Académique Documents
Professionnel Documents
Culture Documents
Generacin de Viajes
Distribucin de Viajes
Divisin Modal
GENERACIN DE VIAJES
I
2.
Estudio del uso del suelo. Dnde estarn localizadas esas actividades?
3.
4.
Viaje: movimiento en un sentido desde un punto de origen a un punto de destino. Estos puntos se denominan
extremos del viaje. El viaje se refiere a una persona o a un vehculo.
2
Verbigracia modelos. En todo el proceso de determinacin de la demanda de transporte dirigida a redes se
utilizarn modelos. La definicin genrica de modelo es la siguiente: representacin parcial y aproximada de
la realidad.
II
5.
6.
7.
8.
rea en estudio. Los BHT y NBH debern estar siempre presentes mientras que los BHE,
BHC y BHO pueden mantenerse separados o combinarse segn su importancia relativa. Para
cada uno de los propsitos considerados se deber desarrollar un modelo de generacin que
cuantifique los viajes generados con ese propsito.
El restante atributo es el horario en que se realiza el viaje. Se consideran viajes en hora pico
(matutino y vespertino) y viajes diarios (total en el da sin considerar la hora en que se
realizan). Los modelos de generacin pueden estar construidos para estimar viajes en hora
pico o viajes diarios. Este ltimo caso es el ms comn, ya que a partir de los viajes diarios y
mediante factores horarios se pueden calcular los volmenes en cualquier hora del da.
La generacin de viajes puede dividirse en dos pasos: i) determinacin del nmero de viajes
originados en cada zona (producciones) y ii) determinacin del nmero de viajes destinado a
cada zona (atracciones).
Para toda el rea en estudio el nmero de producciones deber ser obligatoriamente igual al
de atracciones, aunque no necesariamente para cada una de las zonas en particular. Esto se
debe a que por definicin los viajes basados en el hogar (BH_) siempre son producidos por la
zona que contiene al hogar y atrados por la zona del otro extremo, en cualquier sentido que
se realice el viaje. Los viajes no basados en el hogar (NBH) son producidos por la zona
origen y atrados por la zona destino.
Por lo anterior en las zonas que son principalmente residenciales las producciones sern
mayores que las atracciones, mientras que en las zonas que son mayoritariamente
comerciales, industriales o educacionales las atracciones sern mayores que las producciones.
Esta divisin en viajes de produccin y atraccin es relevante cuando se utiliza un modelo
gravitatorio para la etapa de distribucin, no as para los otros mtodos de distribucin, en los
que solamente se considera el origen y el destino de los viajes.
Variables que explican la generacin de viajes
Uso del suelo
El uso del suelo puede ser determinado y pronosticado con facilidad y aceptable precisin.
Dentro de esta variable se pueden distinguir tres atributos que influyen en la generacin de
viajes, esos atributos son: tipo, intensidad y ubicacin.
Los diferentes tipos de usos del suelo tienen diferentes caractersticas de generacin y por ello
es importante distinguirlos. La clasificacin de tipos de usos del suelo ms habitual suele ser:
residencial, comercial, industrial, educacional y de esparcimiento. El uso del suelo
residencial produce ms viajes que los otros usos, mientras que los restantes usos son, en
general, mayores atractores de viajes que productores.
La intensidad del uso del suelo expresa el nivel de actividad que caracteriza una determinada
zona y usualmente se expresa en trminos de cantidad o de densidad tal como nmero total
de viviendas en la zona o empleos por unidad de superficie. La intensidad de uso del suelo
tiene una marcada influencia en el nmero y tipo de viajes que genera una determinada zona.
En general, a menor densidad habitacional mayor nmero de viajes generados por persona.
Lo mismo sucede con la distribucin por modo en que se realizan los viajes, las zonas de
menor densidad de hogares producen mayor cantidad de viajes en automvil por vivienda.
La ubicacin de las actividades se refiere a la distribucin espacial de los usos del suelo y
de las actividades dentro del rea en estudio. Las modalidades de viaje de habitantes de un
barrio de alta densidad pero rodeado por zonas de baja densidad y alejado del centro de una
urbe son distintas a las que tendra si ese mismo barrio estuviera prximo al centro.
El cuadro que sigue resume lo expresado ms arriba.
TIPO DE USO
DEL SUELO
Residencial
TIPO DE ACTIVIDAD
-
Residencial.
MEDIDA DE LA
INTENSIDAD
- Superficie
residencial
Unidades habitacionales.
Unidades hab. por
unidad de superficie.
Densidad de poblacin.
Empleos totales.
Empleos clasificados
por tipo.
Empleos por unidad de
superficie.
Area de suelo ocupada.
Matrculas
Nro.
de
elementos
apropiados (capacidad,
butacas, amarras, etc.).
Industrial
Comercial
Educacin
Esparcimien
to
Industria manufacturera.
Servicios.
Comercio mayorista.
Comercio minorista.
Oficinas.
Universidad.
Secundario.
Primario.
A determinar.
Caractersticas socioeconmicas
de
suelo
Siendo:
j 1
III
Relevamiento
Censo O-D
Tasa de
de uso del
(extremos de
Generacin
suelo Ha.
viaje)
(viajes / ha.)
Residencial
5
4.000
8
Industrial
10
3.000
30
Comercial
50
2.000
40
0
Las tasas son de produccin y atraccin de viajes por lo que este mtodo abarca ambos
pasos del proceso.
La estimacin de la generacin futura se realiza determinando la evolucin de las reas para
cada tipo de uso del suelo. De esa manera, si se estima que el rea residencial crecer a
1.1 Ha., la generacin futura de viajes de la zona causada por el uso del suelo residencial ser de
8.000 viajes (1.000 Ha. x 8 viajes / ha.). De la misma forma se procede con los restantes
usos del suelo.
La simpleza de este mtodo hace que sea rpido y econmico de aplicar pero no tiene en
cuenta otras variables explicativas tales como el ingreso, el tamao del hogar y la
motorizacin, lo que lo hace poco preciso. Su utilidad est en la actualizacin a bajo costo
de estudios anteriores.
Mtodo del Factor de Crecimiento
Este es tambin un mtodo expeditivo y poco preciso y es generalmente utilizado en la
actualizacin y proyeccin de viajes estimados de estudios anteriores. La expresin bsica
de este modelo es la siguiente:
Ti F i t i
Donde:
Estas variables pueden ser totales (habitantes, automviles, empleados, etc.) o tasas
(habitantes por hogar, autos por hogar, etc.). En ambos casos, si el divisor es el mismo para
todas las variables, los coeficientes de la funcin sern idnticos, aunque existen algunas
5
diferencias que tienen explicacin estadstica .
Los modelos de regresin lineal se pueden plantear, adems de por propsito, tambin por
modo de transporte, privado (auto) o pblico, por lo que se realiza simultneamente la etapa
de divisin modal, no explicada en este trabajo.
Mtodo de Clasificacin Cruzada o Anlisis de Categoras
a) Producciones
El mtodo de clasificacin cruzada, para la determinacin de la produccin de viajes, se
basa en la estratificacin de n variables independientes en dos o ms grupos, creando una
matriz n-dimensional conteniendo los valores de la variable dependiente, en este caso las
tasas de produccin de viajes por propsito y por hogar.
Los valores de la variable dependiente son los promedios calculados a partir de los datos
aportados por la encuesta domiciliaria de O-D.
Lasa variables independientes se eligen de manera de minimizar las desviaciones estndar
de las tasas calculadas.
Las variables independientes habitualmente utilizadas son: i) tamao del hogar; ii) tenencia
6
de automvil; iii) ingreso familiar; y iv) grado de accesibilidad. En el caso del EPTRM las
variables fueron i) nivel socioeconmico; ii) tenencia de automvil; y iii) grado de
accesibilidad.
El procedimiento seguido es el siguiente:
1.
Tamao
familiar
1
NSE del
hogar
2
NHij
N de hogares
con NSE=2 y
3
4
5
ms
En cada una de las celdas se coloca el nmero de hogares correspondiente.
2.
1
BH
T
BH
E
BH
O
NB
H
BH
T
NSE del
hogar
2
B
BH
HE O
Vi
3
NB
H
BH
T
BH
E
BH
O
NB
H
jk
N
de
3
4
5
ms
En cada celda se contabilizan los viajes correspondientes.
3.
tijk
Vijk
NHij
3
NB
H
BH
T
BH
E
BH
O
NB
H
Donde:
tijk
Total
5,69
7,25
5,47
4,95
4,13
5,40
Se observa como varan las tasas de produccin de viajes segn el NSE, la posesin de
automvil y la accesibilidad.
Existen tablas similares para cada uno de los propsitos considerados. El nivel
socioeconmico fue medido a travs del siguiente indicador:
I ij
Aij
Pij Cij
Tijk
k
Siendo:
Iij = ndice socioeconmico de la vivienda j en la zona i.
Aij = nmero de ambientes, sin contar cocina y bao, con que cuenta la vivienda.
Pij = nmero de personas que habitan en la vivienda.
Cij = calidad o categora de la vivienda.
Tijk = tipo de ocupacin de la persona k.
Para cada uno de los estratos de NSE (alto, medio y bajo) se determinaron lmites del
indicador.
Los viajes futuros producidos por cada zona se calculan multiplicando las tasas de
generacin para cada categora de hogar por la cantidad de los mismos que se prev existir
en cada una de dichas zonas.
Este procedimiento se repite para cada uno de los propsitos de viaje considerados.
b) Atracciones
Mediante el mtodo de clasificacin cruzada se calculan las producciones. Para calcular las
atracciones se utiliza el mtodo de regresin lineal simple o mltiple, ya explicado. Las
ecuaciones que se plantean son, por ejemplo, las siguientes:
Atracciones BHT = f(Empleos Comercio Minorista, Otros Empleos)
Atracciones BHE = f(Matrculas de Estudiantes)
Atracciones BHC = f(Hogares, Empleos Comercio Minorista, Otros Empleos)
Atracciones BHO = f(Hogares, Empleos Comercio Minorista, Otros Empleos)
Atracciones NBH = f(Hogares, Empleos Comercio Minorista, Otros Empleos)
Determinacin de los Viajes de Produccin y Atraccin Futuros
En primer lugar se debern proyectar las variables independientes utilizadas en el modelo,
para cada una de las zonas, tales como poblacin, accesibilidad, nmero de hogares por
nivel socioeconmico y motorizacin, empleos, matrculas, etc.
En segundo lugar se calculan las producciones y atracciones por zona y por motivo,
aplicando las ecuaciones o tasas segn el mtodo elegido.
Luego se debern balancear producciones y atracciones por propsito, ya que al haber sido
calculadas con distintos procedimientos generalmente no coincidirn. Se deber cumplir
que:
m
i 1
Pik Aik
k 1 i 1
Donde:
m = nmero de propsitos.
n = nmero de zonas.
Pik = producciones de la zona i con propsito k.
Aik = atracciones de la zona i con propsito k.
El balanceo se realiza prorrateando las diferencias entre las atracciones, ya que por lo
general stas son determinadas con modelos de menor precisin que las producciones.
SITUACION
PRESENTE
Y
CALIBRACION
DE TECNICAS
Y MODELOS
SUBMODELO
DE
DIVISION
Ciclo de
Calibrac
in
PRODUCCIONES Y ATRACCIONES
SUB-MODELO
FUTURAS
DE DISTRIBUCION VIAJES FUTUROS
DETERMINACION
DE LA DEMANDA
FUTURA
ANALISIS DE
SISTEMAS,
EVALUACION Y
RECOMENDACIONES
ANALISIS Y EVALUACION
MONITOREO
Y SEGUIMIENTO
DEL PLAN
DISTRIBUCION DE VIAJES
I
INTRODUCCION
7
1.
Viaje: movimiento en un sentido desde un punto de origen a un punto de destino. Estos puntos se denominan
extremos del viaje. El viaje se refiere a una persona o a un vehculo.
El factor F depende del uso del suelo, de las caractersticas socioeconmicas del rea y de
las perspectivas de crecimiento futuro. Si bien en la frmula anterior aparece como un
factor nico, cada uno de los mtodos que se vern plantean uno o varios factores.
Los factores de crecimiento se plantean generalmente relacionando una situacin futura
estimada con una situacin presente (o pasada reciente) conocida, de acuerdo a una
expresin como la siguiente:
F
f (TM , P ,Y )
f (TM , P , Y )
Siendo:
a
f
TM , TM = tasa de motorizacin actual y futura.
a
f
P , P = poblacin actual y futura.
a
f
Y , Y = ingreso actual y futuro.
Los mtodos basados en factores de crecimiento tienen las siguientes desventajas:
-
Como principal ventaja puede sealarse que son sencillos y fciles de programar y aplicar.
Se aplican a predicciones de demanda a corto y, eventualmente, mediano plazo y cuando se
espere bajo crecimiento, siendo especialmente indicados para esos casos.
En reas urbanas complejas los modelos del factor de crecimiento se utilizan para proyectar
los viajes externos, que no son estimados por el modelo de generacin, sino detectados en
los censos de cordn.
No son aplicables para realizar predicciones largo plazo, cuando se prevean grandes
crecimientos y cambios significativos en el uso del suelo.
Los mtodos ms aplicados de distribucin basados en el factor de crecimiento son:
1. Factor uniforme.
2. Factor promedio.
3. Mtodo de Fratar.
1.1
Factor uniforme
Consiste en aplicar un factor de crecimiento nico para todos los movimientos interzonales
del rea y equivale a la multiplicacin de la matriz base por un escalar. La hiptesis bsica
en que se basa este modelo es que todas las zonas crecern uniformemente, lo mismo que
los viajes intercambiados.
La frmula matemtica de este modelo es igual a la anterior:
Tij tij F
T
F
t
Donde:
T = nmero total de viajes futuros en el rea de estudio.
t = nmero total de viajes actuales en el rea de estudio.
Este constituye el mtodo ms simple de distribucin de viaje futuros, y a la vez el menos
preciso. La principal crtica que se le efecta a este mtodo es que todas las zonas del rea
evolucionan de la misma manera, lo que en la realidad generalmente no sucede. Se aplica
para actualizar matrices de origen y destino anteriores y para realizar proyecciones cuando
no existe tiempo ni recursos para la aplicacin de mtodos ms detallados.
1.2
Factor promedio
Este mtodo constituye un avance con respecto al anterior, ya que considera factores de
crecimiento por zona. Su expresin matemtica es la siguiente:
Tij tij
Fj
2
Fi Ti (G )
t i (G )
F j T j (G )
t j (G )
Siendo:
tij
Tij
= viajes entre las zona i y j futuros.
ti(G) tj(G) = flujos actuales totales generados por las zonas i y j.
Ti(G), Tj(G) = flujos futuros totales generados por las zonas i y j.
Dado que los flujos totales calculados con este mtodo no coincidirn con los estimados en
la etapa de generacin, se aplica un proceso iterativo en el que se utilizan los flujos totales
de la iteracin anterior para calcular nuevos factores de crecimiento.
En general se comprobar que:
Ti Ti (G )
n
Ti Tij
j 1
Primera iteracin:
Tij
tij
Fj
Ti Tij
j 1
n
T j Tij
i 1
Segunda iteracin:
T
1
i(G )
Fi
Ti
T
j (G )
1
F j T
j
T T
ij
ij
Fj
1.3
Mtodo de Fratar
Se debe especificar un factor de crecimiento para cada zona de origen y para cada zona de
destino.
El proceso matemtico es el siguiente:
Tij ( k 1)
ijk
Fj
k
ik
F jk
T j (G )
n
ijk
i 1
Fik
Ti (G )
T
n
ijk
F jk
j 1
Siendo:
k = nmero de iteracin.
Fjk = factor del destino j (columna), iteracin k.
Fik = factor del origen i (fila), iteracin k.
El equilibrio se obtiene cuando los factores se aproximan a la unidad.
En el Anexo 1 se desarrolla un ejemplo de aplicacin del mtodo para una matriz de origen
y destino de 4 zonas. En dicho ejemplo se alcanza el equilibrio en 4 iteraciones, aunque ya
en la iteracin 3 los resultados pueden considerarse como aceptables.
2.
Mtodos sintticos
1. Modelo gravitatorio.
2. Modelo de oportunidad.
3. Programacin lineal.
2.1
Modelo Gravitatorio
2.1.1 Teora.
El denominado Modelo Gravitatorio (MG) de distribucin de viaje se origin en la
ecuacin de la ley de gravitacin universal de Newton:
FG
M 1 M 2
d2
Donde:
F
= fuerza con que se atraen dos cuerpos.
M1, M2 = masa de los cuerpos.
d
= distancia que separa los cuerpos.
G
= constante.
Esta formulacin puede aplicarse al transporte, suponiendo que la fuerza de atraccin son
los viajes interzonales, las masas estn representadas por las producciones y atracciones de
las zonas y la distancia por la separacin espacial entre las mismas, medida en unidades
relativas al transporte (distancia, tiempo, costo, etc.).
Se puede decir entonces que la cantidad de viajes de personas entre dos zonas es
directamente proporcional al producto de las producciones, atracciones y una funcin de la
separacin espacial:
Tij Pi A j Fij K ij
Siendo:
Tij = viajes producidos por la zona i y atraidos por la zona j.
Pi = viajes producidos por la zona i.
Aj = viajes atraidos por la zona j.
9
Fij = factor de impedancia entre zonas i y j, tambin llamado factor de friccin.
Kij = factor de ajuste socioeconmico para el par ij.
El factor de ajuste socioeconmico se utiliza para corregir ciertas deficiencias que presenta
el MG y ser explicado ms adelante.
El concepto de impedancia, por analoga con la electricidad, se refiere a la dificultad de moverse en una red
de transporte urbana y puede medirse en distancia, tiempo o costo.
(1)
1
n
A
j 1
Fij K ij
Tij
Pi A j Fij K ij
A
n
j 1
Fij K ij
El factor Fij surge de una funcin exponencial inversa de la impedancia: Fij = f [1/Iij], y
deben ser determinados a travs del proceso de calibracin, que se realiza mediante
iteracin.
Calibracin.
El objetivo de la calibracin es hacer que el MG reproduzca la distribucin en el ao base
11
de los viajes de acuerdo a la impedancia . La distribucin de viajes en funcin de la
impedancia consiste en una tabla en que se suman los viajes con igual impedancia, para
cada propsito de viaje:
10
Los caminos mnimos dentro de una red se determinan mediante el submodelo de asignacin.
20
11
Los viajes en el ao base son determinados mediante las encuestas domiciliarias y de intercepcin.
20
Unidades
de
1
2
.
.
r.
Tabla
de
Total de
viajes con
impedancia 1
Idem
impedancia 2
.
.
.
Idem
impedancia r
f rk
Tr 0
Trk 1
Donde:
k = nmero de iteracin.
r
= rango de impedancia.
0
Tr = total de viajes en el ao base para el rango de impedancias r.
k-1
Tr = total de viajes calculados en la iteracin k-1 para el rango de impedancias r.
Segundo paso (se calcula el entero ms prximo por redondeo):
21
Con los factores de friccin de la primera iteracin se calcula una nueva matriz de viajes y
se repite el procedimiento. En la columna 7 se muestran los viajes calculados, cuya
distribucin coincide con la buscada, por lo que puede considerarse al modelo como
calibrado. En la columna 8 se calculan los factores de acuerdo al primer paso y en la
columna 9 los factores de friccin definitivos, de acuerdo al segundo paso, los que se
utilizarn para la distribucin de viajes futuros. Se muestra tambin la matriz final de
produccin y atraccin para el ao base. (Viajes Calculados It=2).
Ajuste de las atracciones.
Cuando se aplica el MG, el total de producciones calculadas por zona ser igual a la dada
12
como dato, por la estructura del modelo , pero no necesariamente suceder lo mismo con
las atracciones. En general se cumplir que:
n
ij
Pi
j 1
i 1
ij
Aj
Para que el modelo reproduzca tambin las atracciones se realiza un procedimiento iterativo
hasta que las atracciones estimadas con el modelo coincidan con los valores deseados
(atracciones dato, provenientes de la etapa de generacin).
Luego de cada iteracin se recalculan las atracciones de acuerdo a la siguiente frmula:
A jk
Aj
A j (k 1)
C j (k
1)
Donde:
Ajk = atraccin ajustada para la zona j, iteracin k (Ajk = Aj cuando k=1)
Cjk = atraccin actual para la zona j, iteracin k, calculada por el MG.
Aj = atraccin deseada (dato) para la zona j.
En cada iteracin se aplica el MG para calcular los viajes usando las atracciones
modificadas en la iteracin precedente. El proceso se detiene cuando el MG alcanza una
aproximacin suficiente en el clculo de las atracciones deseadas.
12
ZonasResidenciales
A ltosIngresos
ZonasResincenciales
BajosIngresos
Zonasde
Em pleos Fabriles
13
En general las zonas con empleos de altos ingresos se ubican en reas centrales de la ciudades, mientras que
las zona industriales se ubican en los suburbios.
ANEXO 1
Ejemplo de Aplicacin del Mtodo Fratar
Matriz Original Ao Base
O
\D
1
2
3
4
Tij
Tj(G)
Fjo
1
2
3
0
2000
3000
4000
0
3000
3000
2000
0
1000
2000
3000
8000
6000
9000
10000
20000
30000
1.2500 3.3333
3.3333
Matriz Iteracin 1 Ajuste por
columnas
O
\D
1
2
3
4
Tij
Fj
1
0
5000
3750
1250
10000
1
2
3
6667
10000
0
10000
6667
0
6667
10000
20000
1
4
4000
1000
1000
0
6000
40000
6.6667
Tij
9000
8000
6000
6000
29000
Ti(G)
40000
30000
20000
10000
4
26667
6667
6667
0
40000
1
Tij
43333
21667
17083
17917
Fi
1
0.92307
1.38461
1.17073
0.55814
4
24615
9231
7805
0
41651
0.9604
Tij
40000
30000
20000
10000
Fi
4
23640
8865
7495
0
40000
1
Tij
40264
29123
19980
10633
Fi
2
0.99344
1.03010
7
1.00100
6
0.94048
3
1
2
3
0
6154
9231
6923
0
13846
4390
7805
0
698
3721
5581
12011
17680
0.8326 1.1312
1.0468
Matriz Iteracin 2 Ajuste por
columnas
1
2
3
1
0
6962
2
5764
0
14494
3
3655
8829
0581
4
4209
5843
10000
20000
Tij
Fj
1
1
Matriz Iteracin 2 Ajuste por filas
1
1
1
1
Fio
4.44
44
3.75
00
3.33
33
1.66
67
1
0
5937
3659
546
10143
0.9859
1
2
3
4
Fj
2
Matriz Iteracin 3
2
6916
0
8838
3959
19713
1.0146
3
9600
1493
1
0
5495
3002
5
0.999
2
Ajuste
column
por
as
1
3
2
7017 9591
1
2
0
1491
8
3
8967
0
4
4016 5490
20000 3000
Tij
0
1
1
Fj
Matriz Iteracin 3 Ajuste por filas
1
2
3
0
7013 9586
1
2
5878
0
1498
0
3
3598
8942
4
536
3998 5466
10012
19953 3003
1
0.9988
1.0023 0.999
Fj
0
3
Matriz Iteracin 4 Ajuste
column
por
as
1
3
2
7029 9576
1
2
0
1496
4
3
8963
0
4
4008 5460
20000 3000
Tij
0
1
1
Fj
Matriz Iteracin 4 Ajuste por filas
1
2
3
0
7028 9575
1
2
5876
0
1497
6
3
3590
8956
0
4
535
4006 5458
10002
19991 3000
9
0.9998
1.0005 0.999
Fj
7
4
4
23485
9132
7503
0
40119
0.997
0
Tij
40000
30000
20000
10000
4
23415
9105
7481
0
40000
1
Tij
40023
29877
20055
10045
4
23401
9142
7460
0
40004
0.999
9
Tij
40000
30000
20000
10000
4
23399
9141
7459
0
40000
1
Tij
40004
29977
20016
10003
4
23397
9148
7454
0
39999
1.000
0
Tij
40000
30000
20000
10000
Fi
1
1
1
1
Fi3
0.999
1.0041
25
0.9972
56
0.9954
82
Fi
1
1
1
1
Fi4
0.9998
1.000
78
0.99
92
0.9996
95
Fi
1
1
1
1
ANEXO 2
Ejemplo de Calibracin de un Modelo Gravitatorio
Producciones y Atracciones
Zona
Produccin
Atraccin
Total
25
25
11
7
7
11
Matriz de Impedancias
Zona
2
8
1
2
3
3
1
4
6
5
Cuadro de Calibracin
Unidades
de
1
2
3
4
5
6
7
8
Total viajes
Viaje
s
F
Inic
ial
1
1
1
1
1
1
1
1
4
4
6
4
3
2
1
1
25
F
Iteracin 1
Viaje
s
2
3
5
4
3
3
2
3
F mnimo=
2.040
82
1.298
70
1.239
67
1.020
41
0.974
03
0.649
35
0.510
20
0.324
68
0.32468
3
2
2
3
3
25
25
Viaje
s
6
4
4
3
3
2
2
1
4
4
6
4
3
2
1
1
F mnimo=
F
Iteracin 2
6.285
71
4.000
00
3.818
18
3.207
00
3.000
00
2.000
00
1.571
43
1.000
00
1.00000
6
4
4
3
3
2
2
1
3
4
2
2
3
77
77
77
25
DIVISION MODAL
Definicin: determinacin de la proporcin en que los usuarios seleccionan el modo
de transporte para la realizacin de sus viajes.
Factores que influencian la divisin modal
-
A j exp( Iijm )
A exp( I
j
)
j
ijm
14
I t 2,5 (t t t
)
ijm
ij
ij
ij
Fi
ij
ij
VT
Pi = producciones de la zona i.
Aj = atracciones de la zona j.
= parmetro del modelo.
Iijm = impedancia entre i y j por el modo m.
tvij = tiempo de viaje (en vehculo).
tcij = tiempo de acceso (caminata).
eij = tiempo de espera.
t
tt ij = tiempo de transbordo.
Fij = costo o tarifa.
ij = otros costos (estacionamiento, peaje, etc.).
VT = valor del tiempo.
Participacin del modo m en el mercado:
Pij
Tij
Tijm
Pi
A
Pi A j
A j exp( Iijm )
Tij
exp(
I
ijm
)
Aj
j
j
exp(
I
ijm
)
m
exp( Iijm )
exp( I
m
ijm
Esta ltima expresin corresponde a los modelos denominados Logit por su semejanza con
la funcin logstica.
Cuando se trata de la divisin entre dos modos el modelo se denomina binario. Cuando
existen ms de dos modos el modelo se denomina multinomial..
Si bien fueron deducidos en forma conjunta, este tipo de modelos puede aplicarse
independientemente de la etapa de distribucin.
Calibracin de modelos Logit binarios
La calibracin consiste en encontrar el valor del parmetro del modelo (). La informacin
necesaria son las impedancias, Iij1 e Iij2, y la distribucin del trfico, Pijk, entre dos modos
conocidos para cada par ij.
Las proporciones para cada par ij en cada modo son las siguientes, obviando los subndices:
P1
1
1 exp I I
2
1
P2 1
exp I 2 I1
P1
1 exp I 2 I1
Haciendo el cociente P1/ P2 :
P1
1
1 P1 exp I I1
exp
2
I1
P1
I 2 I 1
1
P
logP1 P2
I 2 I1
Este modelo es idntico al utilizado en la asignacin de trfico a rutas alternativas (Mtodo
multirruta probabilstico). (Ver apunte Previsin de la Demanda Dirigida a Corredores)
Si se cuenta con datos de particin modal de varios pares ij se puede aplicar regresin
lineal y determinar el valor de .
Modelo QRS II
La divisin modal se realiza para cada par O-D y para cada propsito, basada en la
diferencia entre las desutilidades de automvil y transporte pblico y las tasas de
cautividad del transporte pblico.
La desutilidad se define como el tiempo de viaje ponderado y es equivalente a la
impedancia. Las ponderaciones dependen del tipo de uso del tiempo de que se trate. Por
ejemplo un minuto de espera es equivalente, en trminos de desutilidad, a ms de un
minuto de viaje.
Te = tiempo de espera.
Pe = penalizacin por espera .
Tv = tiempo de viaje en el vehculo.
Pt = penalizacin por transbordo.
Wt = ponderacin del tiempo de transbordo.
Tt = tiempo de transbordo.
Tb = tiempo de egreso (caminata).
F = tarifa o costo de viaje.
VT = valor del tiempo.
VT = 0,33 * Ingreso/minuto = 0,33*Ingreso anual
120.000
El valor 120.000 son los minutos laborables en un ao (250d/a*8h*60m/h).
Una forma ms simple de la expresin anterior es la siguiente:
D = Tv + 2.5*Te + F/VT
El valor de Te incluye todos los tiempos de espera, acceso, transbordo, etc.
La cautividad del transporte pblico se define como la fraccin de viajes que no tiene otra
opcin que el transporte pblico, generalmente porque el usuario no posee automvil o
porque el automvil del hogar est siendo utilizando por otro integrante.
La diferencia de desutilidad se define de la siguiente manera:
d
ijk =
Donde:
tij = tiempo de viaje entre i-j en auto.
tji = idem j-i
Dij = desutilidad en transporte pblico entre zona i y zona j.
Dji = idem j-i.
Dck = desutilidad especfica del TP para propsito k.
La divisin modal de los viajes se calcula de la siguiente manera:
p
t
ijk
S S
i
j
1 Yik
Yik
exp(
M
d
D )
ijk
k
1
Siendo:
t
p ijk = probabilidad de que un usuario tome TP entre i y j.
ANEXO
Estimacin de Modelos Logit Discretos
Introduccin a los Modelos de Eleccin Discretos
Los modelos tipo Logit son modelos de eleccin, es decir se construyen para la prediccin de la
eleccin que ciertos individuos realizarn frente un conjunto de opciones alternativas, por ejemplo
la eleccin del modo de transporte para la realizacin de un viaje. Estos modelos pertenecen al
grupo denominado modelos economtricos, los que para poder ser aplicados en la prediccin deben
ser primeramente estimados, entendindose por estimacin de un modelo economtrico a la
determinacin, mediante mtodos estadsticos, de los parmetros de ajuste del modelo.
En el texto anterior se expusieron modelos Logit agregados, en los que las variables entran en el
modelo representadas por promedios de la poblacin y la estimacin se realiza buscando los
parmetros que mejor se ajusten tambin para el promedio de la poblacin. En cambio, la
estimacin de modelos discretos o desagregados se basa en las decisiones tomadas por los usuarios
individuales.
Por razones de simplicidad se explicar la estimacin de un modelo binario, es decir en el que el
resultado del modelo puede tomar dos valores o que, en otras palabras, la eleccin se puede realizar
entre dos modos. El modelo Logit binario puede ser escrito matemticamente de la siguiente
manera:
P yi
1
1
x
e i
Donde:
P(yi = 1) es la probabilidad de que la variable binaria yi adopte el valor 1.
xi es una funcin lineal con k variables independientes xki
La variable binaria yi es una variable ficticia. Una variable ficticia es aquella que determina el
estado o decisin de un individuo i, por ejemplo el modo de transporte que elige para la realizacin
de un viaje. Siempre toma valores discretos, por ejemplo si elige auto es yi = 1 si elige transporte
pblico es yi = 0. Por lo tanto la probabilidad de que la variable yi adopte el valor 0 es P(yi = 0) = 1P(yi = 1).
Para la estimacin de un modelo Logit discreto es necesario contar con informacin representativa
de la poblacin que se quiere modelar, a partir de una muestra de individuos de esa poblacin. Para
esa muestra se deben observar las decisiones y atributos de los individuos, del viaje y de los modos
mediante la realizacin de una encuesta.
15
Este tipo de modelo se estima mediante el mtodo de mxima verosimilitud , el que se basa en la
funcin de verosimilitud de la muestra. Dicha funcin se define como la probabilidad de que el
15
Por tratarse de una variable que slo adopta valores discretos no puede aplicarse el mtodo de ajuste por
cuadrados mnimos ordinarios, ya que ese mtodo dara por resultado una distribucin continua no restringida
al intervalo entre cero y uno.
L P y i 1/ xi P y i 0 / xi
i1
Siendo:
L = indicador de verosimilitud
n = tamao de la muestra.
En la prctica, el clculo del indicador se realiza aplicando el modelo a cada elemento de la muestra
y multiplicando sucesivamente los resultados. Por ejemplo:
Elemento
de la
1
2
3
.
n.
yi
observado
0
1
0
...
1
P(yi = 1) P(yi = 0)
P(y1 = 0)
P(y2 = 1)
P(y3 = 0)
...
P(yn = 1)
Funcin
L=P(y1 = 0). P(y2 = 1). P(y3 = 0)... P(yn =
de
1)
verosimilit
Este indicador, por tratarse de un producto de probabilidades, deber necesariamente tener un valor
entre 0 y 1, siendo preferible el modelo que maximice la funcin L (mxima verosimilitud). Para
facilitar los clculos se utiliza el logaritmo natural de la verosimilitud, por lo que el Ln L ser
siempre un valor negativo y cuanto mayor, es decir ms prximo a cero, mejor resulta el ajuste del
modelo.
Modelo de Divisin Modal
Como se dijera al principio, la divisin modal de los viajes puede ser representada por un modelo de
eleccin, en el que el trmino eleccin puede definirse como: la expresin de las preferencias de un
individuo para la realizacin de un viaje. En este tipo de modelo, la eleccin del individuo se basa
en el principio de maximizacin de la utilidad. Este principio establece que un individuo elegir, de
entre las la opciones disponibles, aquella que maximice su utilidad o satisfaccin.
Esta utilidad podr ser expresada mediante una funcin, que ser una expresin matemtica, cuyo
valor depender de los atributos de las opciones disponibles y de las caractersticas y preferencias
del individuo. La funcin de utilidad expresa que si un individuo prefiere un determinado modo
sobre los dems, el valor de dicha funcin de utilidad para ese modo deber ser mayor que para los
restantes.
La expresin matemtica de la utilidad estar dada en funcin de un grupo de variables que
representarn las caractersticas y atributos de los modos de transporte y de los individuos y que
tienen influencia en la eleccin que realicen estos ltimos, por ejemplo: tiempo de viaje, nmero de
transbordos, tiempos de caminata y espera, costo del viaje, ingreso del individuo, posesin de
automvil, etc.
De acuerdo al principio de maximizacin de la utilidad, si un individuo prefiere el modo i al j ello
implica que:
U (x i , S ) U (x j , S )
Donde:
U = funcin de utilidad.
xi, xj = atributos de los modos i y j (tiempo de viaje, costo, etc.).
S
= atributos del individuo que influyen en la seleccin de modo.
La funcin de utilidad debe ser definida de manera que se cumplan las siguientes condiciones:
La forma de la funcin de utilidad deber ser la misma para todas las opciones. Su valor
depender de los atributos del modo y del individuo.
La utilidad de un modo depende exclusivamente de los atributos del modo y del individuo,
independientemente de los atributos de los otros modos.
La eleccin del individuo depende de las utilidades de todos los modos.
Para la definicin de funciones de utilidad para un caso especfico se debe identificar, en primer
lugar, las variables que describen los atributos de cada modo y los atributos de los usuarios. La
habilidad del modelo de predecir lo ms aproximadamente posible la divisin modal depende
fundamentalmente de la eleccin acertada de estas variables. No obstante, por ser el proceso de
seleccin de modo un proceso complejo en el que intervienen innumerables factores, no ser
16
siempre posible identificar a la totalidad de esas variables, siendo la omisin de ciertas variables y
los errores de medicin de las incluidas la principal fuente de error de prediccin de los modelos.
Las variables que forman parte de la funcin de utilidad pueden clasificarse de la siguiente manera:
16
Variables de poltica. Son las variables que adoptan valores que provienen de decisiones de
polticas deliberadas. La elaboracin de un modelo de demanda tiene por objeto el de
determinar las consecuencias que tendrn los cambios en el valor de estas variables. El
tiempo de viaje, la tarifa, la frecuencia, etc, son ejemplos de variables de poltica.
Variables genricas. Son las variables de poltica que figuran en todos los modos con el
mismo coeficiente.
Variables especficas de modo. Son las variables que entran en la funcin de utilidad con
distintos coeficientes en cada modo. Debe haber por lo menos un modo que no incluya a
dicha variable.
Variables demogrficas o socieconmicas (tambin variables de grupo). Son las variables
que permiten diferenciar el efecto de las medidas de polticas en los diferentes grupos
poblacionales. El ingreso y la posesin de automvil son ejemplos de este tipo de variables.
El valor de estas variables no est sujeto a decisin.
La no-inclusin de variables que influyen en el modelo puede deberse a que se las desconoce o por
imposibilidad de medirlas o estimarlas.
Las variables pueden figurar en la funcin de utilidad directamente con su valor o transformadas,
por ejemplo mediante la logaritmacin. Asimismo las funciones pueden ser lineales o no lineales.
Algunas variables, tales como el tiempo de viaje, pueden ser desagregadas en componentes, como
por ejemplo: tiempo de caminata y espera, tiempo en vehculo y tiempo de trasbordo, dado que
dichos tiempos son valorados de distinta manera por los usuarios (los tiempos de caminata, espera y
trasbordo tienden a ser percibidos como ms molestos que el tiempo en vehculo). En algunos casos
el tiempo de viaje puede constituir una variable especfica de modo como cuando se incluyen los
tiempos de espera y trasbordo, propios del transporte pblico pero no del automvil.
La variable ingreso o nmero de automviles en el hogar tambin pueden ser usadas como variables
especficas de modo cuando, por ejemplo, sectores de altos ingresos estn dispuestos a utilizar el
automvil no por ahorro de tiempo sino por comodidad y/o flexibilidad. Debe haber por lo menos
un modo sin estas variables.
Adems de las variables descriptivas de los modos y de los individuos se definen tambin las
denominadas constantes especficas de modo. Si dos modos tienen los mismos atributos las
probabilidades ser elegidos por individuos con las mismas caractersticas sern iguales, si bien
pueden presentar diferencias al usuario representadas por variables no incluidas en el modelo, tales
como confort, confiabilidad, seguridad, etc. Este defecto puede ser en parte subsanado mediante la
inclusin de constantes, diferentes, en la funcin de utilidad de todos los modos, excepto uno,
17
denominado modo base .
Estimacin Economtrica de Modelos Logit Discretos
La estimacin de modelos Logit discretos, tanto binarios como multinomiales, se realiza mediante
paquetes estadsticos - economtricos. Los modelos binarios pueden estimarse mediante paquetes
convencionales, tales como EViews, SPSS, SAS, etc. Para el caso de los modelos multinomiales
debe recurrirse a software especial como ALOGIT o HIELOW.
A continuacin se desarrollar un ejemplo de estimacin de un modelo Logit binario mediante el
18
paquete estadstico economtrico EViews .
Se parte de un relevamiento a travs de encuestas del modo de viaje al trabajo de una muestra de
usuarios. En la encuesta se relev, para cada elemento de la muestra, la distancia de viaje, los costos
del viaje en transporte pblico (TP) y en automvil (A), los tiempos de viaje en TP y en A, el
ingreso del individuo, la posesin de automvil y el modo utilizado para la realizacin del viaje.
Se plantea un modelo de divisin modal con la siguiente formulacin:
P A
e Ua
Utp
e Ua e
Siendo:
17
Si se incluyeran constantes en todos los modos las mismas seran matemticamente indeterminadas por lo
que el modelo no puede ser estimado.
18
Producto de Quantitative Micro Software, LLC (www.eviews.com)
Ua b
Ta
Ca
Yi
U tp a b Ttp Ctp
c
Yi
La Ecuacin 2 tendr las siguientes funciones de utilidad:
U a b Ta c C a d Yi
U tp a b Ttp c Ctp
Ta ,Ttp
Ca ,Ctp
a, b, c, d
Yi
Las variables T, C y C/Y son variables genricas de poltica y entran en la funcin con el mismo
coeficiente. El coeficiente a es una constante especfica de modo y solamente forma parte de la
funcin de utilidad del modo TP. La variable Y en la ecuacin 2 es una variable especfica de modo
dado que aparece solamente en la funcin de utilidad del modo A.
El modelo puede ser expresado de la siguiente manera:
Ecuacin 1:
P A
1e
(U tp U a )
1 e (abT cC / Yi )
Ecuacin 2:
P( A)
1 e(abT cC d Yi )
La muestra que se utilice para la estimacin del modelo debe ser representativa de la poblacin del
rea de estudio que se quiere modelar, es decir que en ella deben formar parte todos los casos
posibles, de manera que el modelo tenga la capacidad de reproducir la eleccin de modo de
cualquier individuo dentro de esa poblacin. Esta es una condicin muy importante para que el
modelo sea aplicable para la determinacin de la divisin modal agregada del rea de estudio, tal
como se ver ms adelante.
Las planillas siguientes muestran la informacin relevada a 16 personas que realizan viajes diarios
19
al trabajo . Los encabezamientos tienen el siguiente significado:
Dist
Costo_TP
Costo_Auto
19
Para casos reales, el tamao de muestra debe estar entre 1000 y 3000 encuestas. Para este tipo de encuestas
no existe un mtodo para la determinacin estadstica del tamao de muestra.
Modo:
0
1
O
B
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Dist
25
4
12
20
48
23
39
7
15
41
3
6
28
44
22
17
O
b
1
2
3
4
5
6
7
8
9
1
0
11
1
2
1
3
1
4
1
5
1
6
Delta_
T
0.625
0.100
0.300
0.500
1.200
0.575
0.975
0.175
0.375
1.025
0.075
0.150
0.700
1.100
0.550
0.425
Costo_T
P
1.75
0.75
1.25
1.75
2.5
1.75
2.5
1.25
1.25
2.5
0.75
1.25
2.5
2.5
1.75
1.75
Costo_Aut
o
12
5.28
7.84
10.4
19.36
11.36
16.48
6.24
8.8
17.12
4.96
5.92
12.96
18.08
11.04
9.44
Tiempo_T
P
1.25
0.2
0.6
1
2.4
1.15
1.95
0.35
0.75
2.05
0.15
0.3
1.4
2.2
1.1
0.85
Tiempo_Au
to
0.625
0.1
0.3
0.5
1.2
0.575
0.975
0.175
0.375
1.025
0.075
0.15
0.7
1.1
0.55
0.425
Ingre
so
0.80
1.10
0.50
2.50
3.50
0.70
0.40
0.40
2.00
1.20
1.80
2.70
2.50
1.50
0.50
0.40
Auto
0
1
0
1
1
0
1
0
1
0
1
1
1
0
0
0
Mod
o
0
0
0
1
1
0
1
0
1
0
0
1
1
1
0
0
Au
to
0
1
0
1
1
0
1
0
1
0
1
1
1
0
0
0
Mod
o
0
0
0
1
1
0
1
0
1
0
0
1
1
1
0
0
prediccin es correcta, lo mismo sucede si el dato real es 0 y el modelo predice una probabilidad
menor que 0,5.
Se observa que el modelo denominado Ecuacin 2 presenta mejores indicadores que el denominado
Ecuacin 1.
AJUSTE DEL MODELO
Observado Ecuacin 1 Ecuacin 2
0
0.45561
0.11092
0
0.22662
0.01760
0
0.19032
0.01417
Porcent
aje
Correct.
Predich
o
Ecuacin 1
C
Delta_t
DC_Y
Log Max
Ver
1
1
0
0.58847
0.94589
0.38554
0.97929
0.99967
0.09956
1
0
1
0
0.22424
0.13646
0.46270
0.80282
0.26667
0.01688
0.56423
0.79397
0
1
1
0.24413
0.31420
0.73820
0.15677
0.96754
0.99889
1
0
0
0.86781
0.25274
0.16427
0.88186
0.06051
0.07146
75.0%
87.5%
1.161796
3.785379
Ecuacin 2
C
Delta_t
9.081511
59.91634
Delta_c
Ingreso
Log Max Ver
4.992237
-4.233454
-4.2335
0.10787
-8.5388
Grfico de Ajuste
1.2
Observado
Ecuac. 1
Ecuac. 2
P1
0.8
0.4
0.6
0.2
12345678910111213141516
Observacin
Ecuacin 1
P Auto
1 exp a b T c C / Y
Coefficie
nt3.785379
0.107870
C
DELTA_T
DC
_Y
Mean dependent
var
S.E. of regression
Sum squared
residlikelihood
Log
Restr. log
likelihood
LR
statistic (2 df)
Probability(LR
stat)
Obs with Dep=0
Obs with Dep=1
Std. Error
Statistic
1.181815
2.192012
0.080796
z-
Prob.
0.3256
0.0842
0.1818
0.437500
0.512348
0.470393
2.876510
8.53883410.96503
4.852386
0.088373
1.442354
1.587215
1.449772
0.533677
0.221266
9
7
Total obs
16
1.0
0.8
0.6
0.4
0.2
1.0
0.0
0.5
0.0
-0.5
-1.0
2
6
Residual
10
Actual
12
14
Fitted
16
Ecuacin 2
P Auto
1 exp a b T c C d Y
Coefficien
9.081511t
59.91634
4.992237
3.199807
C
DELTA_T
DELTA_C
INGRESO
Mean dependent
S.E. of regression
Sum squared resid
Log likelihood
Restr. log likelihood
LR statistic (3 df)
Probability(LR stat)
Std. Error
Statistic
26.80768
94.94240
8.532089
1.727980
0.437500
0.345188
1.429860
-4.233454
-10.96503
13.46315
0.003735
z-
Prob.
0.7348
0.5280
0.5585
0.0641
9
7
Total obs
16
1.0
0.8
0.6
0.4
0.2
1.0
0.0
0.5
0.0
-0.5
-1.0
2
6
Residual
10
Actual
12
0.51234
1.02918
2
1.22232
9
1.03907
20.26459
0.61391
3
14
Fitted
16
Variables
Futuras (2)
Formulacin
Estimacin
Procedimiento
del Modelo de Div. Modal
Economtrica del Modelo de Prediccin
Prediccin
Agregada de Viajes
En la etapa de formulacin se proponen formas alternativas del modelo, como lo fueron, por
ejemplo, las ecuaciones 1 y 2 anteriores. Estas formas son estimadas y luego se selecciona la
considerada como la que mejor representa la eleccin de modo, de acuerdo a los criterios explicados
(mxima verosimilitud y porcentaje correctamente predicho). Se supone que este modelo es
aplicable a cualquier individuo o grupo de individuos dentro del rea de estudio.
Se utilizan varios procedimientos para la agregacin de los resultados obtenidos de los modelos
discretos. A continuacin se describen tres de ellos, para un modelo binario.
Mtodo Simple
Este mtodo consiste en reemplazar el valor de las variables explicativas del modelo por el valor
promedio de cada una de las variables futuras.
La aplicacin del mtodo simple puede producir errores significativos, dado que los resultados
obtenidos de la introduccin de valores promedio de las variables no son iguales a los que se
S(
A)
1
1 exp
U
tp
Ua
S (TP) 1 P( A)
Donde:
S(A), S(TP) = participacin agregada de los modos A y TP para una determinada poblacin.
a , tp = valor de las funciones de utilidad de los modos A y TP calculadas con los promedios
de las variables explicativas para la poblacin de inters.
Mtodo de la Estratificacin del Mercado
El mtodo de la estratificacin del mercado consiste dividir a la poblacin objeto de la proyeccin
en estratos de caractersticas similares, teniendo en cuenta las variables explicativas. Para cada
estrato se realizan predicciones utilizando el mtodo simple y luego se promedia para toda la
poblacin, ponderando por el tamao del estrato. Este mtodo reduce los mrgenes de error del
mtodo simple. Como es lgico, la precisin de este mtodo aumenta con el nmero de estratos de
mercado. La forma de aplicacin es la siguiente:
S ( A)
N P ( A)
N
i
S (TP) 1 P( A)
Siendo:
Pi(A) = probabilidad de seleccionar A dentro del estrato i, calculada con los promedios de las
variables explicativas dentro del estrato.
Ni
= tamao del estrato i.
S ( A)
P ( A)
S (TP)
P (TP)
i
Na Pi ( A)
i
Ntp Pi (TP)
i
N Na Ntp
Donde:
Pi(A), Pi(TP) = probabilidades de que el individuo i seleccione los modos A y TP respectivamente.
N
= tamao de la muestra.
Na
= nmero de usuarios que eligen A.
Ntp
= nmero de usuarios que eligen TP.
Bibliografa
Introduccin al Planeamiento del Transporte, Michael J. Bruton, Ed. Troquel, 1975.
Urban Transportation
Administration, 1985.
Planning,
US
Department
of
Transportation,
Federal
Highway