ModelosdeTransporte 24

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/363328181
Modelos y métodos en la planeación de sistemas de transporte
Preprint · September 2022

DOI: 10.13140/RG.2.2.13260.08321
CITATIONS READS
0 408
1 author:
Oscar Sanchez
Benemérita Universidad Autónoma de Puebla
13 PUBLICATIONS 46 CITATIONS
SEE PROFILE
All content following this page was uploaded by Oscar Sanchez on 07 September 2022.
The user has requested enhancement of the downloaded file.

Modelos y métodos en la
planeación de sistemas de
transporte
Óscar Sánchez Flores
Incunabula
Primera edición: 2021
ISBN: 978-607-99073-2-7
DR © Editorial Incunabula
16 Sur 2536, Puebla, Puebla
Puebla, Pue.
www.incunabula.com.mx
Preregistro Reniecyt: 1602399
hecho en México
made in Mexico
índice
prefacio.......4
Capítulo i
Conceptos de modelación y simulación.........................................7
Capítulo ii
Razones para auditar un modelo de transporte.....................24
Capítulo iii
Modelos de planeación y asignación a redes de transporte
privado..................................................................................................54
Capítulo iv
Métodos y modelos usados en la ciencia de los
transportes.........................................................................................83
Capítulo v
El dictamen de un estudio de demanda: hacia la auditoría
técnica..................................................................................................109
prefacio
E
n México, salvo contados los casos en la que la autoridad gu-
bernamental cuenta con un cuerpo de técnicos especializados,
las funciones de modelación y la planeación de los sistemas de
transporte en general y del transporte urbano en particular la reali-
zan mayoritariamente las empresas de consultoría a petición de las
entidades gubernamentales.
Una de las razones que explican esta situación es la inexistencia
de una base crítica de profesionales, tanto a nivel local, regional y
nacional como en los ámbitos de la educación y del gobierno, que en-
riquezca con sus análisis las alternativas de solución de los problemas
de transporte. En efecto, los funcionarios de las entidades públicas,
encargados de la regulación y operación de los sistemas de transpor-
te, carecen en su mayoría de los elementos técnicos necesarios para
valorar las propuestas de las empresas consultoras.
Los técnicos en consultoría, por su parte, emplean técnicas de
modelación inadecuadas para resolver un problema específico lo que
impacta en los resultados y eventuales recomendaciones que luego
los tomadores de decisiones utilizan como argumentos para imple-
mentar una política de transportes.
Los docentes, por su parte, ocasionalmente actualizan sus conoci-
mientos respecto a los avances en técnicas, procedimientos y herra-
mientas para la modelación y planeación de sistemas de transporte
por lo que los profesionales que forman encuentran dificultades para
insertarse en el mercado laboral y resulta poco probable que aporten
conocimientos pertinentes para atender los problemas actuales del
transporte y la movilidad que día con día se agravan en el país.
[4]
Modelos y métodos en la planeación de sistemas de transporte · 5
El panorama anterior motiva a emprender diversas acciones en el

ámbito de la formación académica y profesional para revertir dichas
tendencias. En este sentido, se ha preparado este documento en el que
se abordan diversos cinco aspectos que se consideran como elemen-
tos básicos en el entendimiento, análisis, evaluación y aplicación tan-
to de métodos como herramientas de modelación para la planeación
de los sistemas de transporte:
a) Conceptos generales relativos al proceso de modelación y si-

mulación en los cuales se plantea que el desarrollo de los modelos
tenga una secuencia lógica cuidando diversos aspectos técnicos de
control. Son la base empleada para ilustrar y recomendar.
b) Los elementos técnicos que ponen en evidencia la necesidad de
realizar controles técnicos a los procesos de modelación empleados
en particular en el área de transporte. Esta parte se pronuncia a favor
de realizar auditorías técnicas a los modelos de transporte siguiendo
una metodología como la propuesta.
c) La descripción general de los modelos estratégicos de planea-
ción de transporte en la que se hace énfasis en el problema de la asig-
nación. Esta fase es una de los componentes centrales del modelo de
transporte por lo que se explica el caso de una red simple aportando
la solución analítica al problema y generando extensiones a este mo-
delo hasta incluir el cobro de peaje.
d) El estado de la investigación y la práctica respecto a los enfo-
ques y métodos de modelación utilizado en la ciencia de los trans-
portes, así como diversos planteamientos respecto a las líneas futuras
de investigación. Se señalan diversas áreas de oportunidad que están
en proceso de desarrollo señalando algunas pistas para avanzar en el
proceso de comprensión de los fenómenos del transporte.
e) La aplicación de los conceptos anteriores al caso particular de
un proyecto de infraestructura carretera con cobro de peaje. Ante
la necesidad de una auditoría técnica de los modelos empleados en
la estimación de la captación e ingresos de este tipo de proyectos se
plantea una metodología para realizar un dictamen técnico ya que
una auditoria implica disponer de información completa de los mo-
delos empleados. La metodología permite determinar la robustez téc-
nica de los resultados y orientar al tomador de decisiones sobre las
áreas de oportunidad que pudiera precisar o en su caso considerar.
De esta manera, el documento ha sido estructurado en cuatro
6 · Modelos y métodos en la planeación de sistemas de transporte
capítulos. El primero está dedicada a definir nociones relativas a la

modelación y simulación empleadas en la planeación del transporte,
así como su pertinencia, ventajas y desventajas. Introduce también
los conceptos de modelo semántico, formal, resoluble y alimentado,
alrededor del cual se articula una metodología que permite identifi-
car las fuentes de error en los modelos de transporte. El capítulo dos
presenta una descripción de las fuentes de error más comunes por
lo que se propone un marco teórico para el análisis teórico del error
pronunciándose por un esquema de auditoría técnica en la práctica
de la modelación de los sistemas de transporte para cuantificar de
forma sistemática los afluentes del error. Estos dos capítulos retoman
gran parte del trabajo de Leurent (1997).
El capítulo 3, presenta una síntesis del modelo de planeación
estratégica de transporte comúnmente empleado para estudios de
diagnóstico y previsión de demanda de mediano y largo plazo. Se de-
sarrolla en particular el caso de estudio de una red simple la cual se
resuelve de manera analítica para facilitar la comprensión de los con-
ceptos básicos. El modelo se extiende al caso de congestión y de ta-
rificación como preámbulo del capitulo 5 en el que se desarrolla una
metodología para la evaluación técnica del proceso de modelación de
un proyecto de inversión en infraestructura la cual tendrá una fuente
de pago a través del cobro de peaje. El capitulo 4, es un prolegómeno
de los modelos y enfoques utilizados en la modelación de sistemas
de transporte. Aporta orientaciones para la práctica e investigación
futura en la materia. Este capitulo está basado en Sanchez-Flores y de
Palma (2013).
Óscar Sánchez-Flores
1. Conceptos de modelación y simulación
1.1 Modelo
Algunas definiciones comunes de modelo son las siguientes:
a) Esquema teórico que busca dar cuenta de un proceso, de rela-

ciones existentes entre diversos elementos de un sistema.
b) Conjunto de ecuaciones y de relaciones que sirven para represen-
tar y estudiar un sistema complejo.
c) Conjunto de características que posee en común una familia de sis-
temas homomorfos.
d) Esquema teórico de un sistema o realidad compleja que se elabora
para facilitar su comprensión y estudio.
Es decir, un modelo se refiere a un sistema en el cual opera una abs-

tracción (c, a) que sirve para representar (a,b) y analizar (d) o simular
(b). A veces se agrega una función de prospección (modelos predicti-
vos) y una regla de evaluación que sirve para definir, probar o clasificar
variantes (Leurent 1997).
1.2 Sistema
Es un grupo de objetos que están ligados por alguna interacción regu-
lar o en interdependencia con el fin de lograr unpropósito.
Un sistema es frecuentemente afectado por cambios que ocurren
fuera del sistema. Tales cambios ocurren en el sistema contextual o am-
biental. En la modelación de sistemas es necesario definir las fronteras
entre el sistema y su contexto o ambiente. Esta última decisión depen-
derá de los propósitos del estudio.
[7]
El sistema se compone de los siguientes elementos:

a) Entidad. Es un objeto de interés en el sistema.
b) Atributo. Es una propiedad de la entidad.
c) Actividad. Es un periodo de duración determinada.
1.2.1 Estado de un sistema

Colección de variables necesarias para describir el sistema en un mo-
mento dado (relativo a los objetivos del estudio).
a) Evento. Es un suceso que puede cambiar el estado del sistema.
b) Endógeno. Se refiere a las actividades y eventos que ocurren al
interior del sistema.
c) Exógeno. Por oposición se refiere a las actividades y eventos del
contexto o ambiente que afectan al sistema.
1.2.2 Tipos de sistema

a) Discretos. Es aquel en el que la(s) variable(s) de estado sólo pue-
de(n) tomar un conjunto de valores finitos.
b) Continuos. Análogamente, son aquellos en el que la(s) varia-
ble(s) de estado puede(n) asumir un número infinito de valores, es
decir, cambia(n) continuamente en el tiempo.
1.3 Tipos de modelo

1.3.1 Modelo conceptual, semántico o fenomenológico
Es el esquema teórico en el que hay una definición de sistemas y de
subsistemas (por lo tanto, de contexto), y una calificación de relacio-
nes (causalidad, simultaneidad).
a) Mecanismo explicativo. Es una relación elemental.
b) Contenido semántico o composición semántica. Es el conjunto
de mecanismos explicativos del modelo conceptual. Ejemplos: el sis-
tema de transporte, sus actores y sus relaciones. En materia de asig-
nación: identificar un desplazamiento como el consumo de un bien
económico; identificar al autor de un desplazamiento como un actor
económico que demanda el buen desplazamiento, definir la elección
de itinerario como la búsqueda del camino más corto y por lo tanto
de un bien de precio mínimo; suponer que los demandantes conocen
y por lo tanto pueden elegir los caminos, definir el desplazamiento
como un costo generalizado precisando sus atributos (costo directo,
costo indirecto o subjetivo, etcétera).
c) Fórmula característica. Es la síntesis en lenguaje matemático

de los mecanismos explicativos bajo la forma de un problema de
tipo matemáticas aplicadas. Para obtener la fórmula característica
de un modelo se puede definir una notación matemática para cada
elemento, enseguida expresar cada mecanismo explicativo como una
relación elemental que una, por medio de una función, cada uno de
los elementos internos (variables endógenas) y externos (variables
exógenas). Finalmente, unir las relaciones formales en una fórmula
sintética que se convierte en característica al asociarlo a un marco
matemático de referencia.
1.3.2 Modelo formal

Designa la unión del modelo semántico y de la fórmula característica.
1.3. 3 Modelo resoluble

El modelo formal unido a un dispositivo de resolución que determi-
na los valores de las variables endógenas en función de las variables
exógenas. Por ejemplo, un modelo de asignación puede integrar un
modelo de afectación formal y un algoritmo de resolución.
1.3.4 Modelo alimentado

Un modelo resoluble unido a datos de aplicación a un caso parti-
cular dado.
1.3.5 Modelo físico

Generalmente son representaciones a escala reducida de sis-
temas. Por ejemplo, las maquetas arquitectónicas, los túneles de
viento, modelos marinos. Estos modelos son adecuados para
tratar ciertos problemas físicos, pero están claramente limita-
dos a aspectos de diseño (Ortúzar1994).
Modelación
La modelación es la técnica y en su caso arte, de estructurar un mo-
delo (ver sección 1.1) en cualquiera de sus tipos (ver sección 1.3) que
también corresponden a diferentes etapas de elaboración.
Si bien a ciertas instancias se considera como un elemento prio-
ritario elaborar un modelo como base para la toma de decisiones to-
davía es materia de discusión hacerlo ya que se debaten sus ventajas
e inconvenientes.
1.4.1 Argumentos a favor

a) Toda representación abstracta contiene un modelo semánti-
co. Un modelo semántico reúne las ideas y las intuiciones relativas
a un objeto o a un sistema. La identificación de los componentes
y la puesta en evidencia de las relaciones proveen los ingredientes
necesarios para una representación abstracta. Esta representación
no sólo cumple un papel didáctico, al proporcionar una imagen
simplificada de un sistema eventualmente complejo, sino que
también puede ser un instrumento para la concertación y la dis-
cusión entre los actores de un proceso de decisión. La representa-
ción abstracta implica no sólo cualquier método cuantitativo que
busca reproducir o predecir un estado empírico, sino que también
implica un análisis prospectivo, que se apoya sobre la identifica-
ción de las principales relaciones para imaginar evoluciones po-
sibles. De la calidad del modelo conceptual depende aquélla de la
prospectiva.
b) Los modelos formales y calculables son una de las etapas
necesarias para la cuantificación. El modelo formal cumple una
función más terminada que el modelo semántico. La formulación
matemática sirve para definir la coherencia preparatoria de la
cuantificación. El modelo resoluble precede necesariamente a la
aplicación cuantitativa (una fórmula sin dispositivo de resolución
se convierte en letra muerta).
c) El modelo alimentado permite esclarecer las decisiones.
Este modelo cumple funciones de representación y de simulación,
o en todo caso de prospección. Las consecuencias prácticas son
evidentes: si el sistema estudiado tiene (real o virtualmente) una
existencia empírica influida por la decisión de ciertos actores o
por la evolución de ciertos factores, entonces el modelo alimen-
tado puede no solamente representar una situación de referencia,
sino además simular los efectos de posibles decisiones o evolu-
ciones, por lo que puede servir para esclarecer algunas decisio-
nes. De igual modo, puede sostener la comprensión cualitativa y
la prospectiva. Para un sujeto de análisis como la demanda del
transporte, el análisis cualitativo no es suficiente para jerarquizar
los factores determinantes por lo que es necesario una cuantifica-
ción para apreciar sus papeles respectivos.
1.4.2 Argumentos en contra (caso de los modelos del trans-

porte)
a) Oposiciones filosóficas. Los modelos son inútiles. ¿Cuál es
la utilidad final de un modelo de previsión?, ¿Si la evolución de un
sistema es perfectamente previsible (determinado previamente), de
qué sirve entonces predecir si de todos modos acontecerá necesaria-
mente? Este argumento, también llamado “sofisma perezoso” (Curien
1989), manifiesta, sin duda, una ausencia de libre albedrío de los ac-
tores. ¿Puede considerarse adecuado un enfoque cuantitativo cuan-
do el carácter evolutivo, la inestabilidad o la complejidad del sistema
estudiado es tan alta? Las dos oposiciones filosóficas son susceptibles
de refutarse con argumentos empíricos que muestran la exactitud de
ciertas previsiones. Desde el punto de vista de la utilidad económica,
se puede constatar que si los actores (económicos) están dispuestos
a pagar por una modelización, entonces ésta tiene una justificación
económica y más aún en medida que los precios son elevados. Al ar-
gumento de la incapacidad fundamental de un enfoque cuantitativo
se puede responder que el buen artesano y una buena herramienta
no se sustituyen el uno por el otro. Por lo que, un análisis cualitativo
puede ser sustentado y prolongado por un modelo cuantitativo capaz
de proyectar sistemáticamente los principios explicativos puestos en
juego. La interrogación sobre la utilidad final del modelo cuantitativo
puede ser devuelta, si todo está determinado con anterioridad, enton-
ces el empleo del modelo es valioso para la crítica, para la refutación
de la crítica, entre otros propósitos.
b) Oposiciones sociológicas: el modelo fácil a devastar o nocivo.
Las oposiciones de tipo sociológicas se sujetan esencialmente a las
circunstancias y condiciones de empleo de los modelos.
c) Aplicación “inocente” o brutal. Se pueden llamar reticencias
contra el empleo tan general o rápido de modelos alimentados, fruto
del entusiasmo inmoderado para aplicar a todo tipo de situaciones,
máquinas de generación de números.
d) Empleo maquiavélico de las previsiones cuantitativas. Dado
que un modelo de simulación cuantitativa puede aclarar una deci-
sión (por ejemplo, en materia de planeación), si uno de los actores del
proceso solicita el estudio, estará tentado a utilizar el modelo para el
apoyo de una estrategia propia. En este sentido existen varios niveles
de manipulación: la disimulación (omitir a propósito ciertos aspectos
que lleven a los otros actores a reflexionar), el travestismo (interpretar
algunos resultados de manera poco clara), la falsificación (obtención

de resultados sobre medida gracias a un ajuste ad hoc del modelo). Es
importante señalar que el argumento de la orientación maquiavélica
ejerce al final de cuentas efectos perniciosos: desvía a los modelado-
res del modelo y reduce progresivamente el método técnico, hasta
eliminar de los modelos conceptuales o formales el soporte empírico
y el carácter experimental. Otro argumento de naturaleza sociológi-
ca es la nocividad de un modelo que esclarecería tan netamente las
implicaciones de una decisión: algunos sostienen que un proceso de
decisión, para su buen desarrollo, requiere de cierta ambigüedad, fa-
vorable a un “compromiso de la incomprensión” que actuaría como
aceite en los rodamientos de la sociedad. En este caso, corresponde a
los actores del proceso tomar decisiones.
e) Argumentos pragmáticos. Al final de cuentas, los mismos téc-
nicos de la modelación presentan argumentos que inducen a limitar
el empleo de la modelación:
1. La nula utilidad práctica de una modelación que sirve única-

mente para acompañar una decisión ya tomada y no a esclare-
cer una decisión por tomar.
2. Las dificultades de la formalización y del empleo de un mode-
lo conceptual complejo lo que incita a estar satisfecho con repre-
sentaciones más simples.
3. Las restricciones económicas, en recursos humanos y finan-
cieros que obligan a realizar el estudio de manera vasta o muy
simplificada.
4. La incertidumbre relativa a los datos de aplicación debido a la
falta de mediciones suficientes.
Estos argumentos son aceptables si sintetizan esfuerzos se-

rios para mejorar el modelo o simplemente para hacer un buen
uso de ellos. De locontrario estos argumentos sólo reflejan una
abdicación técnica disimulada con una máscara sociológica.
1.4.3 Síntesis
Los argumentos a favor de la modelación son aceptables a condi-
ción de contar con una garantía técnica. Los argumentos a favor de la
modelación se sostienen debido a la posibilidad de ponerlos al servi-
cio de objetivos bien determinados: comprensión técnica, pedagogía,
perspectiva, ayuda lúcida a la decisión. Por lo tanto, están condiciona-

dos a la calidad técnica del modelo.
Contra las oposiciones filosóficas conviene definir la propia. Se ha
mencionado que las oposiciones filosóficas pueden ser refutadas por
argumentos empíricos o utilitaristas. Una refutación a la “incapaci-
dad del modelo” nunca es global, sino que permanece siendo local a
una aplicación particular o aún más, a una interpretación particular
de esta aplicación. Sin embargo, un reproche de incapacidad traduce
de todas formas una duda global a priori. Es más conveniente refutar
el axioma de incapacidad a priori en la modelación ya que cada mo-
delo puede intentar sobrepasar las pruebas de cada aplicación. Queda
por definir ¿qué pruebas?, lo que nos lleva al tema de las garantías
técnicas.
Respuestas a las oposiciones sociológicas. Las oposiciones sociológi-
cas requieren de garantías que se refieren a las circunstancias de em-
pleo, las hipótesis de aplicación y las modalidades de interpretación.
En relación con las circunstancias de empleo para prevenir una
aplicación inocente o brutal, conviene examinar la proporción del
modelo respecto al sistema a estudiar y a tomar una garantía técni-
ca sobre el modelo semántico. Para las hipótesis de aplicación, prin-
cipalmente los valores a asignar a las variables exógenas, conviene
adoptar las hipótesis más creíbles y cuantificar la incertidumbre li-
gada a ella: al propagar esta incertidumbre por medio del modelo,
se puede explicar la incertidumbre ligada al resultado, lo que da una
garantía técnica en relación con el modelo alimentado.
Las modalidades de interpretación (omisión, travestismo, etc.)
dependen en lo absoluto del contenido del modelo, pero en la prácti-
ca el solicitante del estudio actúa en función de sus propios intereses
y de sus restricciones particulares. La imposición de reglas relativas
a la presentación de las hipótesis y de los resultados puede prevenir
eventuales desviaciones. Tales reglas proceden de argumentos téc-
nicos, aunque implican la administración del proceso de decisión.
Por ejemplo, la Secretaría de Transportes inglesa impone reglas de
método y presentación para todo estudio de tránsito carretero (e.g.
Beeston et al, 2021).
Tratamiento de las oposiciones pragmáticas. El argumento de la
poca utilidad práctica de los estudios se refiere únicamente a la fun-
ción de ayuda a la decisión (sólo en casos particulares). Las otras fun-
ciones, como la del conocimiento, no son afectadas.
En relación con la eventual limitación del modelo calculable res-

pecto a la presentación conceptual, debe mencionarse que se relacio-
na más a desarrollar un esfuerzo de modelación que a rechazar las
aplicaciones en las cuales el modelo ha sido proporcionado.
Las limitaciones de los medios y la falta de medidas son argumen-
tos cercanos de las dudas relativas a los datos de aplicación.
1.4.4 Balance final: se requiere de garantías técnicas

Las realidades evocadas anteriormente llevan a la necesidad de tomar
garantías técnicas de los modelos:
a) Para verificar su utilidad con fines de comprensión teórica, de

pedagogía, de prospectiva, de ayuda a la decisión.
b) Para aprobar o desechar una aptitud empírica en el caso de una
aplicación cuantitativa particular.
c) Para asegurar la proporción / relación entre el sistema estudia-
do y las preguntas planteadas.
d) Para tomar en cuenta explícitamente la incertidumbre ligada a
las hipótesis de aplicación.
Para dar estas garantías es necesario auditar el modelo de la com-

posición conceptual a la alimentación econométrica. Auditar el mo-
delo en el sentido de detectar los eventuales errores, de tomar las me-
didas de corrección o en su caso reducirlas. Una auditoría favorable
demuestra la utilidad del modelo respecto al conocimiento del siste-
ma estudiado.
1.4.5 Las garantías técnicas

Para demostrar la buena fundamentación de un modelo, es ne-
cesario tomar medidas técnicas efectuando varios controles:
a) Auditoría conceptual o semántica. Primeramente, verificar la

similitud del modelo conceptual a la representación abstracta de la
realidad.
b) Auditoría formal. Este control se centra en la consistencia lógi-
ca y en la posibilidad de resolución del modelo, dicho de otra forma,
la coherencia con el fin de asegurar que las dependencias son sufi-
cientes para determinar las variables endógenas.
c) Auditoría algorítmica. Este control se orienta en el dispositivo
técnico de simulación y su capacidad efectiva para producir el resul-

tado esperado.
d) Auditoría econométrica. Es el último control y se centra sobre la
validez empírica del modelo, sobre su capacidad para reproducir las
observaciones y sobre la fiabilidad de su simulación.
Las cuatro etapas anteriores constituyen la auditoría téc-

nica del modelo y serán abordadas más adelante en casos
prácticos.
1.5 Simulación
Es la imitación del funcionamiento de un proceso del mundo
real o de un sistema en el tiempo. Por medio de una computa-
dora, la simulación lleva a la generación de la historia artificial
de un sistema y su observación para delinear inferencias relati-
vas a las características operativas del sistema real. El compor-
tamiento del sistema, tal como es considerado en el tiempo, se
estudia desarrollando un modelo de simulación.
El modelo de simulación usualmente toma la forma de un
conjunto de consideraciones referidas a la operación del siste-
ma (modelo semántico). Estas consideraciones son expresa-
das por medio de relaciones matemáticas, lógicas y simbólicas
entre las entidades o sujetos de interés del sistema (modelo for-
mal). Una vez desarrollado y validado, un modelo puede ser
empleado para investigar una amplia variedad de situaciones o
consideraciones acerca del sistema real. Los cambios potencia-
les del sistema pueden ser primeramente simulados con el ob-
jeto de predecir su impacto en el desempeño del sistema. La
simulación también puede ser empleada como una herramien-
ta de análisis en la predicción del efecto de los cambios que
existirán en el sistema, y como una herramienta de diseño para
predecir el desempeño de nuevos sistemas bajo un conjunto de
circunstancias (modelo alimentado).
1,5,1 Pertinencia de una herramienta de simulación

La disponibilidad de lenguajes de simulación para objetivos específicos,
las capacidades de cálculo, cada vez más importante, de las computa-
doras y los avances en la metodología de la simulación han hecho de la
simulación una de las herramientas más aceptadas en investigación de
operaciones y análisis de sistemas. Así, la simulación puede emplearse

para los siguientes propósitos (Banks, 2000):
a) La simulación desarticula el estudio y la experimentación en

interacciones internas de un sistema complejo o de un subsistema
dentro de un sistema complejo.
b) Los cambios en la información, organización y el entorno pueden
ser simulados, y las alteraciones en el comportamiento del modelo pue-
den observarse.
c) El conocimiento adquirido durante el diseño del modelo de si-
mulación puede ser de gran interés para sugerir mejoras en el sistema
analizado.
d) El cambio de los datos de entrada y la observación de los resulta-
dos permite obtener conocimientos sobre cuál es el efecto de las varia-
bles más trascendentes y cómo interactúan las variables.
e) La simulación puede ser utilizada como una herramienta peda-
gógica para reforzar las metodologías de las soluciones analíticas.
f) La simulación puede ser utilizada para experimentar con nuevos
diseños o políticas, antes de la implementación, y para conocer el efecto
de estas medidas.
g) La simulación puede ser empleada para verificar las soluciones ana-
líticas.
h) Simulando las diferentes capacidades de una máquina se pueden
determinar sus necesidades o incluso sus límites /capacidades.
i) Los modelos diseñados con propósitos de entrenamiento permiten
aprender sin incurrir en los costos e interrupciones de un aprendizaje
en campo o en el trabajo.
j) Las animaciones permiten mostrar la operación simulada de un
sistema.
k) Los sistemas modernos (fábricas, plantas de tratamiento de aguas,
servicios de organización) son tan complejos que la interacción de sus
elementos puede observarse a través de la simulación.
1.5.2 Uso inadecuado de la simulación

Existen algunas reglas generales para determinar cuándo una simu-
lación es inadecuada o poco pertinente (e.g. Banks, 1997) cuando:
a) El problema puede ser resuelto por sentido común (por ejemplo,

en una estación de servicio con llegada de usuarios y tiempo de servicio
conocido).
b) El problema puede ser resuelto analíticamente (por ejemplo, el
tiempo de espera media del ejemplo anterior, bajo ciertas condiciones,
puede determinarse a partir de nomogramas existentes como los de
Liberman, 1995).
c) El problema puede ser resuelto a través de experimentación simple
(por ejemplo, el caso de los autoservicios para determinar la variación de
los tiempos de espera de los usuarios cuando se agrega una ventanilla
de atención).
d) Los costos exceden los ahorros o el se requiera movilizar gran
cantidad de recursos (tiempo, dinero, energía) que superen los benefi-
cios aportados por la simulación.
e) Los recursos financieros o de tiempo no están disponibles.
f) Los datos para calibrar un modelo de simulación son de baja ca-
lidad, inconsistentes o inexistentes-
g) La capacidad para validar y verificar el modelo es inexistente (ya
sea en términos de datos o capacidades técnicas).
h) Existen expectativas irracionales o una sobreestimación de las vir-
tudes de la modelación.
i) El comportamiento del sistema es tan complejo y no puede ser
definido de una forma sencilla para analizar los efectos principales.
1.5.3 Ventajas de la simulación

Entre las ventajas de la modelación se pueden citar las siguientes (e.g.
Pegden 1995):
1. Explorar la factibilidad o viabilidad de nuevas políticas, proce-

dimientos de operación, reglas de decisión, flujos de informa-
ción o procedimientos organizacionales sin necesidad de detener
las operaciones del sistema real.
2. Probar las innovaciones técnicas, de sistemas de transporte de
gestión, entre otros, sin necesidad de dedicar recursos para su
adquisición.
3. Verificar la factibilidad de cómo o por qué ocurren ciertos fe-
nómenos.
4. El tiempo puede ser manejado para acelerar o retardar el fe-
nómeno en investigación y así conocer sus efectos a diversos
horizontes de tiempo.
5. Obtener un mejor conocimiento de la interacción de las varia-
bles que intervienen en el fenómeno, proceso o sistema anali-
zado.
6. Identificar las variables o factores que más afectan o benefician el
desempeño del sistema.
7. Efectuar análisis de capacidades o de cuello de botella que per-
miten identificar la vulnerabilidad o los puntos a mejorar del
sistema.
8. Un estudio de simulación puede ayudar a entender cómo fun-
ciona el sistema en conjunto el cual es el agregado de decisiones
individuales o de diversos fenómenos locales.
9. Las situaciones hipotéticas o extremas que pueden suscitarse
en el sistema pueden analizarse-
1.5.4 Desventajas de la simulación

a) La construcción de un modelo requiere un entrenamiento espe-
cial. Es un arte que se aprende con el tiempo y a través de la experiencia.
Adicionalmente, si dos modelos son construidos por dos componentes
individuales, pueden tenerse ciertas similitudes, pero existen pocas pro-
babilidades que se obtenga el mismo modelo ya que las decisiones de
modelación difieren entre cada modelador.
b) Los resultados de la simulación pueden ser difíciles de interpre-
tar. Dado que muchos resultados son esencialmente variables aleatorias
(basadas en entradas aleatorias), por lo que puede ser difícil determinar
cuándo una observación es el resultado de las interrelaciones del sistema
o de la aleatoriedad. Los usuarios de los modelos requieren conocer los
supuestos y consideraciones relevantes de una modelación en particu-
lar para interpretar correctamente los resultados.
c) La modelación y el análisis pueden consumir mucho tiempo y
ser costosas. La restricción de recursos para la modelación y el análisis
puede resultar en un modelo y un análisis no suficientes para alcanzar
los objetivos establecidos.
d) La simulación es empleada en algunos casos en que la solución
analítica se puede obtener.
Las contrapartes de estas desventajas suelen ser:
a) Existen modelos genéricos (llamados simuladores) que incluyen

parte o todo el modelo de análisis, cuya aplicación sólo se limita a la

disponibilidad de datos (modelos alimentados).
b) La mayoría de las herramientas de simulación poseen módulos
para el análisis o la validación de datos.
c) La simulación se desarrolla más rápidamente ahora que antes y
cada día las personas las visualizan en su entorno o son usuarios de estas
herramientas.
d) Los modelos de forma cerrada no son pertinentes para analizar
los sistemas que existen en la práctica, razón por la que existe poca pro-
babilidad de que puedan desarrollarse soluciones al respecto.
1.5.5 Pasos en un proceso de simulación

Previamente a realizar un proceso de simulación, se requiere dispo-
ner de un modelo. Se ha referido previamente los tipos de modelo que
van desde el planteamiento conceptual o semántico hasta el empleo
de datos reales como es el caso de los modelos alimentados. Depen-
diendo de estos niveles de elaboración y recursos existen variantes en
el proceso para generar simulaciones con ellos. De forma general, se
identifican estos pasos para lograr tal objetivo:
a) Formulación del problema. Cada análisis debería de iniciar con

la definición del problema. Si esta definición es proporcionada por
los que toman decisiones, o por aquellos que tienen el problema, el
analista o modelador debe asegurarse que está siendo descrito de ma-
nera clara. Si la definición del problema corre a manos del analista
es importante que los que toman decisiones estén de acuerdo con su
planteamiento y formulación. Sin embargo, hay ocasiones en que el
problema es reformulado conforme el progreso del estudio.
b) Ordenamiento de objetivos y plan de conjunto. Los objetivos in-
dican cuales son las preguntas por resolver con la simulación. En esta
instancia, debe verificarse si la modelación es la metodología más per-
tinente para resolver estas preguntas. El plan de conjunto debería de in-
cluir una definición de las alternativas de sistemas a ser consideradas y
un método para evaluar su eficiencia o desempeño. También debería de
incluir el plan de estudio en términos del total de personas incluidas, el
costo del estudio y el número de días requeridos para concluir cada fase
del trabajo con los resultados anticipados al fin de cada etapa.
c) Conceptualización del modelo. La construcción del modelo
de un sistema implica arte y ciencia (de Palma y Sánchez, 2013). El
arte de la modelación es soportada por la habilidad para extraer los

elementos esenciales del problema, para seleccionar y modificar las
suposiciones que caracterizan el sistema y entonces, enriquecer y ela-
borar el modelo hasta llegar a resultados aproximativos. De esta for-
ma es mejor iniciar con modelos simples, llevándolo posteriormente
hacia una mayor complejidad. Es decir, pasar del modelo conceptual,
al modelo resoluble y luego al modelo alimentado. Sin embargo, la
complejidad del modelo no debe rebasar los propósitos para los cua-
les fue construido. La violación de este principio sólo llevará a un
incremento en los costos para construirlo. Es innecesario hacer una
correspondencia exacta entre el sistema real en el modelo. Se trata
de seleccionar los efectos relevantes incluyendo solo las relaciones y
efectos principales.
d) Colecta de datos. Existe una constante interrelación entre la
construcción del modelo y la colecta de datos necesarios para ali-
mentarlo. Dado que la complejidad del modelo cambia, los datos
necesarios al mismo también pueden hacerlo. Considerando que co-
lecta de estos datos toma un tiempo bastante importante, respecto a
la duración del estudio, es necesario iniciar lo antes posible la colecta;
generalmente, al mismo tiempo que las primeras etapas de diseño
del modelo. Los objetivos del estudio dictan, en gran parte, la cla-
se de datos (nivel de agregación espacial y temporal) que requieren
colectarse. Esta información también es importante para el ajuste o
calibración del modelo.
e) Portabilidad. Debido a que los sistemas del mundo real resultan
de modelos que requieren una gran cantidad de almacenaje y recur-
sos informáticos, el modelo debería ser desarrollado en un formato
común o con ciertos estándares.
f) Verificación. Las verificaciones se refieren principalmente al
programa de cómputo preparado para la simulación del modelo. Se
busca determinar si el programa está desempeñándose correctamen-
te. Esta verificación es difícil en modelos complejos y en ocasiones
imposible (más adelante se darán elementos para verificar la consis-
tencia de un modelo a través de la revisión de sus garantías técnicas).
Si los parámetros de entrada y la estructura lógica del modelo son co-
rrectamente representados en la computadora, la verificación ha sido
completada. En la mayoría de los casos el sentido común se emplea
para completar este paso y otros es necesario realizar una auditoría
técnica para verificar las garantías que ofrece.
g) Validación. Es la comprobación de que el modelo es una re-

presentación aproximada de un sistema real. Es usualmente alcan-
zada a través de la calibración o ajuste del modelo. Este último es un
proceso interactivo que permite comparar los resultados del modelo
al comportamiento actual del sistema con el objeto de modificar los
parámetros del modelo hasta el momento que el modelo reproduzca
la realidad con una calidad juzgada como aceptable.
h) Diseño experimental. En esta fase se determinan las alternativas
que serán simuladas. Frecuentemente esta decisión está ligada a los re-
cursos consumidos en cada “corrida” del programa. Para cada sistema
diseñado que será objeto de simulaciones se requiere tomar decisiones
relativas al periodo de análisis, la duración de las ejecuciones del progra-
ma (corridas), el número de variaciones en cada corriente, entre otras.
También es necesario evaluar los rangos de variación de las variables
o parámetros que se requieren analizar. En ambos casos se requiere
un método para llevar a cabo de manera ordenada estas evaluaciones.
El diseño experimental es un método que permite atender este reque-
rimiento. Por lo que en el caso de evaluaciones se requiere seguirlos
para obtener resultados concluyentes y robustos.
i) Resultados del programa y análisis. Con base en estos elemen-
tos es necesario generar medidas o índices de desempeño del sistema
analizado. Estos valores son de utilidad para evaluar de manera agre-
gada o desagregada las ventajas o inconvenientes de cada una de las
alternativas analizadas.
j) Número de ejecuciones del programa. Con base en los análisis
de los resultados de las ejecuciones previas del programa, se determi-
na si se requieren ejecuciones adicionales o diseños de sistemas para
complementar el estudio.
k) Documentación y reporte. Existen dos tipos de reportes: el del
programa y el del proceso. El primero es necesario en caso de que
un usuario diferente al analista inicial desee usar esta herramienta
(para verificarlo o para realizar un nuevo análisis), de esta forma
sabrá cómo operarlo. Las malas experiencias originadas por una in-
formación inadecuada del programa son elementos suficientes para
mostrar al analista esta necesidad. Otra razón para documentar el
programa es que los usuarios pueden modificar ordenadamente sus
parámetros para entender su efecto sobre los indicadores del desem-
peño y con ello, obtener un mayor conocimiento de las condiciones
de variación del sistema. Un punto importante en la documentación
consiste en reportar continuamente y en orden cronológico las deci-

siones más importantes durante el desarrollo del proyecto. En (Mus-
selman, 1998) se propone que la frecuencia del reporte al menos
sea mensual, y que se elaboren varios reportes parciales: “Es mejor
trabajar en varias etapas que con fechas de entrega únicas”. Los ele-
mentos de un proyecto final incluyen la especificación del modelo,
las demostraciones de los prototipos, las animaciones, los resultados
de las pruebas, los análisis intermedios, la documentación del pro-
grama, los reportes parciales y las presentaciones. Los resultados de
todos los análisis deberán ser reportados clara y concisamente en el
reporte final. Esto permitirá a los usuarios del modelo revisar la for-
mulación final, los sistemas alternativos que fueron considerados, el
criterio bajo el cual las alternativas fueron comparadas, el resultado
de los experimentos y las soluciones recomendadas para el problema.
l) Implementación. El éxito de la fase de implementación depen-
de de la calidad con que las siete fases previas fueron realizadas. Si
los usuarios del modelo han sido fuertemente implicados en la com-
prensión de la naturaleza del modelo, sus datos de entrada y salida,
la probabilidad de éxito en la implementación será elevada. En con-
traposición, si el modelo, sus hipótesis y consideraciones no han sido
comunicadas adecuadamente, la implementación seguramente pre-
sentará dificultades poniendo en tela de juicio la validez del modelo
de simulación.
En términos generales, el proceso de construcción de un modelo se

divide en cuatro fases:
• La primera fase se compone de los pasos: formulación del

problema y ordenamiento de objetivos. Es una fase de cono-
cimiento y orientación. El establecimiento inicial del proble-
ma es por lo general “difuso” y los objetivos iniciales tendrán
que ser redefinidos, por lo que el plan original del proyecto
tendrá que ser ajustado. Los ajustes y aclaraciones tendrán
que hacerse en esta fase o quizá en la siguiente.
• La segunda fase está relacionada con la construcción del mo-
delo y con la colecta de datos. Incluye los pasos siguientes:
conceptualización del modelo, colecta de datos, portabilidad,
verificación y validación. Durante esta fase se requiere una
retroalimentación entre los diferentes pasos. La exclusión del
usuario de esta etapa podría incidir posteriormente en la im-

plementación.
• La tercera fase se refiere a la ejecución del programa. Inclu-
ye los pasos siguientes: diseño experimental, resultado de las
ejecuciones y análisis, y ejecuciones adicionales. Esta fase
podría requerir un plan robusto de pruebas del modelo de
simulación.
• La cuarta fase se refiere a la implementación e incluye los pa-
sos de documentación y reportes e implementación. Quizá el
punto más crucial en todo el proceso es la validación, debido
a que un modelo no válido puede llevar a resultados erró-
neos. Por lo que la implementación puede volverse costosa o
peligrosa (o ambas) si se lleva a cabo.
1.5.6 Confusiones frecuentes
a) Se confunde el término modelos con un programa o paquete de

cómputo.
b) El investigador que desarrolla un paquete de cómputo se dedica a
la actividad comercial en detrimento de la información científica.
c) El que desarrolla un paquete de cómputo y se vuelve investigador
no se encuentra en las mejores condiciones para hacer valer sus ideas
originales.
2. Razones para auditar
un modelo de transporte
Durante el desarrollo de un modelo se requiere tomar deci-

siones respecto a la representación de la realidad de análisis
considerando los recursos con los que se disponen para al-
canzar los objetivos establecidos. Estas elecciones de modela-
ción van a repercutir en el nivel de precisión de los resultados
del modelo. Por lo tanto, es necesario considerar sus impli-
caciones a la hora de interpretar los resultados. En el mismo
sentido, el operador de un modelo debe tomar en cuenta la
calidad de los insumos, así como el nivel de representación
que obtendría con esos datos para orientar adecuadamente la
toma de decisiones a otros niveles.
En el caso específico de los modelos de transporte, es im-
portante tener claro esta situación y poner en el contexto ade-
cuado los resultados obtenidos de un modelo o de un proceso
de modelación. Desafortunadamente, en la práctica estos as-
pectos se descuidan ya que generalmente se carece de un mar-
co metodológico que guie la forma de hacerlo. Un enfoque
para solventar esta situación es analizar el nivel de error que
implica una decisión de modelación en el comportamiento de
las variables que se desea analizar y en concreto en los indica-
dores de desempeño que resultan. En este capítulo, se identi-
fican las fuentes que van alimentando el caudal del error que
se va acumulando a lo largo de un proceso de modelación y
cuyo seguimiento aporta pistas importantes sobre la calidad
de un modelo de transporte.
[24]
2.1 Aspectos sociales e instrumentales

Dado que la toma de decisiones en materia de transporte y
movilidad afectan a la sociedad en su conjunto a lo largo del
tiempo, es importante resaltar otro tipo de implicaciones que
llevan a la necesidad que estas decisiones sean adecuadamen-
te analizadas antes de implementarlas, en particular cuando
estas tomen como base los resultados de un modelo o una
herramienta de modelación.
2.1.1 Plan social e instrumental

Debido a su naturaleza, desarrollo, organización y creencias,
la sociedad influye sobre el modelo y uso. Por ejemplo:
• La hipótesis que considera que el usuario del sistema de trans-

porte puede hacer una elección de itinerario es inherente a una
sociedad liberal en la que existe la libertad de movilidad,
• Los estudios actuales de tránsito y transporte movilizan re-
cursos informáticos inimaginables hace dos generaciones.
Recíprocamente, el modelo influye sobre la sociedad:
• Por su utilización didáctica transmite y difunde elementos de

comprensión.
• Por las consecuencias prácticas de su aplicación, estas conse-
cuencias merecen un examen.
2.1.2 El modelo como elemento para aclarar o apoyar

Un actor que interviene en un proceso de decisión tiene dos ra-
zones fundamentales para emplear un modelo: i) esclarecer un
problema y ii) defender una argumentación. Estas dos funcio-
nes se combinan de diversas maneras según los intereses del
actor:
a) Transparentar lo mejor posible y compartir los resultados sin to-

mar partido por un proyecto dado.
b) Defender un proyecto por las garantías científicas del modelo, el
cual es empleado con el inconveniente de un esclarecimiento decalidad.
c) Solicitar las “garantías científicas” pero sin la preocupación de un
esclarecimiento de calidad, únicamente con el empleo forzado del mo-
delo, o la presentación de resultados que no tienen ninguna relación

con el modelo.
d) Esclarecer la mejor posible y guardar los resultados para símismo.
e) Defender un proyecto por una modelación adhoc. Análogamente al
caso anterior, pero defendiendo un proyecto dado por una aplicación
forzada.
2.1.3 El caso de la planeación del transporte

El término de estudio ha sido forjado para designar ciertos es-
tudios o proyectos para justificar proyectos de transporte de
manera extremadamente parcial. Toda indignación desde este
punto de vista será inocente.
Algunos han denunciado el empleo de los modelos de trans-
porte o de tránsito al servicio de una ideología, por ejemplo:
aquella de “todo al automóvil” en relación con los modelos
de transporte urbano (Dupuy, 1975). En Francia, por ejemplo,
esta crítica ha tenido sus frutos. El poder público está cada vez
más circunspecto en relación con estos modelos. Actualmente
no son los únicos actores que disponen de los recursos necesa-
rios para la modelación. Otros actores se han provisto de he-
rramientas de este tipo: los colectivos locales (municipios), los
concesionarios del transporte, las universidades, los banqueros
y las empresas de consultoría, por supuesto. En estas condi-
ciones la relación entre actores debería ser más equitativa: las
pseudogarantías científicas no son las únicas determinantes
porque están compartidas. A veces la relación de fuerzas se ha
orientado hacia los poderes públicos y los otros actores. Algu-
nos actores, menos restringidos, han puesto a punto modelos
más eficientes que conservan celosamente pues ello les otorga
una posición de fuerza.
En el caso de México, aún hace falta llegar a este nivel técnico
de discusión. No obstante, desde hace años han existido casos
concretos que han permitido revertir decisiones gubernamen-
tales gracias a la argumentación técnica (e.g. Sánchez, 2004).
2.1.4 Una guía rápida de orientación

Para apreciar el papel potencial o real de un modelo en un proceso
de decisión particular, se sugiere establecer los siguientes cuestiona-
mientos:
a) ¿Quiénes son los actores?, ¿cuáles son sus objetivos y restricciones?

b) Entre los actores, ¿quién posee un modelo?
c) ¿Quién los está evaluando?
d) ¿Quiénes comparten los resultados de sus modelos?
e) Si los resultados se comparten, ¿es libre o restringida?, ¿de qué ma-
nera?
f) Si los resultados compartidos están explicados en un reporte deta-
llado y transparente, ¿su productor autoriza el acceso a los datos de la
aplicación?
Estas preguntas abren la vía de una auditoría “socioinsti-

tucional del modelo”.
2.2. Plan de implementación

Los caracteres instrumentales de la auditoría técnica de un mo-
delo recubren a la vez:
a) Los instrumentos necesarios: recursos humanos, financieros y ma-

teriales, así como su organización.
b) El empleo técnico de dicha auditoría, la cual es concebida como
un instrumento de fines prácticos: control del dispositivo de resolución
de un problema basado en un modelo y control del estudio producido
con el modelo.
El volumen de recursos necesarios para la auditoría de un

modelo depende probablemente de la complejidad de un mo-
delo. Auditar un sistema de modelos exige más recursos que
auditar un solo modelo del sistema. La estructura de los recur-
sos debe respetar la pluralidad de las disciplinas: es necesario
movilizar varias competencias científicas, por lo tanto, proba-
blemente varios agentes.
Se describen a continuación los elementos necesarios para
el uso técnico. Se partirá de la noción de calidad para ensegui-
da definir un control de calidad, el cual se construye a partir de
vectores privilegiados. La repartición racional de tareas entre
los que conciben los modelos, los desarrolladores de herra-
mientas para la solución de un problema y los encargados de
estudios podrían facilitar la producción de estudios auditables
y un control descentralizado.
2.2.1 Calidad del modelo, del dispositivo de resolución

y del estudio
Las instancias de normalización (normas ISO en general) de-
finen la calidad como “el conjunto de propiedades y caracte-
rísticas de un producto o servicio que le confiere la aptitud de
satisfacer deseos externados o implícitos”. Estas instancias dis-
tinguen entre la definición de calidad solicitada por el respon-
sable de la obra (utilización que se convierte en calidad requeri-
da) y la calidad de realización solicitada por el responsable de
obra al empresario (medio para alcanzar la calidad requerida).
Se define la calidad técnica de un modelo en el contexto

de su auditoría técnica como el conjunto de las propiedades
siguientes:
a) alcance explicativo (conceptual o semántica),

b) corrección formal, resolución y,
c) transparencia econométrica.
La calidad del dispositivo de resolución (software o herramienta de

simulación) se integra en la transparencia del modelo tratado y la fiabi-
lidad del tratamiento.
La transparencia del modelo tratado está implícita en los procedi-
mientos de certificación de programas (software), y esta última centra-
da en la fiabilidad del tratamiento. Sin embargo, este tipo de certifica-
ción carece de un verdadero valor y está supeditada a la transparencia
del modelo. ¿De qué sirve certificar un programa (software) si los
principios no han sido entendidos?
La calidad del estudio se define a partir de los criterios siguientes:
a) El realismo de las hipótesis del contexto.

b) La pertinencia de los proyectos tratados, su eficiencia.
c) La credibilidad de la simulación, que requiere a la vez de la fia-
bilidad del dispositivo de resolución (software) y la calidad delmodelo.
2.2.2 Objeto y naturaleza del control de calidad

Teniendo en cuenta las diferencias entre modelo, dispositivo de resolu-
ción y estudio, se precisa a continuación un control de calidad adaptado
a cada objeto:
a) Verificar la riqueza y pertinencia de la composición semántica.

b) Verificar la corrección semántica y de sintaxis de la fórmula ca-
racterística.
c) Controlar los mecanismos de resolución,
d) Para la alimentación econométrica, apreciar y propagar el error
exógeno.
Para el control de calidad del programa se sugiere:
a) Distinguir los modelos tratables, en función de las opciones

abiertas al usuario. La documentación técnica debería permitir cumplir
con esta misión. Sin embargo, no siempre es el caso.
b) Para cada modelo tratable, controlar la conformidad de los resul-
tados del software con los resultados esperados. Esto puede lograrse con
datos de prototipo.
El control de calidad de un estudio incluye:
a) Una inspección del método (por ejemplo, modelo y dispositivo

de resolución).
b) Un juicio crítico de las hipótesis del contexto y de los proyectos
probados.
c) Un comentario de los resultados con el objeto, eventualmente, de
poner en evidencia los aspectos omitidos por el solicitante del estudio.
2.2.3 Los vectores privilegiados de la transparencia

Los elementos de control de calidad comparten una misma
condición necesaria, la transparencia del objeto a controlar.
Para asegurar la transparencia, no es suficiente con garantizar
el acceso libre de un controlador a los objetos por controlar, ya
que sería subestimar ampliamente su complejidad.
Conforme al viejo adagio “vverba volent, scripta manen”
(“Las palabras vuelan, los escritos permanecen”), estos vec-
tores privilegiados son documentos adaptados a los objetivos
implicados: reporte de investigación para un modelo, docu-
mento técnico para un software y reporte de presentación para
un estudio.
2.2.4 Repartición racional de responsabilidades

¿Cómo se debe organizar racionalmente la elaboración de mo-
delos, la producción de software, la realización de estudios y el
control de calidad? Se preconiza una división de trabajo en la
producción que se acuerda con una separación de poderes en
el control de calidad.
La división del trabajo consistiría en separar la producción
por función: investigación para la producción de modelos,
función de desarrollo de software, función de consultoría.
En materia de afectación, las empresas que desarrollan sof-
tware de manera industrial separan las células de desarrollo de
la célula de utilización (por ejemplo, la organización de MVA
respecto al software TRIPS y la de INRO respecto a EMME).
Las confusiones entre las responsabilidades socavan no sola-
mente el control de calidad, sino también:
a) Al modelo en el momento que éste es confundido con un softwa-

re, por lo tanto insuficientemente descrito y explicado.
b) Al software en el momento que es confundido con un modelo mal
descrito y no certificado: ¿cómo decidir sobre el contenido delsoftware?
c) Al investigador que se convierte en desarrollador de software se
dedica a la difusión comercial en detrimento de la información cientí-
fica.
d) Al desarrollador de software que se convierte en investigador no
se encuentra en las mejores condiciones para hacer valer sus ideas ori-
ginales.
2.5.5 Control mutual y recíproco

La separación clara entre las responsabilidades y tareas de la
investigación, el desarrollo de software y los estudios permi-
te descentralizar el control de calidad, de repartirlo entre los
participantes, de manera que ellos ejerzan sobre ellos mismos
control o bien, uno sobre el otro.
Otra contribución posible sería la de subvencionar un orga-
nismo auditor y certificador, encargado:
a) de una misión ligera de acompañamiento, de formalización y de

memoria del proceso descentralizado, y
b) de una misión más pesada que agregaría un pilotaje del proceso,

la responsabilidad de una formación, acciones a largo plazo (capitaliza-
ción metodológica) o puntuales (por ejemplo, centro de pruebas de sof-
tware).
Las ambiciones de auditoría técnica nacen de una doble

realidad: insuficiencia de prácticas actuales y falta de investiga-
ciones específicas, particularmente en materia de la asignación
del tránsito. Para ilustrar anterior, se aborda el caso de la esta-
dística para posteriormente abordar las fuentes típicas de error
en los procesos de modelación que se cometen en la práctica.
2.3 Tipos de error en la teoría estadística estándar

Para mostrar el discurso econométrico clásico sobre la incer-
tidumbre y su control, se emplea el ejemplo del modelo de re-
gresión lineal simple. De esta forma se aborda un marco con-
creto que tendrá que completarse para tratar el caso general.
2.3.1 El Modelo de Regresión Lineal Simple (MRLS).

El MRLS consiste en la “explicación” de una variable endógena
(el efecto) por una variable exógena (la causa). Por ejemplo, la
cantidad de una cosecha a explicar por la cantidad de abono
utilizado:
Yi = α + βXi + εi,
Donde:
i: es el índice de la observación,
Yi : variable endógena, dependiente,
Xi : variable exógena, explicativa o independiente,
α, β : coeficientes (parámetros) a estimar, llamados respec-
tivamente ordenada al origen y pendiente
εi : término aleatorio para integrar las partes del fenómeno
inexplicados por el analista
Las hipótesis probabilísticas sobre los términos aleatorios

determinan el modelo. Éste reposa sobre las seis hipótesis
siguientes:
H1: el modelo es lineal en Xi

H2: los valores de los Xi son observados sin error
H3: Cov(Xi; εj) = 0; no existe covariancia entre los errores
y las variables explicativas,
H4: los errores εi están centrados: E(εi) = 0
H5: los errores εi tienen la misma varianza: E(εi 2 )= σ2ε
H6: los errores εi verifican Cov(εi; εj ) = 0; si i ≠
2.3.2 Hipótesis básicas o suplementarias

Las seis hipótesis anteriores constituyen la base del Modelo Lineal Sim-
ple; son necesarias para determinar los estimadores α, β en el sentido
de los mínimos cuadrados ordinarios. Para ir más lejos, principalmente
para efectuar pruebas paramétricas con fines de inferencia, es necesario
agregar hipótesis complementarias como la normalidad delos errores.
2.3.3 Interpretaciones del error.

En el MRLS, el término aleatorio εi agrupa tres componentes
de error:
a) Error de especificación, si la variable explicativa no es suficiente

para explicar toda la variabilidad de los datos,
b) El error de medida (de observación) sobre las variables endóge-
nas (Yi),
c) El error de fluctuación del muestreo puesto que de una muestra a la
otra las observaciones (y por lo tanto las estimaciones)varían.
Como la hipótesis H2 es particular, en el caso general, el

error de medida tiende igualmente a los Xi.
Es importante señalar que el error de especificación eco-
nométrico no es sinónimo de error semántico. En efecto, un
error semántico implica uno de especificación econométrico
y probablemente, de manera empírica, una explicación insu-
ficiente de la variabilidad. Sin embargo, una variabilidad bien
explicada significa por lo tanto ausencia de error semántico; a
veces, la variabilidad es explicada por razones incorrectas (la
confusión clásica entre causalidad y correlación).
2.4 ¿Cómo tratar el error?

Tratar el error significa intentar reducirlo, pero sobre todo tratar
de medirlo y considerarlo durante la predicción.
2.4.1 Actuar sobre la especificación

El primer tratamiento posible es cambiar la especificacióndel
modelo modificando el conjunto de variables explicativas (re-
emplazar los Xi por los Zi de interpretación diferente) o la
especificación funcional (pasar a una regresión no lineal, etc).
Sin embargo, la especificación nos reenvía a otros criterios di-
ferentes al ajuste de la muestra donde interviene igualmente
el “juicio a priori “, basado en la intuición y las experiencias
anteriores, que restringe fuertemente el diseño del mecanismo
explicativo.
2.4.2 Actuar sobre el error de medida

Para reducirlo conviene mejorar la técnica de colecta, de ob-
servación y la muestra.
Otro tratamiento, en caso de error de medida importante
sobre las variables explicativas, consiste en tomar variables ex-
plicativas “instrumentales”, las cuales deben estar fuertemen-
te correlacionadas con las variables explicativas inicialmente
consideradas y no correlacionadas con los errores εi.
2.4.3 Fluctuación de la muestra

Este error puede ser confrontado a partir de dos tratamientos.
Primeramente, reducir a priori este error haciendo crecer el
tamaño de la muestra (esto aumentará el costo de la encuesta),
o también escogiendo un mejor estimador. El segundo trata-
miento no intenta reducir el error, sino tomarlo en cuenta: se
trata de asociar a la previsión el error que resulta de la fluc-
tuación de la muestra (particularmente de la varianza de los
estimadores, propagada por el mecanismo del modelo).
2.4.4 Medir el error de previsión

Para medir el error tanto de especificación como del muestreo,
conviene propagarlo por el mecanismo del modelo, con el ob-
jeto de asociarlo a la incertidumbre en toda simulación. A
continuación, se precisa esto para el MRLS (Wonnacott,1991).
2.5 Reglas de selección del modelo

¿Por qué y en nombre de qué es preferible un modelo que otro para re-
presentar un fenómeno? Las respuestas a esta pregunta proceden de
tres argumentos principales (además de la corrección de sintaxis y de la
transparencia econométrica, que se suponen están aseguradas).
a) El alcance semántico, es decir, la proximidad de los mecanismos

explicativos a la representación teórica de la realidad.
b) La simplicidad de la expresión.
c) La congruencia con los datos experimentales.
Estos argumentos son de naturaleza y alcance diferente.

Para mostrarlo se comparan dos criterios de calidad y uno de
precio para un producto intercambiado en un mercado eco-
nómico.
Los enfoques cuantitativos de esta discusión se restringen
a confrontar los dos últimos criterios, sin tomar en cuenta el
primero, en el que la apreciación sigue siendo el único valor de
juicio a priori. Los enfoques se dividen en dos grupos: el prime-
ro, reagrupa las comparaciones entre modelos que se pueden
asociar a un modelo común, mientras que los métodos de la
segunda clase son válidos para todos los casos.
2.5.1 ¿Existe un submodelo en común?

Si existe un submodelo común a dos modelos rivales, esto
constituye una referencia respecto a la cual la calidad de cada
modelo rival puede medirse. En efecto, cada modelo rival apa-
rece como una restricción del submodelo, lo cual puede tradu-
cirse por restricciones sobre los valores de ciertos parámetros.
Existen pruebas para juzgar si dichas restricciones están bien
fundamentadas; se puede seleccionar el modelo rival para el
cual la probabilidad crítica de la aceptación de las hipótesis
específicas es más alta, entre otros principios.
2.5.2 Relaciones calidad-precio

Se evalúa la relación entre “calidad del ajuste” y “precio de ob-
tención” (cantidad de parámetros), esto para cada modelo, con
el fin de seleccionar el modelo que presente la relación más
alta.
Para calcular la relación calidad-precio (Akaike, 1973)

propone el criterio AIC (An Information Critere) formulado
como la diferencia entre el logaritmo de la verosimilitud y la
cantidad de parámetros, el total dividido por el total de obser-
vaciones. Existen otras formulaciones comparables como las
de Walter, 1994 y Judge, 1988.
Las consideraciones estadísticas mencionadas son de orden
muy general, nos reenvían a la intuición física, sin juzgar el
fenómeno representado. Se les puede reprochar el modo de no
considerar a los parámetros; algunas especificaciones funcio-
nales en relación con algunos parámetros contienen de hecho
una información más rica.
2.5.3 Balance
Al final de cuentas, el econometrista posee conceptos de he-
rramientas por tratar ciertos tipos de error, dan un territorio
bien delimitado que no incluye todo el error. Reconoce la im-
portancia del juicio a priori en la especificación del modelo y
acepta que es vano buscar circunscribir el juicio a priori en la
teoría econométrica. Al final de cuentas en las auditorías debe
reconocerse:
a) El papel del juicio a priori.

b) Que la econometría limita su objetivo al desarrollo de un enfo-
que que busca la coherencia interna y la congruencia con la experiencia,
sin buscar un conocimiento absoluto del fenómeno real.
c) Bajo las limitaciones anteriores, debe reconocerse la presencia del
error que puede distinguirse en diferentes grupos.
En lo subsecuente se reagrupa el error de medida y el

error de fluctuación de una muestra en un “error de estima-
ción”. Es importante mencionar que existen otras fuentes de
error que la teoría econométrica no trata porque no intervie-
nen en sus modelos arquetipos (como la regresión lineal), a
saber, el error formal y el error algorítmico.
2.6 En relación a la especificación del modelo formal

La especificación implica a la vez la codificación (por lo tan-
to, la esquematización y la discretización) y los mecanismos
explicativos. En un problema econométrico estándar, la codi-

ficación se reduce frecuentemente a elecciones intuitivas. Por
ejemplo, considerar series de datos sobre una base anual en lu-
gar de una mensual cuando se trata de hacer previsiones anuales.
En materia de modelación de tránsito, la codificación incluye
numerosas elecciones menos evidentes que justifican y relevan
preguntas específicas.
2.6.1 ¿Es la codificación la cara oculta de la modelación?

Para simular la elección modal y la asignación en un modelo de planea-
ción de transporte, es necesario esquematizar y codificar la oferta, así
como la demanda. La codificación de la oferta incluye:
a) La identificación de uno o varios modos de transporte.

b) Para cada modo, la abstracción del servicio real en una represen-
tación de tipo informático: identificar las intersecciones y los arcos (tra-
mos viales), la asociación a cada arco de las características físicas típicas
(longitud, capacidad, costo, tiempos de cruce, etc.). A partir de estos
elementos se construye (habitualmente de manera automática gracias a
una herramienta previa) los itinerarios modales y por lo tanto se calculan
los atributos de tiempo, precio, confort, seguridad, etcétera.
La codificación de la demanda incluye:
a) La discretización del territorio de estudio en zonas de emisión

y de recepción de desplazamientos. La construcción de matrices ori-
gen-destino obtenidas de las fases anteriores de la elección modal y de
la asignación.
b) Para cada relación origen-destino, la especificación de compor-
tamientos, frecuentemente la segmentación en varios grupos de com-
portamientos diferentes en los cuales cada uno está caracterizado por
sus condiciones de acceso a las redes modales, su valor de tiempo, la
importanciaacordada al confort, etcétera.
Todas las operaciones anteriores requieren de la especi-

ficación de un modelo. Puede decirse que se trata de especifi-
caciones “ocultas” del modelo. Su complejidad impide gene-
ralmente retomarlas y mejorarlas en el curso de un estudio.
Estas tareas son actualmente poco formalizadas:loscientífi-
cosdelosservicioscorrespondienteslosdeleganalos técnicos,
alejándose de ellas rápidamente. De esta forma, la profesión
no progresa hasta el punto de vista metodológico, las úni-
cas prescripciones /indicaciones /verificaciones son de or-
den general. El analista o técnico tiene como referencia, en
materia de asignación:
a) Principios y conocimientos muy generales, sintetizados en los

manuales de enseñanza de planeación de transporte (e.g. Ortuzar y
Willumsen, 2011, Thomas 1991).
b) Recomendaciones específicas en los manuales de aplicación pu-
blicadas por las asociaciones de ingenieros (e.g. TRB, 2010; SCT, 2006)
que indican los tránsitos emitidos o atraídos según la hora del día por
un centro comercial en función del total de empleos y de la superficie
de comercio.
c) Reglas imperativas, fijadas por documentos administrativos o soli-
citudes específicas de los revisores o cuerpos técnicos de alguna institu-
ción que autoriza el estudio.
Frente a estas posibilidades o restricciones, el técnico conserva siem-

pre más autonomía. Una dirección rígida oculta frecuentemente una
gran cantidad de “pequeñas libertades” que se ofrecen, como contra-
parte, al personal que ejecuta el estudio: codificación de arcos ficticios,
división de orígenes- destinos en varias partes, con el objeto de repro-
ducir la situación existente o de acercarse a los objetivos del solicitante
del estudio.
2.6.2 La práctica limpia se logra con una validación preventiva

Como mero ejemplo de procedimiento para la validación pre-
ventiva, se indican enseguida las recomendaciones del Minis-
terio de Transportes inglés para los estudios de proyecto carre-
tero interurbano (HMSO, 1991) para una red:
a) Control manual exhaustivo de las características de los arcos

(tipo de carretera, capacidad, velocidad libre, etcétera).
b) Verificación de la conexidad a través de la búsqueda sistemática
del camino más corto.
c) Verificación de la relación entre la longitud codificada de la carre-
tera y la distancia euclidiana entre los modos de los extremos.
d) Tiempo de recorrido ±10 % con un intervalo de confianza de 95 %.
Respecto a la demanda, algunos manuales indican (e.g.

TAM, 1981) cómo asociar las variantes individuales a cada caso
de una matriz origen-destino (OD); a cada actualización de la
información (por ejemplo: nueva encuesta OD en la región de
estudio), las variaciones de las células implicadas son puestas
al día. Las varianzas de las OD deben ser afectadas sobre la red
para reproducir las varianzas relativas a los flujos de los arcos.
Con una gran cantidad de tareas repetitivas, que se vuelven
fastidiosas rápidamente, conviene automatizarse en la medida
de lo posible. Los principales paquetes de afectación proponen
(o aplican por sistema) una gran cantidad de pruebas en ese
sentido: VISUM, Polydrom, Davis, pero sólo algunos ingleses,
por ejemplo, Trips, ofrecen en versión estándar: operaciones
de detección prescritas por el TAM.
2.6.3 Realizar algunos estudios empíricos para guiar las de-

marcaciones estadísticas
Por demarcación estadística se entiende toda operación que
busca distinguir las clases: zonificación del territorio, segmen-
tación de la demanda, diferenciación de comportamientos, je-
rarquización de arcos de red, selección de itinerarios, etcétera.
En relación con la zonificación del territorio, se hallan reportes
de experiencias diversas de inclinaciones por un tratamiento pun-
tal de los orígenes destino (Chapleau, 1993) y algunas investiga-
ciones teóricas, (McFadden, 1975); (Bolduc,1989); (Ortuzar y Wi-
llumsen, 2011), que muestran un sesgo en la agregación espacial.
El principio de segmentar la demanda parece aceptado en
materia de elección modal pero no completamente en materia
de asignación. Para clasificar a los individuos (Heggie, 1978)
propone una metodología según las dimensiones siguientes:
sexo, intervalo de edad, categoría socioprofesional, composi-
ción del hogar, posición en el ciclo de vida, equipamiento en
términos de medios de transporte y accesibilidad a las redes.
En cuanto a la codificación y jerarquización de redes, en
materia de asignación se requiere de un consenso para proce-
der a codificar. Éste puede ser en el orden de importancia de
las carreteras ovialidades.
En relación a la selección de itinerarios, hacen falta refe-

rencias para la afectación unimodal y multimodal. Existen
algunas indicaciones relativas a la tendencia de los autores
de los desplazamientos a acercarse a una línea recta (Tiagla-
cozzo, 1973), a las características de los itinerarios elegidos
(Antonisse, 1989), a los arbitrajes entre tiempo y distancia, o
entre tiempo y precio (Marche, 1973); pero no hay una guía
general. Se abandona generalmente al modelo cuidando de
determinar el itinerario siguiendo un criterio del camino más
corto; por asignación multimodal conviene precisar las cir-
cunstancias y las prácticas de cambios de modo en el transcurso
del desplazamiento.
2.7 Los mecanismos explicativos

Los mecanismos explicativos son la parte visible del iceberg de
las especificaciones. Se trata de las relaciones causales inclui-
das en el modelo, elegidos entre múltiples posibilidades. Para
consultar una lista de estas relaciones respecto a la afectación
estática ver, por ejemplo, el caso de la asignación para las redes
de transporte público con (Spiess, 1985), y (De Cea y Fer-
nández, 1993), y en caso de la elección modal (Ortuzar y Wi-
llumsen,2011).
2.7.1 Uso de mecanismos explicativos arcaicos

La concepción de la mayor parte de los mecanismos expli-
cativos es ya antigua. Frecuentemente su origen proviene de
ciencias diferentes a los transportes: la idea de una interacción
entre oferta y demanda se remonta al siglo XVIII, la teoría de
la utilidad aleatoria de los consumidores se define en 1960
(Lancaster, 1966) Entre las contribuciones a la economía de
transportes, se cita la diferenciación del valor de tiempo (Mar-
che, 1973) y la repartición Logit a etapas (Ben-Akiva, 1973).
2.7.2 Del lado práctico, demasiada dependencia de los pro-

gramas de cómputo
Con relación a la asignación, el técnico de transporte ejerce rela-
tivamente pocas responsabilidades: los programas de cómputo
son por lo regular bastante rígidos. Las opciones son frecuen-
temente restringidas a los parámetros de algunas variables,
toda vez que la situación evoluciona en el sentido de una mayor

libertad de los usuarios.
En cuanto a la elección modal, la libertad es más grande:
los usuarios pueden generalmente segmentar la demanda y es-
pecificar para cada segmento y modo una función de utilidad.
Sin embargo, el usuario debe conformarse (en la mayoría de los
casos) con el uso de un modelo logit (multinomial o a etapas).
En resumen, el técnico de modelación permanece bastante
restringido a las elecciones metodológicas de los que desarro-
llan el programa de cómputo. En las líneas así trazadas, fren-
te a un problema dado, la especificación de los mecanismos
explicativos se convierte en una figura impuesta: afectación de
tipo logit sobre una red carretera poco congestionada, diferen-
ciación de valores de tiempo para un problema de peaje y ar-
bitrajes modales según un modelo logit.
Numerosos recursos teóricos, como son la elasticidad de la
demanda o la explicación de restricciones de capacidad está-
tica, permanecen todavía lejos del alcance de los técnicos del
transporte. De hecho, este último, cuando debe resumir los
principios de modelación, está satisfecho con indicar el nom-
bre del programa empleado, en lugar de describir los mecanis-
mos explicativos que ha elegido entre el conjunto de posibilida-
des ofrecidas por el programa de cómputo.
2.7.3 Algunos temas para investigar

Una de las propuestas para facilitar la auditoria es el aprovi-
sionamiento y la coherencia de los mecanismos explicativos.
En efecto, proponer nuevas formas de modelación o volver
coherentes varios mecanismos explicativos, permiten ampliar
el alcance de la auditoría siempre que se defina claramente el
método empleado. Entre el planteamiento lógico de los meca-
nismos explicativos, se puede citar la integración simultánea
de las cuatro etapas del esquema clásico (Safwat, 1988), el
tratamiento simultáneo de la generación de viajes, la elección
del modo de transporte y la segmentación de los usuarios
(Morellet, 1990)
Entre los trabajos dedicados a la elección circunstancial de la
estructura de un modelo, se pueden citar las comparaciones en-
tre estructuras alternativas de elección de transporte (Williams,
1977), entre diferentes especificaciones de funciones de utili-

dad para la elección modal (Gaudry ,1978), (Bradley, 1992).
Existen además estudios sistemáticos de los efectos de hipó-
tesis particulares (Horowitz, 1981), (Koppelman, 1976). Estos
trabajos tienen un valor de demostración o de ejemplos, más
que de prescripciones.
2.7.4 Balance
Existen contribuciones que aportan o comparan los mecanis-
mos explicativos. Las comparaciones, comunes en materia de
elección modal, hacen falta respecto a la asignación. De mane-
ra general, se constata que no llevan casi la convicción de los
técnicos de modelación.
En el capítulo 3 se abordan otras líneas de investigación pre-
sentado como prolegómeno de las ciencias de los transportes.
2.8 Aspectos relacionados a la calibración

En este apartado se incluyen los aspectos ligados al error de
media y al de fluctuación de muestreo. Después de un posicio-
namiento sobre el problema de la calibración, se describen su-
cesivamente el estado de la práctica y el de la investigación.
2.8.1 Objetos y principios metodológicos de la calibración

La calibración se orienta a determinar el valor de los paráme-
tros que figuran en la formulación del modelo. En un modelo
de asignación estos parámetros se pueden clasificar en cuatro
grupos, según estén ligados a las etapas de un modelo de pla-
neación de transporte:
a) Generación de viajes, que corresponde a las especificaciones de

las funciones de demanda y la elasticidad del volumen de viajes ya sea
al precio o la calidad del servicio.
b) Distribución de viajes, y la especificación de los parámetros de
las funciones de costo generalizado en la impedancia y producción
de viajes que determinan la distribución espacial de los viajes y que
se materializan en una matriz origen-destino del periodo de análisis.
c) Elección modal, generalmente son las especificaciones de los
modelos de elección discretas entre modos o itinerarios (valor de
tiempo a bordo, espera, trasbordo, heterogeneidad de los usuarios,

constante modal, entre otros).
d) Asignación, la cual está determinada por el tipo de funciones
de tiempo de recorrido (funciones deoferta) y a los valores de los pará-
metros asociados.
Esta topología de objetos corresponde frecuentemente a un

solo grupo de usuarios (el usuario promedio). Por otra parte,
la mayor parte de los métodos de estimación comparten un
principio común: fijar los valores de ciertos parámetros, que
forman a minimizar cierto criterio de margen entre las obser-
vaciones y los resultados del modelo que le corresponde. Los
métodos se diferencian enseguida por su objeto (los paráme-
tros a fijar), por la expresión y la justificación del criterio de
margen (no siempre formalizado en la práctica), por las obser-
vaciones o datos empleados.
2.8.2 Estado de la práctica

La práctica sin una herramienta especializada es como cons-
tatar en lugar de actuar. En efecto, Contrariamente a las con-
tribuciones teóricas que fijan sin restricción las hipótesis nece-
sarias a la resolución de un problema, los métodos prácticos
dependen crucialmente de las condiciones materiales de la
aplicación: pocas observaciones (frecuentemente disparatadas
o de calidad dudosa) y pocas herramientas operacionales.
Frecuentemente, en la ausencia de funciones especializadas
en el programa de cómputo-operaciones, la parte “ajuste” de
una aplicación se limita a constatar los márgenes entre las ob-
servaciones y la reconstitución producida por el modelo. Este
hecho se consuma generalmente a partir de observaciones
locales (por ejemplo: a nivel de un arco). Ciertos técnicos de
modelación modifican los parámetros según su intuición, sin
garantías sobre la eficiencia final de su intervención.
Por lo general, las empresas de consultoría en transporte
producen un diagrama que compara los flujos simulados con
los flujos observados y afirman que el ajuste es satisfactorio.
Algunos van más lejos y miden la calidad de la regresión por
medio de indicadores estadísticos: el coeficiente de regresión
(Florian, 1976), un error cuadrático medio (RMSE), la distan-
cia de khi-dos (Thomas, 1991) o el indicador GEH. Si bien

estos son indicadores de tendencia central y de dispersión se
requiere una estrategia para generalizar la evaluación a toda
la red y no solo a ciertos segmentos en los que se dispone de
información de campo.
Algunos técnicos del transporte modifican los parámetros
del modelo con el objeto de mejorar en lo posible el ajuste,
respecto a las observaciones disponibles. Entre las observacio-
nes se encuentran no solamente los flujos, sino también los
tiempos de recorrido. Intuitivamente, esta base de ajuste es
preferible si se admite que la persona que se desplaza elige el
itinerario de coste mínimo (por lo tanto, se refiere a tiempos
más que a flujos).
Las correcciones manuales de los parámetros aislados al-
canzan rápidamente sus límites; sólo una automatización, por
medio del empleo de un programa de cómputo especializado
permite llegar más lejos. Un programa de cómputo especiali-
zado ofrece ventajas determinantes: legibilidad por parte de
un agente externo y potencia de cálculo que permite probar
múltiples combinaciones. Este tipo de herramientas existe en
el caso de la elección modal (Alogit, CRT, Hiellow), para la es-
timación de matrices origen-destino (incluidas en los progra-
mas TRIPS, Saturn, emme, polidrome, Oedipe) y a veces de
muchos objetos de estimación. De ahí que se recomienda que
la práctica de calibración se apoye en este tipo de herramientas
incluidas en los softwares comerciales.
Sin embargo, estos procedimientos, incluidos en las herra-
mientas de modelación, deben de aplicarse en el buen sentido,
a fin de incorporar un sentido correcto a los datos de aplica-
ción del modelo, no de restringirlo brutalmente para hacer pa-
sar con éxito las pruebas de validación.
Con la finalidad de prevenir eventuales excesos en la ma-
teria, algunos manuales de buenas prácticas en la modelación
proponen dejar de lado ciertas medidas de flujo y de tiempos
de ajuste para utilizarlos exclusivamente en el control de la ac-
titud reproductiva del modelo. De manera más teórica, es bue-
no que el método de ajuste proceda de un marco probabilís-
tico claramente definido al cual se adjunta una interpretación
física (e.g. Ortúzar y Willumsen, 2011).
2.9 Del lado de la investigación

2.9.1 Las aportaciones deben orientarse a un problema específico
Se ha visto en la práctica que la calibración o ajuste de los pa-
rámetros de los modelos de planeación de transporte depen-
den a la vez de las restricciones institucionales (orientación) y
restricciones técnicas (existencia de métodos econométricos
rigurosos, disponibilidad de estos métodos en los programas
de cómputo del mercado). Del lado de la investigación, entre
los trabajos relativos al ajuste, se encuentran contribuciones
puntuales (McFadden,1975) y (Daly 1987) así como sínte-
sis extensas (Daganzo, 1979), (Amemiya, 1981), y (Ben-Aki-
va,1985): estos últimos se refieren a los modelos de elección
discreta que se han convertido en los principales modelos de
elección modal.
Cualquiera que sea el caso (contribución puntual o compilación),
cada contribución debería orientarse a un objeto dado, para el cual
ha sido definido: (i) un marco probabilístico; (ii) un método teórico
de estimación habitualmente elegido entre los mínimos cuadrados
o el máximo de verosimilitud y (iii) un método práctico de cálculo.
Su alcance depende a la vez de la riqueza del marco probabilístico
(amplitud del objeto, representación de las interacciones entre las va-
riables aleatorias) y de la aplicación práctica.
2.9.2 ¿Qué marcos probabilísticos deben considerarse para

la calibración?
En función del objeto de estimación, se caracterizan sintéti-
camente lo esencial de las contribuciones de investigación:
a) Modelos de elección discreta. Se emplean para representar la

elección del itinerario o de un modo de transporte como una alterna-
tiva. Cada alternativa, elegida con cierta frecuencia relativa, depen-
de de las características de las otras variantes y de los usuarios. En
concreto, se formula una función de utilidad para cada alternativa e
individuo, se admite que cada uno de ellos elige la variante que repre-
senta para la utilidad máxima. Frecuentemente, la función de utilidad
se formula como la suma de un término determinista y otro aleatorio.
Los modelos de elección discreta más extendidos son los modelos
logit que corresponden a las hipótesis particulares sobre los térmi-
nos aleatorios incorporados en las funciones de utilidad. Existe una
gran cantidad de contribuciones al respecto: ejemplos de aplicación,

diferentes formulaciones, pruebas de validez, discusión de hipótesis,
puesta a punto de programas de cómputo para el cálculo, discusiones
sobre las hipótesis, etc. En materia de elección modal este modelo es
bastante común, pero sirve poco en la asignación, debido a la falta de
investigación empírica sobre los itinerarios realmente seguidos du-
rante los desplazamientos.
b) Estimación de los flujos origen-destino. Un modelo de distribu-
ción espacial sirve para reproducir flujos origen-destino a partir de infor-
maciones segmentadas. Por lo tanto, se requiere de una interpretación
probabilística para estimar los parámetros del proceso de producción.
Existen varias contribuciones al respecto, ver (Ortuzar 1990) o (Bierlai-
re 1991). Se pueden diferenciar según los datos de observación (entre
encuestas OD y conteos o aforos): según la interpretación probabilísti-
ca (teoría del muestreo), según las hipótesis probabilísticas sobre los OD
y sobre los conteos, según el modelo de afectación subyacente, según el
método de estimación (máximo de verosimilitud o mínimos cuadra-
dos) o finalmente según el alcance práctico (dimensión de los proble-
mas abordables). No hacen falta proposiciones sino un marco para el
ensayo comparativo que permita probar tanto las combinaciones pro-
puestas como las factibles.
c) Funciones de demanda. Por función de demanda se señala la de-
pendencia de un flujo OD hacia las características de la oferta sobre la
relación OD. Hay intrínsecamente una dimensión temporal, distinta a la
dimensión espacial inherente al modelo de distribución. Encontramos
pocas contribuciones relacionadas a la estimación de las funciones de
demanda. En su lugar existen funciones de la escala del conjunto del te-
rritorio o de una red donde se pierde la identidad de las relaciones OD.
d) Funciones de tiempo de recorrido. La estimación de las relacio-
nes entre tiempos de recorrido y flujo ha sido objeto de numerosas
contribuciones en ingeniería de tránsito, principalmente en el modo
carretero, ver (Taylor, 1988) y (Cohen, 1990) para una lista de referen-
cias). Estas contribuciones se pueden clasificar según traten un régimen
estático o dinámico, o según consideren la interacción a no entre las
carreteras.
2.9.3 Análisis de conjunto

Cada una de las contribuciones de investigación se limita al
objetivo de la calibración. Muy pocos van más allá de expo-
ner un método de estimación y cuantificar el error exógeno

a propagar por medio del modelo de elección de modo o iti-
nerario (Koppelman, 1976); (Gunn, 1982); (Bell, 1983). Hace
falta poner en relación teórica varios objetos respecto al error
de estimación en un modelo de asignación. Los únicos inten-
tos han sido empíricos (los análisis de sensibilidad), parcia-
les (procedimientos de manuales ingleses (e.g. Beeston, 2021)
restringido a los flujos orígenes destino) o agregados (Marche,
1973) a la escala de una red.
2.10 Otro tipo de contribuciones

Las contribuciones a la auditoría técnica se refieren esencialmente a la
especificación y a la calibración. Sin embargo, pueden hallarse estudios
sobre el error de cálculo, el error de estimación y la propagación del
error en la estimación.
2.10.1 El error de cálculo se conoce poco

El error de cálculo aparece en los modelos de equilibrio donde las
variables endógenas no se expresan directamente en función de las
variables exógenas. Implica, por lo tanto, variaciones en los resulta-
dos de asignación. Este error nace del detenimiento prematuro de un
algoritmo iterativo.
Desde la perspectiva práctica existe un cierto desentendimiento
del problema ya que no hay interpretación ni estudio del error de
cálculo. Los técnicos de modelación en un estudio de planeación son
optimistas y presumen que el error de cálculo compensa las hipótesis
sólidas de la modelación: por ejemplo, respecto al principio de War-
drop, algunos dicen que más vale no llevar la automatización a fondo
de la elección de itinerario, ya que existen conductores que no opti-
mizan. Esta posición lleva a abandonar el control del modelo.
También en materia de condición de convergencia, los usuarios
de los modelos operacionales se limitan a seguir las prescripciones de
quien concibe el programa de cómputo que están utilizando.
Entre los creadores de los programas de cómputo, prevalecen dos
actitudes: de un lado, un grupo de “pragmáticos” que afirman como
lema que ningún algoritmo puede converger tan rápido en un equi-
librio; también adaptan el procedimiento de afectación con el objeto
de que entregue en pocas interacciones un resultado “aceptable”. Esta
es la posición de los que emplean procedimientos heurísticos (carga
por segmentos o incremental: antiguas versiones de Davis, MinUTP,

Tranplan o Polydrom). Su condición de convergencia consiste sim-
plemente en alcanzar un número fijo de interacciones. El otro grupo
lo conforman los fervientes admiradores de los modelos matemáti-
cos (sobre todo del algoritmo de Frank-Wolfe). Sugieren criterios de
convergencia basados sobre los valores característicos del programa
matemático que el algoritmo intenta resolver.
Al final de cuentas, ninguna de las dos actitudes culmina en una
interpretación estadística del nivel de convergencia que se alcanza en
términos finos. Consecuencia lógica: no existe un documento que
discuta la precisión de los cálculos.
De esta manera se tienen investigaciones fragmentadas. Hasta aho-
ra, los estudios sistemáticos del error de cálculo consisten únicamen-
te en experimentaciones numéricas en la computadora (Horowitz,
1981). Éstas incluyen:
a) Una definición del criterio de convergencia.

b) Una comparación de la evolución de estos criterios, en función
de las interacciones del algoritmo de equilibrio.
Al final de cuentas, se requieren nuevos estudios con el objeto de pro-

fundizar en los trabajos de investigación anteriores y también de prescri-
bir reglas para sus aplicaciones prácticas. Las contribuciones de inves-
tigación se centran en la puesta a punto de algoritmos, sin poner en tela
de juicio las fórmulas matemáticas a resolver, es decir, sin conciencia del
riesgo sobre el error formal.
2.10.2 La propagación del error exógeno

El error exógeno repercute sobre las simulaciones del modelo: el mo-
delo propaga el error exógeno. Respecto a los resultados del modelo,
es la amplitud del error, luego de su propagación el que importa di-
rectamente, mas no la amplitud de este antes de que se propague.
Desde la perspectiva práctica se recomienda hacer análisis de sensi-
bilidad. En los buenos estudios de transporte se examina la sensibili-
dad de los resultados respecto de las hipótesis. Por ejemplo, en un es-
tudio de anteproyecto de autopista de cuota, se prueba la sensibilidad
del nivel de ingresos al nivel medio del valor de tiempo. Estas opera-
ciones son muy útiles. Convendría complementarlas precisando las
incertidumbres exógenas; cuando el resultado depende de numero-
sos factores, es necesario tomar en cuenta la relación entre factores,

bajo la posibilidad de sobreestimar el error exógeno propagado.
Existen algunas contribuciones puntuales del lado de la investi-
gación. Respecto a los modelos de elección discreta, se encuentran
algunos trabajos sobre la propagación del error de estimación. (Ko-
ppelman, 1976) estudia el sesgo y el margen de incertidumbre en la
aplicación de un modelo binomial resultante del procedimiento de
reagrupamiento de individuos. Aplicando la fórmula clásica de pro-
pagación de errores, muestra que el error de agregación es relativa-
mente independiente del error sobre los parámetros de las variables
alimentadoras. (Horowitz, 1998) investiga los efectos potenciales de
varias hipótesis restrictivas del modelo logit multinomial. Examina:
Las hipótesis de independencia respecto a terceras alternativas con-
cluyen que este efecto es reducido mientras que la situación del proyec-
to permanezca cercana a la simulación de referencia.
El postulado de generalidad de los coeficientes de la función de uti-
lidad (la no generalidad significaría que los coeficientes podrían variar
según el individuo). La no verificación de este postulado podría indu-
cir serias dificultades.
a) La utilización de datos de referencia incorrectos para la estimación

de los parámetros.
b) Horowitz ilustra los efectos potenciales sobre casos parti-
culares sin indicar los órdenes de magnitud de alcance general.
c) Respecto a la distribución espacial, (Bell, 1991) propaga
a través de un modelo gravitacional la incertidumbre sobre los
márgenes de emisión y de recepción (entre otros factores).
Los trabajos de investigadores ingleses sobre la asignación en el seno

de un esquema a cuatro etapas concluyen en la necesidad de investiga-
ciones numéricas. (Ashley 1981) sintetiza una investigación sobre la
incertidumbre en la aplicación de un esquema a cuatro etapas. Evo-
cando sucesivamente la generación, la distribución, la elección modal
y la asignación, examina y compara para cada etapa el error ligado a
la estimación, enseguida el error sobre los datos de entrada propaga-
dos mecánicamente en el modelo, finalmente el error de predicción
ligado al ajuste temporal entre la situación de la estimación y el hori-
zonte de la simulación.
Para la etapa de las distribuciones, recomienda tratar los flujos

OD de la demanda como variables aleatorias, de la cual Ashley la-
menta no poder estimar las covarianzas.
El análisis de la etapa de asignación es menos rico, principalmen-
te debido al carácter estadístico rudimentario del procedimiento uti-
lizado (el modelo determinista a tiempo variable y demanda fija y
homogénea). Ashley prescribe simulaciones numéricas (de Monte
Carlo) para establecer los márgenes de incertidumbre “a la salida”,
a partir de márgenes de incertidumbre “a la entrada” sobre los flujos
OD, así como sobre los parámetros de las funciones de tiempo de
recorrido y el coeficiente de compensación entre tiempo y distancia.
2.10.3 Hacia un enfoque integrador

Roger Marche desarrolló (1988-1991) una metodología para
valorar las previsiones de ingresos de una autopista de cuota.
Identifica cuatro ejes principales de error, que él supone inde-
pendientes:
a) El nivel de los flujos por OD.

b) La media y la dispersión de los valores detiempo.
c) Los tiempos de recorrido simulados.
d) Otros factores (tasa de inducción, etcétera).
Marche adiciona las varianzas sobre el ingreso del conjunto prove-

niente de cada uno de los ejes mencionados con el objeto de obtener
una varianza global. Justifica el nivel de varianza asociada a cada eje por
consideraciones múltiples que hacen en definitiva jugar el papel de ex-
perto.
En resumen, esta síntesis revela oposiciones metodológicas:
a) Entre usuarios preocupados principalmente en el análisis de sen-

sibilidad e investigadores que ponen el análisis de sensibilidad al servi-
cio del cálculo del error propagado.
b) Entre los defensores de experiencias numéricas y aquéllos del en-
foque econométrico analítico.
c) Entre contribuciones que se orientan a un objeto particular y
aquéllos de un enfoque integrador.
Estas oposiciones son la consecuencia de elecciones técni-

cas particulares, mas no de desacuerdos en cuanto a las inter-
pretaciones estadísticas.
2.11 Análisis teórico del error

Es importante señalar que un inventario preciso de las fuen-
tes de error supondría un conocimiento absoluto de la rea-
lidad. Este conocimiento “sobrenatural” sólo posee un valor
de referencia abstracta, útil a título didáctico. Se consideran
cinco clases de fuentes potenciales de error en un modelo:
a) Error de percepción: en la esquematización del sistema real

en la definición y la elección de variables explicativas (exógenas) y
explicadas (endógenas), en la consideración de relaciones de estos
elementos y por lo tanto en la identificación y formulación de las re-
laciones “explicativas” que constituyen el mecanismo, la concepción
conceptual (o semántica del modelo).
b) Error de formulación: consiste en sintetizar el mecanismo ex-
plicativo por una fórmula característica justificable de un problema
tipo de matemáticas. Este error de formulación procede de una falta
de conformidad entre la fórmula característica y la composición con-
ceptual, de una falta de coherencia lógica o de una caracterización
insuficiente. Esta clase integra las hipótesis matemáticas mínimas de
estas funciones (por ejemplo: continuidad o crecimiento),
c) Error de resolución: en la resolución de la fórmula característi-
ca, si ésta es alcanzada a través de un método heurístico o un método
poco preciso. En el caso de una resolución por simulación numérica,
el origen del error puede deberse a restricciones informáticas: con-
clusión de las simulaciones en un tiempo determinado (detenimiento
de un algoritmo iterativo), operaciones de precisión definida (redon-
deo).
d) Error de estimación: en la especificación funcional (explica-
ción de las funciones matemáticas) y numérica de los parámetros del
modelo, dicho de otra forma, en la caracterización numérica comple-
ta de las relaciones dependientes de las variables endógenas entre ella
y hacia las variables exógenas.
e) Error exógeno: en la aplicación de las variables exógenas recu-
biertas de sesgos o de incertidumbre (error en los datos de entrada).
Las cinco fuentes anteriores separan el modelo de la rea-

lidad conformando el error neto del modelo. Sin embargo,
la realidad sólo se conoce a través de observaciones que ten-
gan cuenta del propio error. Este error de referencia sobre el
resultado del modelo se agrega al error neto para constituir
el error bruto del modelo. Es decir: Y = F (X). Donde: Y: es el
vector de variables endógenas (la respuesta, el efecto).
Tabla 1. Clases de error neto en un modelo.

Nivel Lugar
Concepción Elección de X , Y , ideas sobre los componentes de F
Formulación de F (relaciones de dependencia entre Variables

explicativas y explicadas,
Formulación
hipótesis matemáticas mínimas
Síntesis de las componentes elementales de F
Error en la resolución de F
Estimación
Expresión matemática y numérica de F
Exógeno (error de observación de los valores particulares de X
X: es el vector de variables exógenas (el argumento, la causa)
F : es vector de la relación de dependencia (el mecanismo)
2.12 Resumen
El cuadro inferior se recapitula el estado empírico y de investi-
gación por tipo de error en la modelación de la elección mo-
dal y de la asignación.
Respecto a la econometría clásica se constata:
a) La importancia particular de la codificación.

b) En lo que respecta a la asignación, la variedad de objetos de esti-
mación, partiendo de la dificultad de elaborar un marco probabilístico
que englobaría todos los elementos implicados.
c) La necesidad de estudiar las otras fuentes de error no clásicas,
principalmente el error de cálculo.
d) La poca atención que recibe la propagación del error, que es ni
más ni menos que parte esencial de un estudio, con el objeto de apreciar el
error ligado al resultado de un modelo.
Estos hechos muestran la necesidad,
a) de una síntesis y de una apreciación de los conceptos elaborados,

b) de contribuciones puntuales en cada fuente de error y
c) de una estrategia de conjunto respecto a la cual cada ele-
mento tomaría su lugar y sería puesto en relieve.
Error En la práctica En la investigación

Codificación Poco formalizada Casi muda
Validación preventiva de eficien-
cia variable
Elecciones intuitivas que corres-

C. Semántica ponden a las particularidades de Contribuciones puntuales
la aplicación
Numerosas
Si, en el caso de funciones
Estimación
previstas en el programa Contribuciones puntuales
Resolución No hay pruebas Algunos estudios empíricos
En el mejor de los casos pruebas Algunas contribuciones

Propagación del de sensibilidad puntuales
error
Propagación de la incertidumbre
Trabajos integradores
ligada a los flujos OD
Formal No hay conciencia Poco cuestionadas
Tabla 2. Síntesis del estado de la práctica y de la investigación

3. Modelos de planeación y asignación
a redes de transporte privado
Los Modelos de Planeación Estratégica (MPE) son comúnmente em-

pleados en la práctica para llevar a cabo una o varias de las tareas
siguientes: definir un esquema o plan de organización de los desplaza-
mientos a diferentes horizontes, evaluar el impacto que un aumento o
modificación de capacidad en la infraestructura pueda inducir en una
red de carreteras, Monitorear el desempeño de la red de transporte,
evaluar el efecto inducido por medidas que no impliquen aumento de
capacidad. Aunque este tipo de modelos son comúnmente emplea-
dos en los países industrializados, en México tienen implementación
relativamente reciente. Es frecuente que se empleen en ciudades de
tamaño grande (hasta un millón de habitantes) y medio (de 500 mil a
menos de 1 millón de habitantes).
En las secciones subsiguientes se describe el marco teórico de los
modelos de planeación estratégica, iniciando por la definición del
concepto de modelo para posteriormente describir los componen-
tes requeridos de un Modelo de Planeación Estratégica (MPE). El eje
central de esta descripción de base en el conjunto de decisiones de
movilidad que los agentes económicos tienen que tomar para adap-
tarse al sistema de transporte. La segunda sección se enfoca a plantear
los conceptos de la etapa de asignación y a resolver modelos simples
de redes con especificaciones que consideran la congestión y el costo
de transporte. Finalmente, la tercera sección presenta un ejemplo de
aplicación en el que se aborda el tema del peaje de una infraestructura
de cuota.
[54]
3.1 Marco teórico

3.1.1 Concepto de modelo
Por este término entendemos un sistema en el cual opera una abs-
tracción que sirve para representar, analizar, caracterizar o simular
ciertas condiciones. A veces se les agrega una función de pronóstico
o una regla de evaluación que sirve para definir, probar o clasificar
variantes. Un modelo tiene diversos niveles de desarrollo o elabora-
ción. Cada una de ellas aporta información relevante en tanto que
instrumento de ayuda para la toma de decisiones. Se distinguen en
este sentido tres elementos que permiten distinguir los rasgos de es-
tos niveles: el mecanismo explicativo, el contenido semántico y la for-
mula característica y cuatro niveles progresivos de elaboración (ver
capítulo 1 y 2) que se abordan una vez definidos los tres elementos
referidos.
Mecanismo explicativo. Es una relación fundamental que indica

cómo están vinculados dos o más elementos o variables del modelo.
Contenido semántico. Es el conjunto de mecanismos explicativos
del modelo conceptual.
Formula característica. Es la síntesis en lenguaje matemático de
los mecanismos explicativos bajo la forma de un problema de tipo
matemáticas aplicadas. Para obtener la fórmula característica de un
modelo se puede definir una notación matemática para cada elemen-
to, seguida expresar cada mecanismo explicativo como una relación
elemental que una, por medio de una función, cada de los elementos
internos (variables endógenas) y externos (variables exógenas). Fi-
nalmente, se unen las relaciones formales en una fórmula sintética
que se convierte en característica al asociarlo a un marco matemático
de referencia.
Modelo conceptual, semántico o fenomenológico. Es el esquema
teórico en el que hay una definición de sistema y de subsistemas (por
lo tanto, de contexto) y una clasificación de relaciones de tipo causa-
lidad, simultaneidad, secuencia.
Modelo formal. Se conforma con la unión del modelo conceptual
o semántico con una formula característica.
Modelo resoluble. Se constituye a través de la unión de un modelo
formal con un dispositivo de resolución que determina los valores de
las variables y parámetros endógenos (propios del modelo) a partir
de variables exógenas (externas al modelo).
Modelo alimentado. Se construye al unir un modelo resoluble a

datos de aplicación a un caso particular dado.
En la siguiente sección se plantea un modelo conceptual para des-

cribir los elementos de un modelo de planeación estratégica poste-
riormente cuando se describen las etapas del modelo a cuatro etapas
se presentan modelos formales y resolubles. Finalmente, en el caso de
estudio se construye un modelo alimentado. Es este nivel de mode-
los que se emplea en estudios empíricos para la toma de decisiones.
Como podrá constarse para llegar a este punto se requiere construir
progresivamente cada uno de los modelos en sus niveles previos.
3.1.2 Modelos de planeación estratégica

Los modelos de planeación estratégica (MPE) son herramientas que
permiten predecir, a partir de una situación actual, el desempeño de
un sistema de transporte en el futuro con la finalidad de orientar la
toma de decisiones ya sea para: la planeación del desarrollo urbano, la
mejora del sistema de transporte per se, vincular el uso de suelo con el
transporte o el dimensionamiento de las infraestructuras y servicios
de transporte en sus diferentes modalidades. Dado su carácter empí-
rico, en su construcción se requieren desarrollar modelos alimenta-
dos con información de las características de la oferta de infraestruc-
tura y servicios, así como de las características de las personas y sus
necesidades de movilidad.
En términos generales un MPE intenta caracterizar la relación
entre la oferta de transporte y la demanda de desplazamientos. Para
ello, en su construcción se pretende representar las decisiones indivi-
duales de movilidad que resultan de la interacción con el sistema de
transporte y sus regulaciones bajo el supuesto que el comportamiento
del sistema de transporte en su conjunto es el resultado de la agrega-
ción de estas decisiones individuales (ver Sánchez y de Palma, 2013).
Las decisiones de movilidad tienen que ver con:
Elección del lugar de localización. Se trata de un proceso de de-

cisión de efecto en el mediano y largo plazo en el que el agente eco-
nómico (persona, familia, empresa) elige su lugar de residencia o
domicilio. En efecto, la elección del domicilio es el resultado de un
conjunto de interacciones en las cuales tanto el costo de transporte
como los beneficios aportados por el inmueble y su entorno juegan
un papel relevante. La teoría de la localización (Thisse et al, 1996), la

economía regional y urbana (Henderson y Thisse, 2004) la economía
espacial (Fujita et al, 1999) y la nueva economía geográfica (Coe et al,
2007) han sido fructíferas en el desarrollo de modelos que describen
y caracterizan estos procesos.
Realización del viaje. El agente económico decide si realiza el viaje
o lo difiere para otro día. Esta elección puede estar motivada por las
condiciones de circulación o del servicio de transporte o por otras
razones exógenas. Esta elección afecta el corto plazo ya que incide
en el volumen diario de viajes al igual que las restantes decisiones de
movilidad.
Elección del origen/destino. Un viaje se caracteriza por un origen,
un destino y un propósito. En esta decisión, el agente económico
elige, considerando que el viaje inicia en su domicilio, aquel destino
que es más conveniente de entre una serie de alternativas disponi-
bles (e.g. elegir un centro de abasto para realizar compras). En otros
casos, cuando los desplazamientos son multipropósitos, la elección
del destino se convierte a su vez en la elección del lugar de origen del
siguiente viaje de la secuencia que haya establecido.
Elección de la frecuencia de viaje. La frecuencia se define como el
número de veces que se realiza el viaje en un periodo de tiempo de-
terminado. En este caso, el agente económico la define en función de
sus necesidades y del desempeño del sistema de transporte.
Elección de la hora de inicio del viaje. Una vez que la realización
del viaje está determinada, el agente económico elige la hora de inicio
de este en función del desempeño del sistema de transporte que utili-
za, pero también de la hora en que desee llegar a su destino. En efecto,
el usuario de un servicio de transporte puede anticipar o retrasar su
viaje en función de las condiciones prevalecientes de circulación.
Elección del modo de transporte. Un modo o modalidad se asocia
al tipo de vehículo de transporte (e.g. autobús, taxi, auto particular).
Definido el origen y destino del viaje, el agente económico elige en-
tre los modos de transporte que tenga disponible aquél que mejor se
adapte a sus necesidades para realizar su desplazamiento.
Elección de la ruta de transporte. Esta decisión de movilidad se
refiere a la elección del itinerario que sigue el agente económico para
llegar a su destino. En una red de transporte conformada por un con-
junto de calles, avenidas e intersecciones existen infinidad de com-
binaciones para llegar de un punto a otro de la red. En este caso, el
usuario escoge que combinación de vías o segmentos de la misma

utilizará para llegar a su destino. En el caso del transporte público
esta posibilidad no es tan amplia dado que las rutas tienen asignado
un itinerario, aunque existen diversos itinerarios para llegar de un
origen a un destino específico. En este sentido, el usuario elige la ruta
o la combinación de ellas para realizar su desplazamiento.
Los modelos de planeación estratégica (MPE) deberían incluir, de

forma implícita o explícita el conjunto de decisiones de movilidad
descritos previamente. Un modelo conceptual general de esta natura-
leza se ilustra en la figura de la parte inferior. En ella se incluye los tres
grandes elementos que inciden en las decisiones de movilidad de los
agentes económicos, así como sus decisiones de movilidad tomando
en cuenta sus interacciones y el plazo en que tienen lugar. Al interior
de cada elemento se incluyen otros que no solo tienen que ver con di-
chas decisiones sino también con el proceso de interrelación y ajuste
ante los cambios en el desempeño de transporte el cual es cuantifica-
do como la magnitud en que se consumen los recursos y a los cuales
son sensibles en menor o mayor medida los agentes económicos. Un
MPE debería incluir implícita o explícitamente estas consideraciones.
A continuación, se describen los enfoques empleados para construir
este tipo de modelos.
Ilustración 1. Modelo conceptual general de los modelos de

planeación estratégica
Cada una de las decisiones de movilidad descritas posee su propia

naturaleza y complejidad. Esta se ve incrementada en la medida que
no son independientes, sino que más bien están vinculadas entre ellas.
Por ello, la caracterización de estos procesos es sumamente complejo.
En primer lugar, para entender y luego representar los mecanismos
que intervienen en la toma de decisiones de un conjunto heterogéneo

de usuarios y en segundo lugar, para hacerlos operacionales (en tér-
minos de recursos necesarios para los análisis) dado que en una zona
urbana tienen lugar miles de desplazamientos que son el resultado de
cientos de miles de decisiones.
El progreso de los MPE, radica precisamente en el desarrollo de
métodos y enfoques que permitan disponer de herramientas opera-
cionales y que incorporen de manera más precisa estas decisiones de
movilidad en el contexto de un sistema de transporte, su desempe-
ño y sus regulaciones. Con esta consideración, se identifican fami-
lias de MPE según: a) según la unidad de análisis de la movilidad en
modelos basados en viajes y modelos basados en actividades. b) el
nivel de caracterización de estas decisiones en modelos agregados y
desagregados. c) la dinámica con que estas decisiones se representan
en modelos estáticos y dinámicos, y d) el conjunto de decisiones de
movilidad incluidas de forma explícita en modelos de cuatro etapas y
modelos secuenciales que son el objeto de este artículo.
3.2. Modelos de cuatro etapas

Se denominan también modelos clásicos de planeación. Son los MPE
de mayor aplicación a casos prácticos debido a la relativa facilidad
para implementarlos. Se denominan a cuatro etapas dado que carac-
terizan igual número de decisiones de movilidad las cuales corres-
ponden a:
a) La decisión de realizar el viaje o no la cual se caracteriza de for-

ma agregada y se denomina generación/atracción de viajes,
b) La elección del lugar de origen y destino misma que se denomi-
na generación/atracción de viajes,
c) La elección del modo de transporte o distribución modal y fi-
nalmente,
d) La elección del itinerario o ruta en la red que se denomina asig-
nación.
Si bien las decisiones de movilidad representadas por estos mo-

delos son las de mediano y corto plazo, es importante notar que las
de largo plazo y las de elección de hora del viaje podrían ser consi-
deradas en un pos-procesamiento. Antes de los 70´s la totalidad de
las etapas fueron caracterizadas a través de especificaciones y datos
agregados. Después de este periodo, se desarrollaron especificaciones

a nivel individual o desagregado y se inició el proceso de incorpora-
ción de la interacción entre las cuatro etapas, así como la inclusión
de las otras decisiones de movilidad e incluso la modelación de dos
o más decisiones de manera simultánea en una misma etapa. De esta
manera, han surgido los llamados modelos secuenciales, con retroac-
ción, de cinco o más etapas.
En Ortúzar y Willumsen, 2011 se abordan las diferentes temáticas
relacionadas a los modelos de cuatro etapas, así como los métodos
de recolección de datos y estimación de parámetros de cada uno de
ellos. A continuación, se describe de forma general las 4 etapas del
modelo clásico para posteriormente abordar con más detalle la etapa
de asignación para el transporte privado.
3.2.1 Generación y atracción de viajes

En esta etapa se responde a la pregunta, dada una entidad espacial
determinada, ¿Cuántos viajes se generan o atraen? El punto de par-
tida de este planteamiento es un nivel de agregación espacial que en
términos prácticos puede ser una manzana, una colonia, un área
geoestadística básica (AGEB), una zona de transporte o cualquier
otra entidad espacial relevante para los fines del análisis. Delimitada
esta entidad para todo el territorio que cubre el sistema de transporte,
se procede a determinar el número de viajes que se generan o atraen
desde cada uno de ellos.
Asumiendo, para el caso de la generación de viajes, que los resi-
dentes o agentes económicos instalados en esa entidad realizan cierta
cantidad de viajes en función de sus características socioeconómicas
(composición familiar, nivel de ingreso, ocupación, edad, etc.) y de
movilidad (número y tipo de vehículos en posición. Análogamente,
en el caso de la atracción de viajes, se asume que cada una de las
entidades espaciales posee instalaciones o servicios que inducen des-
plazamientos hacia las entidades espaciales donde se localizan (e.g.
escuelas, zonas industriales, centros comerciales, zonas residenciales,
entre otras).
La especificación más agregada y por lo tanto más simple para el
modelo de generación de viajes es, total de viajes generados, Oi, por
la zona i se determina por el producto de la tasa media de generación
de viajes por persona del territorio, t, por el número de habitantes de
dicha zona Ai,
Oi=t* Ai (1)
Esta expresión general, puede detallarse más en función de la

información disponible. Por ejemplo, la siguiente especificación se
podría utilizar para estimar los viajes generados (O) en un territorio
conformado por I zonas, U diferentes usos de suelo para una pobla-
ción compuesta por H tipos de hogar y cuyos viajes se desagregan en
V motivos:
(2)
En estas especificaciones se asume que las características de las zo-

nas generadoras (Ai) son conocidas ya que corresponden a datos que
se colectar en las diversas instituciones de información (e.g. INEGI,
catastro, gobiernos en sus diferentes niveles, etc.) en tanto que las ta-
sas de generación (t) requieren de estudios específicos de transporte
y de decisiones de modelación para categorizarlas o generar la estra-
tificación de la población. Los estudios de transporte se llevan a cabo
en campo y deben ser tales que reflejen los diferentes componentes
de la movilidad de la población en estudio. Para tal efecto, los viajes
se pueden clasificar en: basados en el hogar (BH) y no basados en el
hogar (NBH). Los primeros de ellos se asocian directamente al do-
micilio de la persona y de la familia en tanto que los segundos no
tienen asociación con esta entidad. Por ejemplo, los viajes propios a
las actividades profesionales o aquellos ligados a la actividad laboral.
En este sentido, los estudios de transporte para los viajes basados en
el hogar son generalmente encuestas origen-destino domiciliarias en
tanto que para los viajes no basados en el hogar se pueden utilizar
encuestas en los sitios de trabajo, encuestas de interceptación entre
otras. En Ortúzar y Sánchez, 2004 se describe en detalle el proceso
para aplicar encuestas domiciliarias y de interceptación. A partir de
las encuestas y del proceso de expansión correspondiente se puede
estimar el total de viajes para un territorio o zona determinada. Este
volumen de viajes dividido entre el total de unidades indicativas de la
generación o por segmento de usuarios permite obtener las tasas de
generación de viajes.
3.2.2 Distribución
En esta etapa se responde a la pregunta ¿Cómo se reparten en el es-
pacio los viajes? Dado que se conoce en la etapa previa el total de des-
plazamientos generados y atraídos desde/hacia cada entidad espacial.
La consideración que generalmente se hace en este tipo de modelos
es que las características de cada entidad espacial generarán interre-
laciones con las otras cuya intensidad está limitada por la separación
física que existe entre ellas y que representa “una barrera” a salvar.
Esta barrera se caracteriza con supuestos que pueden ser muy simples
o más elaborados.
El supuesto más sencillo es suponer el espacio es homogéneo e
isótropo con lo que la barrera se puede representar como una fun-
ción de la distancia que separa dos entidades determinadas. Con ello,
implícitamente se asume la existencia de una red de transporte única
que permite atiende cada uno de los desplazamientos. Un modelo
más realista sustituye el anterior incluyendo explícitamente un siste-
ma de transporte y con ello el concepto de red. En efecto, para despla-
zarse de un origen a un destino se requiere del usuario propiamente
dicho, la infraestructura y de un modo de transporte.
La infraestructura es el medio de soporte del modo, por lo que se
requiere de una red para que el vehículo pueda desplazarse. Esta red
no cubre necesariamente todo el territorio ni está disponible a todo
momento (e. g. las rutas de transporte público tienen un horario de
servicio y un intervalo de paso establecido a diferencia del automó-
vil que puede utilizarse en cualquier momento). Por otro lado, está
sujeta a problemas de congestión, como se verá más adelante, que
hacen que la dificultad para salvar la “barrera” que separa el origen
y destino sea variable a lo largo del día. En este sentido, un concepto
más amplio que se emplea para representar la dificultad del traslado
entre un origen y un destino determinado es el de costo generalizado.
A través de este término se representa la sumatoria de costos en la que
los agentes económicos incurren para completar su desplazamiento.
La dificultad de aplicación del enfoque consiste en poder expresar
en términos monetarios cada uno de los recursos que se consumen al
realizar un desplazamiento como son: el tiempo de la persona que se
desplaza con todos sus componentes (e. g. tiempo de espera, trasbor-
do), la tarifa en caso de transporte público o los costos de operación,
estacionamiento, combustibles para el caso de transporte en automó-
vil y más aún los efectos al medio ambiente entre otros. Partiendo
de esta consideración, una especificación común a nivel agregado o

sintético es la siguiente:
(3)
En esta expresión Ti,j indica la cantidad de viajes del origen i al

destino j, Oi y Dj son los viajes generados y atraídos respectivamente
obtenidos de la etapa previa, α es un parámetros a estimar por re-
gresión lineal múltiple del conjunto de observaciones obtenidas en
campo y f(ci,j) es la función de costo generalizado la cual puede asu-
mir diversas formas: exponencial, potencia o combinada. Respecti-
vamente, f(ci,j) = exp (-bci,j), f(ci,j) = ci,jn, f(ci,j) = -ci,j exp (-bci,j). En estas
especificaciones, α, β y n son parámetros que se estiman con técnicas
econométricas de regresión a partir de datos empíricos propios al
territorio que se analiza. Las especificaciones anteriormente expues-
tas son las más empleadas en la práctica y corresponden a modelos
de tipo gravitacional. Existen otros enfoques agregados como el de
máxima entropía o desagregado basado en probabilidades de elec-
ción (ver elección modal) que también podrían utilizarse.
En el caso de estudios empíricos, además del método seleccio-
nado es importante considerar la colecta de información necesaria
para calibrar los parámetros de cada modelo y finalmente, el periodo
y tipo de distribución espacial que se requiere obtener. En efecto, el
resultado de la etapa de distribución es una matriz que indica el vo-
lumen de viajes para cada par origen-destino (entre dos entidades
espaciales previamente definidas). Dicha matriz puede representar
los viajes diarios o de algún periodo del día.
La selección del periodo dependerá del objetivo que se pretende
alcanzar con el MPE. En este sentido, las especificaciones anterio-
res permiten estimar una matriz inicial de viajes la cual requiere ser
procesada a fin de cumplir con restricciones adicionales como son la
relación entre el total de viajes generados y atraídos y la función de
distribución global de los viajes. Este proceso se denomina balanceo
de matrices y a las condiciones que la matriz se le denominan res-
tricciones. Así, se tienen matrices balanceadas doblemente acotadas
cuando se define la relación entre el total de viajes generados y atraí-
dos o triplemente acotados en el caso que además de cumplir las dos
restricciones previas también reproducen una distribución paramé-
trica o no del conjunto de viajes.
3.2.3 Elección modal

En esta etapa se determina ¿en qué modo de transporte se realiza
el viaje? dado que en esta instancia se conoce el volumen, origen y
destino el viaje. Esta elección está asociada primeramente a la dispo-
nibilidad de acceso al modo y posteriormente al desempeño de cada
modo de transporte medido en términos de costo generalizado o a la
combinación de algunos de sus componentes. La especificación agre-
gada más simple para obtener el número de viajes entre el par origen
i, destino j en el modo m,Vmi,j ,en par está dada por el total de viajes
entre dicho par, Vi,j, multiplicada por la proporción de usuarios que
utiliza el modo m, Pmi.j..
Vi ,mj = Vi , j Pi ,mj , (4)
En esta especificación se requiere conocer previamente y para

cada par origen-destino la proporción de usuarios de cada modo de
transporte. Este factor se obtiene tanto de encuestas origen-destino
domiciliarias (viajes basados en el hogar) y de interceptación (viajes
no basados en el hogar).
Sin embargo, esta especificación tiene, entre otras limitantes, la
reducida capacidad de predicción dado que asume que la proporción
de viajes se mantiene constante independientemente de la eficiencia
o desempeño de cada modo de transporte. Para solventar este incon-
veniente, se utilizan especificaciones desagregadas. Tal es el caso de
modelos que expresan las preferencias de los usuarios a determina-
dos atributos de un modo de transporte (tiempo de viaje, comodidad,
tarifas entre otras). En este caso, la partición modal pasa de una fun-
ción de proporción que es determinista a una función de probabili-
dad que puede llegar a ser estocástica. Tal es el caso de los modelos
de elección discreta (MEE) de utilidad aleatoria que comúnmente se
emplean para caracterizar esta etapa. Los MEE caracterizan el proce-
so de elección de las personas a través de la teoría microeconómica y
del comportamiento individual.
En la última década, aplicación se ha extendido a todos los pro-
cesos de elección en diversas áreas del conocimiento (e.g. Henscher,
et al 2005). Introduciendo una especificación de probabilidad basado
en MEE, el modelo de elección modal planteado en la ecuación 4, se
escribe de igual forma a diferencia que Pmi,j. es la probabilidad de elec-
ción del modo para el usuario que se desplaza del origen i al destino j
la cual depende de la utilidad o satisfacción que le procura Umq. Dicha

utilidad dependerá a su vez de un conjunto de atributos que determi-
nan la elección del modo de transporte a través de componentes de
costo generalizado, es decir:
Vi ,mj = Vi , j Pi ,mj (U im, j ), (5)
Donde,
U qm = Vqm + ε qm , (6)
En la ecuación 6, el término Umq. que representa la utilidad perci-

bida o retirada por el individuo q al usar el modo m tiene dos compo-
nentes: el sistemático o determinista y el estocástico. El primero, Vmq
, da cuenta de los atributos que se pueden medir o son cuantificables
por el usuario en tanto que el segundo, emq. Representa los atributos
que el usuario toma en cuenta en su elección, pero difícilmente se
pueden cuantificar debido a que son variables subjetivas.
También se interpreta como los elementos que intervienen en la
decisión pero que no son tomadas explícitamente en la parte siste-
mática o simplemente como un término de error. Al comparar los
modos disponibles para el desplazamiento, el individuo elegirá aquél
que le procure mayor satisfacción. Por ello, el proceso interno de de-
cisión consiste en una comparación de la utilidad asociada a cada
alternativa.
El resultado de este análisis se entiende como una maximización
obtenida a partir de las diferencias de utilidades. Es decir, el indivi-
duo elegirá el modo i, siempre que la probabilidad de elegir ese modo
sea mayor a la probabilidad de elegir cualquiera de los otros modos j,
Pi>Pj. Por lo tanto, se cumple que la utilidad procurada por este modo
sea mayor a las demás Ui>Uj. Es decir, sustituyendo de la ecuación 6
se tiene que el individuo elegirá el modo i siempre que la diferencia
de la utilidad sistemática, medible, sea superior a la diferencia de los
términos de error, es decir:
Vqi − Vqj ≥ ε qi − ε qj , (7)
En esta especificación la diferencia de errores no se puede deter-

minar con exactitud por lo que es necesario introducir funciones de
probabilidad en las que se asume cierta distribución de estos erro-

res. Dependiendo de los supuestos considerados en la forma de esta
función de distribución se obtienen finalmente modelos de elección
discreta específicos que es factible parametrizar.
Algunos de los modelos más típicos son el logit multinomial, el
jerárquico, el anidado, el probit entre otros (ver Ortuzar y Willumsen,
2011). Por ejemplo, el modelo más popular es el logit multinomial
(MNL por sus siglas en inglés) en que supone la distribución de los
errores tipo Gumbel (también llamada Wibull o de valor extremo
tipo I) y además son independientes e idénticamente distribuidos
(IID por sus siglas en inglés). A partir de este supuesto, el modelo
colapsa a la siguiente forma funcional:

)
P =i exp βVqi ( ,
( )
q
∑ A ∈A( q ) exp βVqj
(8) j
En el que β = π/σ(60.5). Es decir, la probabilidad de usuario q de

elegir el modo i está dado por la relación de la exponencial de la uti-
lidad de dicho modo entre la suma de exponenciales de las utilida-
des de los modos j disponibles para el usuario q. En esta expresión
la función de utilidad sistemática general para todos los modos de
transporte, Viq se requiere especificar según el caso que se analice. La
función más empleada es la lineal de la forma:
Vqi = ∑ θ ki xkqi , (9)

k
En esta expresión qik son los parámetros por estimar y xikq son
las variables independientes que se emplean para caracterizar cada
atributo relevante en la explicación de la elección. Una especificación
muy sencilla es por ejemplo supone que Vi=q1tvi+q2tari. En ella se
asume que la utilidad sistemática está dada por el tiempo de viaje, tv,
y la tarifa, tar, de los modos de transporte con sus correspondientes
coeficientes q1 y q2.
Estos parámetros se estiman a través del método de máxima veri-
similitud una vez que se han aplicado, a una muestra representativa
de usuarios, encuestas de preferencias declaradas (PD) o mixtas (de-
claradas + reveladas). Estas encuestas PD dan cuenta de las preferen-
cias de los usuarios que se reflejan en las encuestas como elecciones

ante un conjunto de alternativas disponibles y cuyos atributos se de-
rivan de situaciones hipotéticas o futuras. Para tal efecto, se requiere
seguir un procedimiento metódico en la que primero se identifican
los atributos relevantes de la elección, posteriormente se realiza un
proceso de diseño experimental y finalmente, se aplican las encuestas
(para más detalles ver Henscher et al, 2005).
3.2.4 Asignación
Una vez conocido el origen, destino y el modo, en la etapa de asig-
nación se responde a la pregunta ¿en qué ruta se hace el viaje? Para
ello, se procede a determinar el itinerario o conjunto de tramos de la
red (de rutas de transporte público o vialidades) que son empleados
para concretar el viaje. En efecto, las redes de transporte público al
igual que las vialidades ofrecen diferentes combinaciones de rutas o
alternativas que permiten al usuario alcanzar su destino. Conforme
el sistema de transporte posea redes más densas, más complejo será
determinar los itinerarios de cada usuario o grupo de usuarios. Por
ello, existen herramientas que basadas en un criterio se asignación
determinan un estado de equilibrio entre la oferta y la demanda de la
red de transporte. Los criterios básicamente empleados son el primer
y segundo principio de Wardrop conocidos respectivamente como
equilibrio del usuario y del sistema (ver por ejemplo Sheffi, 1985). En
la siguiente sección se describen los detalles de esta etapa.
3.3 Un modelo básico de asignación

En esta sección se describe de forma más detallada el modelo de asigna-
ción. Para ello, primeramente, se introduce el concepto de congestión,
así como los elementos técnicos que sustentan su análisis a través de un
modelo conceptual que se torna formal posteriormente. Enseguida, se
aborda el concepto de equilibrio y conservación que son necesarios para
resolver el problema de asignación. Finalmente, se plantea la solución
del problema partiendo del caso más simple definido por funciones de
demora lineales. Posteriormente, el modelo se extiende al concepto de
costo generalizado para introducir el concepto de peaje.
3.3.1 Tecnología de la congestión

La congestión se entiende como el deterioro de las condiciones de
circulación debido al incremento del número de vehículos. Para en-
tender este proceso se requiere el conocimiento de ciertas teorías y

técnicas. La teoría más ampliamente usada es la macroscópica del flujo
vehicular. Esta teoría relaciona tres variables agregadas el flujo vehicu-
lar, la velocidad media y la concentración para describir como varían
las condiciones de circulación en función de estas tres variables.
La explicación del concepto de congestión que se aborda a conti-
nuación toma como base esta teoría a través de la relación flujo-ve-
locidad media para la circulación continua. Esta tiene lugar prin-
cipalmente en carreteras interurbanas donde la circulación no se
interrumpe durante largos tramos de la misma (para una descripción
más detallada de esta teoría véase Daganzo, 1997 o TRB, 2010).
El desempeño de un tramo vial depende básicamente de dos fac-
tores: sus características geométricas (oferta) y las características de
los vehículos que en ella circulan (demanda). Como una primera
aproximación y por simplicidad, se considera que el desempeño de
un tramo vial se mide a través del tiempo de recorrido. La oferta se
representa por medio de la noción de capacidad (S), que es la canti-
dad máxima de vehículos que pueden pasar por la sección transversal
de la vía en un intervalo de tiempo definido. Se expresa típicamente
en vehículos por hora. La demanda se sintetiza por medio del nú-
mero de vehículos (N) que circulan sobre la vía de análisis en un in-
tervalo de tiempo dado. De esta forma, el tiempo de recorrido, tt, se
puede expresar como una función del tiempo mínimo necesario para
recorrer un tramo de vía de una longitud determinada, t0, más un
tiempo suplementario que depende de la tasa de ocupación o nivel
de congestión z definida por la relación número de vehículos sobre la
capacidad (N/S):
tt = f (t0, z), (10)
La especificación de la función definida en la ecuación 10 no es

lineal dado que conforme el número de vehículos sobre el tramo vial
aumenta las interacciones entre los vehículos (aceleraciones, desace-
leraciones) se incrementan y al mismo tiempo la tasa de ocupación
se acerca a su totalidad (100%). Este efecto tiene importantes conse-
cuencias sobre la reducción de tiempo que una medida puede inducir
cuando se analiza la transferencia de vehículos de tramos saturados
hacia tramos no saturados.
Para ejemplificar esta situación en términos prácticos, considere

los dos tramos viales A y B de la figura 2 que tienen la misma longi-
tud L, pero distinta cantidad de vehículos o demanda. Suponga que se
tienen nA y nB vehículos respectivamente en los tramos A y B donde
nA<<nB y donde el tiempo de recorrido para cada tramo está defini-
do por la ecuación 10. Para visualizar el efecto de congestión considere
que se debe determinar ¿cómo se modifica el tiempo de recorrido en
cada tramo (A y B) por un incremento adicional, Dn, de vehículos?
La cantidad de usuarios nA del tramo A induce una tasa de ocu-
pación zA que implica un tiempo de recorrido ttA, definido por el
punto A en la figura 2. Ante el incremento , de la cantidad de ve-
hículos, la tasa de ocupación se incrementará de z y el tiempo de
recorrido pasará a ser . Por lo que la tasa de incremento o
pendiente αA (segmento A-A’ de la figura 2) asociada al incremento
del tiempo de recorrido inducido por el incremento de vehículos es:
(11)
Análogamente, al número de usuarios del tramo B, le correspon-

de una tasa de ocupación zB por lo que la pendiente resultante (tramo
B-B’ de la figura 2) será:
(12)
Dado que Dz es constante en ambas situaciones (e.g los vehículos

adicionales), la pendiente B asociado a una vía con mayor número de
vehículos será siempre superior a la pendiente del tramo A asociada
a una vía con pocos vehículos. Lo anterior indica que, a incrementos
iguales en el número de vehículos, los tiempos de recorrido se incre-
mentarán de manera más importante en los tramos congestionados
(tramo B) en relación con los tramos no congestionados (tramo A).
En la aplicación de medidas de mejora de las condiciones de cir-
culación, se busca que las tasas de ocupación de la red disminuyan o
en su defecto que los vehículos hagan un mejor uso de la infraestruc-
tura reasignándose de los tramos más congestionados hacia los que
no tienen congestión elevada. En la medida que estos dos propósitos
se logran los beneficios sociales de la acción tomada será más eleva-
da. En este sentido, por ejemplo, punto central de la evaluación del
impacto vial de una medida determinada consiste en estimar cuáles
serán las nuevas tasas de ocupación de los diferentes tramos de la red,

la variación de los tiempos de recorrido resultante y por consiguiente
compararla con la situación actual para obtener los ahorros derivados
de esta medida.
Ilustración 2. Ante un incremento en la demanda, los tiempos de recorrido se in-

crementan de manera más notable conforme la tasa de ocupación sea más elevada.
A
+
B
tt
∆tt B ∆tt A
>>
∆z ∆z
αB>>αA
B'
∆ttB B
A'
∆ttA
A
∆z ∆z
zA zA'
zB zB' z=N/S
3.3.2 Equilibrio oferta-demanda

El concepto de equilibrio oferta-demanda es fundamental en la es-
timación de estados estacionarios o estables que son los puntos de
referencia para comparar los efectos de diferentes alternativas en una
red de transporte. En este concepto, la oferta es representada por un
criterio de desempeño que, por simplicidad, es el tiempo de recorri-
do. La demanda, por su parte, la constituye el número de vehículos y
por extensión usuarios.
Para ilustrar el concepto de equilibrio considere la red elemental
ilustrada en la parte superior de la figura 3 constituida por: el par
XY con origen X, destino Y y dos rutas o caminos RA y RB. A dicha
red se encuentra asociado un número de usuarios N (demanda). Las
rutas mencionadas varían su desempeño en función del número de
usuarios que trasladen. Por otra parte, poseen características físicas
propias (capacidad vehicular, numero carriles, ancho de carriles, aco-
tamientos, etc.) lo que implica que, a número de usuarios iguales, el
desempeño no será el mismo. Considerando lo anterior y admitiendo
el tiempo de recorrido como criterio de desempeño (tt), cada ruta se
puede representar por una función que depende de la cantidad de

usuarios y la capacidad vehicular (S) de la misma:
ttA=f(nA, SA); ttB=f(nB, SB) (13)
Conocido este desempeño, se requiere definir un criterio de equi-

librio. Eligiendo el del usuario (primer principio de Wardrop, War-
drop, 1952) que establece: “al equilibrio, ningún usuario puede me-
jorar (disminuir) su tiempo de recorrido al cambiar de itinerario”. Lo
anterior indica que para cada par origen-destino, el tiempo de reco-
rrido es el mismo. Por lo consiguiente se establece las condiciones si-
3.3.2 (ecuación 14) y de conservación ecuación (15)
guientes de equilibrio
ttA= ttB, (14)
N=nA+nB (15)
Beckmann fue el primero en plantear este problema en términos

formales (Beckmann et al, 1956), propuso la transformación que lleva
su nombre para resolverlo. Desde entonces diversos algoritmos y mé-
todos de resolución se han desarrollado para resolver este problema
en el caso de redes densas (gran cantidad de rutas, arcos y usuarios).
Ilustración 3. Equilibrio del usuario considerando un par origen destino y dos rutas.
RB
X Y
RA
tt tt
ttA = ttB
E
ttA ttB
nA nB z=N/S
La solución al problema definido por las ecuaciones 2.4 y 2.4’ se

representa gráficamente en la parte inferior de figura 3. En esta figura
el eje de las abscisas representa la tasa de ocupación z definida por la
relación número de usuarios (n) contra capacidad de la ruta (S) en un
sentido de lectura doble: de izquierda a derecha indica la tasa de ocu-
pación de la ruta A y en sentido inverso la ocupación de la ruta B. El
eje de las ordenadas presenta una doble acotación. Del lado derecho
e izquierdo se indican respectivamente el tiempo de recorrido sobre
la ruta A y B.
De la figura, puede deducirse que cuando los usuarios son pocos
(tasa de ocupación, z, reducida) el tiempo de recorrido es inferior
en la ruta A, pero a medida que la ocupación aumenta, los tiempos
de recorrido se incrementarán de forma más importante en la ruta
A que en la B. Conocido lo anterior, los usuarios buscarán la ruta
que les permita llegar a su destino de la forma más rápida posible
considerando la cantidad de usuarios que habitualmente hacen uso
de cada ruta. Esto se logra mediante un proceso iterativo que viene
a concluir en un estado estacionario o equilibrio. Cuando se alcanza,
se llega al punto E de la figura donde ambas funciones de tiempo
de recorrido se interceptan indicando que en ambas alternativas es
idéntico, adicionalmente se cumple la condición que la suma del nú-
mero de usuarios en cada ruta corresponde al total de usuarios que se
desplazan entre el par origen-destino X-Y.
La determinación del estado de equilibrio además de definir una
situación de comparación nos permite conocer el número de usua-
rios y el tiempo de recorrido en cada ruta, con esta información es
posible cuantificar el efecto que alguna medida (por ejemplo, el au-
mento de capacidad de la ruta A) induce sobre el funcionamiento del
sistema en términos de variación de tiempo de recorrido y distribu-
ción espacial de los usuarios.
En el caso de redes urbanas, el problema ilustrado anteriormente
se torna complejo. En primer lugar, porque existen cientos de combi-
naciones (por lo tanto, rutas) que permiten alcanzar un mismo desti-
no, por otra parte que dichas rutas están conformadas por segmentos
en donde no todos los usuarios que la usan comparten el origen-des-
tino, es decir que cantidad de usuarios en cada tramo de la ruta es
variable y finalmente porque existen cientos de pares origen-destino
que utilizan la red. Como se mencionó anteriormente, este problema
de asignación se resuelve con programas computacionales. En el mer-
cado existe cierto número de herramientas para tal fin de las cuales
puede citarse: emme, TransCad, Trips, Visum, Cube entre otros.
En los siguientes apartados se pasará del modelo conceptual plan-
teado anteriormente al modelo resoluble partiendo del caso más sim-
ple sin considerar la congestión, posteriormente se incluye conges-
tión y se introduce el concepto de costo generalizado de transporte.
3.3.3 Dos rutas sin congestión

Suponga dos rutas RA y RB con longitudes respectivamente LA y LB que
trasladan NXY vehículos que se dirigen del origen X al destino Y (ver
figura 3). Las velocidades medias de circulación medias en cada ruta
son UA y UB respectivamente en tanto que las ecuaciones de tiempo de
recorrido entre ambas están dadas por:
ttA = ttoA (16)
ttB =ttoB (17)
Es decir, el tiempo de trayecto corresponde a la noción de tiempo

de recorrido sin congestión que se define como el tiempo que trascu-
rre para recorrer la distancia L a la velocidad U máxima permitida.
Por lo tanto, considerando lo anterior y utilizando la condición de
equilibrio (ecuación 14) se tiene la siguiente igualdad:
LA/UA=LB/UB ; UB/UA=LB/LA (18)
Esta ecuación muestra que la igualdad se satisface únicamente

cuando las velocidades y las longitudes de ambas rutas son iguales
o en su caso que la proporción entre ambas velocidades sea directa-
mente proporcional a la proporción de las longitudes lo que iguala los
tiempos de recorridos de las dos alternativas (e.g. velocidad UB = 60
km/h, UA =30 km/h, LA =30 km y LB = 60 km)
En cuanto a la distribución de los vehículos en cada vía, cuando
se existe igualdad en el tiempo de recorrido de ambas es indistinto
como se reparten los usuarios dado que el tiempo de recorrido es el
mismo y su distribución no incide en los tiempos de recorrido. Se
trata de una solución indefinida dado que no hay forma de relación la
ecuación de equilibrio con la de conservación. Este caso se presenta
cuando existen muy pocos vehículos que se trasladen entre los dos
puntos por lo que el efecto de la congestión es inexistente o dicho de

otra manera cuando la capacidad de la vía es excesivamente grande
respecto al número de usuarios de tal forma que el nivel de saturación
es mínimo y la vía se ubica en la parte más plana de la función de
demora (ver figura 2). Es poco probable que cuando existan dos al-
ternativas en estas características se cumpla la condición de igualdad
de tiempos de recorrido. Lo más común es que una de ellas consuma
menos tiempo que la otra y con ello, se tendrá una solución domi-
nada. Es decir, todos los usuarios utilizarán la de menor tiempo de
recorrido. Sin embargo, dado que el criterio de la elección de una ruta
no es únicamente el tiempo de recorrido, los atributos de las alterna-
tivas (el estado de la vía, la seguridad, el entorno, entre otros) podrían
modificar la elección de los conductores y con ello esta solución. Por
ello, en la práctica se pueden observar vehículos, que tienen el mismo
origen-destino en común, en una de las alternativas.
3.3.4 Dos rutas con congestión

Suponga dos rutas RA y RB con longitudes respectivamente LA y LB que
trasladan NXY vehículos que se dirigen del origen X al destino Y (ver fi-
gura 3). Las velocidades medias de circulación medias en cada ruta son
UA y UB respectivamente. Las ecuaciones de tiempo de recorrido son
lineales y tienen dos componentes. La primera, geométricamente ha-
blando representa el intercepto, determinado por el tiempo mínimo de
recorrido (a la velocidad máxima permitida). La segunda, es términos
geométricos, es la pendiente de la recta y representa el incremento de
tiempo de recorrido por congestión definido por el producto de la tasa
de aumento de tiempo (α) por el número de usuarios, N, de la infraes-
tructura. En este caso, se considera que α = 1/S, el inverso de la capa-
cidad vial de la infraestructura, por lo que implícitamente se incluye la
tasa de ocupación dada por el producto de Nα=z=N/S. Es decir,
ttA = ttoA + αAnA (16)
ttB =ttoB + αBnB (17)
Aplicando la condición de equilibrio conforme al primer princi-

pio de Wardrop (ecuación 14), y la condición de conservación (ecua-
ción 15,) se tiene un sistema con dos ecuaciones (la 18 y la 19) y dos
incógnitas (nA y nB):
ttoA + αAnA = ttoB + αBnB (18)
NXY= nA+nB (19)
Resolviendo por aritmética, el total de usuarios de la ruta A es:
nA =
(t 0 B − t 0 A ) + α 2 N XY ,
(α1 + α 2 )
(20)
En tanto que para la ruta B el total de usuarios es:
nB = N XY − nA , (21)
En esta ecuación es necesario revisar los siguientes casos parti-

culares. Sustituyendo en la ecuación 20, se puede mostrar que, si los
tiempos de recorrido mínimos, tt0, de ambas vías son iguales y las
tasas de incremento de tiempo de recorrido son idénticas (α1=α2,
i.e. dos rectas paralelas) entonces se tendrá que los vehículos se re-
partirán en partes iguales en ambas vías. Es decir, dado que tendrán
dos alternativas idénticas la probabilidad de escoger cada una de ellas
será del 50%.
De forma análoga si los tiempos sin congestión, tt0, de ambas vías
son distintas y la tasa de saturación α es idéntica en ambas vías (es de-
cir que las vías tengas características físicas y geométricas similares)
se tendrá que el total de usuarios de cada alternativa se modificará
a partir de la mitad de usuarios según sea la diferencia de tiempos
mínimos de recorrido ( tt0 = tt0B-tt0A). Es decir, para la alternativa A
se tendrá nA= tto/2α + Nxy/2. Finalmente, se tendrá una solución
dominada por la alternativa 2 cuando para la uno no se cumpla la
condición α1<α2+b2 Nxy.
3.3.5Dos rutas con peaje

Consideremos ahora la red con congestión previa con la diferencia que
en la ruta B se incluirá un cobro de peaje para el usuario p. Para deter-
minar cuántos usuarios se asignarán a cada ruta, es necesario introdu-
cir el concepto de costo generalizado de transporte CG. Este concepto
permite hacer la sumatoria de todos los conceptos que intervienen en la
elección de una ruta en términos de costo. Con ello, se asume implícita-
mente que todos estos componentes se pueden convertir en costo a tra-
vés de un coeficiente unitario. En el caso del tiempo, se asume que existe
un valor del tiempo o valor subjetivo del tiempo, θ, ya que este depende
del juicio de cada usuario. Asumiendo que la función de CG para este
caso se compone, en términos generales de tiempo y el peaje, se tiene:
CG = θtt + p (22)
De esta manera se modifica ligeramente el concepto de equilibrio

de Wardrop sin pérdida de generalidad: Al equilibrio ningún usuario
puede reducir su costo generalizado de transporte por el cambio de
ruta. De esta manera, las ecuaciones de costo generalizado para las
dos alternativas resultan:
CGA = (ttoA + αAnA) q (23)
CGB = (ttoB + αBnB) θ + p (24)
Aplicando el principio de equilibrio con el concepto de costo ge-

neralizado se tiene CGA = CGB. Considerando el principio de conser-
vación, se obtiene como en los otros casos un sistema de ecuaciones,
el cual resuelto para para al alternativa A, es para fines de explicación:
nA =
(t 0 B − t 0 A ) + α 2 N XY + p
,
(α1 + α 2 ) (α1 + α 2 ) θ (α1 + α 2 )
(25)
En tanto que el total de usuarios de la alternativa a peaje, nB, si-

gue siendo como la ecuación 21. De esta ecuación puede verificar-
se fácilmente que en ausencia de peaje (p=0) el tercer término de la
ecuación desaparece y la ecuación colapsa al caso con congestión sin
peaje. Por otro lado, también puede notarse que el cobro de peaje en
la alternativa B tendrá como consecuencia un incremento en el nú-

mero de usuarios de la vía libre de peaje cuantificado por el mismo
tercer miembro de la ecuación 25.
Los casos presentados previamente son elementales y tienen como

objetivo explicar el proceso para resolver el problema de asignación.
Sin embargo, es importante notar que este problema puede fácilmen-
te tornarse complejo tan solo con el uso de ecuaciones de congestión
no lineales o agregando otro arco a la red. Para resolver este tipo de
problemas se requieren de otras técnicas y herramientas que se tratan
más fácilmente en el ámbito de la optimización, la programación ma-
temática y los métodos numéricos. En el mismo sentido, el criterio de
equilibrio empleado es el más simple. En el momento de incorporar
de manera más aproximada el comportamiento de los individuos o
agentes económicos surge una gran cantidad de variantes que tor-
nan el problema de determinista (el caso presentado) a estocástico.
Los lectores interesados en profundizar en estos conceptos y métodos
pueden consultar en primera instancia Sheffi, 1985.
3.4 Ejemplo de aplicación

En esta sección se desarrolla un ejemplo en el que se aplican los modelos
de asignación previamente desarrollados. Los datos del problema con-
siderados son aproximados a la realidad y sólo tienen como finalidad
ilustrar cómo se aplica el método para obtener resultados que ayudan
a la toma de decisiones. La aplicación consiste en determinar el monto
del peaje a cobrar para obtener el máximo de ingreso y también el mon-
to de peaje deseable desde un punto de vista social. Considere que los
usuarios de automóviles que se desplazan de Huixquilucan a la Ciudad
de Toluca. Actualmente pueden desplazarse por un conjunto de tramos
carreteros en las que no pagan peaje (saliendo a la carretera México-To-
luca a la altura de marquesa).
Sin embargo, se tiene en proyecto la construcción de una autopista
a peaje lo que les representa una alternativa adicional para realizar sus
viajes. ¿Cuántos usuarios se trasladarán en cada carretera? Sin duda que
la respuesta, como se puede apreciar en la ecuación 25, dependerá del
monto del peaje, pero también del número de usuarios, su disponibili-
dad al pago (representado por el valor del tiempo) y las características
de capacidad, velocidad de operación de cada carretera. Para responder
a la pregunta, la aplicación se limitará al estudio de la hora de mayor de-
manda en el entendido que los resultados se pueden expandir al día pro-

medio diario a través de coeficientes de expansión cuyo procedimiento
de cálculo no es objeto del presente ejercicio.
Los usuarios que se desplazan diariamente entre Huxiquilucan y To-
luca en la hora de máxima demanda son 600 personas en automóvil.
Considerando una tasa de ocupación promedio de los vehículos de 1.25
personas por vehículo se tiene un total de 480 vehículos/hora/sentido.
El valor de tiempo de estos usuarios, θ, se estima en 1.50 pesos/minuto
o 90 pesos/hora.
La vía libre tiene una capacidad disponible, descontando el flujo co-
tidiano que no tiene el mismo origen destino, de 500 veh/hora/carril,
dos carriles por sentido, con una velocidad promedio de circulación de
60 km/h y una longitud de 40 kilómetros. Es decir, el tiempo de reco-
rrido de origen a destino es en promedio, sin congestión, del orden de
40 minutos. Por su parte, la autopista que se desea construir tendrá dos
carriles por sentido, ofrecerá una capacidad para estos usuarios de 600
veh/hora/carril con una velocidad promedio de 90 km/h y una longitud
de 30 kilómetros. Para acceder a ella se requiere cubrir un peaje cuyo
monto se desea estimar. A partir de estas consideraciones las ecuaciones
de costo generalizado para cada alternativa se obtienen de sustituir en
las ecuaciones 23 y 24
CGA= 90 $/h(40km/60km/h) + 90 $/h(nA veh/(500 veh/h/carril x

2 carriles)) = (60+.09nA)$
CGB= 90$/h(30km/90km/h) + 90$/h(nB veh/(600 veh/h/carril x 2
carriles)) + p = (30+075nB+p)$
Por lo tanto, la cantidad de usuarios para la carretera libre resulta de

sustituir en la ecuación 25 los valores α1=1/100 veh/h α2=1/1200 veh/h;
tt0A = 2/3 h, tt0B = 1/3 h y θ = 90 $/h, lo que resulta en la cantidad de
vehículos de la alternativa A y B como sigue:
NA = 36.36 + 6.06 p (26)
NB= 480 – NA (27)
Con las ecuaciones (26) y (27) se estiman las captaciones para

cada alternativa haciendo variar el peaje por vehículo en la alternativa
de cuota. La síntesis de estas estimaciones se consigna en la figura 4.
En el eje secundario de las abscisas, al margen derecho de la grá-

fica, se indica el número de vehículos que utilizan las alternativas de
viaje, el eje de las abscisas indica el monto considerado de peaje para
la alternativa de cuota y en el eje primario de las abscisas, margen
izquierdo de la gráfica se indica el ingreso generado por el cobro de
peaje el cual se obtiene multiplicando el número de usuarios de la
autopista por el peaje considerado. Se puede verificar, que cuando
la nueva autopista no cobra peaje, casi la totalidad de usuarios (444
vehículos) la utilizan transfiriéndose de la carretera actual por lo que
ésta solo captaría 36 vehículos.
Esta situación podría ser interesante si el objetivo de la nueva in-
fraestructura fuera desviar la mayor parte del tránsito hacia la nueva
infraestructura disminuyendo con ello los niveles de congestión de la
vía actual en el entendido que además de los conductores que van de
Huixquilucan a Toluca existen otros usuarios que utilizan la carretera
actual, pero con orígenes-destino distintos. Sin embargo, la ausencia
de un peaje impediría la posibilidad de recuperar la inversión que la
construcción de la carretera genera.
A medida que el peaje en la nueva infraestructura se incremen-
ta, los efectos anteriores van disminuyendo y la cantidad de usuarios
entre ambas alternativas se va equilibrando. La repartición equitativa
del total de vehículos se obtiene cuando el peaje es de alrededor de 34
pesos si se considera que a 35 pesos la cantidad de usuarios en la vía
libre de cuota es ligeramente superior a la autopista de cuota. El caso
mostrado en la gráfica, en el que la autopista capta menos usuarios, se
presenta cuando el peaje es de 50 pesos/vehículo. Bajo este supuesto,
los usuarios de la carretera libre de peaje serían de 339 vehículos y en
la autopista de cuota habría 141 unidades.
Para responder a la pregunta planteada y determinar el peaje para
la autopista se analiza la curva de ingresos mostrada en la figura 4. De
ella, puede notarse fácilmente que se trata de una función parabólica
que tiene un valor mínimo y un máximo. En efecto, cuando el peaje
es nulo se tendrá el mayor número de vehículos (444) en la autopista,
aunque el ingreso será cero como puede notarse en la gráfica de la
curva de ingreso. Esta situación se le denomina “demanda potencial”
y corresponde al total de usuarios que “desearía” utilizar la autopista
si fuera libre de peaje. A medida que la tarifa se va incrementando,
la captación potencial disminuye, pero el ingreso va aumentando. A
tal grado que alcanzar un valor máximo. El peaje que permite a este
máximo se le denomina tarifa que maximiza ingresos. Posterior-

mente, a este punto se observa que el ingreso declina debido a un nú-
mero de usuarios captado debido a alto precio del peaje. A partir de
estos resultados, se requiere definir la estrategia de tarificación la cual
está asociada a los intereses de cada actor implicado en el proceso de
construcción y operación de una autopista.
• Si el actor es un ente privado, su mayor interés reside en apli-

car el peaje que maximiza ingresos. En este caso, el peaje a
aplicar sería de 35 pesos/vehículo lo que resulta en que 228
usuarios (47.6% del total) utilizarían la autopista lo que ge-
neraría un ingreso para el periodo pico modelado de 8,000
pesos.
• Si el actor es un ente público, su mayor interés sería que el
mayor número de personas se beneficien de la nueva infraes-
tructura. En este caso, es natural que sin cobro de peaje se lo-
gre este máximo deseado. Sin embargo, la autoridad también
tiene que considerar que, sea un ente público o privado quien
construya la infraestructura, se requerirá recuperar la inver-
sión. Es por ello que para resolver esta situación elige una se-
gunda mejor alternativa que normalmente consiste en definir
un peaje por debajo del que maximiza ingresos y armonizado
a las tarifas de la región. En este caso, una tarifa de 30 pesos/
vehículo no reduce en gran manera los ingresos para el ente
privado y al mismo tiempo permite que más usuarios tengan
acceso. Es decir, conforme a la gráfica, 262 unidades que re-
presenta un incremento respecto a la tarifa de máximo ingre-
sos de más de 30 vehículos.
Ilustración 4. Representación de la cantidad de vehículos por cada alternativa e

ingresos generados por la autopista de cuota.
9000 500
8000 450
400
7000
350
6000
300
captaciión [veh/h]
5000
Ingresos [$]
250
4000
200
3000
150
2000
100
1000 50
0 0
0 5 10 15 20 25 30 35 40 45 50
NA 36 67 97 127 158 188 218 248 279 309 339
NB 444 413 383 353 322 292 262 232 201 171 141
Ingreso 0 2067 3830 5291 6448 7303 7855 8103 8048 7691 7030
Peaje [$/veh]
Comentarios finales
Se ha documentado en términos simples el proceso de aplicación y de-
sarrollo de los modelos de planeación estratégica. Para ello, se ha utiliza-
do el concepto de decisiones de movilidad para articular la explicación
de los elementos que deben de considerar este tipo de modelos.
Se han descrito también de manera simplificada los modelos con-
ceptuales y formales más comunes en las cuatro etapas del modelo clá-
sico de planeación. Como modelo propuesto, se desarrolla a nivel con-
ceptual y luego a nivel de modelo resoluble la fase de asignación a redes
de transporte privado. En este sentido, se resuelve de forma general el
modelo de dos rutas con funciones de congestión lineales para tres ca-
sos: sin congestión, con congestión y con congestión con costo generali-
zado. Finalmente, se procesa un modelo alimentado en un caso práctico
de una red con una vía libre y otra de cuota en el que el interés reside en
determinar el peaje más conveniente a aplicar a la autopista de cuota.
Los conceptos y especificaciones utilizadas a lo largo de todo el do-
cumento han tratado de ser simples para un público sin tanta especiali-
zación en el tema a manera de lectura introductoria y acercamiento a los
métodos utilizados en las ciencias de los transportes. Indudablemente
que todos los conceptos planteados requieren de un tratamiento más

profundo y complejo. Sin embargo, dejamos a los lectores la posibilidad
de adentrarse a estos temas teniendo un conocimiento general como el
aquí expuesto.
4. Métodos y modelos usados en
la ciencia de los transportes
El análisis de los fenómenos del transporte puede ser definido como

una disciplina científica que trasciende la tecnología y los métodos
ya que se requiere entender sus propiedades fundamentales. En este
sentido, la ciencia de los transportes permite identificar estas propie-
dades demostrando cómo el conocimiento de un elemento del siste-
ma de transporte puede utilizarse para entender el comportamiento
de otro elemento o subsistema.
En esta ciencia, como en otras de las ciencias naturales, existe
también la necesidad de entender los fenómenos cotidianos que su-
ceden a nuestro alrededor (Hall, 2004). Por ejemplo, en la década de
los 60’s este interés se orientaba a la dinámica del flujo vehicular en
las carreteras o ciudades.
Actualmente, este fenómeno no sólo se analiza como el resultado
del desplazamiento de una persona o un grupo de mercancías, sino
que también se busca entender la interacción con la infraestructura,
la interacción de las variables propias al flujo vehicular, la formación
y disipación de filas de espera, así como de los cuellos de botella, y fi-
nalmente la diversidad de comportamientos de los agentes (usuarios,
conductores, no usuarios, reguladores, empresas) que inciden no sólo
en el funcionamiento del sistema de transporte, sino que también in-
teractúan con él a diferentes horizontes temporales.
De esta manera, la motivación de los científicos actuales del trans-
porte reside en entender los fenómenos asociados a las interacciones
espaciales, temporales, económicas y sociales que surgen del traslado
de personas, bienes o cosas de un lugar a otro. Para ello, emplean tra-
dicionalmente el conocimiento desarrollado previamente en discipli-
[83]
nas como la geografía, economía, teoría de la localización, así como

metodologías propias a la física, investigación de operaciones, teoría
de probabilidades y del control. Posteriormente, extienden, desarro-
llan y aplican estos conocimientos en el análisis de los fenómenos de
transporte. Se trata, por lo tanto, de una disciplina cuantitativa que se
apoya, en general, en modelos matemáticos y algoritmos de optimi-
zación para entender/explicar los fenómenos propios del transporte
(Hall, 2003).
Las aportaciones al conocimiento se logran a partir de análisis
teóricos y empíricos (o ambos) en laboratorios reales que son los sis-
temas de transporte en operación o en su caso, hacen abstracciones
de todo el entorno en el que operan (modelación), para entender y
prever comportamientos futuros de los agentes referidos que pueden
ser utilizados para la toma de decisiones que lleven a mejorar su efi-
ciencia de estos sistemas o sus indicadores de desempeño.
En este sentido, el objetivo principal de este artículo es aportar un
análisis crítico sobre las metodologías y enfoques de modelación uti-
lizados actualmente en la ciencia de los transportes considerando dos
limitaciones. En primer lugar, el carácter de transporte como ciencia
se asume sin entrar a una argumentación formal o filosófica. En se-
gundo lugar, las implicaciones del empleo del enfoque cuantitativo
y de modelación a problemas prácticos de movilidad y planeación
de los sistemas de transporte solo son mencionados de forma con-
ceptual ya que han sido tratados en otros trabajos (ver por ejemplo
Sánchez y Ortúzar, 2004, Flyvbjerg, et al 2006). De esta manera, se
explora en específico la trasposición de conocimientos de las ciencias
físicas, la fisicoquímica, la economía y las matemáticas, aplicadas al
análisis de los fenómenos propios a los sistemas de transporte, enfa-
tizando en los tópicos que no han sido plenamente tratados y en su
caso, abordando el sentido y legitimidad de este procedimiento.
De este análisis se pretende motivar la reflexión relacionada con
las limitantes y alternativas para subsanar los métodos y enfoques de
modelación utilizados en transportes. Dicha reflexión se inscribe en
el marco de otros trabajos anteriores descritos en de Palma y Pahaut
(1989), de Palma (1998), de Palma y Pahaut (2000) y Sánchez y Or-
túzar (2004).
Este artículo pudiera ser considerado de alguna manera como
dogmático. La econometría, la investigación de operaciones, las cien-
cias económicas y los transportes no siempre se asocian bien. Los au-
tores consideran que el objetivo de la modelación no sólo es desarro-

llar abstracciones que permitan entender o replicar un fenómeno que
a su vez pudiera ser una herramienta útil en la práctica, sino también
se requiere que éstas sean consistentes en su formulación (consisten-
cia interna) y con la caracterización del problema (consistencia ex-
terna). Es decir, herramientas cuyas bases, teóricas o empíricas, sean
sólidas. Este rigor induce un costo, efectivamente, pero permite tam-
bién dominar los desbordamientos descontrolados de la actividad de
modelación.
Entendiendo esta última como el proceso secuencial que inicia
con la construcción de un modelo semántico que solo incluye con-
ceptos y relaciones para pasar a ser un modelo formal cuando se
incluyen variables explicativas del fenómeno caracterizado de ahí a
convertirse en un modelo resoluble cuando se agrega una formula
característica que implica una técnica de estimación y finalmente un
modelo alimentado cuando una vez superado los niveles anteriores
se introducen datos correspondientes a una realidad observada y
se ajusta para replicar un sistema determinado (Sánchez y Ortúzar,
2004).
En efecto, el poder de cálculo, cada vez más considerable a nuestra
disposición, nos conduce con mayor frecuencia a olvidar el principio
de precaución en el proceso de modelación y a explicar de manera in-
suficiente las suposiciones muy a menudo implícitas en los modelos
propuestos.
Este último tipo de enfoque pragmático, aceptado en un contexto
no académico, no parece justificado en una perspectiva de investiga-
ción de largo plazo y que aspira a ser acumulativa. Más que proponer
respuestas o incluso procedimientos a seguir, los autores prefieren
resaltar ciertas inconsistencias que surgen de la confrontación en
la práctica en materia de transportes, las herramientas de modelaje
utilizadas para responder a los cuestionamientos inducidos por este
contexto práctico y el arsenal teórico a nuestra disposición.
En la sección siguiente, se aborda la modelación del comporta-
miento tal como ha sido inicialmente desarrollado en sicología so-
cial y en micro-sicología. En la sección tercera, se analiza el enfoque
clásico del análisis del comportamiento propuesto en economía y se
muestran las fortalezas y debilidades de este enfoque en el contex-
to de las ciencias de los transportes. La sección cuarta, más técnica,
aborda la cuestión de la formulación determinista vis-a-vis de la for-
mulación estocástica por la que se toma partido. La sección quinta

compara la formulación estática y dinámica mostrando argumentos
de la pertinencia de ésta última. Las conclusiones que resultan de los
cuatro ejes de análisis son reagrupadas en la última sección de este
artículo.
4.1 La teoría del comportamiento

Comenzaremos por describir un modelo básico de comportamiento
individual. Todo sistema de transporte es el rencuentro entre la suma
de comportamientos individuales (demanda) y las tecnologías exis-
tentes (oferta).
En general, se asume que todo individuo actúa en beneficio de
sus intereses. Esta gran verdad pierde sentido para el matemático. En
efecto, decir que un individuo optimiza algo pudiera parecer pura-
mente tautológico en tanto no se especifique lo que se optimiza. Sin
embargo, esta afirmación posee un contenido confuso, dado que con-
tiene una serie de suposiciones implícitas. Por ejemplo, supone que el
individuo puede ser visto como un operador capaz de calcular y que
las decisiones que toma son consecuencia de este cálculo.
Este supuesto tiene su origen en la teoría utilitarista que inspiró
después a los estudiosos de la teoría económica. En ella, el individuo
es impulsado a decidir, estas decisiones pueden ser clasificadas aún
en cotidianas y de baja recurrencia estructuradas a partir un árbol de
decisión cronológica que se extiende del muy corto (e.g. elección del
modo de transporte, de la hora de inicio de un viaje, etc.) al largo pla-
zo (e.g. decisiones de localización del hogar) en la que estas últimas
condiciones influyen en las primeras.
Nótese que a menudo las decisiones presentan al individuo de
manera exógena. En efecto, tomar una decisión bajo este enfoque
obliga a excluir alguna de las alternativas existentes, lo que corres-
ponde a renunciar a algo cuyo costo o beneficio no necesariamente
se puede evaluar. Lo que implica que la decisión no será tomada de
manera racional, a no ser que el costo de no decidirse sea superior al
costo de tomar la decisión. Además, es necesario evaluar correcta-
mente los costos, esta evaluación es por sí misma onerosa ya que se
requiere de un esfuerzo cognitivo y de memoria. Este cálculo implica
un conjunto de renuncias o exclusiones que el individuo debe aceptar
con mayor o menor intensidad y de manera más o menos amplia.
La ciencia no parece todavía aportar respuestas satisfactorias a
esta serie de cuestionamientos sin fin: ¿Es necesario calcular?, ¿Cuán-

to tiempo es necesario calcular?, entre otras. Estas preguntas resultan
de por sí difíciles de responder y más aun tratándose de un individuo
aislado. Una vez que los individuos entran en interacción, de manera
tal que el beneficio de uno depende de las acciones de otros, la com-
plejidad de este tipo de problemas se bifurca.
La teoría de juegos se ha dedicado a aportar respuestas a alguna
de las cuestiones planteadas. Sin embargo, son arduas y poco prácti-
cas para modelar problemas de gran tamaño como es el caso de los
sistemas de transporte en el que intervienen agentes con múltiples
intereses. La ciencia de los transportes también ha abordado estos
problemas guiada más por la voluntad de desarrollar herramientas
operacionales que puedan ser puestas en marcha y probadas empíri-
camente que por modelos formales y consistentes. Los diferentes en-
foques o corrientes de pensamiento que tratan de aportar respuestas
en este sentido se ignoran profundamente, salvo algunas excepciones
como son las que se mencionan a continuación.
En la teoría del comportamiento referida, el ente o agente decisor,
desde una visión simplificadora pero rica en consecuencias, tiende a
reducir en la medida de las posibilidades los costos asociados a sus
actos, optimizando de la mejor manera sus beneficios.
En micro-sicología, se distinguen cuatro tipos de costos: moneta-
rios, energéticos, temporales y sicológicos (ver Moreno, 1970 y Moles
y Rohmer, 1977). En el marco de elección modal entre el automóvil
y el transporte público, por ejemplo, el costo monetario de emplear
el primer modo corresponde principalmente al precio del carburante
y al costo del uso del automóvil. En tanto que, para el segundo, es
el boleto. El costo energético corresponde al trayecto a pie o al des-
plazamiento vertical para cambiar de nivel de circulación, en tanto
que el costo temporal para el automóvil está relacionado al tiempo
consumido en el vehículo (automóvil o autobús), la espera, el tiempo
de acceso al vehículo o al destino. Finalmente, el costo psicológico es
el relativo a la incertidumbre del tiempo de viaje ocasionada por la
congestión o por la hora de llegada de un transporte público.
Es decir, elementos asociados a la presencia de cierto riesgo. En lo
que respecta a la evaluación de los beneficios, el problema es aún más
delicado. Si los costos parecieran ser juzgados al mismo equivalente
monetario, no sucede lo mismo con los beneficios. Esta asimetría en
la facilidad de cuantificación se refleja en la práctica de la modela-
ción. Para un modelo de elección modal, por ejemplo, los costos son
habitualmente descritos de manera muy detallada, mientras que los
beneficios se expresan con la ayuda de un parámetro simple que de-
biera capturar por sí solo la diversidad de cualidades otorgadas para
una alternativa de elección.
Pareciera entonces que la investigación debe dar algunos saltos
hacia adelante. En efecto, es probable que la serie de beneficios a
los que el individuo aspira (por ejemplo, al momento de realizar un
desplazamiento) sea susceptible de descomponerse por una serie de
partes elementales que respondan al esquema clásico en marketing
“necesidad-deseo-demanda”.
Éstas una vez identificadas deberían poder ser combinadas por un
álgebra que le sea propicia. En el mismo sentido, los trabajos recientes
sobre el tema de la elección modal se encaminan hacia la medición
de la calidad del servicio como beneficio. Siendo esta una variable
intangible de valoración subjetiva, la funcionalidad del enfoque lleva
a la necesidad de combinar el conocimiento de otras disciplinas (e.g.
Lecourt, 2010), como es el caso de la teoría de elecciones ordinales
(e.g. Hensher y Green, 2010) en la que se asocia las teorías del com-
portamiento del consumidor con aquéllas del marketing.
4.2 La teoría neoclásica del comportamiento y sus límites

La economía ha propuesto un conjunto de axiomas estricto para des-
cribir el comportamiento de los individuos. En esta sección se exami-
nan sus virtudes y sus vicios.
Las preferencias de los individuos pueden, en economía, tradu-
cirse bajo forma de relaciones de preferencias que satisfacen axiomas
(reflexibilidad, transitividad, etc. e.g. Ben-Akiva y Lerman, 1985). Se
ha mostrado que, en esos casos, las preferencias pueden expresarse
en forma de funciones de utilidad quasi-cóncavas que traducen de
manera numérica (relación cardinal) las relaciones de preferencia
(ordinal) de los individuos.
Someramente, en la práctica se expresa esta función de utilidad
como una función de satisfacción en forma de una diferencia entre
los costos y beneficios asociados a cada opción.
El origen de estas funciones de utilidad es poco claro. Éstas apare-
cen frecuentemente especificadas en formas cómodas desde el punto
de vista matemático para su resolución, sin relación directa entre ésta
y la sicología o aún menos con el inconsciente del individuo.
De hecho, el argumento “todo sucede como si…” se vuelve cada

vez menos satisfactorio y justificado. La tendencia, tanto en economía
industrial como en economía de transportes es intentar comprender
el fundamento de estas funciones de utilidad, es decir, de abrir esa
caja negra. Como prueba de ello se citan las recientes incursiones en
economía experimental.
Paralelamente, los axiomas de base de la teoría de la elección
empiezan a cuestionarse. Por ejemplo, el axioma de transitividad es
violado en el enfoque de los modelos de elección discreta que son
utilizados (y validados) de manera rutinaria en el dominio de los
transportes.
En este sentido, se proponen tres diferentes tipos de apertura de
la caja negra relacionados a la metodología específica de la economía
neoclásica. Los tres parecen esenciales para el modelador en el cam-
po de los transportes, ya que se desea sostener la idea que el enfoque
económico en materia de modelación de la demanda de transportes
es adecuado con la condición de que éste sea debidamente corregido.
4.2,1 Primera apertura: hacia la desagregación

a) El individuo representativo y el conjunto de individuos.
Una primera apertura se ha realizado en el momento que el para-
digma del individuo representativo (el individuo medio de Quételec)1
ha sido puesto en tela de juicio tanto desde el punto de vista teórico
como empírico. En efecto, ¿cuál es el proceso de agregación de pre-
ferencias subyacente a la definición de un individuo representativo?
Como la intuición lo sugiere, una cantidad importante de in-
formación se pierde cuando los datos individuales se agregan (e.g.
Boursin, 1995). Aún más, las nuevas tecnologías tienden a poner a la
disposición datos cada vez más desagregados como es el caso del uso
de teléfonos celulares que registran la información de la ubicación es-
pacial de las personas, de los “cookies” que permiten seguir la huella
de los comportamientos de exploración de los visitantes de un sitio
1. Es importante mencionar otros intentos de modelación matemática en el que se

establece que los números pequeños y los problemas de agregación de preferencias
tuvieron lugar alrededor del período revolucionario 1720-1820. En este caso, fueron
los problemas propuestos (principalmente por los juegos de azar, por los tribunales
con los sistemas de prueba y semi-prueba) que provocaron la producción de herra-
mientas matemáticas. Curiosamente, este enfoque fue abandonado por el de grandes
números y la investigación de las regularidades estadísticas.
de internet o las tarjetas de prepago que permiten conocer aspectos

específicos de la movilidad de las personas en transporte público. Por
otro lado, la potencia de cálculo y de memoria cada vez más impor-
tantes de las herramientas computacionales permite actualmente tra-
tar datos desagregados de varios millones de individuos.
En el caso de los sistemas de transporte, actualmente está dispo-
nibilidad de información desagregada por individuo ha inducido la
aparición de enfoques de análisis emergentes que tratan de entender y
prever el comportamiento de las personas pasando de un análisis tra-
dicional de viaje aislado caracterizado por un par origen-destino (e.g.
Ortúzar y Willumsen, 2011) a uno de actividades que considera que
el conjunto de viajes de una persona se derivan de la organización de
estas actividades, las cuales se encuentran limitadas por las horas de
un día (e.g. Timmermans y Etemma, 1987, Ben-Akiva y Bowmann,
2001). Las fuentes de información para este tipo de análisis pueden
provenir de bases de datos obtenidas con las nuevas tecnologías ( e.g.
Stopher y Stecher, 1993, Wachowicz, 2010) y más recientemente del
análisis de redes sociales (e.g.Wasserman, 1997, Carrasco y Miller,
2009).
Una primera línea de trabajo consiste en enjuiciar la descripción
abstracta del individuo representativo o medio para concentrarse en
una descripción individual del comportamiento.
Este enfoque desagregado parte de un punto de vista más intuitivo,
aportando beneficios desde un punto de vista empírico. Sin embargo,
posee en contraparte los inconvenientes siguientes: ¿Cómo describir
teniendo en cuenta la heterogeneidad de comportamientos?, ¿Cómo
pasar de la descripción detallada de un individuo a una descripción
agregada de la población (el problema tipo de agregación)?
La primera pregunta plantea el cómo diferenciar a los individuos
de forma operacional (no sólo según su categoría socioeconómica,
sino también el nivel cognitivo, experiencia pasada, carácter, etc.). En
el enfoque agregado, difícilmente se toma en cuenta estas fuentes de
diferenciación de las personas.
La segunda línea de trabajo por desarrollar corresponde a la
agregación y es mucho más difícil que la primera, dado que el com-
portamiento de los usuarios no puede adicionarse simplemente. Los
usuarios de los servicios sujetos a congestión, como son los sistemas
de transporte, están evidentemente en interacción. El tiempo de re-
corrido sobre un itinerario urbano determinado, por ejemplo, es re-
sultado de las decisiones de elección de itinerarios del conjunto de los

usuarios, de las interacciones que se dan entre los vehículos y con la
infraestructura (características geométricas y capacidades).
Aunque estas dos fuentes de dificultad sean importantes, parecen
más fácilmente abordables que aquéllas que surgen cuando el mode-
lador tiene como objetivo describir simplemente las leyes que rigen el
comportamiento de un grupo de individuos (enfoque del consumi-
dor o del usuario representativo).
b) Efectos perversos
Cuando se tiene un conjunto de fenómenos asociados que pretende
comprenderse, se requiere una descripción suficientemente detallada
de cada uno de ellos. A partir de esta consideración, es de llamar la
atención que la noción de red haya interesado tan poco a los econo-
mistas (a excepción de la época de M. Beckmann y P. Samuelson; e.g.
Beckmann et al., 1956, Samuelson, 1952).
Los economistas tratan bien el tema de externalidades de red.
Sin embargo, proponen para hacerlo una representación en la que
la idea de red está, sorprendentemente, ausente. Si se toma un caso
simple para el cual la representación desagregada de la oferta es fun-
damental, esta desagregación pasa por la idea de red. Si el número
de usuarios que utilizan una infraestructura es definido, se podría
afirmar que un aumento (supuestamente gratuito) de la capacidad de
la infraestructura no debería aumentar los costos que los individuos
soportan.
Por muy intuitiva que parezca esta afirmación (aunque no sea
opuesta a las leyes fundamentales de la economía neoclásica), no
es menos falsa, como lo muestra la famosa paradoja de Braess (ver
Braess, 1968, Braess et al. 2005). Para demostrarlo, se aporta una
versión simplificada de esta paradoja que tiene la ventaja de ser más
simple.
Tomemos el caso de las poblaciones A y B unidas a la ciudad V
por medio de dos caminos (ver figura 1): AV (de A a V, de gran capa-
cidad y con un tiempo de trayecto de una hora) y BV (de B a V de ca-
pacidad reducida pero suficiente para que los habitantes de B puedan
viajar a la velocidad máxima permitida con un tiempo de trayecto
estimado de 30 minutos).
Como los caminos constituyen el único transporte para acceder a
la ciudad, el tiempo medio de recorrido será una media ponderada
(por el número de personas de cada población) del tiempo de trayec-

to de cada uno de los caminos AV y BV.
Supongamos ahora, que se construye un camino mucho más rá-
pido de la población A a la B, de cinco minutos. Los habitantes de B
tienen la posibilidad de tomar la ruta BV o los tramos BA y AV pero
no les interesa por que ocuparían 65 minutos para llegar a V.
Por el contrario, una parte de los habitantes de A van a utilizar el
nuevo tramo AB y el camino BV ya que ello les redituaría en un tiem-
po menor al actual de una hora. Si las dos alternativas posibles para
llegar a V son utilizadas por los habitantes de A, resulta que los tiem-
pos de trayecto de AV y de los tramos AB y BV son necesariamente
los mismos, de suerte que el nuevo tiempo de trayecto de BV (estado
de equilibrio) será de 55 minutos. Esto se debe al hecho que los ha-
bitantes de A han elegido la ruta BV hasta que el tiempo de trayecto
sobre los tramos AB y BV sea el mismo que el del tramo AV. Como la
capacidad de AV es grande, el tiempo de trayecto en ésta permanece
constante y los habitantes de A no se benefician, inicialmente, de la
ruta más rápida BV puesto que está saturada: de hecho. el tramo nue-
vo no les hace ganar ni perder tiempo.
Por el contrario, para los habitantes de B el tiempo de trayecto
aumenta de tal manera que el beneficio para el conjunto de usuarios
disminuye. Esta constituye la versión más simple de la paradoja de
Braess, muestra que el tiempo de equilibrio de un sistema de trans-
portes puede aumentar cuando una nueva ruta es construida dentro
de un sistema. La razón teórica de esta fenómeno resulta del hecho de
que los individuos siguen una regla de comportamiento individual y
egoísta de optimización del interés propio sin preocuparse del benefi-
cio social. Los habitantes de A utilizan la ruta BV sin preocuparse que
ello demore a los habitantes de B. La presencia de externalidades, es
decir, de costos sociales que no son tenidos en cuenta explícitamente
por los usuarios, explica la existencia de efectos perversos de este tipo.
De manera similar, une empresa que contamina puede inducir a
disfuncionamientos similares en la sociedad. Dicho, en otros térmi-
nos, el excedente social del consumidor puede aumentar cuando se
le aplica un impuesto a un bien rentable para una empresa. Este será
cierto siempre y cuando el producto en cuestión sea creado en asocia-
ción con otros elementos contaminantes que contribuyen a aumentar
el costo social. Por ejemplo, aumentando los costos de producción de
otras empresas.
Ilustración 5. La paradoja de Braess.
V V V
in
in
n n n
30 m
30 m
mi mi mi
: 60 : 60 = 55
po po po n
po : mi
po :
m m m
Tie Tie Tie 55
o=
Tiem
Tiem
p
Tiem
A A Tiempo : 5 min A
B B B
Dos carreteras van a V Se construye tramo nuevo (A-B) El tiempo de BV aumenta
4.2.2 Segunda apertura: preferencias endógenas

Una segunda apertura opera a partir del momento que el modelador
incluye en el problema las preferencias endógenas. Esta cuestión no
ha sido abordada directamente por los especialistas de transporte por
lo que constituye un tema de investigación innovador.
En efecto, es razonable decir que los hábitos de movilidad no son
el resultado de preferencias puramente exógenas como se conside-
ra en la práctica actual de la modelación. Las instituciones, normas,
culturas y religiones, así como la memoria colectiva vinculadas a la
estructura urbana, inducen relaciones de preferencias y poseen pro-
bablemente una solidez superior y una capacidad de resistencia a la
erosión del tiempo más pronunciada.
A este respecto, el enfoque en términos de preferencias endógenas
está llamado a jugar un papel más importante en la modelación del
comportamiento de los usuarios debido a su carácter invariable. Sin
embargo, estas ideas son por ahora especulativas en el entorno de los
transportes, puesto que no ha sido probado ni teórica ni empírica-
mente, quedando abiertas para investigaciones futuras que se ofrecen
sin demora a las nuevas generaciones de investigadores.
4.2.3 Tercera apertura: interacción

La tercera apertura está ligada al estudio de la interacción entre los
individuos y ha sido explorada de diferentes maneras. Éstas pueden
agruparse en alguno de los dos niveles siguientes:
a) Primer nivel
Por un lado, los individuos pueden responder a la misma variable
de costo que es el resultado de agregar sus decisiones individuales.
En este sentido, se cita la definición de la congestión de Mohring:

“Congestion can be defined as occurring when customer-supplied in-
puts per unit but output depend on the rate at which a fixed facility is
utilized” (la congestión ocurre cuando los insumos del usuario son
suministrados por unidad, pero la salida de los productos depende de
la tasa con la cual se utiliza una infraestructura fija). En este caso, la
interacción de los vehículos con la infraestructura se explica a través
de variables macroscópicas de tráfico que por ellas mismas son fun-
ciones de agregación de decisiones individuales (el flujo vehicular y
la velocidad media).
Desde este punto de vista, la cinética social se opone a la cinética
química puesto que en este último caso las interacciones son esen-
cialmente locales, es decir, de corto alcance espacial. En el caso de
los transportes, es cierto que la decisión del automovilista sobre una
ruta depende a menudo de interacciones locales como lo han tratado
de reflejar la teoría del automóvil líder-seguidor y los estudios de la
congestión basados en los autómatas celulares (e.g. Gazis, 2002), tras-
misión por celdas (Daganzo, 1994) entre otros. Sin embargo, se trata
de una diferencia entre un sistema químico y un sistema social que
puede ilustrarse cuando un automovilista decide desviarse y utilizar
un itinerario alternativo una vez que recibe el mensaje de la radio so-
bre las condiciones de circulación, respondiendo con ello a una lógica
de interacción no local.
b) Segundo nivel
El otro nivel proviene de considerar que los individuos que están
en interrelación también tienden a cambiar su experiencia y preferen-
cia. Este tema, que implica también la determinación de preferencias
endógenas, no ha sido, curiosamente, objeto de investigaciones en el
campo de los transportes. Por consiguiente, las preferencias sobre la
utilización del automóvil para desplazarse al trabajo o para hacer las
compras, no son nada más que decisiones parcialmente individuales.
Éstas implican también un efecto de moda, la cual induce una serie
de ordenamientos de la infraestructura impulsada al mismo tiempo
por las modas. La predicción a largo plazo pasa, al parecer, por la
explicación de estos mecanismos robustos y por el estudio de sus im-
plicaciones.
c) Externalidades de red
Los procesos de interacción, descritos parcialmente por los eco-

nomistas (que han olvidado a menudo la componente tecnológica de
las interacciones), se han concentrado en las implicaciones de estos
procesos en términos de la teoría de los juegos. Hablamos de exter-
nalidades positivas (o negativas) de red cuando el beneficio ligado a
la utilización de un bien aumenta (o disminuye) con el número de
usuarios de este bien. Esta relación de interdependencia puede ser
directa, como en el caso del congestionamiento de un camino, o indi-
recta, como en el caso de las tarjetas de crédito.
Describamos primeramente la externalidad directa. Cuando dos ca-
minos unen un mismo punto de origen y destino, al equilibrio, el número
de usuarios para cada una de las rutas viene determinado por la igualdad
de los tiempos de trayecto de cada una de ellas. El tiempo de trayecto de
cada camino depende del número de usuarios en cada alternativa. Esta
externalidad puede traducirse también de manera indirecta: la utilidad de
una tarjeta de crédito aumenta con el número de usuarios. Esto se debe a
que cuando la cantidad de usuarios es mayor, el número de comerciantes
susceptibles de aceptar dicha tarjeta se incrementa. Por consiguiente, el
potencial de utilización de la tarjeta aumenta indirectamente. En la dis-
cusión anterior, se ha considerado también un tercer tipo de relación que
proviene de fenómenos de influencia, imitación, del seguimiento de una
norma, etc. Todo proceso de interacción puede explicar el proceso de
elección individual. Subrayamos que pocos trabajos han sido desarrolla-
dos en este sentido. Sin embargo, este tipo de investigación es susceptible
de aportar los elementos de reflexión y posteriormente de modelaje para
disponer una descripción robusta del largo plazo, investigaciones cuyos
resultados son todavía deficitarios en materia de transportes.
4.3 A propósito de la escala

En esta sección se desarrolla una reflexión relacionada con la defi-
nición de sistema, a la posibilidad de tratar una parte representativa
de él y a la posibilidad de borrar los elementos aleatorios que afectan
necesariamente todo proceso de modelación (ver a este propósito
Schelling, 1980).
4.3.1 Interacciones locales y no locales

Considere el ejemplo que muestra la peligrosidad de hacer uso de la
ley de los grandes números para eliminar las fluctuaciones que afec-
tan necesariamente el comportamiento de los modelos.
Consideremos un sistema químico. Los procesos de interacción

en química son típicamente locales, esto quiere decir a la escala mo-
lecular. Las leyes de interacción molecular son fuertes, pero de corto
alcance contrariamente a las leyes de interacción gravitacionales que
son comparativamente de una intensidad extraordinariamente baja2.
Esta condición, de efecto local de las interacciones, juega un papel
esencial en la derivación de leyes de la cinética química, lo que per-
mite describir el comportamiento de una molécula como el resultado
de la acción de las moléculas vecinas únicamente. Esta constatación
corresponde, en efecto, a una simplificación de la descripción. En
contraparte, induce al cuestionamiento del desarrollo de la estructura
organizada a la escala del ser humano (en la cual el metro sería, por
ejemplo, la magnitud característica), escala gigantesca en compara-
ción con la talla de las moléculas. Esta cuestión ha sido abordada en el
marco de las estructuras disipativas, o por el método de análisis de los
campos (cf. modelo de Ising). Sin embargo, en el caso de las ciencias
sociales, se ha buscado realizar transposiciones mecánicas de la física
o de la fisicoquímica.
Por fortuna existen contra ejemplos notables, en particular en
el área de los transportes. El paso de la escala microscópica (nivel
individual) al nivel macroscópico (nivel agregado) ha sido ilustrado
por los estudios de la congestión basados en el modelo del automóvil
líder-seguidor. En efecto, se supone que cada vehículo regula su velo-
cidad en función de los vehículos que lo rodean. Resultando que las
interacciones son locales.
Las ideas básicas de descripción de la congestión con ayuda de autó-
matas celulares estocásticos consideran los mismos conceptos de corto
alcance geográfico. En el caso del estudio de la congestión, el resultado
aportado por el modelo es la derivación de leyes agregadas entre un nú-
mero de vehículos y la velocidad media de circulación. El cambio de
escalas es mucho menos espectacular que para el caso de la físico-quí-
mica, en el que se pasa de una molécula (nivel individual) à 1023 molé-
culas (en el caso macroscópico) mientras que en el tráfico se pasa mo-
destamente de algunos vehículos a una centena o millares de unidades.
Recientemente se ha realizado un análisis que consiste en estudiar
2. En efecto, se ha llegado a reproducir las acciones entre las moléculas que se opo-
nen a la gravitación universal y que en el presente caso emana de un cuerpo extre-
madamente voluminoso: la tierra.
cómo las leyes que describen el nivel de equilibrio de la congestión

pudieran ser transpuestas a la escala de una ruta y al nivel de una
población. Más específicamente, se ha mostrado que los resultados
obtenidos en el marco del modelo de cuello de botella de Vickrey
(Vickrey, 1969) para un origen, un destino y una ruta, podían ser am-
pliados numéricamente para el caso de una población caracterizada
por una matriz origen-destino incluyendo varias centenas de entra-
das y una red de transportes. compuesta de varios millares de ligas o
arcos (e.g. de Palma y Marchal, 2002).
Los dos casos citados, uno relativo a la agregación con la apari-
ción de leyes a nivel macroscópico que no tienen equivalencia a nivel
microscópico y el otro correspondiente al caso de la transposición
de una ley de una escala a otra, presentan el mismo cuestionamien-
to desde el momento que nos ocupamos del carácter operacional
de estas leyes agregadas. En efecto, los parámetros obtenidos a nivel
macroscópico tienen idealmente que estar ligados al nivel de detalle
microscópico, puesto que estos parámetros tienen una interpretación
simple e intuitiva. Por ejemplo, la capacidad de una carretera corres-
ponde a un concepto bastante bien definido, mientras que la capa-
cidad de una población entera no posee una propiedad operacional
clara, aunque se pueda utilizar a nivel descriptivo. El hecho de que
las relaciones simples agregadas pueden ponerse en evidencia deja
abierta la cuestión relativa a su carácter operacional sin disminuir,
por lo tanto, la ventaja de su carácter descriptivo.
4.3.2 Procesos ¿determinísticos o estocásticos?

Ilustraremos en la parte inferior el impacto de las fluctuaciones en los
sistemas dinámicos deterministas3.
Consideremos un sistema compuesto de N individuos, x en el
estado X e y en el estado Y donde N = x + y. Supongamos que un
individuo puede pasar de un estado al otro ya sea de manera espon-
tánea o de manera inducida. La transición espontánea corresponde,
3. El ejemplo de los sistemas taxonómicos de los botanistas o de los naturalistas

nos induce a pensar que los sistemas son en parte construidos y no desprovistos
de prejuicios teóricos. La posible arbitrariedad en la selección de las características
medidas restringe las clasificaciones que resultan. Otro tipo de sistemas implican
ante todo un comportamiento completamente determinado por un conjunto bien
definido de interacciones (tales como los sistemas dinámicos o termodinámicos).
Sin embargo, no pueden presuponer de entrada un comportamiento de conjunto.
en marketing, a un proceso de comunicación masa → medio de co-

municación según el cual un individuo en contacto con una fuerza
externa tiene cierta probabilidad de cambiar de estado (por ejemplo,
de pasar del estado no informado al estado informado). De manera
simbólica los procesos de transición pueden representarse de la ma-
nera siguiente:
Por otra parte, una transición puede hacerse también de manera

inducida. Este proceso corresponde, en marketing, a un proceso de
difusión de información de “boca a oreja” o de “boca a boca”. Así
tenemos:
Las leyes elementales de la cinética nos enseñan que:
Supongamos que el problema sea simétrico: a = a’ y b = b’. En ese

caso se obtiene la ecuación de evolución siguiente:
cuyo estado estacionario único y estable, st, es dado por xst = yst
=N/2.
Podemos considerar también la versión estocástica de este mode-

lo, la ecuación de evolución de P(x,t), es decir, de la probabilidad que
en el instante t el número de individuos en el estado X sea igual a x.
En este caso, el número de individuos en cada uno de los estados es
una variable aleatoria cuya evolución es proporcionada por la solu-
ción de un proceso de nacimiento y muerte. La dinámica se rige por

la probabilidad de que un individuo en el estado X transite durante
un intervalo de tiempo dado, al estado Y. La probabilidad de que un
individuo, en el estado X en el instante t cuando hay yt individuos en
el estado Y, transite hacia el estado Y durante el intervalo de tiempo
(t, t + Dt) viene dado por:
Px,y(x,t) Dt+o(Dt)=(a+by) Dt+o Dt (2)
La solución estacionaria del proceso estocástico correspondiente

puede ser calculada analíticamente y se representa en la figura 2.
Ilustración 6. Solución estacionaria del proceso estocástico
f(a,b,y, ∆t) b<a

P(x)
b=a
1
b>a
0 0,5 1
P(x,t)
Si b < a, es decir, si el proceso de interacción no lineal es más redu-
cido que el proceso de transición espontánea, la distribución estacio-
naria es máxima en xma x= N/2, esto es corresponde a la solución es-
tacionaria del proceso determinista descrito por la ecuación (1). Por
otra parte, si b > a, la distribución estacionaria privilegia los estados
xst = 0 y xst = N, esto significa que con 50% de probabilidad, la mayor
parte de los individuos eligen uno de los estados X o Y. Este resulta-
do es nuevo vis-a-vis del obtenido a partir del modelo determinista
(cf. ecuación 1). Por consiguiente, una vez que b > a, el caso mixto,
(es decir xst = xst = N/2) que es estable en el modelo determinista, es
inestable en el modelo estocástico, en el sentido que una fluctuación
cualquiera, que pudiera superar el tipo X, por ejemplo, corre el riesgo
de amplificarse y de conducir el sistema a una situación tal que la ma-
yoría de los individuos eligen, sea el estado X, sea el estado Y.
Es evidente que conocer si las fluctuaciones inherentes a todo sis-
tema se van a amplificar o no es crucial. Además, el estudio de esta-
bilidad del modelo determinista nos conduce a una intuición falsa
en el caso presentado anteriormente, puesto que siempre sugiere la
estabilidad del sistema mixto xst = xst = N/2. Uno de los puntos claves
que permiten la comprensión de la violación de la ley de los grandes
números se aporta al examinar la forma funcional de las probabilida-
des de transición. De hecho, la forma de la ecuación (2) la presencia
de interacciones no locales puesto que es el número total (indicado
por y) quien interviene en la probabilidad de transición y no la den-
sidad local. Podemos mostrar, como la intuición lo sugiere, que si en
lugar de considerar la forma (2), se considera la forma siguiente (cu-
yas probabilidades de transición dependen de las densidades locales)
el sistema estocástico posee un estado estacionario que corresponde
a la solución determinista:
 y
R xy ( x, t )∆t + o(∆t ) =  a + b ∆t + o(∆t ).
(3)  N
Es decir, se muestra que si la condición inicial es pura (por ejem-

plo, una fracción dada de individuos están en el estado X con una
probabilidad cercana a 1) entonces, la solución estacionaria del pro-
ceso estocástico correspondiente se aproxima al proceso determinista
si el sistema es suficientemente grande en el sentido.  x st  1
lim N →∞  =
 N  2
 
De manera lamentable, solamente en química es posible trabajar

con densidades (tales que x/N) mientras que, en ciencias sociales, sólo
las interacciones a largo alcance son posibles. De hecho, se habla cada
vez más de globalización, de internet, de la epidemia planetaria de
fusión de empresas, de manera tal que con frecuencia las distancias
son eliminadas y el concepto de localidad tiende a desaparecer par-
cialmente. Esto implica en particular, que el estudio de un subsistema
presenta problemas, puesto que las fronteras tienden a desaparecer, a

volverse menos materiales y no localizadas en el espacio. Además, los
resultados mostrados anteriormente sugieren que una consecuencia
material de la globalización es que las fluctuaciones parásitas que han
emergido espontáneamente en los sistemas sociales corren el riesgo
de ser difícilmente destruidas por una ley de grandes números.
Se puede entonces visualizar una doble implicación: el aumen-
to de la globalización permite a unidades reducidas imponerse más
fácilmente, beneficiándose de un mercado natural más importante.
Por otra parte, en un mundo global, el ojo de los otros es mucho más
omnipresente y la posibilidad de desarrollar innovaciones de manera
aislada es menos probable. Ahora bien, muchas de las innovaciones
no son viables desde sus orígenes y necesitan, por lo tanto, protegerse
temporalmente del mundo exterior para desarrollarse, así como las
industrias nacientes necesitan barreras de protección al menos en el
momento de su desarrollo inicial. Esta reflexión sobre la centralidad/
globalidad es todavía incipiente, pero, esperemos, llena de promesas
(ver también el esquema estructuralista de la comunicación propues-
ta por Moles, 1986).
4.4 El enfoque dinámico

En esta sección se aportan tres elementos que ponen en evidencia la
necesidad de incluir el enfoque dinámico en el análisis de los sistemas
de transporte. El primero, se refiere a las limitaciones del enfoque
estático para representar esquemas de organización básicos pero fun-
cionales. El segundo aborda la posibilidad de incluir con este enfoque
las consecuencias Inter temporales en el análisis de fenómenos donde
el antecedente, que lleva al sistema a un cierto estado, juega un papel
determinante. Finalmente, el tercer elemento está vinculado con la
posibilidad de incluir la aleatoriedad en las decisiones de las perso-
nas como una forma para representar la dinámica de un sistema de
transporte.
4.4.1 ¿Por qué el enfoque dinámico?

Para introducir algunas limitaciones del enfoque estático se utiliza la
siguiente anécdota. Hace algunos años, André de Palma fue invita-
do por Abraham Moles (fundador de la micro-sicología, ver Moles y
Rohmer, 1977) al departamento de sicología social de la universidad
de Estrasburgo. Moles le pide exponer los trabajos más periféricos de
la Escuela de Bruselas, presidida por el Nobel de química (1976) Ilya

Prigogine (ver Prigogine, 1996), a la que estaba asociado en el marco
de su tesis en física.
En este equipo pluridisciplinario, Jean-Louis Deneubourg, de la
Universidad Libre de Bruselas, había intentado (y logrado) aplicar
la teoría de las estructuras disipativas para explicar los mecanismos
de construcción de nidos de hormigas y de termitas (May, 1973). En
efecto, las concepciones clásicas más precisas de los ingenieros de la
construcción no son suficientes para describir la arquitectura de un
hormiguero y responder a los siguientes cuestionamientos: ¿Dónde
se encuentran los planos de los hormigueros?, y, ¿el de los nidos de
las termitas?, ¿Quién dirige a los obreros?, ¿Cómo opera la división
del trabajo?, ¿Cómo operan los numerosos problemas de logística?
y ¿los de secuencia de actividades? Como éstas, un sin número de
preguntas en nuestra sociedad son bastantes complicadas, la razón
de esta complejidad es que su formulación es muy ambiciosa. Nin-
guna hormiga podría comprender nuestras preguntas, así como nin-
gún automovilista, que dispone de un plano urbano y del conjunto
de desplazamiento de los otros usuarios de la red vial, será capaz,
aún con la ayuda de las computadoras más potentes, de calcular so-
luciones comparables a las que se observan en realidad. De la misma
manera, un individuo que llega a una ciudad que desconoce, tendrá
que tomar un cierto número de decisiones para resolver sus necesi-
dades (ver el apartado de decisiones de movilidad en la sección de
modelos de planeación). Aun teniendo acceso a la información sobre
la localización de los servicios, los precios y la calidad de los bienes y
servicios, le será difícil decidir sobre el conjunto de bienes y servicios
de su canasta de consumo.
Estos ejemplos corresponden a una serie de problemas que cuan-
do se plantean desde una perspectiva estática son difíciles a resolver.
De hecho, son extraordinariamente arduos por la forma en que ellos
son presentados, ya que no permiten al individuo utilizar los meca-
nismos elementales de retroalimentación4. El ejemplo más clásico de
retroalimentación es el del termostato que ajusta el flujo de calor en
función de la temperatura.
4. Este tipo de mecanismos fueron formalizados en un principio por los ingenieros /

cibernéticos, como Wiener Von Neuman y Bertalanfy para posteriormente ser reto-
mados en las ciencias sociales.
La causalidad clásica corresponde a la relación entre una causa

(flujo de calor) y un efecto (temperatura ambiente). La retroalimen-
tación se interesa en la relación inversa. El caso del termostato co-
rresponde a una retroalimentación, dado que la variable de salida: la
temperatura ambiente, actúa sobre la variable de entrada: el flujo de
calor. Entendemos entonces porqué la regulación de la temperatura
sin retroalimentación constituye un proceso extremadamente com-
plejo. En efecto, se trata de calcular el fenómeno de transmisión y de
convección de calor, así como los fenómenos de pérdida caloríficas
que permitirán determinar ex-ante los flujos de calor necesarios para
poder alcanzar un objetivo de temperatura ambiente determinado.
Un ejemplo similar correspondería a la comparación entre un
piloto automático, que determina una trayectoria definida a partir
de su lugar de destino y de su objetivo, y un autómata que ajustaría
constantemente su trayectoria en función de las condiciones de cir-
culación. Evidentemente, el segundo operador, que corresponde al
comportamiento del automovilista, es mucho más fácil de modelar.
En el caso de que el objetivo sea móvil, el primer tipo de estrategia
necesita una anticipación del desplazamiento de este, en caso de con-
flicto o incidente, esto sería prácticamente imposible.
En resumen, esta relación de retroalimentación corresponde a
un proceso de ensayo y de error, que efectivamente es más costoso
en términos de gasto energético (en el caso del termostato), pero es
también mucho más simple desde un punto de vista de cálculo y de
memoria.
4.4.1 Profecías auto-realizables y estados múltiples

La construcción de nuevas vialidades tiene por objetivo el mejoramien-
to de las condiciones de circulación. Esta tautología es tan falsa en la
práctica, como verdadera cuando se aborda superficialmente. La ley de
Merton, que es conocida como “Self-fullfilling prophecy” (profecía au-
torrealizable) proporciona argumentos lógicos contra la posibilidad de
desarrollar predicciones. Si la oferta tiende a dar cuenta de la demanda,
la demanda es entonces aumentada por la oferta. En efecto, el camino
que satisface inicialmente una necesidad de comunicación generará rá-
pidamente nuevas necesidades de la misma naturaleza. El especialista
de transportes llama a este fenómeno, demanda inducida.
Estas relaciones, consideradas poco claras cuando fueron descu-
biertas, no lo son tanto si nos basamos en una simple lectura del dia-
grama de base de la economía que nos permite determinar los precios

en un mercado en competencia (en nuestro caso el costo generaliza-
do de desplazamiento al equilibrio) como la intersección entre la de-
manda (la disposición de los usuarios a pagar) y la oferta (la relación
entre la cantidad de usuarios y la calidad del servicio ofrecido que se
traduce en un costo generalizado para el individuo). En esta relación
oferta-demanda, se puede mostrar que el aumento de la capacidad
de las infraestructuras de transporte (nuevas vías o ampliaciones de
ella) lleva a reducir el costo generalizado del usuario aumentando con
ello la demanda de viajes (demanda inducida), lo que implica, que la
infraestructura tendrá nuevamente problemas de saturación (ver, por
ejemplo, Sanchez, 2004).
El fenómeno de la demanda inducida es más complejo cuando
los usuarios o los compradores de un bien o servicio lo vuelven, por
razones objetivas o subjetivas, más atractivo (anticongestión). Los es-
pecialistas de finanzas llaman a este fenómeno “burbuja especulativa”,
que corresponde al aumento del precio de una acción inducida por
el simple hecho que su adquisición, implica una inferencia del alza
futura. Esta acción lleva por sí misma a decisiones de compra que
constituyen efectivamente el aumento de precio. Una consecuencia
de este fenómeno de profecía autorrealizable es la existencia de esta-
dos múltiples. De nuevo, la clave para la explicación de estos fenóme-
nos es su descripción con un modelo dinámico. Sólo un análisis de la
dinámica que tome en cuenta las elecciones de nuestros antepasados
permitiría entender la solución tomada por el sistema social presente.
Las profecías autorrealizables y la existencia de estados múltiples en
correlación constituyen un argumento adicional en favor de la utili-
zación del enfoque dinámico.
4.4.3 Sistemas dinámicos y aleatoriedad

a) Motivación
Se ha argumentado que los sistemas sin retroalimentación son de

trato delicado, puesto que necesitan la resolución de problemas de
tipo punto fijo, los cuales son difíciles de resolver. La retroalimen-
tación permite desarrollar procedimientos de ensayo y error que
conducen a métodos donde el error es permitido. Estos sistemas no
están optimizados, pero son adecuados desde el punto de vista del
comportamiento. Retomando el trabajo de los nidos de las hormigas,
se puede decir que ciertamente las hormigas no optimizan su trabajo.

En efecto, una parte de las hormigas pasan su tiempo, por descuido o
inadvertencia, a destruir el trabajo de sus colegas. Sin embargo, nin-
gún sistema podrá resolver el trabajo de las hormigas utilizando tan
poca potencia de cálculo y capacidad de memoria. En este sentido, las
hormigas tienen mucho que enseñarnos, sobre todo a los ingenieros
(ver por ejemplo Resnick, 2001).
b) El modelo de elección dinámico

Para ilustrar nuestro propósito, consideremos una red simple
compuesta de un origen y un destino conectados por dos carreteras
paralelas. Sea x el número de personas utilizando la ruta X e y el de los
usuarios que utilizan la ruta Y, con x + y = N. El estado de equilibrio
se obtiene una vez que el tiempo de recorrido sobre la ruta X, notado
ttX(x) es idéntica al tiempo de recorrido sobre la ruta Y, ttY(y). Si una
solución interior existe, ésta satisface la relación ttX(x)= ttY (y). Será
entonces bastante difícil, para los usuarios, elegir la mejor ruta sin
posibilidad de coordinación. Por el contrario, si todos los individuos
han elegido su ruta excepto uno, este último individuo habrá rápida-
mente efectuado su elección y ésta será la adecuada.
Consideremos ahora un caso intermedio, en el cual, una fracción
de individuos ha efectuado su elección. Para aclarar la idea, se dice que
estos individuos conservan para el día w la elección efectuada el día
w-1. Los otros individuos, que constituyen una fracción R del total, de-
ben efectuar su elección (esta puede ser la misma que el día preceden-
te). Los R*N individuos pueden suponer que todos los otros individuos
guardarán la elección realizada el día precedente. Este supuesto no es
tan falso siempre y cuando el valor de R no sea muy elevado. Sin em-
bargo, comprendemos que este sistema posee algunas fuentes de ines-
tabilidad dado que los R*N individuos efectuarán la misma elección el
día w, lo que podría conducir a comportamientos oscilatorios, caóticos
y hasta explosivos en el caso de que R sea demasiado elevado.
Resulta entonces que la estabilidad implica que el valor de R debe
ser extremadamente pequeño, en ese caso, la dinámica del sistema
será demasiado lenta. Es posible salir de este callejón sin salida vol-
viendo el modelo más realista y reconociendo explícitamente el he-
cho de que las preferencias de los usuarios son heterogéneas: estos no
solamente poseen capacidad de cálculo y de predicción de variables,
sino también responden a una serie de características no observables,
diferentes a la del tiempo de recorrido. Lo anterior nos conduce a un

modelo de elección de rutas probabilístico. En ese caso, notaremos
PX(xw,µ) la probabilidad que un individuo, que ha decidido revisar
su elección el día w, decide tomar la ruta X. El parámetro µ permite
medir la heterogeneidad de las preferencias individuales. La proba-
bilidad PX(xw,µ) es una función decreciente de ttX(xw) y creciente de
ttY(yw) con xw + yw = N. La dinámica de día en día se escribe ahora:
xw = (1-R) xw-1 +R[yw-1 PX(xw,µ)- xw-1 PY(yw,µ)].

(4)
El estado estacionario de este sistema es dado por:
xstw PY(yst,µ) = ystw PX(xst,µ) (5)
Si los individuos son casi homogéneos (µ pequeño), la solución

estacionaria tiende hacia la solución clásica: ttX(x) = ttY(y). Por el con-
trario, cuando los individuos son bastante heterogéneos, la solución
estacionaria tiende hacia la solución combinada xst = yst = N/2. El es-
tudio de estabilidad de la ecuación (4) muestra que, bajo condiciones
de regularidad y de monotonía habituales, este sistema dinámico es
mucho más estable:
El valor de R es pequeño. Este resultado es interesante dado que
muestra el proceso heurístico de cálculo de un estado estacionario
(4) no converge, si el número de individuos susceptibles de modificar
su elección cada día es suficientemente pequeño. De hecho, los indi-
viduos suponen que el día w la elección de los otros individuos son
idénticos a aquéllos efectuados (y observados) el día w-1. Esta apro-
ximación es mucho más correcta cuando el valor de R es pequeño.
El valor de µ es grande. El caso homogéneo se obtiene tomando
el valor más pequeño del parámetro µ. En este caso, todos los in-
dividuos en posición de elección optarán, con una probabilidad de
100%, por la ruta cuyo tiempo de trayecto haya sido el más reducido
el día anterior. Por el contrario, cuando el valor de este parámetro es
grande, tenemos que otros factores diferentes al tiempo de recorrido
entran en el proceso de elección del individuo. Por ejemplo, la elec-
ción de la ruta podría estar afectada por el número de semáforos, por
los espacios verdes a recorrer, por la calidad de la carretera, etc. Esta
heterogeneidad, implica que los individuos están menos sujetos a su
propio proceso de elección, y por lo tanto, refuerzan la estabilidad

del sistema. Se ha mostrado, en diferentes contextos, la pertinencia
de la heterogeneidad sobre la existencia de un estado de equilibrio.
Este efecto está plasmado, de hecho, en el marco del cálculo de un
equilibrio de Nash estático (ver Anderson et al, 1992 y de Palma et
al, 1985).
¿Cuáles son las enseñanzas que podemos extraer de este análisis?
De entrada, debemos notar que los dos efectos, explicados muy sim-
plemente en el caso de dos carreteras en paralelo, se reencuentran
desde un punto de vista cualitativo para el caso de simulaciones de
grandes redes de transportes compuestos de varios miles de arcos. La
enseñanza, en este sentido, es por lo tanto robusta. Este análisis mues-
tra también que las diferentes piezas de un modelo deben ser com-
binadas con un grado de precisión comparable. En efecto, un mode-
lo de elección exageradamente preciso (µ demasiado pequeño), no
aporta valor agregado, además puede poner en riesgo la estabilidad
del sistema cuando las otras partes del modelo son de baja calidad. Es
decir, cuando el valor de R es bastante reducido, lo que implica una
calidad baja del proceso de predicción del estado del tráfico para el
día w, dado que éste se basa en el estado del tráfico del día w-1).
En el folclor del científico, podemos entender el hecho de que un
modelo, por muy bueno que sea, no podrá aportar resultados correc-
tos si los datos utilizados son erróneos. El resultado enunciado an-
teriormente será algo diferente, lo que lleva a la afirmación de que
las diferentes piezas de un modelo deben poseer el mismo grado de
rigor, y que el sistema puede ser inestable si una de las piezas posee un
grado de precisión mucho más importante que las otras. El segundo
resultado es que la descripción dinámica de un sistema permite ha-
cer uso de procesos cognitivos infinitamente más simples que el caso
de los modelos estáticos. En alguna manera, se puede decir, que el
tiempo permite desenredar el problema propuesto, siguiendo un hilo
conductor que induce naturalmente un orden en el desarrollo de las
tareas elementales. El carácter ordenado del tiempo posee quizás una
riqueza natural que permanece todavía por explorar5.
5. Evidentemente, aquí sólo hemos considerado el tiempo irreversible, el tiempo en-

trópico y fecundo que posee una memoria, y no el tiempo hermético, irreversible y
estático de la mecánica racional.
Comentarios finales
Las implicaciones en el ámbito de la investigación y la práctica en
materia de modelación de sistemas de transporte han motivado a
realizar un análisis crítico y conceptual sobre las limitaciones de las
metodologías y enfoques utilizados actualmente. Dicho análisis se
articuló a través de cuatro ejes: la modelación del comportamiento
del individuo según la perspectiva de sicología social y en micro-si-
cología, el enfoque clásico de análisis del comportamiento utilizado
en economía, las limitaciones de la formulación determinista con res-
pecto a la estocástica y finalmente, los contrastes entre el enfoque de
modelación estático y dinámico.
De este análisis se indicaron algunas líneas emergentes de investi-
gación cuyo desarrollo permitiría subsanar algunas de las limitaciones
referidas. Por otra parte, dicho análisis permite obtener argumentos
que llevan a concluir que la modelación de los sistemas de transporte
debería contar con las siguientes características: (1) Desagregado, es
decir, que caracterice comportamientos individuales más que com-
portamientos medios, (2) Estocástico, es decir, que reconozca explíci-
tamente el hecho de que los individuos son diferentes y que existe una
gran cantidad de factores y variables que no son observables desde el
punto de vista del modelador, (3) Dinámico, es decir que esté basado
en leyes heurísticas que permitan a los individuos la exploración de
estrategias por un proceso iterativo de ensayo y error. Por otra par-
te, se ha enunciado la idea según la cual, no solamente las descrip-
ciones agregadas son peligrosas, sino que los modelos desagregados
podrían ser incorrectos en el largo plazo, dado que las preferencias
cambian de manera exógena y desconocida para el modelador. Una
vía de investigación prometedora consiste a buscar las variantes que
son susceptibles de explicar estas preferencias. Esta vía permanece,
como una vía poco explorada en el área de los transportes.
5. El dictamen de un estudio de demanda:
hacia la auditoría técnica
En esta sección se presenta una metodología para el dictamen téc-

nico de estudios de demanda de proyectos carreteros con cobro de
peaje. El dictamen se realiza con el propósito de sentar las bases de
una auditoría técnica más formal siguiendo los planteamientos de los
capítulos anteriores del presente libro. Se emplea el término dictamen
ya que el nivel de las revisiones es menos intensivo que los que corres-
ponderían a una auditoría técnica como tal. No obstante, el dictamen
técnico se ha planteado para determinar la confiabilidad de los resul-
tados relativos a la captación de demanda y la estimación de ingresos
generados por el cobro de peaje del proyecto tanto en situación con
proyecto como a diversos horizontes temporales de evaluación. Estos
elementos son fundamentales para determinar el dimensionamiento
del proyecto y su viabilidad financiera.
El dictamen técnico planteado consiste en realizar controles, a di-
ferentes niveles, del proceso de colecta de información, selección de
la zona, red de análisis, estudios de campo, procesamiento y validez
de la información, estimación de demanda, así como el proceso de
modelación de la asignación y captación. La finalidad de dichos con-
troles es el de determinar la calidad y el grado de validez (confiabili-
dad) de las previsiones de demanda del proyecto y demanda inducida
que son reportados en estudios de demanda utilizadas generalmente
como referencias para determinar la factibilidad técnica y financiera
de un proyecto de infraestructura carretera o vía urbana a peaje.
Los controles del dictamen técnico que se plantea incluyen los si-
guientes niveles de análisis del proceso de modelación:
[109]
a) Conceptual. Consiste en revisar los planteamientos concep-

tuales de la evaluación del estudio de referencia para determinar su
coherencia respecto al problema o etapa de modelación que se docu-
menta.
b) Formal. Se determinan si las relaciones establecidas entre las
variables analizadas son adecuadas. Por otro lado, si el método em-
pleado es pertinente para cuantificar dichas relaciones.
c) Algorítmico. Se revisa, por un lado, que la secuencia de pasos
utilizados para procesar los datos obtenidos sea la adecuada y por
otro, que los resultados obtenidos sean consistentes, únicos y repro-
ducibles
d) Econométrico, Se verifica, a través de la robustez de los estima-
dores econométricos, que la aplicación de los métodos estadísticos
garantice un grado de confiabilidad aceptable de los resultados.
La revisión de estos niveles de modelación se lleva a cabo con la fi-

nalidad de valorar la robustez de los resultados del estudio referencia
y en base al dictamen técnico resultante, emitir recomendaciones que
permitan, de ser el caso, fortalecer las bases de un estudio de deman-
da de tal manera que cumpla con las mejores prácticas de evaluación
en proyecto de inversión y que se atiendan los alcances establecidos
por la institución que sanciona la calidad de estos estudios.
En este sentido, se plantea que la revisión técnica del proceso de
estimación de demanda incluya al menos los siguientes aspectos:
1. Red de análisis. – Se revisa que la definición de la red de aná-

lisis se incluyan las principales carreteras que tengan una vin-
culación directa con el trazo del proyecto delimitando con
ello la llamada red relevante del proyecto.
2. Modelo de la oferta. – Se revisa que el estudio de referencia
contenga, en primer lugar, la caracterización adecuada de la
información general de la red de análisis, con sus principa-
les atributos de conformidad con las buenas prácticas de la
caracterización de la demanda. En segundo lugar, que se in-
cluyan los alcances requeridos de los estudios de demanda
solicitado por la institución que lo sanciona. Adicionalmente,
se revisa que las etapas de desarrollo del modelo analítico de
la red sean adecuado.
3. Modelo de demanda. – Se evalúa la robustez técnica de este

modelo para estimar la demanda del proyecto, así como la
capacidad para replicar las características del tránsito de cada
uno de los tramos que conforman la red de análisis. De ma-
nera complementaria, se revisa el diseño muestral, el tamaño
de la muestra, la calidad de la toma de información en campo
y su procesamiento y la consistencia de los datos obtenidos
respecto a la información existen en el marco del proceso de
caracterización de la demanda. En el mismo sentido, se revi-
sa la coherencia y pertinencia de la colecta de información
documental existente. Así, la colecta de información previa
incluye, al menos, los aspectos siguientes:
• Serie histórica anual del tránsito y su composición vehicular

para los diferentes tramos de la red de análisis con base a los
registros de la autoridad competente (e.g. datos viales de la
Secretaría de Infraestructura, Comunicaciones y Transportes
- SICT)
• Información histórica de tránsito mensual y su composición
vehicular en estaciones permanentes (plazas de cobro) que
sirvan de base para la desestacionalización de los trabajos de
campo que se realicen (e.g. datos de estaciones permanentes
de la SICT).
• Planes y programas a nivel Federal, Estatal y Municipal con
relación al área de estudio para identificar proyectos de de-
sarrollo económico, urbano y de infraestructura que pudie-
ran afectar las captaciones del proyecto. Se incluyen en este
rubro los proyectos de la iniciativa privada que pudieran te-
ner alguna influencia con la red en cuestión y la síntesis de
la información recopilada con los elementos necesarios para
construir, en actividades posteriores, escenarios futuros de la
red de análisis.
• Identificación y recopilación de información de los principa-
les generadores de tránsito y las variables socioeconómicas
relacionadas (PIB, población, PEA, vehículos registrados,
etc.).
• Caracterización del contexto socioeconómico de la red de
análisis, así como las premisas, que sirva de base para la cons-
trucción de escenarios futuros de crecimiento de la demanda
para un horizonte de planeación (generalmente 30 años).

Para alimentar el modelo tanto de oferta como de demanda, se
revisa la calidad de los trabajos de campo obtenidos misma que debe
corresponder a los alcances establecidos por la autoridad que sancio-
na el estudio:
• Estudios de inventarios de oferta (geometría y datos opera-

tivos)
• Aforos Automáticos con clasificación vehicular.
• Aforos Manuales con clasificación vehicular.
• Encuestas de origen - destino (O-D)
• Encuesta de preferencia declarada
• Velocidades y tiempos de recorrido
Se recomienda que el análisis de las encuestas de preferencias de-

claradas se realice con mayor énfasis dado que es un elemento de-
terminante en los resultados de calibración y captación del proyecto.
Para ello se revisa el diseño muestral, el experimental y la calidad de
los estimadores econométricos.
4. Modelo de captación. – Se revisa inicialmente que los periodos

de modelación y los factores de expansión utilizados para obte-
ner la demanda diaria representen, en primera instancia, las ca-
racterísticas de movilidad de la zona y posteriormente, la calidad
técnica del modelo de asignación para replicar las condiciones
actuales observadas en campo considerando que se trata de un
modelo multiclase (i.e. varios modos de transporte conforman
el flujo vehicular) eventualmente calibrados para varios perio-
dos del día y tipo de día (e.g. entresemana o fin de semana). En
el proceso de calibración o ajuste del modelo de asignación se
verifica, por un lado, que los valores de tiempo utilizados (por
tipo de usuario y motivo de viaje según alcances) provengan de
valores estimados a través del modelo econométrico pertinentes
(en este caso, el de máxima verosimilitud) y por otro lado, que
la calibración se realice en el marco de un modelo de asignación
multiclase de preferencia, por lo que es necesario revisar que los
indicadores de bondad o calidad de ajuste (e.g. coeficiente de co-
rrelación R2, estimadores de dispersión del tipo GEH o RMSE)
correspondan a los valores de referencia establecidos en los ma-
nuales de modelación (e.g. Manual de Modelación de la SICT).

5. Asignación de tránsito. Se realiza una revisión específica del
proceso y las metodologías utilizadas para replicar las condi-
ciones de circulación actual y cuantificar el tránsito en situa-
ción con proyecto. En particular, se verifica que los criterios o
consideraciones empleadas para caracterizar las carreteras a
peaje, y la estructura tarifaria propuesta tanto para las carre-
teras existentes como en el proyecto sean las adecuadas. Por
otro lado, se verifica que se hayan incluido los siguientes com-
ponentes de la demanda potencial del proyecto:
• Tránsito atraído a la nueva vía, proveniente de otros modos

de transporte (inducido);
• Tránsito derivado de otras rutas existentes (normales o des-
viadas); y
• Tránsito generado, que antes no viajaba y que previsiblemen-
te lo hará al mejorar las condiciones de comunicación.
Finalmente, se revisa que se incluyan los criterios de desempeño

adecuados de los tramos carreteros, siendo al menos:
• TDPA con composición vehicular,

• Velocidades de operación por grupo vehicular,
• Capacidad,
• Niveles de Servicio.
6. Pronóstico de tránsito. – Finalmente, se revisará la consis-

tencia técnica y los resultados correspondiente a la proyección
de la demanda. Este proceso incluye un modelo econométrico
de pronóstico del tránsito, la curva de maduración y las tasas
de crecimiento promedio anual por tipo de vehículo a lo largo
del horizonte de planeación.
5.1 Red de análisis

Desde el punto conceptual, es pertinente entender el planteamiento
utilizado en el estudio de referencia para estimar la captación a partir
del trazo del proyecto y el contexto en que se va a insertar respecto a
la red carreteras y vialidades que opera actualmente.
Se recomienda contextualizar el proyecto describiendo los si-
guientes aspectos:
• Características geométricas y operativas de diseño del pro-
yecto,
• La relevancia del proyecto como alternativa de desplazamien-
to en el contexto de las alternativas de viajes existentes,
• Las aportaciones potenciales del proyecto en términos de me-
jora de la circulación o la distribución espacial del tránsito en
la red,
• Las ventajas comparativas del proyecto respecto a otros itine-
rarios alternativos de viaje,
Una vez definido el contexto en el que se inserta el proyecto y el

planteamiento conceptual del mismo, se revisa que la orientación del
estudio de referencia sea consistente con dicho contexto tanto en la
delimitación espacial del estudio como el dimensionamiento y tipo
de estudios necesarios para conocer las características de oferta y de-
manda tanto de los residentes como de los usuarios potenciales del
proyecto, en particular:
• La movilidad principal que será atendida por el proyecto.

• La movilidad existente en las alternativas competidoras del
proyecto,
Establecido el enfoque conceptual más pertinente para represen-

tar los efectos del proyecto en la red de transporte, se procede a uti-
lizarlos como lineamientos para verificar que son consistentes con el
desarrollo del estudio de referencia en las etapas de caracterización
de la oferta, construcción del modelo de oferta, demanda, captación,
asignación y pronóstico.
En cuanto a la dictaminación de esta etapa de modelación, se re-

quiere que se aporte una opinión técnica respecto a:
• La red de análisis. En la que se incluye toda la red utilizada

para caracterizar la oferta y demanda. Se trata de identificar
la proporción de la red analizada respecto a la extensión o
dimensiones del proyecto la cual debe ser proporcional. Las
redes de análisis desproporcionadas respecto al trazo del pro-
yecto pueden provocar: sobreestimación de las captaciones
del proyecto cuando se ignoran los controles correspondien-

tes, dispersión de los esfuerzos y recursos para la caracteriza-
ción de la oferta y la demanda, costos excesivos en términos
de tiempos y costos de ejecución.
• La red relevante. Esta red se delimita considerando la conec-
tividad que tendrá el proyecto con las carreteras actuales. Se
define para dimensionar los efectos de la reasignación de flu-
jos vehiculares o dimensionar el tránsito inducido según se
modifiquen las condiciones de circulación con la puesta en
operación del proyecto. A partir de este punto se podrá ve-
rificar que:
a) Los eventuales efectos de la reasignación de tránsito se locali-

zan al interior de la red relevante,
b) La magnitud de los beneficios potenciales del proyecto es pro-
porcional con la extensión de la red relevante.
5.2 Modelo de oferta

Para la construcción del modelo de oferta se requiere: primeramente,
recopilar la información de las características geométricas y opera-
tivas de la red relevante para describir la situación actual y en situa-
ción con proyecto la misma información correspondiente al trazo
de la infraestructura considerada como proyecto. Posteriormente, se
procede a representar esta información al modelo de redes la cual
se compone de arcos y nodos. Los nodos serán las intersecciones o
puntos de inicio y término de los tramos carreteros que componen la
red relevante. Esta representación se conoce como “caracterización” y
consiste en colocar los valores de los parámetros en los arcos y nodos
que representen las condiciones geométricas y de operación actuales
o con proyecto.
A partir de estas consideraciones, el dictamen técnico se realiza
en dos partes: la relativa a la colecta de información de campo de la
oferta y la correspondiente a la caracterización de la red vial en el
modelo de simulación.
5.12.1 Colecta de información de campo relativa a la oferta

a) Revisión a nivel conceptual. El proceso de colecta de informa-
ción en campo debe estar asociado a la conceptualización de pro-
blema considerado previamente adicionalmente se requiere que en
dimensionamiento y especificación de estudios se tome en cuenta,

por un lado, las condiciones actuales de circulación en la zona de
estudio y por otro, el uso que tendrá la información para la alimenta-
ción y ajuste de las herramienta de análisis para estimar la captación
del proyecto (modelo de captación, asignación y pronóstico) de for-
ma coherente.
La conceptualización generalmente debe cuidar dos aspectos. El
primero, se refiere a la delimitación de la zona y la red de estudio. El
segundo, corresponde a la representación de las condiciones de cir-
culación o efectos de congestión que pueden tener lugar en las carre-
teras actuales. Un acercamiento a la zona de estudio y la experiencia
en trabajos similares permite definir ambos elementos gracias al en-
tendimiento del problema el cual se ha revisado previamente a nivel
de la delimitación de la red de estudio. Algunos del aspecto a revisar
a nivel conceptual en cuanto a la coherencia entre la colecta de datos
de un estudio y la representación del problema son:
• La inclusión de información relativa a las condiciones de cir-

culación en los tramos críticos o sujetos a congestión,
• El tipo de tránsito y movilidad que atenderá el proyecto (cor-
to, mediano o largo recorrido, movilidad cotidiana, movili-
dad turística, etc.)
• La función de interconexión que tendrá el proyecto con otras
carreteras relevantes del entorno,
• Los periodos del día o los efectos estacionales en los que las
condiciones de circulación sean críticas,
En resumen, para la construcción del modelo de oferta concep-

tualmente se requiere representar las condiciones de circulación en
los periodos críticos y no críticos del día y en los diferentes días de
la semana a fin de limitar la posibilidad de subestimar la captación
del proyecto cuando las condiciones de circulación son críticas o de
subestimarla cuando sean menos desfavorables. El proceso de re-
visión del modelo de oferta prosigue con el análisis de los métodos
y procedimientos empleados en la colecta de información de datos
operativos correspondientes a estos periodos y culmina con la carac-
terización de esta información en el modelo de redes.
b) Revisión a nivel instrumental. Se enfoca a verificar que el plan-

teamiento conceptual, relativo a la descripción de la oferta del estudio

en evaluación, sea consistente con la colecta de información realizada
en campo o en su defecto, a la integración de la información existente o
disponible. Los aspectos principales para verificar en este sentido son:
• La correspondencia entre la delimitación de la zona de es-

tudio, red de análisis y red relevante respecto a los estudios
de inventario y colecta de características operativas y geomé-
tricas de los tramos de la red vial que se hayan realizado o
reporten en el estudio de referencia. Es importante señalar
que el nivel de desagregación y detalle de la red vial o carre-
tera puede variar según se trate de la red relevante y la red
de estudio. En efecto, se asume que los efectos principales de
reasignación de usuarios tendrán lugar en la red relevante y
que más allá de este límite los efectos de cambio de itinerario
serán casi despreciables, pero es necesario incluirlo para co-
nectar la red a las zonas externas generadoras/atractores de
viajes los cuales permiten considerar las fuentes y tipos de
movilidad que tienen lugar en la red relevante. Sin ellos, la
caracterización de la movilidad podría estar sesgada.
• Las evidencias respecto a la ejecución de los trabajos y la vera-
cidad de la información colectada. Lo anterior se puede iden-
tificar a través de memorias fotográficas de ejecución de los
estudios, archivos georeferenciados (GPS, tracking), tablas
y bases de datos que generalmente acompañan un informe
de referencia documentado y completo. En caso de que estas
evidencias estén ausentes, la revisión del informe presentado
permite identificar los métodos y consistencia de la informa-
ción a grandes rasgos.
• En el caso de los datos operativos, las velocidades general-
mente deben colectarse por clase vehicular y por periodo del
día. El tiempo de recorrido se obtiene por técnicas como la
del vehículo flotante al igual que las distancias recorridas o a
partir de GPS o apps con datos masivos (waze, googlemaps,
entre otros). Esta información se emplea para identificar el
periodo crítico que generalmente se emplea como referencia
para la modelación y calibración de los parámetros del mo-
delo de asignación. Las velocidades por clase vehicular se uti-
lizan para la caracterización de las condiciones de circulación
a través de una función flujo-demora.

5.3 Modelo de demanda
El desarrollo del modelo de demanda corresponde a la representación
de las necesidades de movilidad de los usuarios de la red de carreteras
de la zona de estudio. Dicho de otra manera, a la distribución espacial
y temporal de los viajes tanto de los residentes de la zona de estudio
como de las personas que cruzan a través de ellas. Este modelo gene-
ralmente incluye cuatro elementos: la zonificación, la segmentación
del mercado de usuarios, el periodo de modelación y la distribución
espacial de viajes la cual se caracteriza a través de un arreglo matricial
denominado matriz de viajes.
La zonificación corresponde a discretización del espacio continuo
correspondiente al territorio en entidades espaciales determinadas
por un criterio de agregación que puede ser administrativo (colonias,
municipios, localidades), funcional (barrios, distritos, demarcacio-
nes, mercados, centros comerciales) o de caracterización del proble-
ma (zonas generadoras/atractoras de viajes, zonas de transporte, ma-
crozonas). Son estas entidades a las que se asocian el origen o destino
de los viajes ante la imposibilidad de caracterizar, de forma práctica,
cada uno de los domicilios de los usuarios.
La segmentación del mercado se refiere a la desagregación del vo-
lumen de vehículos en diferentes estratos de conductores o usuarios
que tienen preferencias de elección distintas y cuyas decisiones son
de tal dimensión que pueden modificar de forma importante los re-
sultados.
El periodo de modelación corresponde al lapso de tiempo del día
en el que se presentan las condiciones de circulación más críticas o
más representativa respecto a los desplazamientos o movilidad en
una zona de estudio determinada.
Finalmente, la distribución espacial de viajes corresponde la for-
ma y magnitud en que se distribuyen los viajes entre las entidades
espaciales consideradas en una zona de estudio específica durante un
periodo de análisis determinado.
De manera análoga al modelo de oferta, el dictamen técnico se
compone de dos partes: la relativa a la colecta de información de
campo para representar las necesidades de movilidad de la zona de
estudio y la correspondiente a la caracterización de esta información
en el modelo de simulación.
5.3.1 Revisión conceptual de la información de demanda co-

lectada en campo.
La primera actividad para realizar para el dictamen técnico consiste
en elaborar un resumen de los trabajos de colecta de información
en campo en el cual se incluye, además de la ubicación espacial del
sitio donde se realizaron, el tipo de estudio realizado, el tamaño de
la muestra, el método de colecta y observaciones adicionales. Dicho
resumen puede incorporarse en una tabla como el del ejemplo indi-
cado en la parte inferior. El orden de la tabla se puede emplear para
elaborar la revisión conceptual e instrumental de los estudios de cam-
po ejecutados.
Tabla 3. Resumen de trabajos de campo relativos a la demanda

Estudio Muestra Descripción
Aforos automáticos 5 estaciones 24 horas x 7 días
Aforos manuales 3 estaciones 3 horas
Aforos direccionales 3 intersecciones 12 horas
Encuestas Origen – Destino 3,240 Entre semana y fin de
semana
Encuestas de preferencia SDR Entresemana y fin de
declarada semana
Estudio de viajes en autobús 2 estaciones Frecuencia de paso 12
horas
SDR: Sin Dato Reportado. Fuente: estudio de referencia.
Con el resumen del volumen y la ubicación de los trabajos en

campo, se procede a revisar los siguientes aspectos desde el punto de
vista conceptual:
• El sitio de ejecución de los trabajos de campo debe corres-

ponder al planteamiento conceptual para la descripción de
las condiciones de circulación y la delimitación de la red de
relevante en la que se estima tendrán lugar los efectos más
importantes del proyecto en evaluación. Este alineamiento de
actividades garantiza la secuencia lógica del proceso de mo-
delación en particular la etapa de caracterización de la oferra
en el modelo de captación y asignación. De la misma forma,
permite optimizar los recursos empleados.

• La ubicación de las estaciones en las que se realizan las en-
cuestas origen-destino y aforos vehiculares son de relevancia
ya que con esta información se estima, por un lado, la distri-
bución espacial y temporal de viajes y por otro se expande la
muestra de encuestas una vez obtenido el tránsito promedio
diario anual. Por lo tanto, deben estar localizadas en sitios óp-
timos respecto a la estructura de la red actual y futura (con
proyecto) para evitar que la representación sea incompleta o
excesiva. En efecto, es común observar que se utilicen varias
estaciones de encuestas origen-destino en redes simples. Con
lo anterior, se genera un efecto de doble conteo por lo que
es necesario un tratamiento específico para aminorarlo evi-
tando con ello la sobre representación de ciertos pares y la
integración de una muestra sesgada. La ausencia de una co-
rrección de este efecto es una señal importante de una fuente
de error. La magnitud de este sesgo impacta de manera im-
portante la robustez de los resultados.
• Zonificación. Esta actividad de agregación y representación
del espacio se puede realizar a diversos niveles en la medi-
da que el foco del problema se aleja de la zona de estudio y
la incidencia del proyecto en la red es menos importante. La
condición para hacerlo es explicar los supuestos empleados
en esta decisión de modelación. Una manera de hacerlo es
referir la zonificación al nivel de desagregación espacial más
pequeño y posteriormente generar, por agrupación de estas
entidades, zonas más extensas. Por ejemplo: AGEB/colonia
– municipio – localidad – estado – región. Una de las limitan-
tes para generar zonas de transporte, en lugar de las unida-
des de agregación espacial sugeridas, es el requerimiento de
métodos de agregación para las variables macroeconómicas
que se requerirán posteriormente para elaborar el modelo de
pronóstico. Si bien se pudiera utilizar diversos métodos para
tal efecto, hay poco consenso general por alguno de ellos. En
todo caso, requieren documentarse para conocer su robustez
y contribución al afluente del error del modelo. Una vez defi-
nidos los niveles de agregación espacial, es necesario revisar
la zonificación planteada a lo largo del trazo del proyecto y
en particular los entronques e interconexiones del proyecto
con la red actual. Una zonificación excesiva en el entorno del

trazo del proyecto podría generar sobreestimación en la cap-
tación. Por el contrario, el uso de niveles de agregación muy
amplios pueden subestimarla. En este sentido, es importante
verificar que las zonas incluyan el entorno de las localidades
(sitios de baja población), los sectores de una ciudad que tie-
nen conexión directa con el acceso al proyecto y finalmen-
te, los polígonos de instalaciones atractores /generadores de
un alto volumen de viajes (centros comerciales, centrales de
abasto, terminales de transporte, mercados, sitios turísticos,
etc.) denominados también puntos singulares. En la elabo-
ración de los formatos de las encuestas Origen-Destino debe
tomarse en cuenta el nivel de agregación espacial para colec-
tarla conforme a las definiciones conceptuales.
• Segmentación del mercado. En planteamiento conceptual del
estudio de demanda requiere incluir una definición respecto
al enfoque a emplear para analizar las diferentes clases que
integran el flujo vehicular durante el proceso de modelación.
Por su parte, la colecta de información de aforos previos (e.g.
datos viales de la SICT) permite tener un conocimiento pre-
vio de la composición vehicular y sobre todo de la magnitud
del volumen de cada clase vehicular. En ambos casos, esta
información debe considerarse para la planeación de los es-
tudios de campo y en el caso particular de las encuestas iden-
tificar el tipo de clase vehicular que requiere mayor atención
para completar las muestra.
• Tipo de movilidad y días representativos. Con la definición de
la zona de estudio y en particular el entorno de la red relevan-
te se procede a identificar el tipo de movilidad prevaleciente.
Básicamente, puede tratarse de una movilidad cotidiana de
tipo urbana, interurbana; una movilidad turística de fin de
semana o una movilidad de tipo mixta (cotidiana y turísti-
ca). Dependiendo de cada caso, la duración de los estudios de
transporte debe incluir la toma de información en los días en
que se presente esta movilidad con la finalidad de caracteri-
zarla durante el proceso de modelación. Es común el caso en
que se desconoce con precisión el tipo de movilidad prevale-
ciente, en este caso conviene extender la duración del estudio
durante una semana justamente con la finalidad de despejar
esta incógnita. Una vez que se colecta la información de los

aforos, es posible confirmar el o los tipos de movilidad pre-
sentes durante el día de mayor afluencia vehicular y con ello
establecer el periodo de modelación.
• Distribución espacial de viajes. En cuanto a la formación de
las matrices, se refieren el proceso para estimar los factores
de expansión a partir de las encuestas colectadas, los aforos
vehiculares (la hora, el sentido, el tipo de vehículo) el tipo de
día y la estacionalidad de la demanda. En la figura 143 de la
página 157, se muestra un esquema de cálculo del factor de
expansión el cual resulta del producto del factor hora, día,
sema y año.
5.3.1 Revisión instrumental de la caracterización de la oferta

Los elementos relevantes para revisar en el proceso de caracterización
de la demanda son: a) la calidad del muestreo y el proceso de expan-
sión de las encuestas Origen-Destino (OD) y Preferencias Declaradas
(PD), b) la conformación de la matriz inicial de viajes conforme a
la segmentación de demanda y los periodos de análisis correspon-
diente, c) la estimación de los valores subjetivos del tiempo de los
segmentos de usuarios considerados y d) la información complemen-
taria que permite aportar elementos para la calibración del modelo
de captación. A continuación, se procede a evaluar cada uno de estos
componentes.
a) Calidad del muestro y proceso de expansión de las encuestas

OD y PD.
Muestra encuestas OD. El tamaño muestral en términos de una
encuesta origen-destino generalmente debe referirse a una propor-
ción de los volúmenes vehiculares en las vialidades o zonas de estu-
dio. Dado que en algunos casos es difícil conocer este dato para una
carretera en particular, antes de aplicar las encuestas en campo, se uti-
lizan fórmulas que determinan el tamaño de la muestra para un par
origen-destino en particular. Sin embargo, la fórmula comúnmente
referida (ver fórmula de la parte inferior) en los estudios de demanda
es aquélla en la que el tamaño de la muestra depende del producto
de la probabilidad de encuestar (p) o no (1 - p) a las personas que se
desplazan de un origen a un destino en particular siendo N el total de
viajes de ese par origen-destino, e el error aceptable y Z el intervalo
de confianza. Dicha forma además de aplicar para pares origen-des-

tino donde se conoce el volumen de viajes converge a un total de 86
encuestas para un total de 100 viajes, 320 para 1000 viajes y 360 para
10,000 viajes. Por lo tanto, debe aplicarse conociendo estos alcances.”
Desafortunadamente, el total de viajes de un par origen-destino

solo se podría estimar expandiendo la muestra, pero al hacerlo se
están incluyendo los sesgos de la muestra con lo cual siempre se ten-
drá una muestra sesgada. Por otro lado, tampoco podría conocerse a
priori el total de viajes. El error de interpretación, que generalmente
se comente al aplicar esta fórmula sin rigor técnico, es suponer que N
corresponde al TPDA o al volumen vehicular en determinado perio-
do o estrato. Esto equivale a suponer que todos los vehículos aforados
tienen el mismo origen destino lo cual obviamente es poco probable.
1. La verificación práctica que se hace respecto al tamaño de la

muestra es el cumplimiento de los siguientes criterios:
2. que el tamaño de la muestra represente al menos entre 5-7%
del flujo vehicular en la estación encuestada,
3. que el proceso de aplicación de las encuestas sea homogéneo
sin detenciones (periodos del día sin registros de encuestas) y
con un alto control de calidad por medio de una supervisión
efectiva durante el periodo que duren la aplicación,
4. que al menos se obtengan 40 encuestas de cada segmento de
mercado en particular en el periodo que se pretende carac-
terizar,
5. que las estaciones se ubiquen en un punto estratégico tal que
permita captar los principales pares origen-destino que se
pretende analizar,
6. que se lleve a cabo un correcto procedimiento de expansión
de la muestra.
Muestra encuestas PD. En este tipo de encuestas aplican un marco

teórico distinto por lo que la robustez de la muestra solo se puede
demostrar una vez que se obtienen los estimadores econométricos
correspondiente a los modelos de elección discreta (ver por ejemplo

Ortúzar, 2011; Hensher, 2010). Análogamente a las encuestas OD, se
pueden realizar las siguientes verificaciones prácticas:
1. La cantidad de encuestas a aplicar depende principalmente

de tres factores: la cantidad de variables explicativas, los ni-
veles de variación que se emplean para caracterizar el ejerci-
cio de elección presentado a los encuestados y la cantidad de
segmentos de mercado a analizar (e.g. clases vehiculares, lon-
gitud del viaje, tipo de movilidad, entre otros). En ejercicios
prácticos simples generalmente se emplean la variable tiempo
de recorrido, el costo de viaje y se pueden emplear hasta 3 ni-
veles de variación para cada una de estas dos variables lo que
resulta en un experimento completo de 8 tarjetas. En caso de
incluir más de dos variables y más de dos niveles de variación
se requiere realizar un diseño experimental fraccionado o di-
seño óptimos. Es necesario verificar, que estas definiciones y
conceptos se empleen al momento de documentar el diseño
de las encuestas PD.
2. El diseño experimental empleado y la forma práctica en que
se pretenda obtener las observaciones es determinante de la
calidad de los resultados. En efecto, una encuesta debe incluir
necesariamente el diseño experimental que hace explícito el
contenido de las tarjetas que serán presentados a los usuarios
y en su caso indicar las tarjetas del diseño elegido que se in-
cluirán en los bloques o segmentación del diseño completo
para facilitar su aplicación evitando con ello el sesgo por fatiga
del encuestado. En casos donde se requiere incluir una gran
cantidad de variables en el diseño, se asume que la elección
que manifiesta un encuestado en una tarjeta corresponde a
un pseudo individuo, por lo tanto, es posible presentar un
bloque de tarjetas a diversas personas ya que las elecciones al
final de cuentas se pueden integrar como su fuera una misma
persona quien aportó todas las respuestas. En este sentido, se
requiere verificar que el informe de referencia incluya al me-
nos la descripción del tipo de diseño experimental empleado,
las variables elegidas para caracterizar la elección, sus niveles
de variación y los valores que serán incluidos en cada tarjeta,
así como los bloques, de ser el caso, en que dichas tarjetas
serán agrupadas para su aplicación.

3. A cada segmento de demanda debe corresponder un diseño.
Un criterio común para segmentar la demanda es a través de
las clases o grupos vehiculares. En este caso, la clase vehicular
está asociada a un mecanismo de elección y valores de re-
ferencia distintos. En efecto, tanto los tiempos de recorrido
como la disponibilidad al pago son distintos para los conduc-
tores de los vehículos particulares respecto a los vehículos de
carga. Estos a su vez son distintos según las características
de carga del vehículo, el valor de la mercancía traslada y del
agente económico que cubre el costo del viaje. Es necesario
verificar que estas consideraciones sean tomadas en cuenta
cuando se elabora el diseño experimental puesto que impli-
can que cada segmento de demanda debería tener su diseño
específico para evitar los sesgos de inducción que resultan
al presentar al encuestado valor lejanos de la realidad de sus
desplazamientos. Una forma práctica de verificar lo anterior,
es explorando la forma de agrupación de los cuadernillos de
tarjetas empleados al realizar las encuestas OD. Deberían
existir tantos cuadernillos como segmentos de demanda se
hayan estudiado.
4. Las diferencias es lo único importante. Considerando que la
probabilidad de elegir una alternativa generalmente está defi-
nida por la diferencia entre los valores de las variables expli-
cativas se requiere verificar que en los diseños experimenta-
les se incluyan diferencias que sean relevantes, perceptibles
y practicas por el usuario. Los ahorros de tiempo entre dos
alternativas menores de 5-10 minutos son poco perceptibles
para los usuarios al igual que las diferencias monetarias bajas.
Adicionalmente, también es necesario constatar que en las
tarjetas se eliminen las elecciones dominadas. Es decir, evitar
ejercicios de elección en las que una alternativa sea claramen-
te superior a la(s) otra(s) en términos de beneficios para el
conductor.
5. Contenido de las tarjetas de elección. La forma en que se pre-
sentan las alternativas de elección en una encuesta PD pue-
de ser determinante en los resultados ya que puede sesgar
las respuestas. Si las tarjetas se muestran con imágenes que
contrasten entre la situación actual y la alternativa, es posible
que el encuestado sea influido por estas imágenes a la hora

de hacer su elección. De la misma forma, si el tamaño de las
letras usa colores o tamaños distintos van a generar que el
encuestado se enfoque hacia las variables o alternativas mas
llamativas pudiendo ignorar el resto de la información con
lo que su elección se realizaría con información incompleta
entre las alternativas.
6. Las alternativas de elección de las tarjetas deben evitar la in-
ducción de respuestas permitiendo al encuestado optar por
una opción distinta a las presentadas en caso de que las des-
critas se alejen de su realidad. En este sentido, se recomienda
emplear escalas de respuesta o escala de intención al encues-
tado a fin de representar de la mejor manera la elección de
una de las alternativas.
7. Efectuar una prueba piloto. Es conveniente realizar y docu-
mentar la realización de una prueba piloto del diseño de las
encuestas PD para verificar: a) que los encuestados entienden
el planteamiento del ejercicio de elección, b) eliminar los po-
sibles errores de diseño y sesgos como los referidos previa-
mente, c) los encuestadores se familiaricen con los conceptos
y valores del diseño, y d) se elabore una estimación prelimi-
nar de los parámetros del modelo de elección verificando que
los estimadores de bondad de ajuste relativos a la teoría de
máxima verosimilitud se encuentren en la dirección espera-
da. La ausencia de esta buena práctica es un buen indicador
para conocer sobre la calidad de los resultados esperados.
Factor de expansión. Los métodos estadísticos para obtener el

tamaño de la muestra en encuestas de movilidad o encuestas ori-
gen-destino requieren de una variable a estudiar y del conocimiento
aproximado de su dispersión lo que implica conocer valores de ten-
dencia central. La dificultad para completar este requisito es justa-
mente determinar ¿cuál es la variable para estudiar en una encuesta
de movilidad? Dado que se trata de un problema multidimensional
y multifactorial, la selección es difícil y en muchos casos limitada.
Por otro, también existen limitaciones en los recursos disponibles
(tiempo y costo) lo que dificulta seguir los métodos convencionales
de dimensionamiento de la muestra. Una forma práctica de solventar
esta situación es considerar como variable de medición el volumen
vehicular del periodo que se considere evaluar (diario, fin de sema-

na, etc.) y la desviación estándar la variación de dicho volumen a lo
largo de los días de una semana. Incluso se puede emplear la com-
posición vehicular como un elemento adicional de desagregación.
Bajo esta consideración se puede establecer como criterio que el total
de encuestas por estación corresponda al 3-5% del TPDA (Tránsito
Promedio Diario Anual) estimado o conocido y que el mínimo de
encuestas a obtener por clase vehicular sea al menos de 40. Entre me-
nor certeza se tenga del orden de magnitud del TPDA mayor debe ser
el porcentaje de encuestas dentro del rango indicado. Para lograr el
objetivo del tamaño de la muestra se cuenta como variable de ajuste
la duración de las encuestas y la cantidad de encuestadores en la es-
tación, aunque también es necesario tomar en cuenta el rendimiento
de encuestas elaboradas por encuestador por turno de trabajo mismo
que depende de la longitud, complejidad y modalidad de aplicación
de la encuesta (impresa en papel, electrónica, apps). Una vez obtenida
la muestra de encuestas, es necesario verificar lo siguiente:
1. La muestra de encuestas debe validarse a fin de eliminar los

registros incorrectos. Para tal efecto es recomendable geofe-
renciar los orígenes y destinos de cada encuesta verificando
que la información indicada por el encuestado o anotada por
el encuestador sea lógica y consistente. La representación geo-
gráfica del conjunto de pares origen-destino muestra también
el área de influencia del proyecto con lo que es posible verifi-
car o ajustar la zona de estudio en el proceso de modelación.
2. El tamaño de la muestra para el tipo de movilidad a analizar
(cotidiana, turística, diaria, de fin de semana, etc.) correspon-
da al rango de porcentajes de TPDA recomendado y que al
menos se hayan colectado 40 encuestas para todas las clases
vehiculares a analizar.
3. Como parte de la expansión se debe incluir un proceso de
eliminación de dobles conteos cuando se utilicen dos o más
estaciones de encuestas. Al respecto es importante mencio-
nar que: en primer lugar, el problema del doble conteo es un
problema generado, como ya se referido, por una inadecuada
estrategia de ubicación de las estaciones de encuestas ya que
cierta cantidad de viajes puede estadísticamente ser registra-
do dos o más veces en determinadas estaciones lo que genera
un sesgo de representación. En segundo lugar, no existe con-

senso generalizado respecto a la técnica más adecuada para
eliminar los dobles conteos ya que se trata de un problema
de n variables en la que existe limitada información para ga-
rantizar que existe una solución única al problema. Esto es,
existen más incógnitas que ecuaciones por lo que el problema
no tiene una solución única. Lo mejor que se puede utilizar
son métodos heurísticos que no necesariamente respetan las
restricciones del problema.
4. La muestra de encuestas debe incluir un factor de expansión
para conocer el comportamiento del volumen vehicular en su
conjunto (universo) y entonces analizar adecuadamente las
preguntas incluidas en el cuestionario que a su vez son parte
del diagnóstico de movilidad. La omisión de este paso impli-
ca presentar resultados sesgados.
5. El factor de expansión debe obtenerse de la manera más des-
agregada posible incluyendo: sentido de circulación, clase
vehicular y en su caso hora o periodo del día. Para ello, es ne-
cesario que el sitio de encuestas esté vinculado directamente
a la ubicación de las estaciones de conteo (aforos).
6. Se debe verificar, para cada estación en particular, el total de
encuestas afectadas por el factor de expansión repliquen tanto
el TPDA, el volumen direccional y la composición vehicular.
7. El caso que se obtenga resultados de encuestas de más de una
estación es necesario revisar los procedimientos de agrega-
ción de encuestas. En efecto, dependiendo de la ubicación de
las estaciones, es posible que se genere el efecto de doble con-
teo. En este caso deberán describirse los métodos empleados
para minimizar este efecto.
8. El diagnóstico de las condiciones de circulación se basa en
gran parte en los resultados de las encuestas origen-destino.
Es por ello, que su análisis debe realizarse con la muestra ex-
pandida con lo controles ya citados a fin de que la informa-
ción reportada sea coherente y estadísticamente insesgada a
fin de propiciar un entendimiento adecuado de las necesida-
des de movilidad.
b) Conformación de la matriz inicial de viajes

Con el proceso de expansión de las encuestas debidamente rea-
lizado se dispone de una primera caracterización de la distribución

espacial de viajes que se utiliza como insumo para ajustar el modelo
de captación y asignación. A este nivel, la eliminación de sesgos por
doble conteo debe estar atendida. Para utilizar la muestra expandida
como una matriz de viajes al recuperar el vector de origen, destino y
factor de expansión, se requiere realizar los siguientes controles:
1. Verificar que la distribución espacial del conjunto de via-

jes sea lógica y consistente con el conocimiento general
del problema planteado conceptualmente. Para ello,
generalmente se emplean niveles de agregación espacial
amplios pero compatibles con los criterios de zonificación. El
uso de macrozonas es una forma simple de realizar esta revi-
sión. Se recomienda emplear menos de 10 macrozonas para
visualizar la distribución espacial de viajes resultantes. Ello
permite, conocer la magnitud de los viajes internos, externos,
del exterior hacia la zona de estudio y viceversa. De esta for-
ma se pueden detectar desviaciones o resultantes distintos a
los esperados lo que orienta la necesidad de hacer correccio-
nes o adecuaciones a los procesamientos previos.
2. Verificar que la distribución espacial de viajes por clase vehi-
cular sea consistente. En este caso, se puede diferenciar entre
vehículos de carga ligera, carga pesada, autobuses y vehículos
particulares. Por lo general, estas clases vehiculares tienen pa-
trones de comportamiento distinto tanto en volumen como
en distribución espacial por lo que deberían diferenciarse
claramente.
3. Verificar que la distribución de longitudes de viajes se en-
cuentre dentro de los rangos correspondientes a la zona de
estudio y conforme a estudios similares según el tipo de mo-
vilidad analizada. La representación gráfica del volumen o
frecuencia de viajes en función de la distancia entre el par
origen-destino, considerando la red de carreteras y vialidades
existentes), permite verificar que los patrones obtenidos co-
rresponden en su forma de distribución y magnitud a los re-
sultados de estudios similares. De ser el caso, se pueden em-
plear como criterios de calibración del modelo de asignación
y en caso contrario realizar las verificaciones y correcciones
correspondientes.
c) Estimación de los valores subjetivos del tiempo

Los aspectos técnicos mínimos que debe atender las encuestas de
PD son: el diseño experimental, la aplicación de las encuestas y la
estimación econométrica de los valores de tiempo.
Diseño experimental. Las encuestas de preferencias declaradas

permiten colocar al conductor en un contexto de elección a fin de
que manifieste sus preferencias a través de un experimento de elec-
ción entre alternativas que disponen de diversos de atributos. Gene-
ralmente se aplican en situaciones inexistentes o futuras en la que se
pretende conocer las posibles decisiones del usuario. En este caso, se
trata de ofrecer al conductor actual la opción de realizar su viaje en
un tiempo más corto respecto a su tiempo de viaje actual a cambio
del pago de una tarifa que en este caso sería cobrada por el uso de
la autopista. Colocar a un usuario en esta situación de elección se
le denomina “experimento” en tanto que, a las características de las
alternativas entre la carretera actual y libre de pago, así como de la au-
topista futura más rápida, pero con un costo se denominan atributos.
A los valores que estos atributos pueden tomar se les conoce como
niveles de variación. En este sentido, el diseño experimental consiste
en elegir los atributos, los niveles de variación más conveniente y la
combinación de ambos de tal manera que se logre un experimento
controlado en el que se cubran la mayor parte de combinaciones dada
los atributos y sus niveles de variación.
Existen técnicas estadísticas y econométricas que permiten lograr
este objetivo minimizando el número de experimentos y maximizan-
do las posibilidades de generar especificaciones que permitan expli-
car estas decisiones. A este proceso es parte del diseño de experimen-
tos y existen técnicas como el diseño ortogonal o diseños óptimos
entre otros.
La diferencia es que un diseño ortogonal contempla todas las
combinaciones posibles entre las variables y sus niveles de variación.
Sin embargo, es aplicable cuando se eligen atributos y niveles de va-
riación reducidos. Un diseño optimo por su parte, permite incluir en
el experimento de elección más atributos y más niveles de variación,
pero la especificación de las funciones de utilidad a estimar para ex-
plicar la elección del usuario tiene más restricciones.
En la práctica de los estudios de demanda en el sector carretero
generalmente se utiliza como atributos mínimos el tiempo y el costo

de viaje. A menos que exista una gran heterogeneidad de usuarios en
cuanto a sus tiempos y costos de viaje con dos o tres niveles de varia-
ción es suficiente para estimar el valor del tiempo.
En la sección “Revisión instrumental de encuestas PD” se refie-
ren ciertos controles a realizar durante el diseño experimental, por
lo que deben las desviaciones detectadas deben valorarse para orien-
tar la estimación econométrica y en su caso realizar los tratamientos
adecuados para reducir los sesgos. De esta forma, las verificaciones a
considerar son:
1. El diseño experimenta debe estar claramente indicado: va-

riables explicativas con sus respectivos valores de referencia,
niveles de variación de cada variable, tipo de diseño experi-
mental, conjunto de tarjetas con los valores de la situación de
referencia y las alternativas, así como las escalas de intención
o esquema de elección de alternativas.
2. La cantidad de tarjetas empleadas en el experimento debe ser
compartible con las variables explicativas, sus niveles de va-
riación y el tipo de diseño experimental empleado.
3. Los valores de referencia y los valores de las alternativas de
las variables explicativas deben ser consistentes con el orden
de magnitud de los ahorros y costos previstos en el proyecto.
4. Los diseños experimentales deben ser compatibles con la
segmentación de demanda propuesta en el planteamiento del
estudio o los alcances solicitados. Los diseños deben incluir,
por consiguiente, segmentación por clase vehicular, segmen-
tación por tiempo o distancia recorrida o cualquier otro cri-
terio de desagregación.
Aplicación de las encuestas. La aplicación de este tipo de encues-

tas es bastante relevante ya que los técnicos que la aplican requieren
pericia y experiencia para explicar el experimento y plantear las alter-
nativas, así como la totalidad de tarjetas que se hayan incluido en el
diseño experimental. Por otro lado, el diseño es determinante ya que
puede generar sesgos de fatiga o de tasas altas de rechazo o abandono
del ejercicio. Por ello, previamente a la estimación econométrica y
una vez evaluados los elementos de un correcto diseño experimental,
se requiere validar los siguientes aspectos:
• Verificar y etiquetar las encuestas incompletas, es decir, que

omitieron aplicar todos los experimentos cualesquiera que
haya sido la razón (abandono de la encuesta, descuido del
encuestador, etc.)
• Verificar y etiquetar las encuestas que presentan sesgos de
lexicografía. Es decir, encuestados que siempre eligieron la
misma alternativa a pesar de que no eran dominadas.
• Identificar las encuestas que contienen errores sistemáticos
o patrones de elección repetitivos ya que estos pueden co-
rresponder a resultados producidos por el encuestador con el
afán de cumplir alguna meta en la entrega de resultados. Para
ello, se filtran las elecciones reportadas por un encuestador en
particular, se verifica la productividad promedio o las horas
de realización de cada encuesta.
• Se verifica que la captura de la elección de las alternativas en
cada alternativa sea consistente con las cédulas y las tarjetas
utilizadas en campo. Es común que se confunda el número
de tarjeta y la clave de la respuesta o que existan errores de
transcripción durante el proceso de captura.
Estimación econométrica de los valores de tiempo. Una vez aplica-

da la encuesta de PD conforme al diseño experimental, se procede a
estimar los parámetros que explican la elección de los usuarios. Las
teorías que sostienen este proceso son la de los modelos de elección
discreta y la teoría de la utilidad aleatoria que a su vez forma parte de
la teoría microeconómica del consumidor. Básicamente consiste en
asumir que los conductores eligen la alternativa de viaje que le aporta
mayor beneficio o utilidad.
Por lo tanto, el problema se resume a estimar los coeficientes que
ponderan el tiempo y el costo que integran a su vez función de utili-
dad. Esta función se asocia a una probabilidad de elección al ser un
problema aleatorio ya que los gustos y preferencias de los usuarios
son distintas y se reconoce que es difícil explicarlas en su totalidad.
La función de probabilidad corresponde a una familia de modelos
llamado de elecciones discretas específica para situaciones en donde
el número de alternativas limitada o finitas (ejemplo elegir entre una
autopista a peaje o una carretera libre para realizar un viaje).
En el caso de elecciones entre dos alternativas, el modelo más sim-
ple a utilizar es el denominado logit binario. Este modelo explica que

la elección de la alternativa de peaje se concreta cuando la utilidad de
esta opción es mayor que la de la carretera libre dado una diferencia
de tiempo entre ambas y una serie de factores que de manera interna
procesa en ente que elije y que se reflejan en un término constante en
la función de utilidad.
El procesamiento del conjunto de decisiones obtenidas con los
experimentos aplicados permite estimar los coeficientes de tiempo
y costo, así como la constante de la función de utilidad del modelo
de probabilidad para toda la población encuestada. Para tal efecto, se
requiere aplicar el método econométrico denominado de máxima ve-
rosimilitud el cual es específico para este tipo de encuestas. Los estima-
dores resultantes del análisis econométrico de la función de utilidad
aportan los indicadores de la calidad del ajuste y estos son al menos:
el valor t de student para determinar qué tan significativa es la variable
explicativa considerada en la función de utilidad, el signo de los coefi-
cientes de la función de utilidad, el log de verosimilitud solo constantes y
el final con las variables explicativas y el valor rho ajustado.
Estos valores son generados por un software comercial especiali-
zado de manera automática siendo estas salidas las evidencias de que
el proceso de estimación de los valores de tiempo, que es la relación
entre el coeficiente de costo y tiempo, se obtuvieron de manera ade-
cuada, conforme al estado de la práctica.
De esta forma, los controles a realizar se resumen a lo siguiente:
1. La técnica econométrica para estimar el modelo de elección

debe corresponder al de máxima verosimilitud. Para ello
debe utilizarse un software especializado que permitan obte-
ner, al menos, los estimadores “base” siguientes: t de student,
log de verosimiltud solo constantes, log de verisimilitud final,
y rho ajustado. Se requiere evidencia técnica contundente de
lo anterior (tablas de resultados, pantallas de resultados del
software, etc.).
2. Los valores de los estimadores bases deben tener los signos
correctos y los valores encontrarse en los rangos lógicos o
aceptables. Por ejemplo, el valor t de student debe ser del or-
den de 2 para garantizar un 95% de confiabilidad de que la
variable explicativa considerada es significativa, el tiempo y el
costo deben tener signos negativos al impactar de forma ne-
gativa la función de utilidad, el log de verosimilitud definitivo

debe ser superior al valor con solos constantes.
3.
4. Los valores de tiempo resultantes deben ser coherentes según
el estrato o segmento de que se trate. Por ejemplo, los vehí-
culos de carga tienen un valor de tiempo superior al de los
vehículos particulares.
d) Colecta de información complementaria para el modelo de

captación.
La colecta de información adicional relativa a la demanda permite
incorporar al modelo de asignación mayores elementos para su ajuste
lo que aporta una mayor cantidad de garantías técnicas a las estima-
ciones.
Algunos de estos estudios adicionales pueden ser aforos direccio-
nales, los aforos manuales, estudio de frecuencia de paso de autobu-
ses entre otros.
Los aforos direccionales pueden emplearse para mejorar la calibra-
ción de modelo aportando observaciones adicionales o restricciones
para replicar los volúmenes vehiculares en las intersecciones. Sin
embargo, este tipo de información requiere un procesamiento pre-
vio para hacerlo compatible con un modelo de asignación. Se debe
elaborar, por ejemplo, diagramas de volúmenes por clase vehicular
que cumplan con el principio de conservación para que los flujos
entrantes a la intersección, en un periodo de tiempo determinado,
correspondan a los salientes y los flujos convergentes o divergentes
están disociados de los aforos transversales.
Los aforos manuales en secciones transversales se utilizan para co-
rregir los errores que generalmente se generan en los registros obteni-
dos con los equipos neumáticos de conteo. Es común que se generen
problemas de lecturas o de clasificación ya sea por la naturaleza del
mismo tránsito, la ubicación de la estación o por rotura de los neumá-
ticos colocados en el pavimento. Para solventar estos inconvenientes
se aplican factores de corrección a los registros obtenidos. Es por ello,
que durante el procesamiento de los registros de aforo se debe incluir
un proceso de corrección a través de factores que ponen en relación
los aforos realizados por persona contra los obtenidos por el contador
automático. En este sentido, es necesario tomar en consideración que
incluso los aforos manuales pueden incluir errores cuando se omiten
los controles correspondientes a los aforadores. Lo más recomenda-

ble en estos casos es realizar aforos con video que permitan contabi-
lizar en una situación más contralada el número de vehículos y con
ellos obtener los factores de corrección. Estos factores deberán ser lo
más desagregado posible: por sentido de circulación, periodo del día,
clase vehicular.
Estudio de autobuses. En el caso de estudios en carreteras, los vehí-
culos de transporte público representan un desafío técnico que es ne-
cesario atender a varios niveles. Para ello, se requiere conocer la natu-
raleza de estos servicios en la zona de estudio. En efecto, en una zona
de estudio pueden converger servicios locales de transporte público y
servicios de mediano y largo recorrido en conjunto con los servicios
turísticos en autobús. Cada uno de estos servicios tiene una lógica de
operación distinta por lo que es importante determinar que estudio
es más pertinente en cada caso. Tratándose de servicios de transporte
federal o interurbano de ruta fija es conveniente realizar estudios de
frecuencia de paso con identificación de la empresa y destino de la
unidad. En el caso de autobuses de turismo, la identificación es más
difícil, pero podría realizarse en forma conjunta con un estudio de
frecuencia de paso. La dificultad posterior será la de conocer el des-
tino del vehículo. Finalmente, tratándose de servicios de transporte
público urbano, se requiere identificar el trazo de la ruta y obtener
otros datos operativos para conocer el tamaño de la flota que regu-
larmente estaría siendo registrada por los equipos de conteo. Adicio-
nalmente, es importante verificar el tratamiento que se dará a este
segmento de demanda pues en muchos casos, estos servicios se verán
poco afectados en el corto plazo y permanecerán usando el mismo
itinerario a pesar de que el proyecto genere una alternativa de viaje
mas eficiente. El tratamiento de este segmento en el proceso de arma-
do del modelo de captación y asignación debe ser consecuente con
estas particularidades por lo que generalmente se considera como un
segmento matricial fijo en la composición de la matriz de viajes.
5. 4 Modelo de captación
El modelo de captación incluye la metodología, métodos y herra-
mientas de modelación empleadas para estimar la demanda de un
proyecto de transporte ante diversos escenarios y horizontes de estu-
dio. En el capítulo 2 y 3 se refieren algunos modelos de captación ha-
ciendo énfasis en el caso del modelo de planeación estratégica que es
corresponde a uno de los más comúnmente utilizados. Sin embargo,

dependiendo del proyecto y sus alcances es factible generar variantes
o adecuar el modelo clásico de cuatro etapas.
Debido a las limitaciones de tiempo y recursos, es común que,
en México, el modelo de captación se limite a calibrar un modelo de
asignación y posteriormente proyectar el tránsito o las captaciones a
través de tasas de crecimiento a lo largo de la vida útil del proyecto.
Bajo este enfoque de trabajo, se asume implícitamente que la distribu-
ción espacial de viajes permanece constante a lo largo del horizonte
de evaluación ya que tanto la generación-atracción como la partición
modal permanecen estables por lo que el eventual crecimiento de la
demanda se limitará a un crecimiento tendencial basado en obser-
vaciones históricas. En términos más amplios se trata de un modelo
de demanda inelástico. De ahí que su capacidad de predicción tenga
estas limitaciones.
Una alternativa de modelación seria emplear un modelo conven-
cional de 4 etapas con retroalimentación y atender todas las limita-
ciones de este tipo de modelos conforme se ha descrito tanto en el
capítulo 1 y 2. Se trata, por lo tanto, de una amplia área de oportu-
nidad para ampliar en la práctica de las estimaciones de demanda y
evaluación de proyectos para el país.
Con base a estas consideraciones, los siguientes párrafos se limi-
tan a señalar algunos controles que deben realizarse para determinar
la calidad técnica del proceso de calibración del modelo de asigna-
ción el cual debería permitir replicar las condiciones de circulación
observadas en campo con un nivel aceptable de aproximación.
En esta sección se dictamina la calidad técnica del modelo de
asignación para replicar las condiciones actuales observadas en
campo. La calidad del proceso de calibración o ajuste del modelo de
asignación se verifica, por un lado, a partir de los valores de tiempo
utilizados (por tipo de usuario y motivo de viaje según los alcances
del apéndice 1) los cuales deben corresponder a los valores estimados
a través del modelo econométrico pertinentes (en este caso de máxi-
ma verosimilitud) y por otro lado, considerando que la calibración se
debe realizar en el marco de un modelo de asignación multiclase (5
clases de vehículos), por lo que es necesario.
1. Verificar en la medida de lo posible que el informe de refe-

rencia esté acompañado de archivos del modelo de asigna-
ción. Es una práctica poco común que este tipo archivos se

compartan o se permita el acceso a ellos. En algunos casos,
es posible tener comunicación con los autores del estudio y
en este caso es posible solicitar algunas evidencias para com-
probar la robustez del modelo de oferta (caracterización de la
red y sus atributos geométricos y operativos) y de la demanda
(matriz de viajes a un nivel de agregación operativo para veri-
ficación). De ser el caso y contar con las facilidades se deben
solicitar pruebas de conectividad, de indicadores de desem-
peño y mapas temáticos de los atributos de los elementos de
la red para verificar que modelo de asignación entrega valores
razonables.
2. Verificar que el tipo de asignación utilizada sea compatible
con la conceptualización del problema. En el caso particular
de evaluación de un proyecto de infraestructura con cobro
de peaje corresponde utilizar la asignación al equilibrio del
usuario por costo generalizado. En el caso que sea una red
con baja congestión resulta razonable utilizar el equilibrio de-
terminista en tanto que si la red tiene efectos de congestión
es más natural el equilibrio estocástico. En todo caso, desde
el planteamiento del problema debe existir una coherencia en
todas las etapas de modelación hasta la selección del tipo de
asignación a utilizar.
3. Analizar el conjunto de criterios empleados para demostrar
que la calibración del modelo de asignación es robusta. Para
ello, se verifica la cantidad de puntos de control y su ubica-
ción, así como los criterios adicionales usados para calibrar
el modelo. Un número reducido de puntos de control para
comparar los volúmenes de tránsito por clase vehicular entre
la situación actual y los resultados de modelación correspon-
de a una garantía baja de la calidad de la calibración.
4. Revisar los indicadores de bondad o calidad de ajuste entre
los valores que corresponden a la situación actual y los va-
lores que resultan de la asignación. Estos indicadores deben
encontrarse en los rangos comúnmente aceptados en la prác-
tica internacional o en los manuales de modelación recono-
cidos por las instituciones que sancionan estos estudios. En
México, por ejemplo, se tiene el Manual de modelación de
la SCT. Los indicadores generalmente utilizados son de dis-
persión siendo los más empleados: coeficiente de correlación

(r2), el indicador GEH, el error cuadrático medio (RMSE)
y otras variantes. Por otra parte, también se deben verificar
las evidencias que demuestren que las pruebas de bondad de
ajuste fueron realizadas y corresponden a los valores repor-
tados. Para ello, los informes de referencia deben incluir las
evidencias tabulares y gráficas que sustenten la robustez de
las pruebas realizadas.
5. Adicionalmente, debe verificarse que el modelo replica en
términos generales otros indicadores de la movilidad en la
zona de estudio, los cuales son al menos: los tiempos de re-
corrido y la distribución de longitudes de viaje. Entre mayor
correspondencia entre las distribuciones correspondientes a
los datos colectados en campo debidamente validados y los
obtenidos por el modelo mayores son las garantías de calidad
del modelo calibrado y por lo tanto de los resultados que con
el se obtengan.
6. Una verificación final es analizar los mapas de asignación de
la calibración los cuales se generan con cualquier software
comercial que se haya empleado. Estos mapas con los valores
numéricos de las cargas muestran cómo se reparten en for-
ma general los flujos y aportan una evidencia adicional que el
modelo replica de forma general un comportamiento lógico
en la asignación de flujos en la red.
5.5 Asignación de tránsito

La asignación del tránsito corresponde al volumen de vehículos que
el modelo de asignación estima que circularán por la red de análisis.
Es el resultado que entrega el algoritmo una vez que obtiene el equili-
brio entre las rutas alternativas que dispone un conjunto de usuarios
que se desplaza entre un par origen-destino. A través de una herra-
mienta de simulación la matriz de viajes del periodo de análisis se
distribuye en la red a partir de criterios predefinidos para alcanzar
una situación estable o equilibrio. Los criterios de distribución de los
viajes o asignación, como ya se ha señalado previamente, general-
mente son el menor tiempo o costo de viaje o una combinación de
ambos denominados costos generalizados. En este caso, el criterio de
equilibrio, así como los criterios de convergencia los define el mo-
delador de conformidad con el criterio que se haya establecido para
analizar el problema de captación del proyecto. El volumen de vehí-

culos en cada tramo de la red es lo que se conoce como captación y
es uno de los resultados que se requieren para evaluar un proyecto.
Se requiere realizar un conjunto de asignaciones para determinar la
sensibilidad de un proyecto a ciertas variables de análisis como son el
peaje, las características geométricas y operativas del proyecto entre
otras. Adicionalmente, con la asignación se obtienen otros indicado-
res de desempeño como son los tiempos y costos de viaje, los niveles
de ocupación de la vía y de forma indirecta los niveles de servicio.
En la práctica nacional, generalmente se utiliza el criterio de equi-
librio del usuario o también llamado primer principio de Wardrop
con información imperfecta o equilibrio estocástico. Este criterio
está incluido en cualquier programa comercial de asignación llámese
TransCad, Visum o Emme.
La confiabilidad de los resultados de la asignación proviene de
utilizar: un criterio de equilibrio adecuado para la asignación, un
proceso robusto de calibración del modelo y una adecuada caracteri-
zación del proyecto en cuanto a su trazo, características geométricas y
de operación (capacidad y la velocidad de operación). En este último
punto juega un rol relevante la calibración de la función flujo demora
que es la que determina como varían los tiempos de recorrido con la
variación del volumen vehicular.
Asumiendo que el proceso de calibración del modelo de asigna-
ción se ha realizado con las garantías técnicas previamente señaladas,
es necesario realizar las siguientes revisiones en cuanto al empleo del
modelo de asignación para determinar las captaciones de un proyec-
to carretero con cobro de peaje:
1. El criterio de equilibrio utilizado en la asignación debe estar

claramente especificado. Si bien esta indicación podría haberse
enunciado durante el proceso de calibración, es necesario veri-
ficar que se utilizó el mismo criterio para garantizar que los re-
sultados son consistentes con los parámetros de la calibración,
2. La caracterización del trazo del proyecto y su conexión a la
red debe corresponder a la propuesta. Esto incluye las carac-
terísticas físicas, geométricas, operativas e incluso el esquema
de cobro en caso de estar definida (peaje abierto o cerrado y
ubicación, en su caso de las plazas de cobro). Estas caracterís-
ticas son determinantes en las captaciones por lo que podrían
inducir sesgos en los resultados.

3. Se debe incluir un análisis de sensibilidad en el que se deter-
mine la variación de la demanda del proyecto respecto a las
especificaciones aún no determinada del proyecto como son:
la velocidad de diseño, el número de carriles, la ubicación de
las casetas de cobro y el monto del peaje. En este último caso,
el análisis de sensibilidad deberá incluir la captación del pro-
yecto sin tarifa o captación potencial, la tarifa que maximiza
el ingreso o tarifa óptima y la tarifa a la que se tiene un vo-
lumen despreciable de vehículos. Al respecto, se utilizan mé-
todos indirectos para realizar la estimación de la captación a
fin de solventar el problema de la estabilidad de los resultados
respecto al criterio de equilibrio del modelo de asignación.
No obstante, este es un tema que podría solventarse usando
en el modelo de asignación funciones de congestión menos
sensibles a las variaciones de tiempo respecto al volumen de
los usuarios o otros tratamientos. Al utilizar métodos indi-
rectos, se pierde la noción de red y las interacciones de la red
tanto de los flujos totales como por clase vehicular que al final
de cuentas son los determinantes de la elección de ruta. Por
otra parte, la parametrización de estos modelos indirectos
también puede ser poco consistente comparado con todo el
esfuerzo dedicado a la calibración del modelo de asignación.
Por lo tanto, lo recomendable es usar esta herramienta para
los análisis de sensibilidad.
4. Al igual que en el proceso de calibración se deberá revisar que
los resultados de captación del proyecto tengan evidencias
que los sustenten. Los mapas con los valores de asignación
apoyan son bastante útiles en este sentido.
5.6 Modelo de pronóstico

Este modelo permite estimar la variación de la demanda de viajes a
lo largo del horizonte de evaluación del proyecto. Generalmente, se
trata de ajustar un modelo econométrico en el que se utilizan varia-
bles macro y socioeconómicas proyectadas a mediano y largo plazo.
En tanto que la variable dependiente es el tránsito por clase vehicu-
lar en un horizonte temporal determinado. A partir del pronóstico
del tránsito, se obtienen las tasas de crecimiento que se emplean para
proyectar la matriz de viajes a diferentes horizontes temporales. Este
proceso, generalmente se lleva a cabo a nivel desagregado tanto es-

pacialmente como por clase vehicular. En efecto, tanto la población
como las actividades económicas experimentan un crecimiento di-
ferencial a lo largo del territorio debido al efecto de relocalización y
desarrollo urbano. En este sentido, es necesario incluir estos niveles
de desagregación en la medida que se disponga de información de
planes de desarrollo urbano, de inversiones y proyectos de gran ta-
maño. Una vez que se ajusta un modelo econométrico que explique
los volúmenes de viajes históricos, se procede a modificar las varia-
bles independientes para los horizontes de planeación y se calcula el
total de viajes por zona de estudio. De esta forma se conforma una
nueva matriz de viajes para cada horizonte temporal de evaluación
con lo que se procede a asignarla a la red correspondiente que inclu-
ye el proyecto en operación. Finalmente, se obtienen las captaciones
correspondientes dado un trazo, las características operativas y una
tarifa previamente determinada.
La práctica nacional generalmente se apoya en un método de
crecimiento tendencial la cual simplifica en gran medida la prácti-
ca internacional misma que corresponde a la metodología descrita
anteriormente. Para aplicar el método de crecimiento tendencial se
utilizan las tasas de crecimiento históricas de las estaciones de aforo
existentes en la zona de estudio las cuales se plantea que se estimen a
través de una regresión lineal simple. La deficiencia de este método es
la inexistencia del concepto de capacidad o límite de crecimiento ya
que omite considerar el ciclo de crecimiento de la motorización y la
aparición de otras alternativas de viaje en el tiempo que llevarán a que
una infraestructura difícilmente alcance su nivel de saturación. Por
otro lado, el efecto tendencial puede considerarse válido en periodos
cortos de tiempo (3-5 años) ya que el contexto económico, social y
de desarrollo pueden cambiar drásticamente en el mediano y largo
plazo.
Para solventar esta situación se recomienda utilizar tasas de cre-
cimiento que consideren el efecto de saturación tanto de las infraes-
tructuras como del mercado del automóvil. Otra alternativa comple-
mentaria es estimar modelos econométricos que utilicen directa o
indirectamente variables independientes robustas como el Producto
Interno Bruto que es una variables que se actualizan constantemen-
te con proyecciones de mediano y largo plazo. La asociación de esta
variable con el Producto Interno Bruto Estatal y esta a su vez con los
volúmenes históricos del tránsito entrega generalmente una buena

correlación. Por lo tanto, la revisión de un modelo de pronóstico re-
cae tanto en métodos que consideren la restricción de capacidad y en
la revisión de la calidad del ajuste de la función de pronóstico a través
de los estimadores econométricos resultantes.
Una revisión final de los resultados obtenidos del modelo de pro-
nóstico consiste en estimar el porcentaje de captación del proyecto a
peaje respecto a la alternativa libre durante el horizonte de evaluación
del proyecto. De esta forma se podrá verificar si los beneficios del
proyecto están relacionados con estos porcentajes de captación y si
estos corresponden, a lo largo del tiempo, a valores confirmados en
proyectos similares que se encuentren en operación. La tabla de la
parte inferior presenta un ejemplo numérico de la captación de un
proyecto con cobro de peaje durante un periodo de evaluación de 25
años. Se podrá notar, por un lado, que la captación es alta (56%) si
tomamos en consideración el monto del peaje y el ahorro de tiempo
esperado y por otro lado, que el porcentaje de captación permanece
estable a pesar del incremento del tránsito.
Tabla 4. Porcentaje de captación de la autopista

Autopista
Tramo sin
Autopista + tramo sin % Captación
Año cuota
A cuota A/(A+B)
B
A+B
2023 8830 7078 15908 56%
2028 10559 8496 19055 55%
2033 12680 10164 22844 56%
2038 15169 12160 27329 56%
2043 17799 14268 32067 56%
2048 20835 16702 37537 56%
5.7 Síntesis del dictamen técnico

Considerando la dificultad de dar seguimiento a los elementos de
un dictamen técnico de un proceso de estimación de demanda de
infraestructuras carreteras, conviene incluir el resumen de la evalua-
ción realizada por componentes relevantes. Con tal propósito se ha
elaborado una tabla resumen que incluye además de la síntesis de la
evaluación la recomendación principal para solventar la deficiencia
señalada. En el mismo sentido para aportar una valoración, se inclu-

ye de manera específica una escala de evaluación del 1 al 10 para cada
uno de los elementos evaluados. Esta escala tiene como finalidad se-
ñalar el grado de atención que se requiere dedicar para solventar la
observación. La evaluación señalada refleja en conjunto la robustez
técnica de las verificaciones realizadas en el estudio de referencia y
debe ser consistente con la argumentación técnica desarrollada en el
reporte del dictamen. Por otro lado, la suma de las evaluaciones ex-
presa en términos generales la evaluación de los afluentes de error
que se traducen finalmente en los valores reportados tanto en la cap-
tación como los ingresos del proyecto. Al final de la tabla se incluye la
valoración global de la revisión técnica.
Tabla 5. Resumen de evaluación técnica y recomendaciones.

Elemento Id Evaluación Recomendación
Red de análisis 1 Se estudia una red Focalizar el estudio a la
demasiado extensa. red relevante.
2 Se podría inducir trán- Verificar a detalle la
sito de otras cuencas. caracterización de me-
diano recorrido.
Estudios de campo 3 Trabajos de campo Focalizar el trabajo de
excesivo para el tamaño campo en el mediano y
del problema, inade- corte recorrido,
cuada ubicación de
estaciones de encuestas
ODy PD.
4 Supervisión y calidad Realizar rediseño y
baja de trabajos de ejecución del estudio de
campo. aforos, OD y PD Entre-
semana y fin de semana
(hora pico y hora valle
(autos y vehículos uni-
tarios) con supervisión
externa.
5 Omisiones técnicas Verificar velocidades y
relevantes en el proce- tiempos de recorrido en
samiento de la informa- hora pico y valle (autos
ción. y unitarios)

Modelo de oferta 6 Se omite documentar Rehacer modelo de
el proceso de caracte- oferta. Documentar los
rización de la oferta valores de los paráme-
respecto al trabajo de tros usados en la red,
campo.
7 Las evidencias reporta- Verificar que los datos
das muestran omisio- operativos de veloci-
nes técnicas relevantes dad y capacidad sean
en la caracterización de caracterizados adecua-
la red. damente.
Modelo de demanda 8 Procesamiento inade- Rehacer modelo de de-
cuado de la expansión manda. Realizar control
de las encuestas OD, los técnico del proceso de
resultados presentados expansión e interpre-
corresponden solo a tación de resultados
la muestra en lugar de encuestas OD y PD.
la totalidad de viajes-
Omisión del tratamien-
to de encuestas PD.
9 9Se omite la estimación Corroborar que se
del valor del tiempo realice la estimación
determinante en la econométrica de los
captación. valores de tiempo.
10 Caracterización inade- Revisar las garantías
cuada de las matrices técnicas de la expansión
iniciales de viaje. adecuada de las matrices
iniciales OD (verificar
distorsión de matriz en
calibración).

Modelo de demanda 11 Deficiencias técnicas Rehacer el modelo de
y captación significativas en el captación. Verificar las
proceso de ajuste de las garantías técnicas de
matrices por tipo de baja distorsión de las
vehículo. matrices de viajes por
clase de vehículo.
12 Orientación de los Verificar los indicadores
resultados para obtener de calidad de ajuste del
un solo indicador de modelo de captación
bondad de ajuste. Se respecto al manual de
carece una calidad la SCT.
mínima para garantizar
la bondad de ajuste
Modelo de asigna- 13 Los supuestos de asig- Rehacer modelo de asig-
ción nación con proyecto se nación verificando que
alejan notablemente de se realice una caracteri-
las condiciones reales zación que replique las
de circulación. En par- condiciones reales del
ticular en la velocidad y proyecto. Elaborar un
valor del tiempo de los análisis de sensibilidad
usuarios. para verificar la robustez
de los resultados gene-
rados.
14 Se omite el análisis de Elaborar el análisis de
sensibilidad a la tarifa. sensibilidad a la tarifa
Las captaciones están para obtener aquélla que
fuera de rango respecto maximice los ingresos.
a otros proyectos Verificando que la
similares. captación sea consisten-
te respecto a proyectos
similares.

Modelo de pronós- 15 Se carece de un modelo Elaborar un modelo
tico formal y resoluble econométrico para de-
que pueda verificarse. terminar el crecimiento
Básicamente, las tasas del tránsito a largo
de crecimiento se pro- plazo. Incorporar la vi-
ponen. sión de mediano y largo
plazo de crecimiento de
la zona.
Dictamen general El estudio de demanda Se recomienda con-
carece de las garantías siderar con mucha
técnicas para conside- precaución los resulta-
rar que los resultados dos presentados en el
de captación e ingresos informe. Es altamente
son robustos. Se do- recomendable rehacer
cumentan omisiones un estudio de demanda
y deficiencias técnicas que permitan atender
que van debitando la las recomendaciones
validez de los resulta- enunciadas y solventar
dos en la medida que el las deficiencias docu-
proceso avanza. mentadas.
Referencias
Akaike, H. (1973), ‘A new look at the statistical model identification.’,
IEEE Transactions on Automatic Control 19.
Amemiya, T. (1981), ‘Qualitative response models: A survey’, Journal
of Economic Literature 19, 1483—1536.
Anderson, S., de Palma, A. y Thisse J-F. (1992), Discrete Choice Theo-
ry of Product Differentiation. Cambridge: MIT Press.
Antonisse, R:W; Daly, A.J; Ben-Akiva M. (1989), A Highway Method
Based on Behavioral Models of Car Driver‘s Route Choice. Wor-
king Paper., Hague Consulting Group, La Haye, Pays-Bas.
Ashley, D.J. (1981), Uncertaintyin Iterurban Higmay Scheme Apprai-
sal, in Stopher, P.R; et Al., New Horizons in Travel Behavior Re-
search, Lexington Books, Lexington, 559-615.
Banks, J, Y R. Gibson (1997), ‘Don’t simulate when 10 rules for deter-
mining when simulation is not appropiate’, IIE solutions.
Banks, J., Carson II J.S. Nelson-B. L. Nicol D. M. (2000), Discre-
te-Event System Simulation, Prentice Hall, New Jersey.
Beckman,M.J., McGuire,C.B, and C.B.Winston.(1956), Studies in the
Economics of Transportation. Yale University Press, Connecticut
Beeston, L., Blewitt, R., Bulmer S. y Wilson, J. Editores (2021) Traffic
Modelling Guidelines. Versión 4.0 Transportes para Londres. Ac-
cesible en https://content.tfl.gov.uk/traffic-modelling-guidelines.
pdf
Bell, M. G. H. (1983), ‘The estimation of an origin-destination matrix
from traffic counts.’, Transportation Science 17/2, 198—217.
Bell, M.G.H. (1991), Variances Abd Covariances for Origin-Destina-
tion Flows When Estimated by Loglinear Models., Transporta-
tion Research B, 19/6, 497-507.
Ben-Akiva, M. (1973), Structure of Passanger Travel Demand Mo-
dels, PhD thesis, MIT, Department of Civil Engineering.
Ben-Akiva, M. et Lerman, S. (1985), Discrete Choice Analysis :
Theory and Applications to Travel Demand, MIT Press, Cambri-
dge, Mass.
Bierlaire, M. (1991), Evaluation de la Demande de Trafic: Quelques
Methodes de Distribution, Département de Mathématiques, Fa-
cultès Universitaires de Namur, Belgique.
Boursin, J-L. (1995), Des préférences individuelles aux choix collectifs.
Paris: Economica.
Bowman J- y Ben-Akiva, (2001), M. Activity-based disaggregate trav-
el demand model system with activity schedules. Transportation

Research Part A: Policy and Practice. 35, 1: 1-28.
Bradley, M; Ben Akiva, M. Bolduc-D. (1992), Estimation of Travel
Choice Models with Randomlydistributed Values of Time., Pro-
ceedings of the PTRC Summer Meeting, E, 291-302.
Braess, D., Nagurney A, y Wakolbinger, T- (1956). On a Paradox of
Traffic Planning. Transportation Science. 39- 4, 2005. 446–450.
Carrasco, J.A y Miller Eric (2009), The social dimension in action: A
multilevel, personal networks model of social activity frequency
between individuals. Transportation Research Part A: Policy and
Practice, 43-1: 90-104.
Chapleau, R. (1993), MADITUC, Éléments Partiels, Voire Représen-
tatifs, de la Démarche Totalement Désagrégée., Ecole Polytech-
nique de Montréal, Montréal.
Coe, N., Yeung H. W.C. and Kelly, P. (Autor) (2007), Economic Geog-
raphy: A Contemporary Introduction. Second edition. John Wiley
& Sons.
Cohen, S. (1990), Ingenierie Du Trafic Routier : Éléments de Théorie
de Trafic et Applications, Presses de L’Ecole des Ponts et Chaus-
sées, Paris.
Daganzo, C. (1979), Multinomial Probit: The Theory and Application
to Demand Forecasting, Academic Press.
Daganzo, C. (1994). The cell transmission model: A dynamic represen-
tation of highway traffic consistent with the hydrodynamic theory.
Transportation Research Part B: Methodological 28-4:269-287.
Daganzo, C. (1997) Fundamentals of Transportation and Traffic Op-
eration. Pergamon.
Daly, A.J. (1987), ‘Estimating “tree”logit models’, Transportation Re-
search B 21/4, 251—268.
De Cea, J. Y J. E Fernandez (1993), ‘Transit asignment for congested
public transport systems: An equilibrium model’, Transportation
science 27-2, 133—147.
de Palma, A. (1988). Individual and Collective Decision Making :
Application to Urban Transportation, en Theorical Foundations
of Travel Choice Modeling, Garloing, T. Laitila, T. y Westin, K (ed-
itores). Capítulo 2, 33-50. Nueva York: Pergamon, Press. 1998.
de Palma, A. Ginsbugh, V, Papageorgiou Y. y Thisse, J-F. (1985). The
Principle of Minimum Differentiation Holds with Sufficient Het-
orogeneity, Econometrica, 53, 767-781.
De Palma, A. y Marchal, F. (2002), “Real cases applications of fully

dynamic METROPOLIS Tool-Box: An advocacy for large-scale
mesoscopic transportation systems”, Network and spatial eco-
nomics, 2, Springer-Verlag, Berlín, pp. 347-369.
de Palma, A. y Pahaut, S. (1989), Phenomènes et symboles, en La
physique des sciences de l’homme, Strasbourg : Ediciones oberlin.
105-108.
de Palma, André y Pehaut S. (2000). Les modèles de decision et la
politique comme processus collectif: applications aux sistèmes de
transport urbain. A. Lepichon (editor), Paris: Presse culturelle de
Shangai.
Dupuy, G. (1975), Une Technique de Planification Au Service de I’au-
tomobile: Les Modèles de Trafic Urbain., Copedith, Paris.
Ettema, D. F., y Timmermans, H. J. Editores (1997). Activity-based
approaches to travel analysis. Pergamon.
Florian, M., Nguyen S. (1976), An Application and Validation of
Equilibrium Trip Assignment Methods, Trans- portation Scien-
ce, 10, 374-390.
Flyvbjerg, B., Skamris M. K.. y Søren. B. (2006). Inaccuracy in Traffic
Forecasts. Transport Reviews, Vol. 26, No. 1, 1–24.
Fujita, M., Krugman, P. and Venables, A. 1999. The Spatial Economy: Cit-
ies, Regions, and International Trade. Cambridge, MA: MIT Press.
Gaudry, M.J.I., Wills M.I. (1978), ‘Estimating the functional form of
travel demand models.’, Transportation Research 12/4, 257—289.
Gazis, D. (2002). Traffic theory. Berlin : Springer-Verlag.
Gunn, H.F., Bates J.J. (1982), ‘Statistical aspects of travel demand
modeling.’, Transportation Research A 16 5/6, 371—382.
Hall, R.. Editor (2004). Transportation science. En Handbook of Trans-
portation Science. International Series in Operations Research &
Management Science, 56: 1-5. Segunda. Edición. Springer-Ver-
lag, Alemania.
Henderson, V. y Thisse, J-F. (2004) Handbook of Regional and Urban
Economics Volume 4, Cities and Geography.
Hensher, D. y Grenne, W. (2010). Modelling ordered choices, a primer.
Cambridge, Reino Unido.
Hensher, D., Rose, J. y Greene, WW. (2005). Applied Choice Analysis:
a primer. Cambridge University Press, Nueva York.
HMSO (1991), Traffic Appraisal Manual-the Guide to Good Prac-
tice., The Highway Agency.
Horowitz, J.L. (1981), Sources of Error and Uncertainty in Behavioral

Travel-Demand Models, in Stopher, P. R. Al., Lexington Books,
Lexington, MA.
Horowitz, J.Y C. Manski (1998), ‘Censoring of outcomes and regres-
sors due to survey nonresponse: Identification and estimation
using weights and imputations’, Journal of Econometrics Vol 75.
Judge, G.G., Hill R C. Griffith W.E. Lütkepohl H. Lee T.C. (1988), -In-
troduction to the Theory and Practice of Econometrics., Practice
of Econometrics.Wiley, New York.
Koppelman, F.S. (1976), ‘Methodology for analyzing errors in predic-
tion with disaggregate choice models’, Trans- portatio Research
Record 592, 7—23.
Lancaster, K.J. (1966), A New Approach to Consumer Theory., Jour-
nal of Political Economy, 74, 132-157.
Lecour, Dominique. La filosofía de las ciencias. Trad. Oscar
Sánchez. 2ª edición. Toluca, Estado de México.
Leurent, F. (1997). Analyse et mesure de l’incertitude dans un modèle
de simulation. Les principes, une méthode et l’exemple de l’affec-
tation bicritère du trafic. Tesis de doctorado. Escuela de Puentes
y caminos ENPC, Francia.
Lieberman, G.J. y Hillier, Y (1995), Introduction to Operations Re-
search, McGraw-Hill.
Marche, R. (1973), Valuation of travel time, french inter-city values., in
‘Symposium on Transportation andEnvironment’, Southampton.
May, R. (1973). Stability and Complexity in Model Ecosystems. Princ-
eton: Princeton University Press. 1973.
McFadden, D. (1974), Conditional Logit Analysis of Qualitative
Choice Behaviour.In Zarembka, Frontiers in Econometrics, 105-
142. Academic Press, New York.
McFadden, D; Reid, F. (1975), ‘.aggregate travel demand forecasting
from disaggregated behavioral models”’, Transportation Research
Record: Travel Behavior and Values 534, 24—37.
Mohring, H. (1999), Congestion en Essays in Transportation Econom-
ics and Policy: A Handbook in Honor of John R. Meyer, Washing-
ton: The Brooking Institution. 181-222.
Moles, A. (1986). Théorie Structurale de la Comunication et societé.
Paris: Mason.
Moles, A. y Rohmer E. (1977). Théorie des actes : vers une écologie des
actions, Paris: Casternam.
Morellet O., Julien H. (1990), MATISSE, un Modèle Intégrant

Étroitement Induction et Partage Modal Fin Du Taffic., IN-
RETS Research Report 129. INRETS, Arcueil, France.
Moreno, J-L. (1970). Fondements de la sociométrie, Paris: Presses Uni-
versitaires de France.
Musselman, K. J. (1998), Guidelines for succes, in J.Banks, ed., ‘Han-
dbook of Simulation’, John Wiley,
New York.
Ortuzar, J. de D., Armstrong P. Ivelic A.M. Y Valeze C. (1998), Tama-
ño muestral y estabilidad temporal en modelos de generación de
viajes., in D. Y. J. D. Y. P.Ibeas, A., ed., ‘X Congreso Panamericano
de Ingeniería de Tránsito Y Transporte’, Santander, España.
Ortúzar, J. de D., Ivelic A.M. Malbrán H. Y Thomas A. (1993), ‘The 1991
great santiago origin-destination survey: Methodological design
and main results.’, Traffic Engineering and Control 34, 362-368.
Ortúzar, J., & Willumsen, L.. (2011). Modelling transport. John wiley
& sons.
Ortúzar, J.D. y Willumsen, L. (2011) Modelling transport. Cuarta
edición. Wiley, Chichester.
Ortúzar, Juan de Dios. y Sánchez, Oscar. Métodos y modelos en la pla-
neación del transporte. Toluca: Notas UAEM. 2004.
Pegden, C. D., Shannon R. E. Y R. P. Sadowski (1995), Introduction to
Simulation Using SIMAN, John Wiley, New York.
Prigogine, I. (1996). La fin des certitudes: temps, chaos et les lois de la
nature. Editions Odile Jacob, Paris.
Resnick, M. (2001). Tortugas, termitas y atascos de tráfico, exploracio-
nes sobre micromundos masivamente paralelos. Editorial Gedisa,
Barcelona. 2001
Safwat, K., Magnati T. (1988), ‘A combined trip genetration, trip dis-
tribution, modal split and trip assignment model.’, Transporta-
tion Science 22, 14—30.
Samuelson, P. (1952). Spatial price equilibrium and linear program-
ming. The American Economic Review, 42-3: 283-303.
Sánchez, O. (2004). Impacto vial inducido por la construcción de la
Terminal Norte de la Ciudad de Toluca. Cuadernos de Investiga-
ción 33. Toluca.
Sánchez, O. y Ortúzar, J. D. (2004). Métodos y modelos en la planea-
ción de transporte. Notas. Universidad Autónoma del Estado de
México. Toluca.
Sánchez-Flores, O. (2004) Evaluación del impacto vial inducido por la

reubicación de una terminal de autobuses: el caso de la” terminal
norte” de la ciudad de Toluca. Cuadernos de investigación. Vol.
33. UAEMEX.
Sánchez-Flores, O., de Palma, A. (2013). Reflexión sobre enfoques y
métodos utilizados en la ciencia de los transportes. Economía, so-
ciedad y territorio, 13(43), 751-778. Recuperado en 22 de febrero
de 2022, de http://www.scielo.org.mx/scielo.php?script=sci_art-
text&pid=S1405-84212013000300008&lng=es&tlng=es.
Schelling, T. (1980). La tyrannie des petites décisions. Presses Univer-
sitaires de France. Paris. 1980.
SCT (2006). Manual de modelación para carreteras de Cuota. Secre-
taría de Comunicaciones y transportes, México. Disponible en:
http://sct.gob.mx/normatecaNew/manual-de-modelacion-pa-
ra-carreteras-de-cuota/
Sheffi, Y. (1985). Urban Transportation networks: equilibrium analysis
with programming methods. Prentice Hall, Cambridge.
Spiess, H. (1985), Contribution À la Thérie et Aux de Planificaction
Des Réseaux de Transport Urbain., Publication du Centre de Re-
cherche sur les Transports. Université de Montréal.
Stopher, P. R. & C. Stecher. (1993), ‘Blow up: Expanding a complex
random sample travel survey’, Transportation Research Record
1412, 10—16
Stopher, R. y Stecher, C. (2006). Travel Survey Methods: quality and
future directions. Elsevier: Amsterdam.
TAM (1981) Traffic Appraisal Manual : Manual of Recommended
Practice for Traffic Forecasting in Scheme Appraisal of Trunk
Roads. Departamento de Transporte de Reino Unido.
Taylor, M.A.P., Young W. (1988), Traffic Analysis: New Technology
and New Solutions, Hargreen, Victoria, Australie.
Thisse J.F., Nitjkamp, P. y Button, K. (1996) Location theory (1996)
Edward Elgar Publishing. Londres
Thomas, R. (1991), Traffic Assignment Techniques., Avebury Techni-
cal, Aldershot, England.
Tiaglacozzo, F. Y F. Pirzio (1973), ‘Assignment models and urban
path selection criteria: Results of a survey of the behavior of road
users’, Transportation research 7, 313—329.
TRB (2008) Standardized Procedures for Personal Travel Surveys.
Transportation Research Board. NRCRP report 571. Washington.
TRB (2014) Activity-Based Travel Demand Models: A Primer. Trans-

portation Research Board. Report
TRB, (2010).Highway Manual Capacity. Transportation Research
Board, National Research Council, Washington, DC.
Vickrey, W. (1969). Congestion Theory and Transportation Invest-
ments, American Economic Review (papers and proceedings), 59.
251-261.
Wachowicz, M. (2010). Movement-Aware Applications for Sustainable
Mobility: Technologies and Approaches. Information science ref-
erence, Nueva York,
Walter, E., Pronzato L. (1994), Estimation de Modèles Paramétri-
ques., Masson, Parìs.
Wardrop, J.G. (1952). Some Theoretical Aspects of Road Traffic Re-
search. Proceedings, Institute of Civil Engineers II(1), pp 325-
378.
Wasserman, S. y Faust, K. (199). Social network analysis: methods
and applications. Cambridge University Press, Cambridge.
Williams, H. (1977), ‘On the formation of travel demand models and
econometric evaluation measures.’, Environ- ment and Planning
A 9, 285—344.
Wonnacott, T.H., Wonnacott R.J. (1991), Statistique, Economica, Pa-
ris.
View publication stats

ModelosdeTransporte 24

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ModelosdeTransporte 24

Cargado por

Copyright:

Formatos disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Modelos y métodos en la planeación de sistemas de transporte

Preprint · September 2022

The user has requested enhancement of the downloaded file.

Óscar Sánchez Flores

El panorama anterior motiva a emprender diversas acciones en el

a) Conceptos generales relativos al proceso de modelación y si-

capítulos. El primero está dedicada a definir nociones relativas a la

a) Esquema teórico que busca dar cuenta de un proceso, de rela-

Es decir, un modelo se refiere a un sistema en el cual opera una abs-

El sistema se compone de los siguientes elementos:

1.2.1 Estado de un sistema

1.2.2 Tipos de sistema

1.3 Tipos de modelo

c) Fórmula característica. Es la síntesis en lenguaje matemático

1.3.2 Modelo formal

1.3. 3 Modelo resoluble

1.3.4 Modelo alimentado

1.3.5 Modelo físico

1.4.1 Argumentos a favor

1.4.2 Argumentos en contra (caso de los modelos del trans-

algunos resultados de manera poco clara), la falsificación (obtención

1. La nula utilidad práctica de una modelación que sirve única-

Estos argumentos son aceptables si sintetizan esfuerzos se-

perspectiva, ayuda lúcida a la decisión. Por lo tanto, están condiciona-

En relación con la eventual limitación del modelo calculable res-

1.4.4 Balance final: se requiere de garantías técnicas

a) Para verificar su utilidad con fines de comprensión teórica, de

Para dar estas garantías es necesario auditar el modelo de la com-

1.4.5 Las garantías técnicas

a) Auditoría conceptual o semántica. Primeramente, verificar la

técnico de simulación y su capacidad efectiva para producir el resul-

Las cuatro etapas anteriores constituyen la auditoría téc-

1,5,1 Pertinencia de una herramienta de simulación

operaciones y análisis de sistemas. Así, la simulación puede emplearse

a) La simulación desarticula el estudio y la experimentación en

1.5.2 Uso inadecuado de la simulación

a) El problema puede ser resuelto por sentido común (por ejemplo,

1.5.3 Ventajas de la simulación

1. Explorar la factibilidad o viabilidad de nuevas políticas, proce-

1.5.4 Desventajas de la simulación

Las contrapartes de estas desventajas suelen ser:

a) Existen modelos genéricos (llamados simuladores) que incluyen

parte o todo el modelo de análisis, cuya aplicación sólo se limita a la

1.5.5 Pasos en un proceso de simulación

a) Formulación del problema. Cada análisis debería de iniciar con

arte de la modelación es soportada por la habilidad para extraer los

g) Validación. Es la comprobación de que el modelo es una re-

consiste en reportar continuamente y en orden cronológico las deci-

En términos generales, el proceso de construcción de un modelo se

• La primera fase se compone de los pasos: formulación del

usuario de esta etapa podría incidir posteriormente en la im-

1.5.6 Confusiones frecuentes

a) Se confunde el término modelos con un programa o paquete de

Durante el desarrollo de un modelo se requiere tomar deci-

2.1 Aspectos sociales e instrumentales

2.1.1 Plan social e instrumental

• La hipótesis que considera que el usuario del sistema de trans-

Recíprocamente, el modelo influye sobre la sociedad:

• Por su utilización didáctica transmite y difunde elementos de

2.1.2 El modelo como elemento para aclarar o apoyar

a) Transparentar lo mejor posible y compartir los resultados sin to-