los sub-modelos
clsicos.

6.6.
6.6.1.

MODELOS DE DEMANDA DIRECTA

Introduccin

La metodologa secuencial requiere la estimacin de sub-modelos relativamente

bien definidos. Un enfoque alternativo consiste en desarrollar directamente
un modelo que incorpore la generacin, distribucin y eleccin del modo de
transporte. ste es un mtodo muy atractivo en tanto en cuanto evita algunos
problemas del enfoque secuencial. Por ejemplo, ya se ha citado anteriormente,
que los modelos gravitacionales presentan el problema de tener que tratar los
errores de los totales de generacin y atraccin y los errores generados por
viajes intrazonales estimados de forma no muy rigurosa. Los modelos de demanda directa, sin embargo, no presentan este problema puesto que se calibra
simultneamente un modelo para las tres respuestas conductuales: generacin,
distribucin y eleccin de modo.
Los modelos de demanda directa pueden ser de dos tipos: los puramente
directos cuando utilizan una sola ecuacin estimada para relacionar la demanda
de viajes directamente con los atributos del modo, del viaje y del individuo;
o casi directos cuando el reparto modal y la demanda de viajes totales (O-D)

Modelos de reparto modal

estn, de alguna manera, separados. Los modelos de demanda directa estn

estrechamente ligados a los modelos generales economtricos de demanda
y desde hace mucho tiempo se han inspirado en las investigaciones en este
campo.

6.6.2.

Modelos de demanda directa y modelos abstractos

Los primeros tipos de modelos de demanda directa han sido los de tipo multiplicativo. El modelo SARC (Kraft, 1968), por ejemplo, estima la demanda
utilizando una funcin multiplicativa de variables de actividad y socioeconmicas para cada par de zonas y de atributos de nivel de servicio de los modos que
sirven a estas zonas:
1
2
Tijk  ( PP
)k 1 ( I i I j )k 2  tijm km  cijm km
i j

(6.14)

donde P es la poblacin, I es el ingreso o renta, t y c el tiempo y el coste de viaje

respectivamente entre i y j en el modo k, y , y son parmetros del modelo.
Esta complicada expresin puede ser re-escrita ms simplemente definiendo
las siguientes variables compuestas (Manheim, 1979):

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:

Tijk  Yik Z jk Lijm

m

(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

TRANSPORTE

delo, en principio, es particularmente atractivo en cuanto que permite tratar

simultneamente generacin, distribucin y reparto modal incluyendo atributos de los modos competitivos as como una amplia variedad de variables
de nivel de servicio y de actividad. El principal problema que presenta este modelo es el gran nmero de parmetros necesarios para poder utilizar sus ventajas.
Domencich et al. (1968) han propuesto frmulas alternativas que contienen
trminos lineales y exponenciales adems de los multiplicativos.
Otra funcin directa de demanda originariamente propuesta en el estudio del corredor North Eash en EE.UU. se conoce como modelo McLynn (ver
Manheim, 1979) y tiene la siguiente forma:

Tijk  ( PP
) (Ii I j )
i j
1

t C
 t  C
1
k

k
ij

m
ij

1m

k
ij

2
k

m
ij

m 1m m m2
 tij  Cij
2
m
m

(6.16)

Al objeto de entender esta funcin, se consideran las siguientes simplificaciones: sean slo dos modos (p. ej., 1 y 2) y = 0. Omitiendo los ndices i y
j por simplicidad de notacin, se definen las siguientes variables compuestas:

Yij  Y  ( PP
)1 ( I i I j )2
i j
Lk   t k

1
k

C
k

2
k

Teniendo en cuenta estas transformaciones, se pueden escribir las siguientes

expresiones para los modos 1 y 2:

T1 

YL1
YL2
y T2 
L1  L2
L1  L2

Siendo el nmero total de viajes T = T1 + T2 = Y, las proporciones modales

vienen dadas por las siguientes ecuaciones:
P1 = T1 / T = L1 / (L1 + L2) = 1 / (1 + L2 / L1)
P2 = 1 P1 = 1 / (1 + L1 / L2)
que se pueden representar grficamente como se expone en la figura 6.4. En
particular, la figura 6.4a representa la variacin de la proporcin de utiliza-

Modelos de reparto modal

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
modo 2 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
T1 + T2
0

0
(a)

L2 / L1

(b)

tk

Figura 6.4. Funciones de reparto modal en el modelo de McLynn;

(a) curvas de reparto modal, (b) curvas de isocoste.

El examen de algunos casos particulares sugiere que el modelo puede

no tener una slida base terica. Por ejemplo, si = 0, tal y como se vio anteriormente, el ltimo trmino de la ecuacin (6.16) desaparece. Si = 1 el
ltimo trmino y el trmino del denominador de dicha ecuacin se cancelan,
conduciendo a la siguiente expresin:

MODELOS

DE

TRANSPORTE

Tijk  F ( PP
) ( Ii I j )
i j
Q1

Q2

t C
k

A1k

ij

A k2

ij

que efectivamente dice que lo que sucede en un modo no influye en lo que

sucede en los otros y eso es totalmente irreal. De hecho se ha demostrado
que si 0 < < 1, el modelo proporciona resultados satisfactorios; en este sentido es importante destacar que el valor de calibracin que mejor se ajusta a los
datos obtenidos del estudio original era 0,77 (McLynn y Woronka, 1969).
Ejemplo 6.5: sea la funcin de demanda siguiente: T12 = 10.000 t12 c12 q12
donde t es el tiempo medido en horas, la tarifa c en $US y la frecuencia del
servicio q en servicios/da. Los valores estimados de los parmetros son = 2,
= 1 y = 0,8 (obsrvese que los signos son intuitivamente correctos). Si
el operador del servicio quiere aumentar las tarifas en un 20%, se pregunta,
qu cambios deben realizarse en el nivel de servicio para mantener el mismo
volumen de viajes, conservando el resto igual?
Se define L12 = L = t2 c 1 q0,8 y se sabe que si L permanece constante el
volumen total T12 no vara (ceteris paribus). Se sabe adems que la elasticidad
E(L, x) del nivel de servicio (o sea, la demanda) con respecto a cada atributo x
(tiempo, coste y frecuencia) es respectivamente 2, 1 y 0,8.
Ahora, si slo variase c, se obtendra que L = k / c donde k es una constante;
por lo cual un crecimiento del 20% de c significara un nuevo nivel de servicio
L' = k / 1,2c o bien L' / L = 0,833. Esto es, una disminucin del 16,7% de L. Para
compensar este efecto, el operador tiene que introducir cambios en el tiempo
de viaje, en la frecuencia del servicio o en ambas. Ahora bien, a partir de la
definicin de elasticidad (ver Captulo 2), se tiene que:

$L( c ) z E ( L, c) L$c / c z L$c / c

$L( t ) z E ( L, t ) L$t / t z 2 L$t / t
$L( q ) z E ( L, q ) L$q / q z 0, 8 L$q / q
Si
 se
 desea
 que
 L(c)
 sea
 igual
 a
 L(q), se requiere que:

L$c / c z 0.8L$q / q
es decir:

$q / q z 1, 25$c / c z 1, 25 x 0, 20  0, 25 o 25%

Modelos de reparto modal

Si se quiere modificar, ya sea la frecuencia o el tiempo de viaje, entonces:

$L( c )  ($L( q )  $L( t ) )

es decir:

2$t / t  0,8$q / q 0,20

que es una recta de soluciones factibles (ver Figura 6.5).
t
t
0,2
0

0,2

q
q

0,4

-0,2

Figura 6.5.

Soluciones factibles para el ejemplo 6.5.

Uno de los estudios ms influyentes en este tipo de anlisis (Quandt and

Baumol, 1966) propone un modelo de demanda en forma abstracta en donde
los coeficientes no presentan el subndice relativo al modo. Su forma funcional
puede ser generalizada as:

Tijm  F0 ( Aik Ajk )

k

Fk

C C
Ah

ijh

ijhm

/ Cijhb

Bh

(6.17)

donde , y son parmetros de calibracin; el ndice h se utiliza para indicar

un atributo de coste, por ejemplo, el tiempo de viaje, la tarifa o el tiempo de
transbordo. Aik son diferentes atributos asociados a cada zona, i, por ejemplo,
la poblacin y el ingreso; Cijhm es, por lo tanto, el valor del atributo de coste h
para el modo m entre i y j y Cijhb es el valor del mejor atributo h entre estos
dos puntos, por ejemplo, la tarifa ms baja entre ellos. Esta dependencia del
mejor modo para el reparto modal y de la impedancia generalizada, constituye limitaciones a este enfoque, aunque se puede superar utilizando medias

MODELOS

DE

TRANSPORTE

geomtricas respecto a los modos en lugar de utilizar el modo mejor; vase,

por ejemplo, Crow et al. (1973).
Una de las ventajas de la funcin (6.17) es que permite la modelizacin
de modos de transporte completamente nuevos sin necesidad de re-especificar
el modelo. Sin embargo, es necesario discutir la solidez de dichos modelos y
si las elasticidades resultantes son lo suficientemente representativas de cada
modo individual, ya que se basan en condiciones promedio del mercado de
viajes.
Se han propuesto numerosas variantes de los modelos de demanda directa utilizando tcnicas heursticas pero su utilizacin se ha limitado preferentemente al contexto interurbano con pocas aplicaciones a reas urbanas.
Generalmente se considera el logaritmo de los viajes y de las variables explicativas para obtener modelos de demanda directa log-lineal que se pueden estimar utilizando software para modelos lineales generalizados como el
GLIM.
Los modelos de demanda directa son una propuesta atractiva para ser
utilizados, en particular en aquellas reas en las que las zonas son muy grandes, como, por ejemplo, en los estudios interurbanos. Timberlake (1988) estudi la utilizacin de este tipo de modelos de demanda directa en pases en
vas de desarrollo encontrndolos superiores a los enfoques convencionales. As, en el corredor Karthoum-Wad Medani en Sudn el modelo de demanda directa utilizado proporcion un mejor ajuste que el modelo gravitacional, dadas las caractersticas nicas de trfico de Karthoum y Port Sudan
en comparacin con el resto del pas. El modelo de demanda directa fue, de
hecho, capaz de tener en cuenta estas diferencias mejor que el modelo gravitacional.

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:

Modelos de reparto modal

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

Donde los costes de viaje por pasajero son los siguientes:

X1 = tiempo de viaje a bordo en minutos (sistema de transporte principal
ms otros sistemas alimentadores).
X2 = tiempo de acceso (a pie ms la espera), en minutos.
X3 = coste de viaje directo (carburante o tarifa) en centavos (coste en efectivo = out-of-pocket o coste pagado en el momento del viaje).
X4 = es el coste del aparcamiento asociado a un viaje en una direccin, en
centavos.
a) Calibrar un modelo de reparto modal Logit considerando que el valor del
tiempo de viaje es de 8 centavos por minuto y que el valor del tiempo de
acceso es el doble.
b) Estimar el impacto en el reparto modal sobre cada par O-D producido por
el aumento en el precio de la gasolina que provoca una duplicacin del
coste percibido de viajes en coche (X3).
c) Estimar la variacin del reparto modal en el caso en el que el sistema
ferroviario fuera gratuito.

MODELOS

DE

TRANSPORTE

6.2. Se est desarrollando un estudio interurbano sobre la eleccin

de modo entre coche y tren. Los valores representados en la tabla siguiente
son el resultado de una encuesta sobre cinco pares origen-destino desde A
hasta E.
Elementos de coste por cada modo
Coche

O-D

Proporcin
que elige coche

Tren

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

donde X1 es el tiempo de viaje en horas y X2 es el coste directo (out-of-pocket)

en libras esterlinas. Considerando que el coeficiente de valor del tiempo es de
2,00 por hora, calcular el coste generalizado de viaje por modo.
a) Utilizando los datos de la tabla, calibrar un modelo logit binario de reparto
modal introduciendo tambin la penalidad especfica del modo.
b) Se est pensando en introducir un mejor servicio ferroviario capaz de reducir el tiempo de viaje en 12 minutos por trayecto; cunto puede aumentar la tarifa del modo ferroviario para que en cada par O-D no se pierdan
usuarios?
c) Cmo debera modelizarse la introduccin de un servicio de bus directo
entre estas ciudades?
6.3.

Sea el siguiente modelo de distribucin/reparto modal:

Vijn  AO
B j D j exp( M ijn )
i i
donde:

M ijn 

1
log exp( n Cijk )
n
k

Modelos de reparto modal

en el que n = 1 indica los individuos con acceso a coche, n = 2 los individuos

sin acceso a coche, k = 1 es el modo coche y k = 2 el modo transporte pblico.
Si el nmero total de viajes entre las zonas i y j es Vij = 1.000, calcular cunta
gente utilizara el coche y cunta el transporte pblico segn este modelo. Los
valores estimados de los parmetros son: 1 = 0,10, 2 = 0,05 y = 0,04; adems, para los viajes entre i y j los costes modales se calcularon y los resultados
fueron: Cij1 = 30 y Cij2 = 40.
6.4.

Sea el siguiente modelo de reparto modal:

Pk 

exp( Cijk )

exp( C

m
ij

en la que los costes generalizados vienen dados por:

Cijk  kp xkp
p

donde son parmetros ponderados de las variables explicativas del modelo

(tiempo, coste, etctera).
a) Escriba una expresin para la elasticidad de Pk con respecto a xkp.
b) Considrese ahora un problema de eleccin binaria donde los costes generalizados tienen las siguientes expresiones concretas:

Ccoche  0, 2ttcoche  0,1ccoche  0, 3etcoche

Cbus  0, 2ttbus  0,1cbus  0, 3etbus  0, 3
donde tt es el tiempo de viaje a bordo del vehculo (minutos), c es el coste de
viaje ($) y et es el tiempo de acceso (andando y de espera, min). Supngase
que se conocen los siguientes datos medios por cada modo:

Modo

Variable
tt

et

Coche

20

50

Bus

30

20

Calcular la proporcin de personas que eligen el coche si = 0,4.

MODELOS

DE

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 siguiente:
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:
Vr / Vt = 0,83(tr / tt) 0,8 (cr / ct) 1,6
Se espera que el volumen total transportado entre las dos ciudades Vr + Vt
permanezca constante a medio plazo e igual a 200 camiones/hora.
a) Estimar el reparto modal actual (es decir, los volmenes transportados por
el ferrocarril y el servicio de camiones).
b) Estimar el reparto modal si la autopista estuviera hecha.
c) Cul sera el reparto modal si:
el servicio de ferrocarril redujera sus tarifas hasta 450 $/ton?
a los camiones se les hiciera pagar un peaje de 4 $/ton para la financiacin
de la autopista?
sucedieran ambas a la vez?

7.
Modelos de eleccin discreta

n este captulo se hace una completa introduccin a los mtodos de

modelizacin de elecciones discretas (es decir, la eleccin de alternativa
de transporte de los individuos frente a un conjunto finito de posibilidades). En la primera parte se presentan algunas consideraciones de
carcter general, as como el marco de referencia terico en particular (la teora
de la utilidad aleatoria) dentro de la cual se enmarcan estos modelos. Esta
primera parte sirve, asimismo, para introducir algunos conceptos terminolgicamente bsicos, estudiando adems la dualidad individuo-modelizador,
la cual es particularmente til para una mejor comprensin de los postulados
tericos.
A continuacin se introducen los dos modelos de eleccin discreta ms
conocidos: el modelo logit multinomial y el modelo logit jerrquico, los cuales proporcionan al profesional una familia de instrumentos de modelizacin
particularmente potente. Hay que destacar que la hiptesis implcita para estudiar estos dos modelos es que se disponga de datos de preferencias reveladas
correspondientes a un corte transversal (cross-section).
Tambin sern tratados aqu brevemente otros modelos de eleccin discreta,
como el modelo Probit Multinomial, dado que permite estudiar el tema (aportando ciertas ventajas y algunos inconvenientes especficos) de la modelizacin
con datos-panel, y otros paradigmas que ofrecen una perspectiva alternativa
al enfoque clsico de maximizacin de la utilidad.
Indicar asimismo que en el Captulo 8 se analizarn los problemas de especificacin y estimacin de estos modelos con datos, ya sea de preferencias
reveladas o declaradas, con el detalle suficiente para poder realizar aplicaciones
prcticas. Dicho captulo analiza adems algunos temas interesantes como, por
ejemplo, el uso de muestras de validacin, que casi nunca se trata en libros
de este tipo. En el Captulo 9 se tratar el problema de la agregacin desde
diferentes puntos de vista, as como la importante cuestin de la actualizacin

Modelos de eleccin directa

del modelo y su transferencia (ello va dirigido particularmente a aqullos interesados en el enfoque de planificacin continua en transporte).

7.1. CONSIDERACIONES GENERALES

Como ya se ha citado en captulos precedentes, los modelos agregados de demanda (o de primera generacin) se basan en relaciones observadas para grupos
de individuos o en relaciones promedio a nivel zonal. Los modelos desagregados
(o de segunda generacin) se basan en elecciones observadas efectuadas por
cada uno de los individuos que se desplazan y por ello se considera que este
enfoque puede conducir al desarrollo de modelos ms realistas.
A pesar de los trabajos de investigacin de autores como Warner (1962) y
Oi y Shuldimer (1962) en que se sealaban las importantes limitaciones de los
mtodos convencionales, los modelos de primera generacin continuaron siendo
utilizados hasta principios de los ochenta en la gran mayora de los proyectos
de transporte casi sin sufrir variaciones. Es precisamente a partir de dichos
aos cuando se comenzaron a considerar los modelos de segunda generacin
como una seria alternativa en el proceso de modelizacin (vase Williams,
1981). Los modelos de eleccin discreta afirman que:
La probabilidad de que los individuos elijan una determinada alternativa
es funcin de sus caractersticas socioeconmicas y de la relativa atractividad
de la alternativa.

Para representar la atractividad de la alternativa se utiliza el concepto

de utilidad (ste es un artificio terico convenientemente definido en forma
tautolgica como lo que el individuo intenta maximizar). Las alternativas per
se no producen utilidad, sino que la utilidad se deriva (Lancaster, 1966) de las
caractersticas de las alternativas y de las caractersticas de los individuos. La
utilidad medible u observable se define generalmente como una combinacin
lineal de variables como:
Vcoche = 0,25 1,2 IVT 2,5 ACC 0,3 C/I + 1,1 NCOCHE

(7.1)

donde cada variable representa un atributo de la alternativa o del viajero, en

tanto que los coeficientes representan la influencia relativa de cada atributo, es
decir, la contribucin que cada variable aporta a la satisfaccin total producida
por cada alternativa. Por ejemplo, de la ecuacin (7.1) se puede obtener que una

MODELOS

DE

TRANSPORTE

variacin unitaria del tiempo de acceso (ACC) tendra, aproximadamente, el doble de impacto que una variacin unitaria del tiempo de viaje en vehculo (IVT)
y un impacto ms de siete veces mayor que un cambio unitario en la variable
coste/ingreso (C/I). Las variables pueden tambin representar caractersticas
del individuo: por ejemplo, en general sera de esperar que un individuo que
pertenece a un hogar en el que hay un elevado nmero de coches (NCOCHE)
tenga una probabilidad mayor de elegir la alternativa coche respecto a un individuo que pertenece a una familia en la que slo hay un vehculo.
En fin, la constante especfica de la alternativa (0,25) se puede normalmente interpretar como la representacin de la influencia neta de todas las
caractersticas tanto del individuo como de la alternativa de transporte, no
observadas o no explcitamente incluidas en dicha funcin de utilidad. La
constante especfica puede incluir, por ejemplo, elementos tales como el confort
o la fiabilidad, que son variables nada fciles de medir o de observar.
De acuerdo con el modelo, para poder predecir si una alternativa es elegida,
el valor de su utilidad se ha de comparar con el valor de las utilidades de las
opciones alternativas y transformarse en un valor de probabilidad entre 0 y 1.
Para ello, existe una gran variedad de transformaciones matemticas, cuyas
grficas tienen forma de S y de entre las cuales se destacan las siguientes:
Logit: P1 

Probit:

exp(V1 )
exp(V1 )  exp(V2 )

P1 

d
d

V1 V2  x1
d

x 2 2 R x x x 2
1

1 2
1
exp
 2
2
2(1 R ) S1
S1S 2
S 2

2PS1S 2 (1 R 2 )

dx2 dx1

donde la matriz de covarianza de la distribucin Normal asociada a este ltimo

modelo tiene la forma siguiente:

12

1 2

1 2

22

Los modelos de eleccin discreta no se pueden calibrar utilizando tcnicas

clsicas de ajuste de curvas, como, por ejemplo, el mtodo de los Mnimos
Cuadrados, porque su variable dependiente Pi es una probabilidad no-observada

Modelos de eleccin directa

(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 comportamiento 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 comportamiento 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 convencionales, 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 representa 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 agregacin 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 generacin 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

TRANSPORTE

en la figura se ha exagerado, puede suceder, por ejemplo, en el caso en que

las caractersticas de uso del suelo de la zona B favorezcan la realizacin
de viajes andando.
4. Los modelos desagregados son probabilsticos; ello implica que como
proporcionan la probabilidad de elegir cada alternativa, sin indicar cul
se selecciona, se deben utilizar conceptos bsicos de la teora de las probabilidades, tales como:
El nmero esperado de personas que utilizan una cierta alternativa de
viaje es igual a la suma, sobre todos los individuos, de la probabilidad
de eleccin de dicha alternativa:

N i  Pin

Viajes en coche por hogar

Hogares en zona A
Media
zona A

Media Hogares en zona B

zona B
Modelo agregado

Ingreso

Figura 7.1.

Ejemplo de falacia ecolgica.

Es posible modelizar un conjunto de decisiones independientes considerando a cada una como una eleccin condicionada; en este caso
separadamente, las probabilidades resultantes pueden ser multiplicadas
para obtener las probabilidades conjuntas, tal como en:
P( f,d,m,r) = P( f )P(d / f )P(m / d,f )P(r / m,d,f )
con f = frecuencia; d = destino; m = modo; r = ruta.
5. Las variables explicativas incluidas en el modelo pueden tener coeficientes
explcitamente estimados. Contrariamente a lo que sucede en el caso del
coste generalizado de los modelos convencionales, en los que la funcin

Modelos de eleccin directa

est generalmente limitada y presenta numerosos parmetros fijos, en la

funcin de utilidad es posible, en principio, insertar un nmero cualquiera
de variables explicativas con cualquier tipo de especificacin. Todo ello
tiene las siguientes implicaciones:
Los DM permiten una representacin ms flexible de las variables de
poltica consideradas relevantes para el estudio.
Los coeficientes de las variables explicativas tienen una interpretacin
directa como utilidades marginales (esto es, representan la importancia
relativa de cada atributo).
En los prrafos siguientes y en los prximos dos captulos, se examinarn
en detalle numerosos aspectos interesantes de los modelos de eleccin discreta como sus bases tericas, estructura, especificacin, forma funcional y los
procesos de estimacin y agregacin. Para los lectores interesados, citar que
existen al menos otros dos libros que tratan exclusivamente estos temas (Ben
Akiva y Lerman, 1985; Hensher y Johnson, 1981).

7.2.

MARCO TERICO DE REFERENCIA

La base (marco de referencia o paradigma) terica ms usual para generar los

modelos de eleccin discreta es la teora de la utilidad aleatoria (Domencich y
McFadden, 1975; Williams, 1977), que fundamentalmente afirma que:
1. Los individuos pertenecen a una determinada poblacin homognea Q,
actan racionalmente y poseen informacin perfecta, esto es, eligen siempre
la alternativa que maximiza su utilidad neta personal (por ello se ha caricaturizado a esta especie como Homo Economicus) sujeto a sus pertinentes
restricciones legales, sociales, fsicas y/o presupuestarias (en trminos de
tiempo y de dinero).
2. Existe un cierto conjunto A = {A1, , Aj, , AN} de alternativas disponibles y un conjunto X de vectores de atributos medibles de los individuos
y de las alternativas. Cada individuo dispone de un conjunto x X de
atributos y, en general, se enfrenta a un conjunto de opciones de eleccin
disponibles A(q) A.
En lo que sigue se supondr que el conjunto de eleccin de los individuos
est predeterminado. Esto implica que el efecto del conjunto de las restricciones ya se ha tomado en cuenta y no influye en el proceso de eleccin

MODELOS

DE

TRANSPORTE

entre las alternativas disponibles. La determinacin del conjunto de eleccin

se tratar en el Captulo 8 simultneamente con otros temas importantes
an sin solucin.
3. Cada alternativa Aj A tiene asociada una utilidad Ujq para cada individuo q. El modelizador, que es un observador del sistema, no posee informacin completa acerca de todos los elementos considerados por el individuo
cuando hace una eleccin; por lo tanto, considera que la utilidad Ujq tiene
dos componentes:
una parte sistemtica, medible o representativa Vjq que es funcin de los
atributos medibles x; y
una componente aleatoria jq que representa la idiosincrasia y/o los gustos
(preferencias) de cada individuo y que incluye adems los errores de
medicin y observacin que pueda cometer el modelizador.
El modelizador propone entonces que:
Ujq = Vjq
 +
 jq

(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 segmentar el mercado.
Aunque el trmino V se haya definido como representativo de las caractersticas 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 probabilidad a especificar.

V jq  kj X jkq
k

(7.3)

Modelos de eleccin directa

donde los parmetros se consideran constantes para todos los individuos

(modelo con coeficientes fijos) pero pueden variar de alternativa en alternativa.
En el Captulo 8 se estudian otras formas posibles de la funcin de utilidad y
se discute cmo debera introducirse cada variable en esta funcin.
Es importante enfatizar la existencia de dos puntos de vista en la formulacin de este problema: el primero de ellos hace alusin al individuo que,
con tranquilidad, sopesa todos los elementos de inters (sin aleatoriedad) y
a continuacin elige la alternativa ms conveniente; el segundo se refiere al
modelizador, el cual observando solamente algunos de los antedichos elementos, necesita incluir los residuos para explicar lo que de otra manera podra
constituir un comportamiento no racional.
4. El individuo q elige la alternativa que le proporciona su mxima utilidad,
es decir elige Aj si, y slo si:
Ujq

 Uiq, Ai A(q)

(7.4)

Vjq Viq

 iq

 jq

(7.5)

es decir:
Como el analista ignora el valor de (iq jq) no le es posible determinar con
certeza si la condicin (7.5) se verifica. Por lo tanto, slo puede plantear
que la probabilidad de elegir la alternativa Aj viene dada por:
Pjq = Prob {iq

 jq + (Vjq Viq), Ai A(q) }

(7.6)

y como la distribucin de los residuos es desconocida, no es posible a

estas alturas derivar una expresin analtica para el modelo. Sin embargo,
s se sabe que los residuos son variables aleatorias con una cierta distribucin del tipo f() = f(1, , N). Resaltar que sin prdida de generalidad se
puede suponer que los tienen media cero, y por lo tanto la distribucin
de U tiene la misma distribucin anterior f(U), pero con diferente media
(es decir, V en lugar de cero).
Con lo cual, la ecuacin (7.6) se puede escribir de forma ms precisa as:

Pjq 

RN

f ( )d( )

(7.7)

donde
RN =

iq

 jq + (Vjq Viq),
Vjq + jq

 0

Ai A(q)

MODELOS

DE

TRANSPORTE

pudiendo obtenerse diferentes formas para los modelos, segn la distribucin que se elija para los residuos .
Es posible generar una clase importante de modelos de utilidad aleatoria
mediante funciones de utilidad con residuos distribuidos independiente e idnticamente (IID). En este caso f() se puede descomponer as:

f ( )  f ( 1 ,..., N )  g ( n )
n

donde g(n) representa la funcin de utilidad asociada a la alternativa An, de

manera que la expresin general (7.7) quedara reducida a:
V j Vi  j
d

Pj  g ( j )
g ( i )d i d j
d
d
ix j

(7.8a)

en
 la
 que
 los
 lmites
 de
 integracin
 de
 ambas
 integrales
 se
 han
 extendido
 a



(leve inconsistencia) para as poder resolverlas.
Una interpretacin geomtrica bidimensional de este modelo as como
su extensin a casos ms generales de correlaciones y distintas varianzas se
discute en Ortzar y Williams (1982). La ecuacin (7.8a) tambin puede ser
expresada as:
d

Pj  g ( j ) G ( j  V j Vi ) d j
d
ix j

(7.8b)

con
X

G ( x)  g ( x)dx
d

y es interesante citar que se han realizado mltiples esfuerzos para encontrar

formas adecuadas de las funciones g que resuelvan el problema planteado en
la ecuacin (7.8b).
Tambin debe destacarse que el requisito de que los residuos sean IID
significa que las alternativas deberan ser, de hecho, independientes. Ello no
siempre se verifica, pues se da el caso de que alternativas relativas a modos
mixtos, como, por ejemplo, las combinaciones coche-tren, generalmente no
lo son.

7.3.

Modelos de eleccin directa

MODELO LOGIT MULTINOMIAL (MNL)

El MNL es el modelo de eleccin discreta ms sencillo y el ms popularmente

utilizado; dicho modelo puede ser generado aceptando que los residuos aleatorios de la ecuacin (7.7) distribuyen Gumbel IID (Domencich y McFadden,
1975) as:

Piq 

exp( Viq )
A j A( q )

exp( V jq )

(7.9)

en la que las funciones de utilidad tienen generalmente la forma lineal en los

parmetros (7.3) y adems el parmetro (cuyo valor en la prctica se normaliza a uno porque no puede ser estimado separadamente de los parmetros ')
est ligado a la desviacin estndar comn de la variable Gumbel mediante la
siguiente relacin:

2 

2
6 2

(7.10)

En el Captulo 9 se utilizar la expresin (7.10) para discutir el problema

de los errores de previsin cuando se utilizan datos con diferentes niveles de
agregacin.

7.3.1. Bsqueda de la mejor especificacin

Para decidir qu variables xk x (genricas o especficas para una alternativa
en particular) deben ser insertadas en la funcin de utilidad, se suele efectuar
un proceso paso a paso (step-wise, parecido al que se usa en las regresiones
mltiples) en el que se comienza por una especificacin general que sea tericamente atractiva (Ortzar, 1982). Despus en cada paso del proceso se testean
las variaciones posibles para comprobar si la variable analizada aade poder
explicativo al modelo. Los mtodos para la bsqueda de la mejor especificacin
se discutirn en el Captulo 8.
Si para todos los individuos q que tienen disponible una alternativa dada Aj
se definiese uno de los valores de x como igual a uno, entonces el coeficiente
correspondiente a esta variable se interpretara como una constante especfica de la alternativa. Aunque se puede especificar una constante para cada

MODELOS

DE

TRANSPORTE

alternativa, dada la forma en la que trabaja el modelo no es posible estimar

sus N parmetros individualmente (como se muestra en el ejemplo 7.1). Por
este motivo, una se toma como referencia (sin prdida de generalidad su valor
puede ser fijado en cero) de forma que los restantes (N-1) valores obtenidos
en el proceso de estimacin se interpreten como valores relativos respecto al
citado valor de referencia. El resto de las variables x pueden ser de uno de los
dos siguientes tipos:
Genricas, si aparecen en las funciones de utilidad de todas las alternativas
y
 sus
 coeficientes
 pueden
 ser
 considerados
 idnticos;
 o
 sea,
 jk se sustituye
por
 k.
Especficas,
 si
 no
 es
 una
 hiptesis
 factible
 que
 los
 coeficientes
 k sean iguales; un tpico ejemplo acontece cuando la k-sima variable aparece nicamente en Vj es decir, si xjk slo aparece en Vj.
Es importante destacar que el caso ms general es aquel que incluye exclusivamente variables especficas. Las variables genricas, de hecho, imponen
una igualdad en los coeficientes y es de mencionar que esta condicin puede
ser testeada estadsticamente, tal y como se tratar en el Captulo 8.
Ejemplo 7.1: sea el siguiente modelo Logit binario:

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
Como puede verse en la expresin del modelo, el factor relevante es la
diferencia entre ambas utilidades:
V2 V1 = 1(x21 x11) + 2(x22 x12) + (4 3)
y de ello se derivan las siguientes conclusiones:
No
 es
 posible
 estimar
 ambos
 parmetros
 3
 y
 4, sin embargo, s su diferencia; por esta razn no se pierde generalidad si una de las dos constantes es

Modelos de eleccin directa

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 relativas 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 modal; 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 atributo 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.

7.3.2. Algunas propiedades del MNL

El modelo MNL satisface el axioma de independencia de las alternativas
irrelevantes (IIA), que puede ser enunciado as:

MODELOS

DE

TRANSPORTE

En el caso de cualquier par de alternativas que tengan una probabilidad

no nula de ser elegidas, la razn entre ambas no est influenciada por la presencia o ausencia de otras alternativas adicionales presentes en el conjunto
de eleccin (Luce y Suples, 1965).

Pj

 exp (V j Vi ) es
Pi
constante e independiente de las utilidades del resto de las alternativas. Inicialmente 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 predicciones sesgadas (recurdese el ejemplo del problema de los autobuses rojos y
azules del Captulo 6). 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 alternativa 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 obtenindose un modelo insesgado:
En el caso del MNL se tiene que el cociente:

q
K i'  K i log i
Qi

(7.11)

donde qi es la proporcin de mercado de la alternativa Ai en la muestra y Qi es

la proporcin de mercado en la poblacin. Por tanto todas las constantes deben

Modelos de eleccin directa

ser corregidas, incluida la que fue considerada de referencia e igualada a cero

durante la estimacin.
En el modelo MNL se pueden derivar ecuaciones bastante simples para las
elasticidades directas y cruzadas. Por ejemplo, la elasticidad directa puntual,
que es la variacin de la probabilidad de elegir Ai respecto a una variacin
marginal en un atributo Xikq viene dada por:

EPiq , X ikq 

uPiq X ikq
.
uX ikq Piq

y a partir de aqu se puede deducir fcilmente que:

EPiq , X ikq  ik X ikq (1 Piq )

(7.12)

mientras que las elasticidades cruzadas puntuales vienen dadas por:

EPiq , X jkq  jk X jkq Pjq

(7.13)

y representan la variacin en porcentaje de la probabilidad de elegir Ai respecto

a una variacin marginal del valor del ksimo atributo de la alternativa j para el
individuo q. Notar que este valor es independiente de la alternativa Ai y por
tanto la elasticidad cruzada de cualquier alternativa Ai respecto a los atributos
Xjkq de la alternativa Aj son iguales. Este resultado, extrao, se debe tambin
a la propiedad IIA o ms precisamente a la necesidad de tener funciones de
utilidad IID en la generacin del modelo.

7.4.

MODELO LOGIT JERRQUICO (HL)

7.4.1. Correlacin y estructura del modelo

El modelo MNL estudiado en el prrafo anterior presenta una matriz de covarianza muy simple que, para el caso trinomial es:

1 0 0
 0 1 0
0 0 1

MODELOS

DE

TRANSPORTE

Esta estructura de matriz de covarianza del MNL puede presentar problemas en los siguientes casos:
Cuando las alternativas no son independientes (es decir, cuando existen
grupos de alternativas ms similares que otras como, por ejemplo, modos
de transporte pblico versus el coche privado).
Cuando hay variaciones de gusto entre los individuos (es decir, si la percepcin de los costes vara con el ingreso pero no se ha medido esta variable)
en cuyo caso se necesitan modelos con coeficientes aleatorios en lugar de
modelos que proporcionen valores medios como es el caso del MNL.
El modelo Probit, que puede ser derivado de una distribucin normal multivariada (en lugar de una Gumbel IID) presenta una matriz de covarianza
completamente general y permite tratar ambos casos anteriores. Sin embargo,
tal y como se ver en el epgrafe 7.5, no es fcil resolver dicho modelo excepto
para casos de muy pocas (hasta tres) alternativas (ver Daganzo, 1979).
Por otro lado hay ciertos casos en que, aun cuando fuera posible implementar un modelo Probit, su completa generalidad sera un lujo innecesario
en cuanto a que puede intuirse cul podra ser la forma de las funciones de
utilidad.
Un buen ejemplo son los contextos de eleccin bidimensional, por ejemplo,
la eleccin de la combinacin de destino (D) y modo (M), donde las alternativas estn correlacionadas pero se puede aceptar que no existen variaciones
de gustos. En estas situaciones las alternativas en cada dimensin se pueden
denotar como {D1, , DD} y {M1, , MM} de forma que su combinacin genera
el conjunto de elecciones A, cuyo elemento general DdMm puede representar
una alternativa especfica destino-modo para llevar a cabo una actividad determinada.
En este tipo de contexto es interesante considerar funciones del siguiente
tipo (Williams y Ortzar, 1982a):
U(d,m) = Ud + Udm

(7.14)

Donde, por ejemplo, Ud podra corresponder a la porcin de utilidad especficamente asociada al destino y Udm al coste (desutilidad) de viaje. Reescribiendo (7.14) de acuerdo a la notacin utilizada en los epgrafes anteriores,
resulta:
U(d,m) = V(d,m) + (d,m)

Modelos de eleccin directa

donde:
V(d,m) = Vd + Vdm
y:
(d,m) = d + dm
Se puede demostrar que si los residuos son separadamente IID, bajo ciertas condiciones se obtiene el modelo logit jerrquico o anidado (HL) (Williams,
1977; Daly y Zachary, 1978) cuya forma es:

P ( d , m) 

[
exp [ V

]
]

exp Vd  Vd* exp(Vdm )

d'

d'

*
d'

exp(Vdm ' )
m'

(7.15)

con

1
Vd*  log exp(Vdm ' )
m'

Adems se puede comprobar fcilmente que si = (lo cual sucede cuando

d = 0) el modelo HL colapsa al MNL uniparamtrico. Para entenderlo, es conveniente antes que nada, escribir las expresiones de la utilidad para el primer
destino en el caso simple de un modelo binario:
U(1,1) = V1 + V11 + 1 + 11
U(1,2) = V1 + V12 + 1 + 12
Como se puede observar, la fuente de correlacin es el residuo 1 que est
presente en ambas funciones de utilidad U(1,1) y U(1,2). Por lo tanto cuando
d = 0 tal correlacin desaparece y el HL es indistinguible del MNL.
Finalmente, se puede probar que para que el modelo sea internamente
consistente es necesario que se cumpla la siguiente condicin (Williams, 1977):





(7.16)

Se ha demostrado que modelos que no satisfacen este requerimiento producen elasticidades de dimensiones y/o de signos incorrectos (Williams y Senior,
1977).

MODELOS

DE

TRANSPORTE

7.4.2. El modelo HL en la prctica

Como herramienta prctica de modelizacin, el HL se puede exponer para
su mejor utilizacin, de la siguiente forma (Ortzar, 1980b; Sobel, 1980):
1. Su estructura se caracteriza por agrupar todos los subconjuntos de alternativas correlacionadas (o ms similares) en jerarquas o nidos. Cada nido,
a su vez, se representa por una alternativa compuesta frente a las dems
que estn disponibles para los individuos (en el ejemplo de la figura 7.2 se
representa un HL con dos nidos).

NI

AS(q) = A(q) AI(q) + NI

Figura 7.2.

AI(q)

Logit jerrquico (HL) con dos nidos.

2. El HL se puede estimar secuencialmente utilizando el amplio software

disponible para el MNL (aunque en algunos casos su utilizacin pueda
proporcionar serios problemas). En el caso de la figura 7.2 se debe estimar
primero el MNL de las alternativas A I(q) pertenecientes al nido inferior
NI con la precaucin de omitir todas aquellas variables (z) que tengan el
mismo valor para ese conjunto de opciones (ya que si no, debido a que
el MNL funciona a base de diferencias, no se podran estimar sus parmetros). Estas variables, de hecho, han de ser introducidas posteriormente en
el nido superior pues afectan a la eleccin entre la alternativa compuesta
NI y el resto de las alternativas que pertenecen a AS (q).
3. La introduccin del nido inferior en la jerarqua superior se realiza a travs
de la alternativa compuesta, a la cual se asocia una utilidad representativa de todo el nido. As, la utilidad tiene dos componentes: la primera de

Modelos de eleccin directa

ellas considera como variable el valor mximo esperado de la utilidad o

mxima utilidad esperada (EMU, Expected Maximun Utility) entre alternativas del nido, y la segunda considera el vector z de los atributos comunes
a todos los miembros del nido. El EMU tiene la siguiente expresin:

EMU  log exp(W j )

j

(7.17)

donde Wj es la utilidad de la alternativa Aj en el nido, con la excepcin de

las variables z comunes a todas las alternativas en el nido AI(q): hay que
resaltar que esta ecuacin tiene exactamente la misma forma que Vd* en la
expresin (7.15) si = 1. Por lo tanto, la utilidad compuesta del nido es:
VI = EMU + z

(7.18)

donde y son parmetros a estimar.

4. Despus de realizar lo indicado en los puntos anteriores, debe procederse
a estimar un modelo MNL para el nido superior, el cual comprende todas las alternativas compuestas que representan a las jerarquas inferiores
ms las alternativas que no estuvieran anidadas en dicho nido superior.
5. Finalmente la probabilidad de que el individuo q elija la alternativa Aj
AI (q) puede calcularse como el producto de la probabilidad marginal de
elegir la alternativa compuesta NI (en el nido ms alto) y de la probabilidad
condicionada de elegir la alternativa Aj en la jerarqua inferior, dado que
q ha elegido la alternativa compuesta.
Ejemplo 7.2: considrese el siguiente caso de eleccin trinomial: coche
(C), bus (B) y metro (M) en el que el analista considera que las dos ltimas
alternativas estn correlacionadas. En este caso, por lo tanto, se puede proceder
a conformar un nido inferior relativo al transporte pblico (PT) que es factible
modelizar mediante un simple modelo Logit binario de la siguiente forma:

P (M / PT ) 

exp(WM )
exp(WM )  exp(WB )

y P(B / PT) = 1 P(M / PT), donde las utilidades W contienen slo aquellos
elementos que no son comunes a ambos modos (es decir, si ambos modos tienen
la misma tarifa, entonces el coste de viaje no se debera incluir).

MODELOS

DE

TRANSPORTE

Para separar la alternativa coche de la alternativa compuesta relativa al

transporte pblico se requiere en el nido superior otro modelo Logit binario:

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:

VPT  EMU  k ' zk '

k'

donde

EMU  log ; exp(WB )  exp(WM ) =

y la suma respecto a k incorpora todos los elementos comunes z que no fueron
incluidos en la estimacin del modelo Logit binario del nido inferior. Finalmente
la modelizacin de las probabilidades de eleccin de cada alternativa se puede
expresar de la siguiente manera:

PC  P (C)
PB  P (B/PT ) P (PT)  P (B/PT )(1 PC)
PM  P (M/PT)P (PT)=(1-P (B/PT))(1-PC)
6. Con esta nueva notacin, la condicin de diagnstico interna (7.16) se
expresa as:
0 <

 1


(7.19)


Vase a continuacin por qu tiene que verificarse esta condicin. Si < 0,

el aumento de la utilidad de una alternativa del nido hara disminuir la probabilidad de elegir dicha opcin, ya que el valor del EMU debera aumentar; si = 0, quiere decir que un aumento de la utilidad de una alternativa
del nido no alterara la probabilidad del nido de ser elegido, en cuanto que el
EMU no queda influenciado por la eleccin entre coche y transporte pblico.
Por contra, si > 1, el incremento de la utilidad de una alternativa del nido
no slo aumentara su probabilidad de eleccin sino que tambin aumentara
la probabilidad de todas las restantes alternativas del nido.

Modelos de eleccin directa

Por fin, = 1 es equivalente a decir que = y entonces el modelo HL sera

equivalente matemticamente al MNL. En estos casos (es decir, cuando


 1)
 es
 ms
 eficiente
 re-estimar el modelo como un MNL puesto que
tiene un nmero inferior de parmetros.
Es obvio que los modelos HL pueden no limitarse a dos niveles jerrquicos;
en los casos con ms de un nivel de agregacin como en la figura 7.3 debe
cumplirse la condicin siguiente en cada rama:
0 < 1

 2



 S

 1


(7.20)

donde 1 corresponde al parmetro del EMU ms interno y S al parmetro

del nivel superior. Obsrvese que la condicin se aplica a nidos en serie y
no en paralelo.

5
1
3
4

8 9 10

Figura 7.3. Logit jerrquico (HL) con varios nidos.

Por ejemplo, si los son como los que se muestran en la figura 7.3, se
deberan cumplir las siguientes relaciones:

0  1 b 1
0  2 b 3 b 5 b 1
0  4 b 5 b 1
7. Limitaciones del HL:
Tal y como sucede en el MNL, el HL no es un modelo con coeficientes
variables y, por lo tanto, no puede tratar problemas de variaciones en
los gustos ni heterocedasticidad.

MODELOS

DE

TRANSPORTE

Brinda la posibilidad de tratar solamente tantas interdependencias entre

alternativas como nidos se hayan especificado en la estructura; adems,
las alternativas de un nido no pueden estar correlacionadas con las de
otros nidos (este efecto de correlacin cruzada, que puede ser importante
testear en un contexto de eleccin modal entre modos mixtos, puede
tratarse con formas ms generales, como las de los modelos Probit).
La bsqueda de la mejor estructura HL en ocasiones requiere el anlisis
tentativo de mltiples estructuras jerrquicas, en cuanto que es fcil ver a
priori que el nmero de agrupaciones posibles aumenta geomtricamente
con el nmero de alternativas (Sobel, 1980). Aunque la existencia de informacin a priori y la experiencia puede ayudar en esta tarea al modelizador, la bsqueda puede ser mucho ms larga que con el sencillo MNL.
La calibracin secuencial del modelo es simple y posible, dada la disponibilidad de software para el MNL, y adems produce estimadores consistentes (de
hecho al aumentar la cantidad de datos, dichas estimaciones convergen hacia los
valores verdaderos de los parmetros). Pese a ello, el enfoque presenta varios
problemas potenciales; por ejemplo, si no se dispone de datos suficientes para
estimar modelos del nivel inferior, las estimaciones pueden ser ineficientes,
tanto porque se omite informacin en el nivel inferior como porque los errores
que se producen pueden transmitirse a los niveles superiores. En esta lnea se
ha demostrado empricamente que algunas estructuras interesantes no pueden
ser testeadas o an peor, que el mtodo puede llevar a rechazar estructuras
demostradamente mejores (Hensher, 1986; Ortzar et al., 1987).

7.4.3. Estimacin simultnea del HL

En general la estimacin simultnea del HL es ms compleja, y requiere un
mayor gasto de tiempo (en trminos de CPU) con respecto al mtodo ms
simple de estimacin secuencial tratado anteriormente. Hasta la mitad de los
aos 80 para poder efectuar una estimacin simultnea, era necesario escribir
software ad hoc (Small y Brownstone, 1982; Hensher, 1986), pero en los ltimos
diez aos se han producido numerosos paquetes que permiten resolver este
problema de modo flexible y prctico (p. ej., LIMDEP, HIELOW); actualmente
los algoritmos de clculo son tan eficientes que no existen demasiadas razones
para utilizar el mtodo de estimacin secuencial, a menos que se est obligado
a hacerlo por algn motivo especial. El primer mtodo de estimacin simul-

Modelos de eleccin directa

tnea y probablemente an el ms conocido es el propuesto por Daly (1987) e

implementado en el software ALOGIT (Daly, 1992).
Considrese nuevamente el caso simple de slo dos niveles jerrquicos
utilizando una versin simplificada de la notacin de Daly (1987); suponiendo
que el ndice i represente una alternativa o nido del nivel jerrquico superior,
y j una alternativa del nivel inferior. En este caso, la funcin de utilidad puede
reescribirse as:

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
Entonces, la probabilidad de elegir el nido i, y dentro de ste la alternativa
j, viene dada por:

Pij  Pi Pj / i

(7.21)

con:

Pj / i 

V j /i

ei

eiVk / i

Ak A I ( q )

Pi 

e Vi

V j

A j A S ( q )

donde Vj/i es la utilidad representativa de la opcin j dentro del nido i que incluye 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 )

donde Xi es la parte de la utilidad asociada a los atributos comunes de las alternativas dentro del nido. Adems el trmino que multiplica i representa, como

MODELOS

DE

TRANSPORTE

se ha visto anteriormente, la mxima utilidad esperada (EMU o logsum). El

parmetro i es igual a la relacin entre y i, y por lo tanto ha de satisfacer
la condicin de ser mayor que cero y menor o igual a uno (Williams, 1977).
Como tambin se ha expuesto, en el caso lmite en que i = 1 el modelo HL
colapsa al MNL.
Utilizando esta notacin, Daly (1987) consigui por primera vez estimar
el modelo HL de forma simultnea, maximizando una sola funcin de utilidad
y utilizando todos los datos conjuntamente, evitando as los problemas mencionados en el prrafo anterior.
Para poder estimar el modelo es necesario fijar (normalizar) uno de los
parmetros de escala. Por ejemplo, si a se le da el valor uno, entonces es
necesario multiplicar las utilidades dentro del nido por los correspondientes
valores de i, que pasan a ser iguales a 1 / i. Este requerimiento est detrs de
una controversia aparecida en la literatura (Koppelman y Wen, 1998), ya que
si se desea estimar modelos HL con variables genricas y no se tiene especial
cuidado, el modelo puede resultar de la clase no-estandarizada (es decir,
no satisface la condicin de que aadiendo una constante a cada utilidad, las
probabilidades de eleccin no varan).
Para evitar este problema en el caso del modelo HL ms simple, en ALOGIT (en el ejemplo de la estructura HL con tres alternativas de la figura 7.2), se
debe especificar la alternativa elemental del nido ms alto (es decir el coche),
como perteneciente a un nido de alternativa individual (Bradley y Daly, 1997),
tal y como se muestra tambin en la figura 7.4. ste es el mismo tratamiento que
se sigue para estimar modelos mixtos de preferencias reveladas y declaradas
tal y como se estudiar en el Captulo 8. Para una discusin ms amplia sobre
ste y otros aspectos del HL, vase Carrasco y Ortzar (2002).

PT

Coche

Bus

Figura 7.4.

Metro

Coche

Bus

Especificacin ALOGIT de una estructura jerrquica

con variables genricas.

Metro

7.5.

Modelos de eleccin directa

OTROS MODELOS Y PARADIGMAS DE ELECCIN

7.5.1. Modelo probit Multinomial

Tal y como se ha indicado en el epgrafe 7.4.1, el modelo Probit se caracteriza
porque los residuos aleatorios de (7.2) se distribuyen segn una Normal
multivariada con media cero y matriz de covarianza arbitraria; esto significa
que las varianzas pueden ser diferentes y los trminos del error pueden estar
correlacionados de cualquier manera. Esta estructura tan general crea, obviamente, el problema de no permitir escribir el modelo de modo tan simple como
se hizo para el MNL (salvo en el caso binario) y, por lo tanto, para resolverlo
numricamente es necesario realizar diferentes aproximaciones.
7.5.1.1.

El Modelo Probit Binario

En el caso de que slo haya dos alternativas, las expresiones (7.2) de la utilidad
se pueden escribir as:
U1 (,Z) = V1 (,Z) + 1 (,Z)
U2 (,Z) = V2 (,Z) + 2 (,Z)
donde