Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DemandaRedes PDF
DemandaRedes PDF
- Generacin de Viajes
- Distribucin de Viajes
- Divisin Modal
1. El uso del suelo. Existe una estrecha relacin entre la generacin de viajes y la
manera en que el suelo es utilizado, incluyendo la ubicacin e intensidad de uso.
2. Las caractersticas socioeconmicas de la poblacin del rea.
3. Tipo, disponibilidad y calidad de las facilidades de transporte disponibles en el rea.
La generacin de viajes constituye una de las etapas del proceso de planeamiento del
transporte, cuyas cuatro fases principales son las siguientes: (1) inventarios; (2) anlisis de
las condiciones existentes y calibracin de las herramientas de representacin2; (3)
proyeccin al futuro de las variables significativas, (4) anlisis de sistemas de transporte
futuros y (5) monitoreo, seguimiento y revisin del plan. Ver Figura N 1.
2. Estudio del uso del suelo. Dnde estarn localizadas esas actividades?
1
Viaje: movimiento en un sentido desde un punto de origen a un punto de destino. Estos puntos se denominan
extremos del viaje. El viaje se refiere a una persona o a un vehculo.
2
Verbigracia modelos. En todo el proceso de determinacin de la demanda de transporte dirigida a redes se
utilizarn modelos. La definicin genrica de modelo es la siguiente: representacin parcial y aproximada de
la realidad.
1
5. Etapa de divisin modal. Qu modo de transporte utilizarn esos viajes?
Los volmenes de viajes generados son en general muy difciles de determinar y proyectar
directamente. Cierta informacin que caracteriza a las zonas puede ser ms fcil y
eficientemente proyectada que los mismos extremos de viaje y constituyen lo que se
denominan variables explicativas, pues explican la generacin de viajes. Esta informacin
se refiere al uso del suelo, a las caractersticas socioeconmicas de las zonas del rea en
estudio y a las caractersticas del sistema de transporte. Los modelos de generacin viajes
estn formados por relaciones funcionales entre los viajes generados y las variables
explicativas, de manera que conociendo el valor de las variables explicativas en un
horizonte futuro se puede estimar aceptablemente la demanda futura de viajes.
Los viajes pueden ser caracterizados por dos atributos que debern ser tenidos en cuenta
durante el proceso de su estudio. Estos atributos son: propsito y horario.
El propsito de viaje est compuesto por dos elementos: base y motivo. Como base se
entiende el lugar en que comienza o termina un viaje distinguiendo entre basados en el
hogar y no basados en el hogar, siendo los basados en el hogar los que tienen uno de sus
extremos en el hogar del individuo que viaja. Los no basados en el hogar son los que en
ninguno de sus extremos se encuentra el hogar. Como motivo se consideran los siguientes:
trabajo, compras, estudio y otros motivos. De acuerdo a la prctica habitual los
propsitos de viaje considerados son los siguientes:
2
rea en estudio. Los BHT y NBH debern estar siempre presentes mientras que los BHE,
BHC y BHO pueden mantenerse separados o combinarse segn su importancia relativa.
Para cada uno de los propsitos considerados se deber desarrollar un modelo de
generacin que cuantifique los viajes generados con ese propsito.
La generacin de viajes puede dividirse en dos pasos: i) determinacin del nmero de viajes
originados en cada zona (producciones) y ii) determinacin del nmero de viajes destinado
a cada zona (atracciones).
Para toda el rea en estudio el nmero de producciones deber ser obligatoriamente igual al
de atracciones, aunque no necesariamente para cada una de las zonas en particular. Esto se
debe a que por definicin los viajes basados en el hogar (BH_) siempre son producidos por
la zona que contiene al hogar y atrados por la zona del otro extremo, en cualquier sentido
que se realice el viaje. Los viajes no basados en el hogar (NBH) son producidos por la zona
origen y atrados por la zona destino.
Por lo anterior en las zonas que son principalmente residenciales las producciones sern
mayores que las atracciones, mientras que en las zonas que son mayoritariamente
comerciales, industriales o educacionales las atracciones sern mayores que las
producciones.
El uso del suelo puede ser determinado y pronosticado con facilidad y aceptable precisin.
Dentro de esta variable se pueden distinguir tres atributos que influyen en la generacin de
viajes, esos atributos son: tipo, intensidad y ubicacin.
Los diferentes tipos de usos del suelo tienen diferentes caractersticas de generacin y por
ello es importante distinguirlos. La clasificacin de tipos de usos del suelo ms habitual
suele ser: residencial, comercial, industrial, educacional y de esparcimiento. El uso del
suelo residencial produce ms viajes que los otros usos, mientras que los restantes usos son,
en general, mayores atractores de viajes que productores.
La intensidad del uso del suelo expresa el nivel de actividad que caracteriza una
determinada zona y usualmente se expresa en trminos de cantidad o de densidad tal como
3
nmero total de viviendas en la zona o empleos por unidad de superficie. La intensidad de
uso del suelo tiene una marcada influencia en el nmero y tipo de viajes que genera una
determinada zona. En general, a menor densidad habitacional mayor nmero de viajes
generados por persona. Lo mismo sucede con la distribucin por modo en que se realizan
los viajes, las zonas de menor densidad de hogares producen mayor cantidad de viajes en
automvil por vivienda.
La ubicacin de las actividades se refiere a la distribucin espacial de los usos del suelo y
de las actividades dentro del rea en estudio. Las modalidades de viaje de habitantes de un
barrio de alta densidad pero rodeado por zonas de baja densidad y alejado del centro de una
urbe son distintas a las que tendra si ese mismo barrio estuviera prximo al centro.
Caractersticas socioeconmicas
4
Ingreso familiar. Esta caracterstica es una de las ms importantes en la determinacin de la
cantidad de viajes por hogar o por individuo y la modalidad de los mismos. A mayor
ingreso mayor nmero de viajes por unidad de tiempo y mayor cantidad de viajes en
automvil.
Sistema de transporte
ACC i = (A j Fij )
n
j =1
Siendo:
ACCi = accesibilidad de la zona i.
Aj = viajes atrados por la zona j. Se adoptan las atracciones como ponderacin de la
importancia relativa de cada zona.
Fij = factor de impedancia entre la zona i y la zona j, a mayor factor mayor accesibilidad.
n = nmero de zonas.
5
III METODOS DE GENERACIN DE VIAJES
Este mtodo se basa en la relacin que se observa entre la generacin de viajes, detectada
en las encuestas de origen y destino, con la informacin obtenida de los relevamientos de
uso del suelo.
Para cada una de las zonas del rea en estudio se determinan las superficies abarcadas por
cada tipo de uso del suelo y se cuantifican los extremos de viajes que les corresponden
(cantidad de viajes originados y destinados a la zona). El siguiente cuadro ilustra el
procedimiento:
Zona i
Tipo de uso del Relevamiento de Censo O-D Tasa de Generacin
suelo uso del suelo (extremos de viaje) (viajes / ha.)
Ha.
Residencial 500 4.000 8
Industrial 100 3.000 30
Comercial 50 2.000 40
Las tasas son de produccin y atraccin de viajes por lo que este mtodo abarca ambos
pasos del proceso.
La simpleza de este mtodo hace que sea rpido y econmico de aplicar pero no tiene en
cuenta otras variables explicativas tales como el ingreso, el tamao del hogar y la
motorizacin, lo que lo hace poco preciso. Su utilidad est en la actualizacin a bajo costo
de estudios anteriores.
Ti = Fi t i
Donde:
Ti = viajes futuros de la zona i.
ti = viajes actuales de la zona i.
Fi = factor de crecimiento.
6
El factor de crecimiento habitualmente se lo determina a partir de la evolucin estimada de
las variables socioeconmicas que explican los viajes. Una expresin del factor de
crecimiento puede ser la siguiente:
PIN I in M in
FI =
Pi 0 I i0 M i0
Este mtodo se aplica a tablas de viajes anteriores que deben ser actualizadas. No se
considera la divisin entre produccin y atraccin. Los viajes generados por este mtodo
son luego distribuidos por algn proceso basado en el factor de crecimiento3.
T = k + b1 X 1 + b2 X 2 + ... + bn X n
Donde T es la variable dependiente (en este caso los viajes producidos o atrados por una
zona), X1 a Xn son las variables independientes, b1 a bn son los coeficientes de la regresin
lineal y k es el trmino independiente que representa la parte de la variable dependiente no
explicada por las variables independientes.
N m
Donde:
Ti = valores observados de la variable dependiente (viajes zonales).
Test = valores de Ti calculados mediante la ecuacin de regresin.
3
Ver captulo referido a distribucin de viajes.
7
N = nmero de casos.
m = nmero de parmetros estimados de la ecuacin de regresin (coeficientes y
trmino independiente).
El error estndar de la estimacin (ST) debe ser lo ms pequeo posible.
Los valores obtenidos de los parmetros de la ecuacin de regresin (b1 a bn) tambin
deben ser sometidos a tests de hiptesis a travs del estadstico t:
bj
t=
S bj
Siendo Sbj el desvo estndar del coeficiente. Para que el valor del coeficiente bj sea
significativo, es decir que la variable Xj tenga importancia en la explicacin, se debe
cumplir que t sea mayor que 24, de otro modo es conveniente eliminar la variable de la
ecuacin.
En rigor el trmino independiente k debera ser cero, ya que representa la porcin de los
viajes que no dependen de ninguna variable explicativa. Si este valor es grande con
respecto al valor medio de T la ecuacin debera ser descartada, por el contrario si el valor
de k es pequeo se puede re-estimar la funcin obligndola a pasar por el origen.
Poblacin
Poblacin mayor de 5 aos
Nmero de hogares
Nmero de personas empleadas
Nmero de automviles
Poblacin estudiantil
Area de suelo residencial
Distancia al distrito central
Empleos industriales
Empleos en servicios
Empleos en comercio minorista
Empleos pblicos
Otros empleos
Empleos totales
Matricula estudiantil
4
En rigor se debe determinar el valor de t en cada caso para los grados de libertad del problema y el nivel de
confianza adoptado. Estos valores son prximos a 2 para un nivel de confianza de 95%.
8
Area de suelo industrial
Area de suelo de servicios
Area de suelo comercio minorista
Nmero de hogares
Estas variables pueden ser totales (habitantes, automviles, empleados, etc.) o tasas
(habitantes por hogar, autos por hogar, etc.). En ambos casos, si el divisor es el mismo para
todas las variables, los coeficientes de la funcin sern idnticos, aunque existen algunas
diferencias que tienen explicacin estadstica5.
Los modelos de regresin lineal se pueden plantear, adems de por propsito, tambin por
modo de transporte, privado (auto) o pblico, por lo que se realiza simultneamente la etapa
de divisin modal, no explicada en este trabajo.
a) Producciones
Los valores de la variable dependiente son los promedios calculados a partir de los datos
aportados por la encuesta domiciliaria de O-D.
Las variables independientes habitualmente utilizadas son: i) tamao del hogar; ii) tenencia
de automvil; iii) ingreso familiar; y iv) grado de accesibilidad. En el caso del EPTRM6 las
variables fueron i) nivel socioeconmico; ii) tenencia de automvil; y iii) grado de
accesibilidad.
5
La utilizacin de tasas o promedios zonales reduce la denominada heterocedasticidad, o variabilidad de la
varianza, debida al efecto producido por el diferente tamao de las zonas.
6
Estudio Preliminar de Transporte del Area Metropolitana de Buenos Aires, 1973.
9
Tamao familiar NSE del hogar
1 2 3
1
2 NHij
N de hogares con
NSE=2 y tamao=2
3
4
5 ms
Vijk
t ijk =
NH ij
10
Donde:
Este mtodo supone que las tasas de produccin de viajes, determinadas para cada una de
las categoras definidas por los estratos de las variables independientes, permanecen
invariables en el tiempo.
Las tasas de produccin por nivel de accesibilidad y estrato socioeconmico por todo
propsito utilizadas en el EPTRM son las siguientes:
Se observa como varan las tasas de produccin de viajes segn el NSE, la posesin de
automvil y la accesibilidad.
Existen tablas similares para cada uno de los propsitos considerados. El nivel
socioeconmico fue medido a travs del siguiente indicador:
Aij
I ij =
Pij C ij
T
k
ijk
Siendo:
Para cada uno de los estratos de NSE (alto, medio y bajo) se determinaron lmites del
indicador.
11
Los viajes futuros producidos por cada zona se calculan multiplicando las tasas de
generacin para cada categora de hogar por la cantidad de los mismos que se prev existir
en cada una de dichas zonas.
Este procedimiento se repite para cada uno de los propsitos de viaje considerados.
b) Atracciones
Mediante el mtodo de clasificacin cruzada se calculan las producciones. Para calcular las
atracciones se utiliza el mtodo de regresin lineal simple o mltiple, ya explicado. Las
ecuaciones que se plantean son, por ejemplo, las siguientes:
En segundo lugar se calculan las producciones y atracciones por zona y por motivo,
aplicando las ecuaciones o tasas segn el mtodo elegido.
Luego se debern balancear producciones y atracciones por propsito, ya que al haber sido
calculadas con distintos procedimientos generalmente no coincidirn. Se deber cumplir
que:
m n m n
Pik = Aik
k = i =1 k =1 i =1
Donde:
m = nmero de propsitos.
n = nmero de zonas.
Pik = producciones de la zona i con propsito k.
Aik = atracciones de la zona i con propsito k.
El balanceo se realiza prorrateando las diferencias entre las atracciones, ya que por lo
general stas son determinadas con modelos de menor precisin que las producciones.
12
con informacin secundaria (censos de poblacin, censos econmicos, encuestas
permanentes de hogares, etc.).
PRODUCCION SUB-MODELO DE
SITUACION Y ATRACCION DISTRIBUCION
PRESENTE DE VIAJES CALIBRACION
Y Ciclo de
Calibracin
CALIBRACION
DE TECNICAS SUB-MODELO
Y MODELOS DE DIVISION
MODAL
ASIGNACION
VIAJES ACUALES
A RED EXISTENTE
AJUSTE DE LA RED
SUB-MODELO
DE DIVISION
MODAL
ANALISIS DE
SISTEMAS, ANALISIS Y
Ciclo de elaboracin
EVALUACION Y del Plan
EVALUACION
RECOMENDACIONES
PROPUESTA DE
PLAN DE
TRANSPORTE
13
DISTRIBUCION DE VIAJES
I INTRODUCCION
La etapa de distribucin de viajes recibe como entrada (input) las cantidades de viajes
producidos y atrados por zona, calculadas en la etapa anterior de generacin.
Las matrices de viajes constituyen la entrada (input) principal para las etapas subsiguientes
del modelo de transporte, es decir divisin modal y asignacin. Por esa razn la
distribucin no est referida al modo de transporte utilizado ni a los trayectos que podra
tomar un viaje dado.
Tij = t ij F
Siendo:
7
Viaje: movimiento en un sentido desde un punto de origen a un punto de destino. Estos puntos se denominan
extremos del viaje. El viaje se refiere a una persona o a un vehculo.
14
El factor F depende del uso del suelo, de las caractersticas socioeconmicas del rea y de
las perspectivas de crecimiento futuro. Si bien en la frmula anterior aparece como un
factor nico, cada uno de los mtodos que se vern plantean uno o varios factores.
f (TM f , P f , Y f )
F=
f (TM a , P a , Y a )
Siendo:
TMa, TMf = tasa de motorizacin actual y futura.
Pa, Pf = poblacin actual y futura.
Ya, Yf = ingreso actual y futuro.
Como principal ventaja puede sealarse que son sencillos y fciles de programar y aplicar.
Se aplican a predicciones de demanda a corto y, eventualmente, mediano plazo y cuando se
espere bajo crecimiento, siendo especialmente indicados para esos casos.
En reas urbanas complejas los modelos del factor de crecimiento se utilizan para proyectar
los viajes externos, que no son estimados por el modelo de generacin, sino detectados en
los censos de cordn.
No son aplicables para realizar predicciones largo plazo, cuando se prevean grandes
crecimientos y cambios significativos en el uso del suelo.
1. Factor uniforme.
2. Factor promedio.
3. Mtodo de Fratar.
15
1.1 Factor uniforme
Consiste en aplicar un factor de crecimiento nico para todos los movimientos interzonales
del rea y equivale a la multiplicacin de la matriz base por un escalar. La hiptesis bsica
en que se basa este modelo es que todas las zonas crecern uniformemente, lo mismo que
los viajes intercambiados.
Tij = t ij F
T
F=
t
Donde:
Este mtodo constituye un avance con respecto al anterior, ya que considera factores de
crecimiento por zona. Su expresin matemtica es la siguiente:
(F i + Fj )
Tij = t ij
2
Ti ( G )
Fi =
t i (G )
T j (G )
Fj =
t j (G )
Siendo:
tij = viajes entre las zonas i y j actuales.
Tij = viajes entre las zona i y j futuros.
ti(G) tj(G) = flujos actuales totales generados por las zonas i y j.
Ti(G), Tj(G) = flujos futuros totales generados por las zonas i y j.
16
Dado que los flujos totales calculados con este mtodo no coincidirn con los estimados en
la etapa de generacin, se aplica un proceso iterativo en el que se utilizan los flujos totales
de la iteracin anterior para calcular nuevos factores de crecimiento.
Ti Ti ( G )
n
Ti = Tij
j =1
Primera iteracin:
(F i + Fj )
Tij = t ij
2
n
Ti = Tij
j =1
n
T j = Tij
i =1
Segunda iteracin:
Ti ( G )
Fi1 =
Ti
T j (G )
F j1 =
Tj
(F i
1
+ F j1 )
T = Tij
1
ij
2
8
Este mtodo fue desarrollado por Thomas J. Fratar (1913-2001) en 1954.
17
Se debe especificar un factor de crecimiento para cada zona de origen y para cada zona de
destino.
T
i =1
ijk
Ti ( G )
Fik =
(T F jk )
n
ijk
j =1
Siendo:
k = nmero de iteracin.
Fjk = factor del destino j (columna), iteracin k.
Fik = factor del origen i (fila), iteracin k.
En el Anexo 1 se desarrolla un ejemplo de aplicacin del mtodo para una matriz de origen
y destino de 4 zonas. En dicho ejemplo se alcanza el equilibrio en 4 iteraciones, aunque ya
en la iteracin 3 los resultados pueden considerarse como aceptables.
2. Mtodos sintticos
Para poder ser aplicados estos modelos deben ser calibrados, de manera que las funciones
matemticas representen lo ms aproximadamente posible las caractersticas de los viajes
realizados en un rea urbana particular. Luego de ser calibrado el modelo debe ser sometido
a una serie de pruebas antes de ser aceptado.
1. Modelo gravitatorio.
2. Modelo de oportunidad.
3. Programacin lineal.
18
En este trabajo se tratar sobre el modelo gravitatorio solamente.
2.1.1 Teora.
M1 M 2
F =G
d2
Donde:
Esta formulacin puede aplicarse al transporte, suponiendo que la fuerza de atraccin son
los viajes interzonales, las masas estn representadas por las producciones y atracciones de
las zonas y la distancia por la separacin espacial entre las mismas, medida en unidades
relativas al transporte (distancia, tiempo, costo, etc.).
Se puede decir entonces que la cantidad de viajes de personas entre dos zonas es
directamente proporcional al producto de las producciones, atracciones y una funcin de la
separacin espacial:
Tij Pi A j Fij K ij
Siendo:
El factor de ajuste socioeconmico se utiliza para corregir ciertas deficiencias que presenta
el MG y ser explicado ms adelante.
9
El concepto de impedancia, por analoga con la electricidad, se refiere a la dificultad de moverse en una red
de transporte urbana y puede medirse en distancia, tiempo o costo.
19
El factor de impedancia (Fij) depende de la separacin espacial entre zonas. La separacin
espacial entre zonas se puede medir en varias unidades de impedancia, siendo la de tiempo
la ms utilizada. La impedancia total entre zonas es la suma de las impedancias de los
tramos del camino mnimo10 ms las impedancias terminales. Las impedancias terminales
corresponden a los tiempos y/o costos de espera, caminata, recorrido buscando
estacionamiento, etc.
Por lo tanto:
1
Ci =
[A ]
n
j Fij K ij
j =1
Pi A j Fij K ij
Tij =
[A ]
n
j Fij K ij
j =1
El factor Fij surge de una funcin exponencial inversa de la impedancia: Fij = f [1/Iij], y
deben ser determinados a travs del proceso de calibracin, que se realiza mediante
iteracin.
Calibracin.
10
Los caminos mnimos dentro de una red se determinan mediante el submodelo de asignacin.
11
Los viajes en el ao base son determinados mediante las encuestas domiciliarias y de intercepcin.
20
Unidades de Tabla de
Impedancia Viajes
1 Total de viajes
con impedancia
1
2 Idem
impedancia 2
... ...
... ...
r Idem
impedancia r
En primer lugar se debe contar con los datos de produccin y atraccin por zona (que
provienen de la etapa de generacin) y con la matriz de impedancias (que consiste en una
matriz cuyas celdas contienen las impedancias entre cada par de zonas).
Tr0
f rk =
Trk 1
Donde:
k = nmero de iteracin.
r = rango de impedancia.
Tr0 = total de viajes en el ao base para el rango de impedancias r.
Trk-1 = total de viajes calculados en la iteracin k-1 para el rango de impedancias r.
21
f rk
F = ENTERO
k
r k
MIN f r ( )
Con los factores de friccin de la primera iteracin se calcula una nueva matriz de viajes y
se repite el procedimiento. En la columna 7 se muestran los viajes calculados, cuya
distribucin coincide con la buscada, por lo que puede considerarse al modelo como
calibrado. En la columna 8 se calculan los factores de acuerdo al primer paso y en la
columna 9 los factores de friccin definitivos, de acuerdo al segundo paso, los que se
utilizarn para la distribucin de viajes futuros. Se muestra tambin la matriz final de
produccin y atraccin para el ao base. (Viajes Calculados It=2).
Cuando se aplica el MG, el total de producciones calculadas por zona ser igual a la dada
como dato, por la estructura del modelo12, pero no necesariamente suceder lo mismo con
las atracciones. En general se cumplir que:
n n
T
j =1
ij = Pi T
i =1
ij Aj
Para que el modelo reproduzca tambin las atracciones se realiza un procedimiento iterativo
hasta que las atracciones estimadas con el modelo coincidan con los valores deseados
(atracciones dato, provenientes de la etapa de generacin).
Aj
A jk = A j ( k 1)
C j ( k 1)
Donde:
Ajk = atraccin ajustada para la zona j, iteracin k (Ajk = Aj cuando k=1)
Cjk = atraccin actual para la zona j, iteracin k, calculada por el MG.
Aj = atraccin deseada (dato) para la zona j.
En cada iteracin se aplica el MG para calcular los viajes usando las atracciones
modificadas en la iteracin precedente. El proceso se detiene cuando el MG alcanza una
aproximacin suficiente en el clculo de las atracciones deseadas.
12
Cuando se dedujo el modelo gravitatorio, para la determinacin de la constante de proporcionalidad se
parti de que la suma de los viajes producidos por zona deba ser igual a la produccin dato del ao base, ver
frmula (2).
22
En la prctica este proceso consiste en modificar las atracciones que se utilizan en la
frmula para que el MG reproduzca las atracciones deseadas, que son las que provienen de
la etapa de generacin.
Adems de los factores de friccin, relacionados con la separacin espacial, existen otros
factores que influyen en la distribucin de viajes. El efecto de esos factores se tienen en
cuenta en el MG a travs de los factores de ajuste socioeconmicos Kij
Supongamos que dentro del rea del estudio hay zonas residenciales con poblacin de bajos
ingresos y zonas residenciales con poblacin de altos ingresos. Al mismo tiempo existen
zonas con empleos mayoritariamente de altos ingresos, tales como edificios
administrativos, bancos, financieras, etc., y zonas con empleos mayoritariamente de bajos
ingresos, tales como talleres y fbricas13. Es de esperar que la distribucin resultante
vincule con fuerte intercambio de viajes las zonas residenciales de bajos ingresos con las
zonas de empleos fabriles y las zonas residenciales de altos ingresos con las zonas de
empleos de altos ingresos, tal como se muestra en la figura siguiente:
Zonas de Em pleos
A ltos Ingresos
Zonas de
Em pleos
Fabriles
13
En general las zonas con empleos de altos ingresos se ubican en reas centrales de la ciudades, mientras que
las zona industriales se ubican en los suburbios.
23
Como el MG no tiene en cuenta variables socioeconmicas distribuir los viajes producidos
y atrados de acuerdo a las producciones y atracciones por motivo, en este caso BHT, y a
las impedancias, por lo que posiblemente la distribucin resultante no sea la esperada. En
este caso habra que aplicar a los intercambios que no resultan ajustados a la realidad
factores socioeconmicos Kij a los efectos de obtener un escenario similar a la realidad.
24
ANEXO 1
Ejemplo de Aplicacin del Mtodo Fratar
O\D 1 2 3 4 Tij Fi
1 0 6154 9231 24615 40000 1
2 6923 0 13846 9231 30000 1
3 4390 7805 0 7805 20000 1
4 698 3721 5581 0 10000 1
Tij 12011 17680 28658 41651
Fj1 0.8326 1.1312 1.0468 0.9604
25
Matriz Iteracin 2 Ajuste por filas
1 2 3 4 Tij Fi
1 0 6916 9600 23485 40000 1
2 5937 0 14931 9132 30000 1
3 3659 8838 0 7503 20000 1
4 546 3959 5495 0 10000 1
Tij 10143 19713 30025 40119
Fj2 0.9859 1.0146 0.9992 0.9970
26
ANEXO 2
Ejemplo de Calibracin de un Modelo Gravitatorio
Producciones y Atracciones
Zona 1 2 3 Total
Produccin 7 11 7 25
Atraccin 11 7 7 25
Matriz de Impedancias
Zona 1 2 3
1 8 1 4
2 3 6 5
3 2 7 4
Cuadro de Calibracin
1 4 1 2 2.04082 6 4 6.28571 6
2 4 1 3 1.29870 4 4 4.00000 4
3 6 1 5 1.23967 4 6 3.81818 4
4 4 1 4 1.02041 3 4 3.20700 3
5 3 1 3 0.97403 3 3 3.00000 3
6 2 1 3 0.64935 2 2 2.00000 2
7 1 1 2 0.51020 2 1 1.57143 2
8 1 1 3 0.32468 1 1 1.00000 1
Total viajes 25 F mnimo= 0.32468 F mnimo= 1.00000
27
DIVISION MODAL
A j exp( I ijm )
Tijm = Pi
A
j m
j exp( I ijm )
14
Nota: la expresin exp(x) es equivalente a ex, siendo e la base de los logaritmos naturales.
28
Fij + ij
I ijm = t ijv + 2,5 (t ijc + t ije + t ijt ) +
VT
Pi = producciones de la zona i.
Aj = atracciones de la zona j.
= parmetro del modelo.
Iijm = impedancia entre i y j por el modo m.
tvij = tiempo de viaje (en vehculo).
tcij = tiempo de acceso (caminata).
teij = tiempo de espera.
ttij = tiempo de transbordo.
Fij = costo o tarifa.
ij = otros costos (estacionamiento, peaje, etc.).
VT = valor del tiempo.
Tijm
Pijm =
Tij
A j exp( I ijm ) Pi A j
Tij = Pi = exp( I )
A A
ijm
m j exp( I ijm ) j exp( I ijm ) m
j m j m
exp( I ijm )
Pijm =
exp( I
m
ijm )
Esta ltima expresin corresponde a los modelos denominados Logit por su semejanza con
la funcin logstica.
Cuando se trata de la divisin entre dos modos el modelo se denomina binario. Cuando
existen ms de dos modos el modelo se denomina multinomial..
Si bien fueron deducidos en forma conjunta, este tipo de modelos puede aplicarse
independientemente de la etapa de distribucin.
La calibracin consiste en encontrar el valor del parmetro del modelo (). La informacin
necesaria son las impedancias, Iij1 e Iij2, y la distribucin del trfico, Pijk, entre dos modos
conocidos para cada par ij.
Las proporciones para cada par ij en cada modo son las siguientes, obviando los subndices:
29
1
P1 =
1 + exp[ (I 2 I 1 )]
exp[ (I 2 I 1 )]
P2 = 1 P1 =
1 + exp[ (I 2 I 1 )]
Haciendo el cociente P1/ P2 :
P1 1
= = exp[ (I 2 I 1 )]
(1 P1 ) exp[ (I 2 I1 )]
Aplicando logaritmos a ambos trminos y reagrupando:
P
log 1 = (I 2 I 1 )
1 P1
log[P1 P2 ]
=
I 2 I1
Si se cuenta con datos de particin modal de varios pares ij se puede aplicar regresin lineal
y determinar el valor de .
Modelo QRS II
La divisin modal se realiza para cada par O-D y para cada propsito, basada en la
diferencia entre las desutilidades de automvil y transporte pblico y las tasas de
cautividad del transporte pblico.
Siendo:
30
Te = tiempo de espera.
Pe = penalizacin por espera .
Tv = tiempo de viaje en el vehculo.
Pt = penalizacin por transbordo.
Wt = ponderacin del tiempo de transbordo.
Tt = tiempo de transbordo.
Tb = tiempo de egreso (caminata).
F = tarifa o costo de viaje.
VT = valor del tiempo.
D = Tv + 2.5*Te + F/VT
La cautividad del transporte pblico se define como la fraccin de viajes que no tiene otra
opcin que el transporte pblico, generalmente porque el usuario no posee automvil o
porque el automvil del hogar est siendo utilizando por otro integrante.
Donde:
1 Yik
t
pijk = Si S j + Yik
1 + exp( M k Dijk )
d
Siendo:
ptijk = probabilidad de que un usuario tome TP entre i y j.
31
Si = proporcin de personas dentro de la zona de TP en el origen.
Sj = idem dentro de la zona de destino.
Yik = cautividad de la zona i para propsito k.
Mk = parmetro para el propsito k.
La expresin anterior corresponde a un modelo tipo Logit. Este modelo se calibra mediante
pruebas cambiando los parmetros Mk hasta que el modelo reproduzca razonablemente bien
las divisin modal relevada.
32
ANEXO
Los modelos tipo Logit son modelos de eleccin, es decir se construyen para la prediccin de la
eleccin que ciertos individuos realizarn frente un conjunto de opciones alternativas, por ejemplo
la eleccin del modo de transporte para la realizacin de un viaje. Estos modelos pertenecen al
grupo denominado modelos economtricos, los que para poder ser aplicados en la prediccin deben
ser primeramente estimados, entendindose por estimacin de un modelo economtrico a la
determinacin, mediante mtodos estadsticos, de los parmetros de ajuste del modelo.
En el texto anterior se expusieron modelos Logit agregados, en los que las variables entran en el
modelo representadas por promedios de la poblacin y la estimacin se realiza buscando los
parmetros que mejor se ajusten tambin para el promedio de la poblacin. En cambio, la
estimacin de modelos discretos o desagregados se basa en las decisiones tomadas por los usuarios
individuales.
1
P( y i = 1) =
1 + e xi
Donde:
La variable binaria yi es una variable ficticia. Una variable ficticia es aquella que determina el
estado o decisin de un individuo i, por ejemplo el modo de transporte que elige para la realizacin
de un viaje. Siempre toma valores discretos, por ejemplo si elige auto es yi = 1 si elige transporte
pblico es yi = 0. Por lo tanto la probabilidad de que la variable yi adopte el valor 0 es P(yi = 0) = 1-
P(yi = 1).
Para la estimacin de un modelo Logit discreto es necesario contar con informacin representativa
de la poblacin que se quiere modelar, a partir de una muestra de individuos de esa poblacin. Para
esa muestra se deben observar las decisiones y atributos de los individuos, del viaje y de los modos
mediante la realizacin de una encuesta.
Este tipo de modelo se estima mediante el mtodo de mxima verosimilitud15, el que se basa en la
funcin de verosimilitud de la muestra. Dicha funcin se define como la probabilidad de que el
15
Por tratarse de una variable que slo adopta valores discretos no puede aplicarse el mtodo de ajuste por
cuadrados mnimos ordinarios, ya que ese mtodo dara por resultado una distribucin continua no restringida
al intervalo entre cero y uno.
33
modelo reproduzca las observaciones de la muestra. La funcin de verosimilitud puede expresarse
de la siguiente manera:
n
L = P ( y i = 1 / xi ) P ( y i = 0 / xi )
i =1
Siendo:
L = indicador de verosimilitud
n = tamao de la muestra.
En la prctica, el clculo del indicador se realiza aplicando el modelo a cada elemento de la muestra
y multiplicando sucesivamente los resultados. Por ejemplo:
Este indicador, por tratarse de un producto de probabilidades, deber necesariamente tener un valor
entre 0 y 1, siendo preferible el modelo que maximice la funcin L (mxima verosimilitud). Para
facilitar los clculos se utiliza el logaritmo natural de la verosimilitud, por lo que el Ln L ser
siempre un valor negativo y cuanto mayor, es decir ms prximo a cero, mejor resulta el ajuste del
modelo.
Como se dijera al principio, la divisin modal de los viajes puede ser representada por un modelo de
eleccin, en el que el trmino eleccin puede definirse como: la expresin de las preferencias de un
individuo para la realizacin de un viaje. En este tipo de modelo, la eleccin del individuo se basa
en el principio de maximizacin de la utilidad. Este principio establece que un individuo elegir, de
entre las la opciones disponibles, aquella que maximice su utilidad o satisfaccin.
Esta utilidad podr ser expresada mediante una funcin, que ser una expresin matemtica, cuyo
valor depender de los atributos de las opciones disponibles y de las caractersticas y preferencias
del individuo. La funcin de utilidad expresa que si un individuo prefiere un determinado modo
sobre los dems, el valor de dicha funcin de utilidad para ese modo deber ser mayor que para los
restantes.
34
transbordos, tiempos de caminata y espera, costo del viaje, ingreso del individuo, posesin de
automvil, etc.
U ( xi , S ) > U ( x j , S )
Donde:
U = funcin de utilidad.
xi, xj = atributos de los modos i y j (tiempo de viaje, costo, etc.).
S = atributos del individuo que influyen en la seleccin de modo.
La funcin de utilidad debe ser definida de manera que se cumplan las siguientes condiciones:
La forma de la funcin de utilidad deber ser la misma para todas las opciones. Su valor
depender de los atributos del modo y del individuo.
La utilidad de un modo depende exclusivamente de los atributos del modo y del individuo,
independientemente de los atributos de los otros modos.
La eleccin del individuo depende de las utilidades de todos los modos.
Para la definicin de funciones de utilidad para un caso especfico se debe identificar, en primer
lugar, las variables que describen los atributos de cada modo y los atributos de los usuarios. La
habilidad del modelo de predecir lo ms aproximadamente posible la divisin modal depende
fundamentalmente de la eleccin acertada de estas variables. No obstante, por ser el proceso de
seleccin de modo un proceso complejo en el que intervienen innumerables factores, no ser
siempre posible identificar a la totalidad de esas variables, siendo la omisin16 de ciertas variables y
los errores de medicin de las incluidas la principal fuente de error de prediccin de los modelos.
Las variables que forman parte de la funcin de utilidad pueden clasificarse de la siguiente manera:
Variables de poltica. Son las variables que adoptan valores que provienen de decisiones de
polticas deliberadas. La elaboracin de un modelo de demanda tiene por objeto el de
determinar las consecuencias que tendrn los cambios en el valor de estas variables. El
tiempo de viaje, la tarifa, la frecuencia, etc, son ejemplos de variables de poltica.
Variables genricas. Son las variables de poltica que figuran en todos los modos con el
mismo coeficiente.
Variables especficas de modo. Son las variables que entran en la funcin de utilidad con
distintos coeficientes en cada modo. Debe haber por lo menos un modo que no incluya a
dicha variable.
Variables demogrficas o socieconmicas (tambin variables de grupo). Son las variables
que permiten diferenciar el efecto de las medidas de polticas en los diferentes grupos
poblacionales. El ingreso y la posesin de automvil son ejemplos de este tipo de variables.
El valor de estas variables no est sujeto a decisin.
16
La no-inclusin de variables que influyen en el modelo puede deberse a que se las desconoce o por
imposibilidad de medirlas o estimarlas.
35
Las variables pueden figurar en la funcin de utilidad directamente con su valor o transformadas,
por ejemplo mediante la logaritmacin. Asimismo las funciones pueden ser lineales o no lineales.
Algunas variables, tales como el tiempo de viaje, pueden ser desagregadas en componentes, como
por ejemplo: tiempo de caminata y espera, tiempo en vehculo y tiempo de trasbordo, dado que
dichos tiempos son valorados de distinta manera por los usuarios (los tiempos de caminata, espera y
trasbordo tienden a ser percibidos como ms molestos que el tiempo en vehculo). En algunos casos
el tiempo de viaje puede constituir una variable especfica de modo como cuando se incluyen los
tiempos de espera y trasbordo, propios del transporte pblico pero no del automvil.
La variable ingreso o nmero de automviles en el hogar tambin pueden ser usadas como variables
especficas de modo cuando, por ejemplo, sectores de altos ingresos estn dispuestos a utilizar el
automvil no por ahorro de tiempo sino por comodidad y/o flexibilidad. Debe haber por lo menos
un modo sin estas variables.
Adems de las variables descriptivas de los modos y de los individuos se definen tambin las
denominadas constantes especficas de modo. Si dos modos tienen los mismos atributos las
probabilidades ser elegidos por individuos con las mismas caractersticas sern iguales, si bien
pueden presentar diferencias al usuario representadas por variables no incluidas en el modelo, tales
como confort, confiabilidad, seguridad, etc. Este defecto puede ser en parte subsanado mediante la
inclusin de constantes, diferentes, en la funcin de utilidad de todos los modos, excepto uno,
denominado modo base17.
La estimacin de modelos Logit discretos, tanto binarios como multinomiales, se realiza mediante
paquetes estadsticos - economtricos. Los modelos binarios pueden estimarse mediante paquetes
convencionales, tales como EViews, SPSS, SAS, etc. Para el caso de los modelos multinomiales
debe recurrirse a software especial como ALOGIT o HIELOW.
Se parte de un relevamiento a travs de encuestas del modo de viaje al trabajo de una muestra de
usuarios. En la encuesta se relev, para cada elemento de la muestra, la distancia de viaje, los costos
del viaje en transporte pblico (TP) y en automvil (A), los tiempos de viaje en TP y en A, el
ingreso del individuo, la posesin de automvil y el modo utilizado para la realizacin del viaje.
e U a
P ( A) =
e U a + e Utp
Siendo:
17
Si se incluyeran constantes en todos los modos las mismas seran matemticamente indeterminadas por lo
que el modelo no puede ser estimado.
18
Producto de Quantitative Micro Software, LLC (www.eviews.com)
36
P(A) = probabilidad de que el modo A sea elegido.
Ua = funcin de utilidad del modo A
Utp = funcin de utilidad del modo TP
A los efectos de experimentar con los resultados se plantear el modelo con dos variantes. La
denominada Ecuacin 1 tiene las siguientes funciones de utilidad:
Ca
U a = b Ta + c
Yi
C tp
U tp = a + b Ttp + c
Yi
U a = b Ta + c C a + d Yi
U tp = a + b Ttp + c C tp
Las variables T, C y C/Y son variables genricas de poltica y entran en la funcin con el mismo
coeficiente. El coeficiente a es una constante especfica de modo y solamente forma parte de la
funcin de utilidad del modo TP. La variable Y en la ecuacin 2 es una variable especfica de modo
dado que aparece solamente en la funcin de utilidad del modo A.
Ecuacin 1:
1 1
P ( A) = (U tp U a )
= ( a + bT + cC / Yi )
1+ e 1+ e
Ecuacin 2:
1
P ( A) = ( a + bT + cC + d Yi )
1+ e
La muestra que se utilice para la estimacin del modelo debe ser representativa de la poblacin del
rea de estudio que se quiere modelar, es decir que en ella deben formar parte todos los casos
posibles, de manera que el modelo tenga la capacidad de reproducir la eleccin de modo de
cualquier individuo dentro de esa poblacin. Esta es una condicin muy importante para que el
modelo sea aplicable para la determinacin de la divisin modal agregada del rea de estudio, tal
como se ver ms adelante.
37
Las planillas siguientes muestran la informacin relevada a 16 personas que realizan viajes diarios
al trabajo19. Los encabezamientos tienen el siguiente significado:
A continuacin se elabora una planilla con los datos que se ingresan al programa Eviews, con el
clculo de las diferencias que entran en el modelo:
19
Para casos reales, el tamao de muestra debe estar entre 1000 y 3000 encuestas. Para este tipo de encuestas
no existe un mtodo para la determinacin estadstica del tamao de muestra.
38
ENCUESTA DE DIVISION MODAL
Modo: 0 Transp. Pb.
1 Auto
39
prediccin es correcta, lo mismo sucede si el dato real es 0 y el modelo predice una probabilidad
menor que 0,5.
Se observa que el modelo denominado Ecuacin 2 presenta mejores indicadores que el denominado
Ecuacin 1.
Ecuacin 1 Ecuacin 2
C -1.161796 C 9.081511
Delta_t 3.785379 Delta_t 59.91634
DC_Y 0.10787 Delta_c 4.992237
Log Max Ver -8.5388 Ingreso -4.233454
Log Max Ver -4.2335
Grfico de Ajuste
1.2
0.8
Observado
P1
0.6 Ecuac. 1
Ecuac. 2
0.4
0.2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Observacin
40
Ecuacin 1
1
P ( Auto) =
1 + exp[ (a + b T + c C / Y )]
1.0
0.8
0.6
0.4
0.2
1.0 0.0
0.5
0.0
-0.5
-1.0
2 4 6 8 10 12 14 16
41
Ecuacin 2
1
P ( Auto) =
1 + exp[ (a + b T + c C + d Y )]
1.0
0.8
0.6
0.4
0.2
1.0
0.0
0.5
0.0
-0.5
-1.0
2 4 6 8 10 12 14 16
42
Aplicacin de Modelos Discretos de Divisin Modal
Los modelos son utilizados como auxiliares en el proceso de toma de decisiones al permitir evaluar
el efecto que tendrn las medidas o cursos de accin que se adopten. Por ende, los resultados de los
modelos deben ser agregados, ya que lo que se persigue con su utilizacin es la de determinar los
volmenes de viajes que utilizarn el sistema de transporte.
Los modelos Logit descriptos estn basados en el comportamiento individual de los usuarios debido
a que este tipo de modelos requiere de menor cantidad de informacin y de menor costo de
recoleccin y que, adems, permiten identificar los efectos que tienen las caractersticas
socioeconmicas de las personas y los cambios en los atributos de los modos de transporte en el
comportamiento de la demanda de viajes.
A los efectos de utilizar estos modelos en la prediccin de la divisin modal, ser necesario
encontrar mtodos para transformar la prediccin discreta o desagregada en prediccin agregada, ya
que los modelos se estiman a partir de una muestra obtenida de una encuesta y luego se aplican a
diversas poblaciones, que pueden o no ser parte de la muestra original.
Datos de Variables
Personas y Futuras
Modos (1) (2)
En la etapa de formulacin se proponen formas alternativas del modelo, como lo fueron, por
ejemplo, las ecuaciones 1 y 2 anteriores. Estas formas son estimadas y luego se selecciona la
considerada como la que mejor representa la eleccin de modo, de acuerdo a los criterios explicados
(mxima verosimilitud y porcentaje correctamente predicho). Se supone que este modelo es
aplicable a cualquier individuo o grupo de individuos dentro del rea de estudio.
Se utilizan varios procedimientos para la agregacin de los resultados obtenidos de los modelos
discretos. A continuacin se describen tres de ellos, para un modelo binario.
Mtodo Simple
Este mtodo consiste en reemplazar el valor de las variables explicativas del modelo por el valor
promedio de cada una de las variables futuras.
La aplicacin del mtodo simple puede producir errores significativos, dado que los resultados
obtenidos de la introduccin de valores promedio de las variables no son iguales a los que se
43
obtendran de aplicar el modelo desagregadamente y luego promediar. Esto se debe a la
caracterstica no lineal del modelo Logit.
1
S ( A) =
[ ]
1 + exp (U tp U a )
S (TP ) = 1 P( A)
Donde:
S(A), S(TP) = participacin agregada de los modos A y TP para una determinada poblacin.
a , tp = valor de las funciones de utilidad de los modos A y TP calculadas con los promedios
de las variables explicativas para la poblacin de inters.
N P ( A)
i i
S ( A) = i
N i
i
S (TP ) = 1 P( A)
Siendo:
Pi(A) = probabilidad de seleccionar A dentro del estrato i, calculada con los promedios de las
variables explicativas dentro del estrato.
Ni = tamao del estrato i.
44
Mtodo de la Enumeracin Muestral
Esta muestra puede estar basada en la muestra utilizada en la estimacin del modelo, o en muestras
obtenidas en zonas del rea de estudio. Para cada muestra se obtiene una prediccin de la divisin
modal distinta. Este mtodo es el ms preciso por lo que se recomienda su aplicacin.
P ( A) i
S ( A) = i
P (TP) i
S (TP ) = i
N
Na = Pi ( A)
i
N
Ntp = Pi (TP )
i
N = Na + Ntp
Donde:
45
Bibliografa
46